Mikä on Human-in-the-loop (HITL)?

Yksi niistä termeistä, joita saatat kohtaa käsitellessäsi tekoälyä (AI) ja koneoppimista (ML), on human-in-the-loop (HITL). Se on juuri sellainen kuin kuulostaa. HITL on tekoälyn haara, joka luottaa sekä ihmisen että koneen älykkyyteen koneoppimismallien luomisessa.

Human-in-the-loop -lähestymistapa tarkoittaa, että ihmiset ovat mukana algoritmin koulutus-, säätö- ja testauskierrossa.

Ihmiset merkitsevät ensin tiedot, mikä auttaa mallia saavuttamaan korkealaatuisen ja -määrän koulutusdataa. Koneoppimisalgoritmi oppii sitten tekemään päätöksiä tiedon perusteella, ennen kuin ihmiset alkavat hienosäätää mallia.

Mallia voidaan sitten testata ja validoida ihmisillä sen tulosteen arvioimisen kautta. Tämä prosessi on erityisen hyödyllinen tilanteissa, joissa algoritmi ei ole varma arviostaan, tai toisaalta, kun algoritmi on liian varma virheellisestä päätöksestä.

HITL-prosessi on jatkuva palautekierto, mikä tarkoittaa, että koulutus-, säätö- ja testaustehtävistä jokainen palautetaan algoritmiin. Tämä prosessi mahdollistaa algoritmin kehittymisen tehokkaammaksi ja tarkemmaksi ajan myötä, mikä on erityisen hyödyllistä luotaessa korkealaatuisia ja suuria määriä koulutusdataa tiettyihin käyttötarkoituksiin. Ihmisen näkökulma auttaa mallin säätöä ja testausta, jotta organisaatio voi saavuttaa tarkimman ja toimivimman päätöksen.

Kuva: Stanford University

HITL-koneoppimisen merkitys

HITL on erittäin tärkeä tekoälyn haara, koska perinteiset koneoppimismallit vaativat suuren määrän merkittyjä datakohtia saadakseen tarkat ennusteet. Kun dataa on niukasti, koneoppimismallit eivät ole yhtä hyödyllisiä.

Ota esimerkiksi kielen oppiminen. Jos sinulla on kieli, jota puhuu vain muutama tuhat ihmistä, ja haluat saada siitä tietoa koneoppimisen avulla, voi olla vaikea löytää tarpeeksi esimerkkejä mallin oppimiseksi. HITL-lähestymistavalla voidaan varmistaa datan tarkkuus.

Terveydenhuoltoala on myös yksi tärkeimmistä HITL-järjestelmiä hyödyntävistä aloista. Stanfordin vuonna 2018 tekemässä tutkimuksessa havaittiin, että HITL-malli toimii paremmin kuin joko tekoäly tai ihmiset yksin.

HITL-järjestelmät parantavat tarkkuutta samalla ylläpitäen ihmisen tason standardeja, mikä on tärkeää monille aloille ympäri maailmaa.

Milloin käyttää HITL-järjestelmiä

On muutamia tiettyjä tilanteita tekoälyn elinkaaren aikana, jolloin human-in-the-loop -koneoppimista tulisi käyttää:

• Koulutus: Yleisin paikka, jossa data-analyytikot käyttävät HITL:ää, on koulutusvaiheessa, jossa ihmiset tarjoavat merkittyjä dataa mallin koulutukseen.

• Säätö ja testaus: Toinen tärkeä tilanne, jossa HITL:ää käytetään, on säätö- ja testausvaiheessa. Ihmiset säätävät malleja tarkemmaksi, mikä on erityisen tärkeää, kun malli on epävarma.

On tärkeää huomata, että HITL-lähestymistapa ei sovellu jokaiselle koneoppimishankkeelle. Sitä käytetään pääasiassa silloin, kun dataa ei ole paljon saatavilla.

Human-in-the-loop -syväoppimista käytetään tilanteissa, joissa ihmiset ja koneoppimisprosessit vuorovaikuttavat tietyissä tilanteissa, kuten: algoritmit eivät ymmärrä syötettä; data syötetään väärin; algoritmit eivät tiedä, miten suorittaa tiettyä tehtävää; koneoppimismalli tarvitsee olla tarkempi; ihmisen osuus tarvitsee olla tehokkaampi ja tarkempi; virheiden kustannus on liian korkea ML-kehityksessä; ja haluttua dataa ei ole saatavilla.

HITL:lle käytettävät datamerkintätavat

HITL-lähestymistapaa voidaan käyttää erilaisiin datamerkintätapoihin riippuen siitä, minkälaisia datajoukkoja vaaditaan. Esimerkiksi, jos koneen on opittava tunnistamaan tiettyjä muotoja, käytetään rajoitusalueita. Mutta jos mallin on luotava jokaisen kuvan osan luokittelu, suositellaan segmentointia. Kun on kyse kasvojen tunnistamisesta, käytetään usein kasvomerkintöjä.

Toinen tärkeä sovellus on tekstin analyysi, joka mahdollistaa koneen ymmärtämän, mitä ihmiset sanovat tai kirjoittavat. Koska ihmiset käyttävät eri sanoja samaan tarkoitukseen, tekoälyjärjestelmien on tiedettävä eri variaatiot. Menemällä asioiden ytimeen, mielipideanalyysi voi tunnistaa tietyn sanan tai lauseen sävyn. Nämä esimerkit osoittavat, miksi human-in-the-loop -lähestymistapan käyttäminen on niin tärkeää.

Miksi yrityksesi tulisi ottaa käyttöön HITL

Jos yrityksesi haluaa asentaa HITL-järjestelmän, yksi yleisin tapa tehdä tämä on käyttämällä automaatio-ohjelmistoa. On paljon automaatio-ohjelmistoa, joka on jo rakennettu HITL-lähestymistapaa varten, mikä tarkoittaa, että se on jo sisäänrakennettu prosessiin.

Nämä järjestelmät mahdollistavat yritykselle saavuttaa korkean suorituskyvyn heti ja saada näkemyksiä. Koneoppimisjärjestelmät ovat jo toteutettu lähes jokaisella alalla, mikä tarkoittaa, että kehittäjien on varmistettava, että järjestelmät toimivat hyvin muuttuvan datan kanssa.

On monia etuja HITL-järjestelmän käyttöönotolle yrityksessä:

• Parantaa päätöksentekoprosessia: HITL-järjestelmä parantaa yrityksen päätöksentekoprosessia tarjoamalla avoimuutta ja johdonmukaisuutta. Se suojaa myös harhaanjohtavuutta sisällyttämällä ihmisen palautteen koulutusprosessiin.

• On tehokkaampi: HITL-järjestelmät ovat yleensä pidetty tehokkaampina kuin perinteiset koneoppimisjärjestelmät. Ne vaativat vähemmän aikaa koulutukseen ja säätöön, mikä tarkoittaa, että ne tuottavat näkemyksiä nopeammin.

• Avoimuus: Human-in-the-loop -järjestelmät tarjoavat suuremman avoimuuden koneoppimismalliin, sen toimintatapaan ja siihen, miksi se on tullut tiettyyn päätökseen. Selitettävyys ja vastuu ovat perustavia nykyisille tekoälyjärjestelmille, ja HITL-lähestymistapa auttaa siinä.

HITL-järjestelmien haasteet

Human-in-the-loop -järjestelmät esittävät myös tiettyjä haasteita, joita tulisi käsitellä. Yksi haaste on, että ihmiset tekevät virheitä, joten järjestelmä, jossa on ihmiset, altistuu virheille. Tämä voi vaikuttaa järjestelmän tehokkuuteen. Esimerkiksi, jos ihminen tekee virheen datan merkitsemisessä, sama virhe siirtyy koko järjestelmään ja voi aiheuttaa tulevia ongelmia.

HITL-järjestelmät voivat myös olla hitaita, koska ihmiset ovat mukana päätöksentekoprosessissa. Yksi suurimmista syistä tekoälyn ja koneoppimisen kasvuun on, että koneet ovat paljon nopeampia kuin ihmiset, mutta tämä nopeus, jota nähdään perinteisissä ML-järjestelmissä, ei aina siirry HITL-järjestelmiin.

Yksi HITL-järjestelmien haasteista on, että ne voivat olla kalliita rakentaa ja ylläpitää. Lisäksi koneen kustannusten ohella yrityksen on budjetoidaan myös ihmistyön kustannukset.