¿Qué es Human-in-the-loop (HITL)?

Uno de los términos que podrías encontrar al tratar con inteligencia artificial (AI) y aprendizaje automático (ML) es human-in-the-loop (HITL). Es justo como suena. HITL es una rama de la IA que confía en la inteligencia humana y la máquina en la creación de modelos de aprendizaje automático.

Un enfoque de human-in-the-loop significa que las personas están involucradas en el ciclo del algoritmo de entrenamiento, ajuste y prueba.

Los humanos primero etiquetan los datos, lo que ayuda al modelo a lograr datos de entrenamiento de alta calidad y cantidad. Un algoritmo de aprendizaje automático luego aprende a tomar decisiones basadas en los datos antes de que los humanos comiencen a ajustar el modelo.

El modelo puede ser probado y validado por humanos mediante la puntuación de sus salidas. Este proceso es especialmente útil en instancias donde el algoritmo no está seguro sobre un juicio, o por otro lado, donde el algoritmo está demasiado seguro sobre una decisión incorrecta.

El proceso HITL es un bucle de retroalimentación continuo, lo que significa que cada una de las tareas de entrenamiento, ajuste y prueba se alimenta nuevamente en el algoritmo. Este proceso permite que el algoritmo se vuelva más efectivo y preciso con el tiempo, lo que es especialmente útil para crear grandes cantidades de datos de entrenamiento precisos para casos de uso específicos. La perspicacia humana ayuda a ajustar y probar el modelo para que la organización pueda lograr la decisión más precisa y accionable.

Imagen: Universidad de Stanford

La Importancia del Aprendizaje Automático HITL

HITL es una rama extremadamente importante de la IA, ya que los modelos de aprendizaje automático convencionales requieren una gran cantidad de puntos de datos etiquetados para lograr predicciones precisas. Cuando hay una falta de datos, los modelos de aprendizaje automático no son tan útiles.

Toma el aprendizaje de lenguaje como ejemplo. Si tienes un lenguaje que solo es hablado por unos pocos miles de personas, y deseas lograr conocimientos sobre ese lenguaje a través del aprendizaje automático, podría ser difícil encontrar suficientes ejemplos para que el modelo aprenda. Con un enfoque HITL, puedes asegurar la precisión de estos conjuntos de datos.

La industria de la salud también es una de las más importantes para los sistemas HITL. Un estudio de 2018 de Stanford encontró que un modelo HITL funciona mejor que la IA o los humanos por separado.

Los sistemas HITL mejoran la precisión mientras mantienen los estándares de nivel humano, lo que es importante para muchas industrias en todo el mundo.

Cuándo Usar Sistemas HITL

Hay unos pocos momentos específicos en el ciclo de vida de la IA cuando se debe usar el aprendizaje automático human-in-the-loop:

• Entrenamiento: El lugar más común donde los científicos de datos usan HITL es durante las fases de entrenamiento, donde los humanos proporcionan datos etiquetados para el entrenamiento del modelo.

• Ajuste y Prueba: El otro momento principal en que se usa HITL es en las fases de ajuste y prueba. Los humanos ajustan los modelos para una mayor precisión, lo que es especialmente crucial cuando el modelo no está seguro.

Es importante tener en cuenta que el enfoque HITL no es adecuado para todos los proyectos de aprendizaje automático. Se utiliza principalmente cuando no hay mucha data disponible.

El aprendizaje profundo human-in-the-loop se usa cuando los humanos y los procesos de aprendizaje automático interactúan en ciertos escenarios, como: los algoritmos no entienden la entrada; la entrada de datos se interpreta incorrectamente; los algoritmos no saben cómo realizar una tarea específica; el modelo de aprendizaje automático necesita ser más preciso; el componente humano necesita ser más eficiente y preciso; el costo de los errores es demasiado alto en el desarrollo de ML; y los datos deseados no están disponibles.

Tipos de Etiquetado de Datos para HITL

El enfoque HITL se puede utilizar para varios tipos de etiquetado de datos dependiendo de qué tipo de conjuntos de datos se requieren. Por ejemplo, si la máquina necesita aprender a reconocer formas específicas, se utilizan cuadros delimitadores. Pero si el modelo necesita clasificar cada parte de una imagen, se prefiere la segmentación. Cuando se trata de conjuntos de datos de reconocimiento facial, a menudo se utilizan marcas faciales.

Otra aplicación importante es el análisis de texto, que permite a la máquina entender lo que los humanos dicen o escriben. Debido a que las personas usan diferentes palabras para expresar los mismos significados, los sistemas de IA deben conocer las diferentes variaciones. Llevando las cosas aún más lejos, el análisis de sentimiento puede reconocer el tono de una palabra o frase específica. Estos ejemplos demuestran por qué es tan importante utilizar el enfoque human-in-the-loop.

Por Qué Su Compañía Debe Implementar HITL

Si su negocio está buscando instalar un sistema HITL, una de las formas más comunes de hacerlo es mediante el uso de software de automatización. Hay mucha automatización de software que ya está construida alrededor del enfoque HITL, lo que significa que ya tiene el proceso incorporado.

Sistemas como estos permiten que la compañía logre un rendimiento de alto nivel de inmediato y logre conocimientos. Los sistemas de aprendizaje automático ya se están implementando en casi todas las industrias, lo que significa que los desarrolladores deben asegurarse de que los sistemas funcionen bien con datos cambiantes.

Hay muchas ventajas de implementar un sistema HITL en su compañía:

• Mejora el Proceso de Toma de Decisiones: Un sistema HITL mejora el proceso de toma de decisiones de una compañía al proporcionar transparencia y consistencia. También protege contra el sesgo al incluir la retroalimentación humana en el proceso de entrenamiento.

• Más Eficiente: Los sistemas HITL suelen considerarse más eficientes que los sistemas de aprendizaje automático tradicionales. Requieren menos tiempo para el entrenamiento y el ajuste, lo que significa que producen conocimientos más rápidamente.

• Transparencia: Los sistemas human-in-the-loop proporcionan una mayor transparencia en el modelo de aprendizaje automático, cómo funciona y por qué llegó a una decisión específica. La explicabilidad y la responsabilidad son fundamentales para los sistemas de IA de hoy, y el enfoque HITL ayuda enormemente.

Desafíos de los Sistemas HITL

Los sistemas human-in-the-loop también presentan algunos desafíos específicos que deben abordarse. Por un lado, los humanos cometen errores, por lo que cualquier sistema con humanos corre el riesgo de ser incorrecto. Esto puede tener un gran impacto en la efectividad del sistema. Por ejemplo, si un humano comete un error al etiquetar los datos, ese mismo error se propagará por todo el sistema y puede causar problemas futuros.

Los sistemas HITL también pueden ser lentos, ya que los humanos están involucrados en el proceso de toma de decisiones. Una de las razones principales detrás del crecimiento de la IA y el ML es que las máquinas son increíblemente más rápidas que los humanos, pero esta velocidad a menudo vista en los sistemas de ML tradicionales no siempre se traducirá en los sistemas HITL.

Otro desafío de los sistemas HITL es que pueden ser costosos de construir y mantener. Además de los costos asociados con la máquina, el negocio debe presupuestar para la mano de obra humana también.