Što je Human-in-the-loop (HITL)?

Jedan od pojmova s ​​kojima se možete susresti kada se bavite umjetnom inteligencijom (AI) i strojnim učenjem (ML) je čovjek u petlji (HITL). Baš kako zvuči. HITL je grana umjetne inteligencije koja se oslanja na ljudsku i strojnu inteligenciju u stvaranju modela strojnog učenja.

Pristup "ljud u petlji" znači da su ljudi uključeni u algoritamski ciklus obuke, podešavanja i testiranja.

Ljudi prvo označavaju podatke, što pomaže modelu da postigne visoku kvalitetu i veliku količinu podataka o obuci. Algoritam strojnog učenja zatim uči donositi odluke na temelju podataka prije nego što ljudi počnu fino podešavati model.

Ljudi zatim mogu testirati i potvrditi model kroz bodovanje njegovih rezultata. Ovaj proces je posebno koristan u slučajevima kada algoritam nije siguran u prosudbu ili, s druge strane, kada je algoritam previše siguran u netočnu odluku.

HITL proces je kontinuirana povratna sprega, što znači da se svaki zadatak obuke, podešavanja i testiranja vraća u algoritam. Ovaj proces omogućuje da algoritam s vremenom postane učinkovitiji i točniji, što je posebno korisno za stvaranje vrlo preciznih i velikih količina podataka za obuku za specifične slučajeve upotrebe. Ljudski uvid pomaže u podešavanju i testiranju modela kako bi organizacija mogla donijeti najprecizniju i djelotvorniju odluku.

Slika: Sveučilište Stanford

Važnost HITL strojnog učenja

HITL je iznimno važna grana umjetne inteligencije budući da konvencionalni modeli strojnog učenja zahtijevaju velik broj označenih podatkovnih točaka kako bi se postigla točna predviđanja. Kada nedostaje podataka, modeli strojnog učenja nisu toliko korisni.

Uzmimo učenje jezika kao primjer. Ako imate jezik kojim govori samo nekoliko tisuća ljudi i želite postići uvid u taj jezik pomoću strojnog učenja, moglo bi biti teško pronaći dovoljno primjera za model iz kojeg možete učiti. S HITL pristupom možete osigurati točnost ovih skupova podataka.

Zdravstvena industrija također je jedna od najvažnijih za HITL sustave. Studija Stanforda iz 2018. pokazala je da HITL model radi bolje nego umjetna inteligencija ili ljudi sami.

HITL sustavi poboljšavaju točnost dok također održavaju standarde na ljudskoj razini, što je važno za mnoge industrije diljem svijeta.

Kada koristiti HITL sustave

Postoji nekoliko specifičnih trenutaka u životnom ciklusu umjetne inteligencije kada bi se trebalo koristiti strojno učenje čovjeka u petlji:

• Trening: Najčešće mjesto gdje znanstvenici podataka koriste HITL je tijekom faza obuke, gdje ljudi daju označene podatke za obuku modela.

• Ugađanje i testiranje: Drugo vrijeme kada se HITL koristi je u fazama podešavanja i testiranja. Ljudi podešavaju modele za veću točnost, što je posebno važno kada je model nepouzdan.

Važno je napomenuti da HITL pristup nije prikladan za svaki projekt strojnog učenja. Uglavnom se koristi kada nema puno dostupnih podataka.

Duboko učenje čovjeka u petlji koristi se kada su ljudi i procesi strojnog učenja u interakciji u određenim scenarijima, kao što su: algoritmi ne razumiju unos; unos podataka pogrešno se tumači; algoritmi ne znaju kako izvršiti određeni zadatak; model strojnog učenja mora biti precizniji; ljudska komponenta mora biti učinkovitija i preciznija; cijena pogrešaka je previsoka u razvoju ML-a; a željeni podaci nisu dostupni.

Vrste označavanja podataka za HITL

HITL pristup može se koristiti za različite vrste označavanja podataka ovisno o vrsti skupova podataka koji su potrebni. Na primjer, ako stroj treba naučiti prepoznavati određene oblike, koriste se granični okviri. Ali ako model treba klasificirati svaki dio slike, poželjno je segmentiranje. Kada je riječ o skupovima podataka za prepoznavanje lica, često se koriste oznake lica.

Još jedna velika primjena je analiza teksta, koja stroju omogućuje razumijevanje onoga što su ljudi rekli ili napisali. Budući da ljudi koriste različite riječi za izražavanje istih značenja, sustavi umjetne inteligencije moraju poznavati različite varijacije. Uzimajući stvari još dalje, analiza osjećaja može prepoznati ton određene riječi ili izraza. Ovi primjeri dokazuju zašto je toliko važno da se koristi pristup čovjek-u-petlji.

Zašto bi vaša tvrtka trebala implementirati HITL

Ako vaša tvrtka želi instalirati HITL sustav, jedan od najčešćih načina da to učinite je korištenje softvera za automatizaciju. Postoji mnogo softvera za automatizaciju koji je već izgrađen oko HITL pristupa, što znači da je proces već uključen.

Ovakvi sustavi omogućuju tvrtki da odmah postigne visoku razinu performansi i da postigne uvide. Sustavi strojnog učenja već se implementiraju u gotovo svakoj industriji, što znači da programeri moraju osigurati da sustavi dobro rade s promjenjivim podacima.

Mnoge su prednosti implementacije HITL sustava u vašu tvrtku:

• Poboljšava proces donošenja odluka: HITL sustav poboljšava proces donošenja odluka u tvrtki pružajući transparentnost i dosljednost. Također štiti od pristranosti uključivanjem ljudskih povratnih informacija u proces obuke.

• Učinkovitije: HITL sustavi općenito se smatraju učinkovitijima od tradicionalnih sustava strojnog učenja. Potrebno im je manje vremena za obuku i ugađanje, što znači da brže stvaraju uvide.

• Prozirnost: Human-in-the-loop sustavi pružaju veću transparentnost u modelu strojnog učenja, kako funkcionira i zašto je došao do određene odluke. Objašnjivost i odgovornost temeljni su za današnje AI sustave, a HITL pristup uvelike pomaže.

Izazovi HITL sustava

Sustavi "čovjek u petlji" također predstavljaju neke specifične izazove kojima se treba pozabaviti. Kao prvo, ljudi griješe, tako da svaki sustav s ljudima riskira da bude pogrešan. To može imati veliki utjecaj na učinkovitost sustava. Na primjer, ako čovjek pogriješi prilikom označavanja podataka, ista će se pogreška probiti kroz cijeli sustav i može prouzročiti buduće probleme.

HITL sustavi također mogu biti spori budući da su ljudi uključeni u proces donošenja odluka. Jedan od najvećih razloga za rast AI i ML-a je taj što su strojevi nevjerojatno brži od ljudi, ali ova brzina koja se često vidi u tradicionalnim ML sustavima neće se uvijek prevesti u HITL sustave.

Još jedan izazov HITL sustava je taj što mogu biti skupi za izgradnju i održavanje. Osim troškova povezanih sa strojem, tvrtka mora planirati i ljudski rad.