מהו Human-in-the-loop (HITL)?

אחד המונחים שאתה עשוי לפגוש כאשר עוסקים בבינה מלאכותית (AI) ולמידת מכונה (ML) הוא human-in-the-loop (HITL). זה פשוט כפי שזה נשמע. HITL הוא ענף של AI שתלוי הן באינטליגנציה האנושית והן באינטליגנציה של המכונה ביצירת מודלים של למידת מכונה.

גישת human-in-the-loop משמעותה שאנשים מעורבים במחזור האלגוריתמי של אימון, כיוונון ובדיקה.

בני אדם ראשונים מתווים נתונים, מה שעוזר למודל להשיג איכות גבוהה וכמות גדולה של נתונים לאימון. אלגוריתם למידת מכונה אז לומד לקבל החלטות על בסיס הנתונים לפני שבני אדם מתחילים לכוונן את המודל.

המודל יכול אז להיבדק ולהיבדק על ידי בני אדם על ידי ציון פלטים. תהליך זה מיוחד במקרים שבהם האלגוריתם אינו בטוח באשר לשיפוט, או מצד שני, שבו האלגוריתם מדי בטוח בהחלטה שגויה.

תהליך HITL הוא לולאת משוב רציפה, מה שאומר שכל אחד ממשימות האימון, הכיוונון והבדיקה מוזנות בחזרה לאלגוריתם. תהליך זה מאפשר לאלגוריתם להיות יעיל ומדויק יותר עם הזמן, מה שמיוחד במיוחד ליצירת נתוני אימון מדויקים ורבים למקרי שימוש מסוימים. תובנת האדם עוזרת לכוונן ולבדוק את המודל כך שהארגון יוכל להשיג את ההחלטה המדויקת והמעשית ביותר.

Image: Stanford University

חשיבות HITL Machine Learning

HITL הוא ענף חשוב מאוד של AI, שכן מודלים מסורתיים של למידת מכונה דורשים כמות גדולה של נקודות נתונים מתויגות כדי להשיג חיזויים מדויקים. כאשר ישנו מחסור בנתונים, מודלי למידת מכונה אינם כל כך שימושיים.

לקחו לדוגמה את למידת השפה. אם יש לך שפה שמדוברת רק על ידי מספר אלפי אנשים, ואתה רוצה להשיג תובנות לגבי השפה הזו דרך למידת מכונה, זה עלול להיות קשה למצוא דוגמאות מספיקות עבור המודל ללמוד מהן. עם גישת HITL, אתה יכול לוודא את דיוק הקבצים האלה.

תעשיית הבריאות היא גם אחת החשובות ביותר למערכות HITL. מחקר מ-2018 של Stanford מצא כי מודל HITL עובד טוב יותר מ-AI או בני אדם בנפרד.

מערכות HITL משפרות את הדיוק תוך כדי קיום סטנדרטים ברמת האדם, מה שחשוב לתעשיות רבות ברחבי העולם.

מתי להשתמש במערכות HITL

ישנם מספר מקרים ספציפיים במחזור החיים של AI כאשר יש להשתמש בלמידת מכונה human-in-the-loop:

• אימון: המקום הנפוץ ביותר שבו מדעני נתונים משתמשים ב-HITL הוא בשלבי האימון, שם בני אדם סופקים נתונים מתויגים עבור אימון המודל.

• כיוונון ובדיקה: הזמן העיקרי האחר ש-HITL משמש הוא בשלבי הכיוונון והבדיקה. בני אדם כוננים מודלים לדיוק גבוה יותר, מה שחיוני במיוחד כאשר המודל אינו בטוח.

חשוב לשים לב כי גישת HITL אינה מתאימה לכל פרויקט למידת מכונה. היא משמשת בעיקר כאשר אין הרבה נתונים זמינים.

למידת מכונה human-in-the-loop משמשת כאשר בני אדם ותהליכים של למידת מכונה מינג’ים בסצנריות מסוימות, כגון: אלגוריתמים לא מבינים את הקלט; קלט נתונים מפורש בצורה שגויה; אלגוריתמים לא יודעים כיצד לבצע משימה מסוימת; המודל של למידת מכונה צריך להיות מדויק יותר; הרכיב האנושי צריך להיות יעיל ומדויק יותר; עלות השגיאות גבוהה מדי בפיתוח ML; והנתונים הרצויים אינם זמינים.

סוגים של תיוג נתונים ל-HITL

גישת HITL יכולה לשמש לסוגים שונים של תיוג נתונים, בהתאם לסוג הקבצים הדרושים. לדוגמה, אם המכונה צריכה ללמוד לזהות צורות ספציפיות, משתמשים בקופסאות תחיבה. אבל אם המודל צריך לסווג כל חלק של תמונה, העדיפות היא סגמנטציה. כאשר מדובר במאגרי נתונים של זיהוי פנים, לרוב משתמשים בסימון פנים.

יישום מרכזי נוסף הוא ניתוח טקסט, שמאפשר למכונה להבין מה נאמר או נכתב על ידי בני אדם. מכיוון שאנשים משתמשים במילים שונות כדי לבטא את אותן המשמעויות, מערכות AI צריכות לדעת את הווריאציות השונות. לקיחת דברים רחוק יותר, ניתוח רגשות יכול לזהות את הטון של מילה או ביטוי מסוים. דוגמאות אלו מוכיחות מדוע חשוב כל כך להשתמש בגישת human-in-the-loop.

למה חברתך צריכה ליישם HITL

אם עסקך מחפש להתקין מערכת HITL, אחד הדרכים הנפוצות ביותר לעשות זאת הוא באמצעות תוכנה אוטומטית. ישנה תוכנה אוטומטית רבה שבנויה סביב גישת HITL, מה שאומר שהיא כבר כוללת את התהליך.

מערכות כאלה מאפשרות לחברה להשיג ביצועים ברמה גבוהה מיד, ולהשיג תובנות. מערכות למידת מכונה כבר מיושמות בכמעט כל תעשייה, מה שאומר שמפתחים חייבים לוודא שהמערכות פועלות היטב עם נתונים משתנים.

ישנם הרבה יתרונות ליישום מערכת HITL בחברתך:

• שיפור תהליך קבלת ההחלטות: מערכת HITL משפרת את תהליך קבלת ההחלטות של חברה על ידי סיפוק שקיפות ועקביות. היא גם מגנה על ביאס על ידי כלל המשוב האנושי בתהליך האימון.

• יותר יעיל: מערכות HITL נחשבות בדרך כלל ליותר יעילות ממערכות למידת מכונה מסורתיות. הן דורשות פחות זמן לאימון וכיוונון, מה שאומר שהן מייצרות תובנות מהר יותר.

• שקיפות: מערכות human-in-the-loop סופקות שקיפות רבה יותר למודל למידת המכונה, כיצד היא עובדת, ולמה היא הגיעה להחלטה מסוימת. יכולת הסברה ואחריות הן יסודיות למערכות AI של היום, וגישת HITL עוזרת הרבה.

אתגרים של מערכות HITL

מערכות human-in-the-loop גם מציגות אתגרים מסוימים שיש לטפל בהם. למשל, בני אדם עושים שגיאות, כך שכל מערכת עם בני אדם סובלת מסיכון להיות לא נכונה. זה יכול להיות בעל השפעה גדולה על יעילות המערכת. לדוגמה, אם אדם עושה שגיאה כאשר הוא מתווה נתונים, אותה השגיאה תעבור דרך כל המערכת ותכול לגרום לבעיות עתידיות.

מערכות HITL יכולות גם להיות איטיות, שכן בני אדם מעורבים בתהליך קבלת ההחלטות. אחד הסיבות הגדולות מאחורי הצמיחה של AI ו-ML היא שמכונות הן מהירות הרבה יותר מבני אדם, אבל המהירות הזו שנראית לעיתים קרובות במערכות ML מסורתיות לא תמיד תורגם למערכות HITL.

אחד האתגרים הנוספים של מערכות HITL הוא שהן יכולות להיות יקרות לבנייה ותחזוקה. מלבד העלויות הקשורות למכונה, העסק חייב לתקצב עבור עבודה אנושית.