Qu’est-ce que Human-in-the-loop (HITL) ?

L’un des termes que vous pourriez rencontrer lors de la prise en charge de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML) est human-in-the-loop (HITL). C’est juste comme cela sonne. HITL est une branche de l’IA qui repose à la fois sur l’intelligence humaine et sur l’intelligence machine dans la création de modèles d’apprentissage automatique.

Une approche human-in-the-loop signifie que les personnes sont impliquées dans le cycle d’algorithme de formation, de réglage et de test.

Les humains étiquettent d’abord les données, ce qui aide le modèle à atteindre une formation de haute qualité et de grande quantité de données. Un algorithme d’apprentissage automatique apprend ensuite à prendre des décisions sur la base des données avant que les humains commencent à affiner le modèle.

Le modèle peut ensuite être testé et validé par les humains en notant ses sorties. Ce processus est particulièrement utile dans les cas où l’algorithme n’est pas sûr d’un jugement, ou d’un autre côté, où l’algorithme est trop sûr d’une décision incorrecte.

Le processus HITL est une boucle de rétroaction continue, ce qui signifie que chacune des tâches de formation, de réglage et de test est réinjectée dans l’algorithme. Ce processus permet à l’algorithme de devenir plus efficace et plus précis avec le temps, ce qui est particulièrement utile pour créer des données de formation de haute précision et de grande quantité pour des cas d’utilisation spécifiques. L’insight humain aide à affiner et à tester le modèle afin que l’organisation puisse prendre la décision la plus précise et la plus efficace.

Image: Stanford University

L’importance de l’apprentissage automatique HITL

HITL est une branche extrêmement importante de l’IA car les modèles d’apprentissage automatique conventionnels nécessitent un grand nombre de points de données étiquetés pour atteindre des prévisions précises. Lorsqu’il y a un manque de données, les modèles d’apprentissage automatique ne sont pas aussi utiles.

Prenez l’apprentissage des langues comme exemple. Si vous avez une langue parlée par seulement quelques milliers de personnes, et que vous souhaitez obtenir des insights sur cette langue grâce à l’apprentissage automatique, il peut être difficile de trouver suffisamment d’exemples pour que le modèle apprenne. Avec une approche HITL, vous pouvez vous assurer de l’exactitude de ces ensembles de données.

L’industrie de la santé est également l’une des plus importantes pour les systèmes HITL. Une étude de 2018 de Stanford a montré qu’un modèle HITL fonctionne mieux que l’IA ou les humains seuls.

Les systèmes HITL améliorent la précision tout en maintenant des normes humaines, ce qui est important pour de nombreuses industries à travers le monde.

Quand utiliser les systèmes HITL

Il y a quelques moments spécifiques dans le cycle de vie de l’IA où l’apprentissage automatique human-in-the-loop devrait être utilisé :

• Formation : L’endroit le plus courant où les data scientists utilisent HITL est pendant les phases de formation, où les humains fournissent des données étiquetées pour la formation du modèle.

• Affinement et test : L’autre moment principal où HITL est utilisé est pendant les phases d’affinement et de test. Les humains affinent les modèles pour une plus grande précision, ce qui est particulièrement crucial lorsque le modèle est peu sûr.

Il est important de noter que l’approche HITL n’est pas appropriée pour chaque projet d’apprentissage automatique. Elle est principalement utilisée lorsque il n’y a pas beaucoup de données disponibles.

L’apprentissage automatique human-in-the-loop est utilisé lorsque les humains et les processus d’apprentissage automatique interagissent dans certains scénarios, tels que : les algorithmes ne comprennent pas l’entrée ; les données d’entrée sont interprétées incorrectement ; les algorithmes ne savent pas effectuer une tâche spécifique ; le modèle d’apprentissage automatique doit être plus précis ; la composante humaine doit être plus efficace et précise ; le coût des erreurs est trop élevé dans le développement de l’apprentissage automatique ; et les données souhaitées ne sont pas disponibles.

Types d’étiquetage de données pour HITL

L’approche HITL peut être utilisée pour différents types d’étiquetage de données en fonction des types d’ensembles de données requis. Par exemple, si la machine doit apprendre à reconnaître des formes spécifiques, des boîtes de délimitation sont utilisées. Mais si le modèle doit classifier chaque partie d’une image, la segmentation est préférée. Lorsqu’il s’agit d’ensembles de données de reconnaissance faciale, des marquages faciaux sont souvent utilisés.

Une autre application majeure est l’analyse de texte, qui permet à la machine de comprendre ce que disent ou écrivent les humains. Puisque les gens utilisent différents mots pour exprimer les mêmes significations, les systèmes d’IA doivent connaître les différentes variations. En allant plus loin, l’analyse des sentiments peut reconnaître le ton d’un mot ou d’une phrase spécifique. Ces exemples prouvent pourquoi il est si important d’utiliser l’approche human-in-the-loop.

Pourquoi votre entreprise devrait mettre en œuvre HITL

Si votre entreprise souhaite installer un système HITL, l’une des façons les plus courantes de le faire est d’utiliser un logiciel d’automatisation. Il existe beaucoup de logiciels d’automatisation qui sont déjà construits autour de l’approche HITL, ce qui signifie qu’il a déjà le processus intégré.

Des systèmes comme ceux-ci permettent à l’entreprise d’atteindre des performances de haut niveau dès le départ et d’obtenir des insights. Les systèmes d’apprentissage automatique sont déjà mis en œuvre dans presque toutes les industries, ce qui signifie que les développeurs doivent s’assurer que les systèmes fonctionnent bien avec des données changeantes.

Il existe de nombreux avantages à la mise en œuvre d’un système HITL dans votre entreprise :

• Améliore le processus de prise de décision : Un système HITL améliore le processus de prise de décision d’une entreprise en fournissant de la transparence et de la cohérence. Il protège également contre les biais en incluant les commentaires humains dans le processus de formation.

• Plus efficace : Les systèmes HITL sont généralement considérés comme plus efficaces que les systèmes d’apprentissage automatique traditionnels. Ils nécessitent moins de temps pour la formation et le réglage, ce qui signifie qu’ils produisent des insights plus rapidement.

• Transparence : Les systèmes human-in-the-loop fournissent une plus grande transparence dans le modèle d’apprentissage automatique, sur la façon dont il fonctionne et pourquoi il est arrivé à une décision spécifique. L’explicabilité et la responsabilité sont fondamentales pour les systèmes d’IA d’aujourd’hui, et l’approche HITL aide considérablement.

Défis des systèmes HITL

Les systèmes human-in-the-loop présentent également certains défis qui doivent être abordés. Tout d’abord, les humains font des erreurs, donc tout système avec des humains risque d’être incorrect. Cela peut avoir un grand impact sur l’efficacité du système. Par exemple, si un humain fait une erreur lors de l’étiquetage des données, la même erreur se propagera dans tout le système et peut causer des problèmes futurs.

Les systèmes HITL peuvent également être lents puisque les humains sont impliqués dans le processus de prise de décision. L’une des plus grandes raisons derrière la croissance de l’IA et de l’apprentissage automatique est que les machines sont incroyablement plus rapides que les humains, mais cette vitesse souvent vue dans les systèmes d’apprentissage automatique traditionnels ne se traduira pas toujours dans les systèmes HITL.

Un autre défi des systèmes HITL est qu’ils peuvent être coûteux à construire et à maintenir. Outre les coûts associés à la machine, l’entreprise doit budgétiser la main-d’œuvre humaine.