Qu'est-ce que l'humain dans la boucle (HITL) ?

L'un des termes que vous pourriez rencontrer lorsqu'il s'agit d'intelligence artificielle (IA) et d'apprentissage automatique (ML) est human-in-the-loop (HITL). C'est exactement comme ça en a l'air. HITL est une branche de l'IA qui s'appuie à la fois sur l'intelligence humaine et machine pour la création de modèles d'apprentissage automatique.

Une approche humaine dans la boucle signifie que les gens sont impliqués dans le cycle de formation, de réglage et de test de l'algorithme.

Les humains étiquettent d'abord les données, ce qui aide le modèle à obtenir des données d'entraînement de haute qualité et en grande quantité. Un algorithme d'apprentissage automatique apprend ensuite à prendre des décisions basées sur les données avant que les humains ne commencent à affiner le modèle.

Le modèle peut ensuite être testé et validé par des 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'autre part, où l'algorithme est trop confiant quant à 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 renvoyée dans l'algorithme. Ce processus permet à l'algorithme de devenir plus efficace et plus précis au fil du temps, ce qui est particulièrement utile pour créer de grandes quantités de données de formation très précises pour des cas d'utilisation spécifiques. La perspicacité humaine aide à régler et à tester le modèle afin que l'organisation puisse prendre la décision la plus précise et la plus exploitable.

Image : Université de Stanford

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 obtenir des prédictions précises. Lorsqu'il y a un manque de données, les modèles d'apprentissage automatique ne sont pas aussi utiles.

Prenons l'apprentissage des langues comme exemple. Si vous avez une langue parlée seulement par quelques milliers de personnes et que vous souhaitez obtenir des informations sur cette langue grâce à l'apprentissage automatique, il peut être difficile de trouver suffisamment d'exemples pour que le modèle puisse apprendre. Avec une approche HITL, vous pouvez garantir 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 réalisée en 2018 par Stanford a révélé qu'un modèle HITL fonctionne mieux que l'IA ou les humains seuls.

Les systèmes HITL améliorent la précision tout en maintenant des normes de niveau humain, 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 humain dans la boucle doit être utilisé :

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

• Réglage et test: L'autre moment principal où HITL est utilisé est dans les phases de réglage et de test. Les humains règlent les modèles pour une plus grande précision, ce qui est particulièrement crucial lorsque le modèle n'est pas sûr.

Il est important de noter que l'approche HITL n'est pas appropriée pour tous les projets d'apprentissage automatique. Il est surtout utilisé lorsqu'il n'y a pas beaucoup de données disponibles.

L'apprentissage en profondeur humain dans la boucle est utilisé lorsque les humains et les processus d'apprentissage automatique interagissent dans certains scénarios, tels que : les algorithmes ne comprennent pas l'entrée ; l'entrée de données est interprétée de manière incorrecte ; les algorithmes ne savent pas comment effectuer une tâche spécifique ; le modèle d'apprentissage automatique doit être plus précis ; la composante humaine doit être plus efficace et plus précise ; le coût des erreurs est trop élevé dans le développement ML ; et les données souhaitées ne sont pas disponibles.

Types d'étiquetage des données pour HITL

L'approche HITL peut être utilisée pour différents types d'étiquetage de données en fonction du type d'ensembles de données requis. Par exemple, si la machine doit apprendre à reconnaître des formes spécifiques, des cadres de délimitation sont utilisés. Mais si le modèle doit classer chaque partie d'une image, la segmentation est préférée. En ce qui concerne les ensembles de données de reconnaissance faciale, les marques faciales sont souvent utilisées.

Une autre application majeure est l'analyse de texte, qui permet à la machine de comprendre ce qui est dit ou écrit par les humains. Parce que les gens utilisent des mots différents pour exprimer les mêmes significations, les systèmes d'IA doivent connaître les différentes variations. Pour aller encore 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 cherche à installer un système HITL, l'un des moyens les plus courants consiste à utiliser un logiciel d'automatisation. De nombreux logiciels d'automatisation sont déjà construits autour de l'approche HITL, ce qui signifie que le processus est déjà pris en compte.

Des systèmes comme ceux-ci permettent à l'entreprise d'atteindre immédiatement des performances de haut niveau et d'obtenir des informations. Des systèmes d'apprentissage automatique sont déjà mis en œuvre dans presque tous les secteurs, ce qui signifie que les développeurs doivent s'assurer que les systèmes fonctionnent bien avec des données changeantes.

La mise en place d'un système HITL dans votre entreprise présente de nombreux avantages :

• Améliore le processus de prise de décision: Un système HITL améliore le processus décisionnel d'une entreprise en apportant transparence et cohérence. Il protège également contre les préjugés en incluant la rétroaction humaine 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 informations plus rapidement.

• Transparence: Les systèmes human-in-the-loop offrent une plus grande transparence dans le modèle d'apprentissage automatique, comment il fonctionne et pourquoi il est arrivé à une certaine décision. L'explicabilité et la responsabilité sont fondamentales pour les systèmes d'IA d'aujourd'hui, et l'approche HITL y contribue grandement.

Défis des systèmes HITL

Les systèmes human-in-the-loop présentent également des défis spécifiques qui doivent être relevés. D'une part, les humains font des erreurs, donc tout système avec des humains risque de se tromper. Cela peut avoir un impact important sur l'efficacité du système. Par exemple, si un humain fait une erreur lors de l'étiquetage des données, cette même erreur se propagera dans tout le système et pourra causer des problèmes futurs.

Les systèmes HITL peuvent également être lents car les humains sont impliqués dans le processus de prise de décision. L'une des principales raisons de la croissance de l'IA et du ML est que les machines sont incroyablement plus rapides que les humains, mais cette vitesse souvent observée dans les systèmes ML 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 entretenir. Outre les coûts associés à la machine, l'entreprise doit également budgétiser le travail humain.