Mesterséges Intelligencia
Mi az a Human-in-the-loop (HITL)?
Az egyik kifejezés, amellyel a mesterséges intelligenciával (AI) és a gépi tanulással (ML) foglalkozva találkozhat, az ember a hurokban (HITL). Pont olyan, mint amilyennek hangzik. A HITL a mesterséges intelligencia egyik ága, amely mind az emberi, mind a gépi intelligenciára támaszkodik a gépi tanulási modellek létrehozása során.
A humán-in-the-loop megközelítés azt jelenti, hogy az emberek részt vesznek a képzés, a hangolás és a tesztelés algoritmus-ciklusában.
Az emberek először felcímkézik az adatokat, ami segít a modellnek kiváló minőségű és nagy mennyiségű edzési adatok elérésében. A gépi tanulási algoritmus ezután megtanul az adatok alapján döntéseket hozni, mielőtt az emberek elkezdenék finomhangolni a modellt.
A modellt ezután az emberek tesztelhetik és validálhatják kimeneteinek pontozásával. Ez a folyamat különösen hasznos olyan esetekben, amikor az algoritmus nem biztos az ítéletben, vagy ha az algoritmus túlságosan magabiztos a helytelen döntésben.
A HITL folyamat egy folyamatos visszacsatolási hurok, ami azt jelenti, hogy a betanítási, hangolási és tesztelési feladatok mindegyike visszakerül az algoritmusba. Ez a folyamat lehetővé teszi, hogy az algoritmus idővel hatékonyabbá és pontosabbá váljon, ami különösen hasznos nagy pontosságú és nagy mennyiségű betanítási adat létrehozásához speciális felhasználási esetekben. Az emberi belátás segít a modell hangolásában és tesztelésében, hogy a szervezet a legpontosabb és legmegfelelőbb döntést hozza meg.
Kép: Stanford Egyetem
A HITL gépi tanulás jelentősége
A HITL a mesterséges intelligencia egyik rendkívül fontos ága, mivel a hagyományos gépi tanulási modellek nagyszámú címkézett adatpontot igényelnek a pontos előrejelzések eléréséhez. Adathiány esetén a gépi tanulási modellek nem olyan hasznosak.
Vegyük példának a nyelvtanulást. Ha van egy nyelve, amelyet csak néhány ezer ember beszél, és gépi tanulással szeretne betekintést nyerni abba a nyelvbe, akkor nehéz lehet elegendő példát találni ahhoz, hogy a modell tanuljon belőle. A HITL megközelítéssel biztosíthatja ezen adatkészletek pontosságát.
Az egészségügyi ágazat a HITL rendszerek számára is az egyik legfontosabb. Egy 2018-as Stanford-tanulmány kimutatta, hogy a HITL-modell jobban működik, mint akár az AI, akár az ember önmagában.
A HITL-rendszerek javítják a pontosságot, miközben megtartják az emberi szintű szabványokat is, ami világszerte számos iparág számára fontos.
Mikor használjuk a HITL rendszereket?
A mesterséges intelligencia életciklusában van néhány olyan időszak, amikor az emberi hurokban történő gépi tanulást kell használni:
Képzések: Az adatkutatók a HITL-t a leggyakrabban a képzési szakaszokban használják, ahol az emberek címkézett adatokat szolgáltatnak a modellképzéshez.
Hangolás és tesztelés: A HITL másik fő használata a hangolási és tesztelési fázisban van. Az emberek nagyobb pontosságra hangolják a modelleket, ami különösen akkor fontos, ha a modell nem magabiztos.
Fontos megjegyezni, hogy a HITL-megközelítés nem megfelelő minden gépi tanulási projekthez. Leginkább akkor használják, ha nincs sok elérhető adat.
A humán-in-the-loop mélytanulást akkor használják, ha az emberek és a gépi tanulási folyamatok kölcsönhatásba lépnek bizonyos forgatókönyvekben, például: az algoritmusok nem értik a bemenetet; az adatbevitelt helytelenül értelmezik; az algoritmusok nem tudják, hogyan kell végrehajtani egy adott feladatot; a gépi tanulási modellnek pontosabbnak kell lennie; az emberi összetevőnek hatékonyabbnak és pontosabbnak kell lennie; a hibák költsége túl magas az ML fejlesztésben; és a kívánt adatok nem állnak rendelkezésre.
A HITL adatcímkézési típusai
A HITL-megközelítés különféle típusú adatcímkézéshez használható attól függően, hogy milyen adatkészletekre van szükség. Például, ha a gépnek meg kell tanulnia bizonyos alakzatok felismerését, határolókereteket használnak. De ha a modellnek a kép minden részét osztályoznia kell, a szegmentálást részesítjük előnyben. Amikor az arcfelismerő adatkészletekről van szó, gyakran használnak arcjelöléseket.
Egy másik fontos alkalmazás a szövegelemzés, amely lehetővé teszi a gép számára, hogy megértse, mit mondanak vagy írnak az emberek. Mivel az emberek különböző szavakat használnak ugyanazon jelentés kifejezésére, az AI-rendszereknek ismerniük kell a különböző változatokat. Ha még tovább viszi a dolgokat, a hangulatelemzés képes felismerni egy adott szó vagy kifejezés hangját. Ezek a példák bizonyítják, hogy miért olyan fontos az ember a hurokban megközelítés alkalmazása.
Miért kellene cégének bevezetnie a HITL-t?
Ha vállalkozása HITL rendszert szeretne telepíteni, ennek egyik leggyakoribb módja az automatizálási szoftver használata. Sok automatizálási szoftver már a HITL-megközelítés köré épült, vagyis már benne van a folyamat.
Az ilyen rendszerek lehetővé teszik a vállalat számára, hogy azonnal magas szintű teljesítményt érjen el, és betekintést nyerjen. A gépi tanulási rendszereket már szinte minden iparágban bevezetik, ami azt jelenti, hogy a fejlesztőknek biztosítaniuk kell, hogy a rendszerek jól teljesítsenek a változó adatokkal.
Számos előnnyel jár a HITL rendszer bevezetése a cégében:
Javítja a döntéshozatali folyamatot: A HITL rendszer átláthatóságot és következetességet biztosítva javítja a vállalat döntéshozatali folyamatát. Védelmet nyújt az elfogultság ellen is azáltal, hogy az emberi visszajelzéseket bevonja a képzési folyamatba.
Hatékonyabb: A HITL rendszereket általában hatékonyabbnak tartják, mint a hagyományos gépi tanulási rendszereket. Kevesebb időt igényelnek a képzéshez és a hangoláshoz, ami azt jelenti, hogy gyorsabban hozzák létre a betekintést.
Átláthatóság: Az emberi hurokban lévő rendszerek nagyobb átláthatóságot biztosítanak a gépi tanulási modellről, annak működéséről és arról, hogy miért jutott egy bizonyos döntésre. A megmagyarázhatóság és az elszámoltathatóság alapvető fontosságú a mai mesterséges intelligencia rendszerekben, és a HITL megközelítés nagyban segít.
A HITL rendszerek kihívásai
Az emberi hurokban lévő rendszerek bizonyos kihívásokkal is szembesülnek, amelyekkel foglalkozni kell. Egyrészt az emberek követnek el hibákat, így minden emberrel működő rendszer fennáll annak a veszélye, hogy téved. Ez nagy hatással lehet a rendszer hatékonyságára. Például, ha egy ember hibát követ el az adatok címkézése során, ugyanaz a hiba az egész rendszeren áthalad, és a jövőben problémákat okozhat.
A HITL-rendszerek lassúak is lehetnek, mivel az emberek részt vesznek a döntéshozatali folyamatban. Az AI és az ML növekedésének egyik legnagyobb oka az, hogy a gépek hihetetlenül gyorsabbak, mint az emberek, de ez a hagyományos ML rendszerekben gyakran tapasztalt sebesség nem mindig válik HITL-rendszerré.
A HITL-rendszerek további kihívása, hogy költséges lehet építeni és fenntartani. A géppel kapcsolatos költségek mellett a vállalkozásnak emberi munkaerőt is be kell számolnia.
