मानव-इन-द-लूप (HITL) क्या है?

एक शब्द जिसे आप कृत्रिम बुद्धिमत्ता (AI) और मशीन लर्निंग (ML) के साथ सौदा करते समय मिल सकता है, वह है मानव-इन-द-लूप (HITL)। यह बस जैसा लगता है। HITL एक AI की शाखा है जो मशीन लर्निंग मॉडल के निर्माण में मानव और मशीन बुद्धिमत्ता दोनों पर निर्भर करती है।

मानव-इन-द-लूप दृष्टिकोण का अर्थ है कि लोग एल्गोरिदम चक्र में प्रशिक्षण, ट्यूनिंग और परीक्षण में शामिल हैं।

मानव पहले डेटा को लेबल करते हैं, जो मॉडल को उच्च गुणवत्ता और उच्च मात्रा में प्रशिक्षण डेटा प्राप्त करने में मदद करता है। एक मशीन लर्निंग एल्गोरिदम तब डेटा के आधार पर निर्णय लेना सीखता है इससे पहले कि मानव मॉडल को ठीक करना शुरू करें।

मॉडल को तब मानव द्वारा इसके आउटपुट को स्कोर करके परीक्षण और सत्यापन किया जा सकता है। यह प्रक्रिया विशेष रूप से तब उपयोगी होती है जब एल्गोरिदम किसी निर्णय के बारे में आश्वस्त नहीं होता है, या इसके विपरीत, जब एल्गोरिदम किसी गलत निर्णय के बारे में बहुत आत्मविश्वासी होता है।

HITL प्रक्रिया एक निरंतर प्रतिक्रिया लूप है, जिसका अर्थ है कि प्रशिक्षण, ट्यूनिंग और परीक्षण के प्रत्येक कार्य को एल्गोरिदम में वापस फीड किया जाता है। यह प्रक्रिया एल्गोरिदम को समय के साथ अधिक प्रभावी और सटीक बनाने में सक्षम बनाती है, जो विशेष रूप से विशिष्ट उपयोग के मामलों के लिए उच्च सटीकता और बड़ी मात्रा में प्रशिक्षण डेटा बनाने के लिए उपयोगी है। मानव अंतर्दृष्टि मॉडल को ट्यून और परीक्षण करने में मदद करती है ताकि संगठन सबसे सटीक और कार्रवाई योग्य निर्णय ले सके।

छवि: स्टैनफोर्ड विश्वविद्यालय

HITL मशीन लर्निंग का महत्व

HITL एक अत्यंत महत्वपूर्ण AI शाखा है क्योंकि पारंपरिक मशीन लर्निंग मॉडल सटीक भविष्यवाणियों के लिए बड़ी संख्या में लेबल वाले डेटा बिंदुओं की आवश्यकता होती है। जब डेटा की कमी होती है, तो मशीन लर्निंग मॉडल उतने उपयोगी नहीं होते हैं।

भाषा सीखने को एक उदाहरण के रूप में लें। यदि आपके पास केवल कुछ हज़ार लोगों द्वारा बोली जाने वाली एक भाषा है, और आप मशीन लर्निंग के माध्यम से उस भाषा में अंतर्दृष्टि प्राप्त करना चाहते हैं, तो मॉडल को सीखने के लिए पर्याप्त उदाहरण ढूंढना मुश्किल हो सकता है। HITL दृष्टिकोण के साथ, आप इन डेटासेट की सटीकता सुनिश्चित कर सकते हैं।

स्वास्थ्य सेवा उद्योग भी HITL प्रणालियों के लिए सबसे महत्वपूर्ण उद्योगों में से एक है। स्टैनफोर्ड द्वारा 2018 में किए गए एक अध्ययन में पाया गया कि एक HITL मॉडल अकेले AI या मानवों की तुलना में बेहतर काम करता है।

HITL प्रणालियां सटीकता में सुधार करती हैं और साथ ही मानव स्तर के मानकों को बनाए रखती हैं, जो दुनिया भर के कई उद्योगों के लिए महत्वपूर्ण है।

HITL प्रणालियों का उपयोग कब करना चाहिए

AI जीवन चक्र में कुछ विशिष्ट समय होते हैं जब मानव-इन-द-लूप मशीन लर्निंग का उपयोग किया जाना चाहिए:

• प्रशिक्षण: डेटा वैज्ञानिक HITL का सबसे आम उपयोग प्रशिक्षण चरणों में करते हैं, जहां मानव मॉडल प्रशिक्षण के लिए लेबल वाले डेटा प्रदान करते हैं।

• ट्यूनिंग और परीक्षण: HITL का उपयोग ट्यूनिंग और परीक्षण चरणों में भी किया जाता है। मानव मॉडल को उच्च सटीकता के लिए ट्यून करते हैं, जो विशेष रूप से तब महत्वपूर्ण होता है जब मॉडल आत्मविश्वासी नहीं होता है।

यह ध्यान रखना महत्वपूर्ण है कि HITL दृष्टिकोण हर मशीन लर्निंग परियोजना के लिए उपयुक्त नहीं है। यह मुख्य रूप से तब उपयोग किया जाता है जब उपलब्ध डेटा कम होता है।

मानव-इन-द-लूप गहरा लर्निंग तब उपयोग किया जाता है जब मानव और मशीन लर्निंग प्रक्रियाएं निश्चित परिदृश्यों में परस्पर क्रिया करती हैं, जैसे कि: एल्गोरिदम इनपुट को नहीं समझते हैं; डेटा इनपुट की व्याख्या गलत तरीके से की जाती है; एल्गोरिदम को एक विशिष्ट कार्य करने का तरीका नहीं पता है; मॉडल को अधिक सटीक होने की आवश्यकता है; मानव घटक को अधिक कुशल और सटीक होने की आवश्यकता है; ML विकास में त्रुटियों की लागत बहुत अधिक है; और वांछित डेटा उपलब्ध नहीं है।

HITL के लिए डेटा लेबलिंग के प्रकार

HITL दृष्टिकोण विभिन्न प्रकार के डेटा लेबलिंग के लिए उपयोग किया जा सकता है, जो आवश्यक डेटा सेट पर निर्भर करता है। उदाहरण के लिए, यदि मशीन को विशिष्ट आकारों को पहचानना सीखना है, तो बाउंडिंग बॉक्स का उपयोग किया जाता है। लेकिन यदि मॉडल को प्रत्येक छवि के हिस्से को वर्गीकृत करने की आवश्यकता है, तो सेगमेंटेशन को पसंद किया जाता है। जब चेहरे की पहचान डेटासेट की बात आती है, तो अक्सर चेहरे की मार्किंग का उपयोग किया जाता है।

एक और प्रमुख अनुप्रयोग पाठ विश्लेषण है, जो मशीन को यह समझने में मदद करता है कि मानव द्वारा क्या कहा या लिखा जाता है। क्योंकि लोग एक ही अर्थ को व्यक्त करने के लिए विभिन्न शब्दों का उपयोग करते हैं, AI प्रणालियों को विभिन्न संस्करणों को जानने की आवश्यकता है। आगे बढ़ते हुए, भावना विश्लेषण किसी विशिष्ट शब्द या वाक्यांश के स्वर को पहचान सकता है। ये उदाहरण यह साबित करते हैं कि मानव-इन-द-लूप दृष्टिकोण का उपयोग करना क्यों इतना महत्वपूर्ण है।

आपकी कंपनी को HITL क्यों लागू करना चाहिए

यदि आपका व्यवसाय एक HITL प्रणाली स्थापित करने की तलाश में है, तो ऐसा करने के सबसे सामान्य तरीकों में से एक स्वचालन सॉफ़्टवेयर का उपयोग करना है। HITL दृष्टिकोण के आसपास पहले से ही निर्मित स्वचालन सॉफ़्टवेयर की बहुतायत है, जिसका अर्थ है कि इसमें पहले से ही प्रक्रिया शामिल है।

सिस्टम जैसे कि कंपनी को तुरंत उच्च स्तर के प्रदर्शन को प्राप्त करने और अंतर्दृष्टि प्राप्त करने में सक्षम बनाते हैं। मशीन लर्निंग सिस्टम पहले से ही लगभग हर उद्योग में लागू किए जा रहे हैं, जिसका अर्थ है कि डेवलपर्स को यह सुनिश्चित करना होगा कि सिस्टम बदलते डेटा के साथ अच्छा प्रदर्शन करें।

एक HITL प्रणाली को अपनी कंपनी में लागू करने के कई फायदे हैं:

• निर्णय लेने की प्रक्रिया में सुधार: एक HITL प्रणाली पारदर्शिता और संगति प्रदान करके कंपनी की निर्णय लेने की प्रक्रिया में सुधार करती है। यह प्रशिक्षण प्रक्रिया में मानव प्रतिक्रिया को शामिल करके पूर्वाग्रह के खिलाफ भी सुरक्षा प्रदान करती है।

• अधिक कुशल: HITL प्रणालियां आमतौर पर पारंपरिक मशीन लर्निंग प्रणालियों की तुलना में अधिक कुशल मानी जाती हैं। उन्हें प्रशिक्षण और ट्यूनिंग के लिए कम समय की आवश्यकता होती है, जिसका अर्थ है कि वे तेजी से अंतर्दृष्टि प्रदान करते हैं।

• पारदर्शिता: मानव-इन-द-लूप प्रणालियां मशीन लर्निंग मॉडल में अधिक पारदर्शिता प्रदान करती हैं, यह दिखाती हैं कि यह कैसे काम करता है और किसी विशिष्ट निर्णय पर क्यों पहुंचा। व्याख्या और जवाबदेही आज की AI प्रणालियों के लिए मौलिक हैं, और HITL दृष्टिकोण बहुत मदद करता है।

HITL प्रणालियों की चुनौतियाँ

मानव-इन-द-लूप प्रणालियों को भी कुछ विशिष्ट चुनौतियों का सामना करना पड़ता है जिन्हें संबोधित किया जाना चाहिए। एक, मानव त्रुटियां करते हैं, इसलिए मानवों के साथ कोई भी प्रणाली गलत होने का जोखिम रखती है। यह प्रणाली की प्रभावशीलता पर बड़ा प्रभाव डाल सकता है। उदाहरण के लिए, यदि एक मानव डेटा को लेबल करते समय एक त्रुटि करता है, तो वही त्रुटि पूरी प्रणाली में अपना रास्ता बना लेगी और भविष्य में समस्याएं पैदा कर सकती है।

HITL प्रणालियां मानव निर्णय लेने की प्रक्रिया में शामिल होने के कारण धीमी हो सकती हैं। AI और ML के विकास के पीछे सबसे बड़े कारणों में से एक यह है कि मशीनें मानवों की तुलना में बहुत तेजी से हैं, लेकिन यह गति जो पारंपरिक ML प्रणालियों में देखी जाती है वह हमेशा HITL प्रणालियों में अनुवाद नहीं करती है।

HITL प्रणालियों की एक और चुनौती यह है कि वे निर्माण और रखरखाव के लिए महंगी हो सकती हैं। मशीन से जुड़ी लागतों के अलावा, व्यवसाय को मानव श्रम के लिए भी बजट करना होगा।