Apa itu Human-in-the-loop (HITL)?

Salah satu istilah yang mungkin Anda temui ketika berhadapan dengan kecerdasan buatan (AI) dan pembelajaran mesin (ML) adalah human-in-the-loop (HITL). Ini hanya seperti yang terdengar. HITL adalah cabang AI yang mengandalkan kecerdasan manusia dan mesin dalam pembuatan model pembelajaran mesin.

Pendekatan human-in-the-loop berarti orang-orang terlibat dalam siklus algoritma pelatihan, penyetelan, dan pengujian.

Manusia pertama kali melabeli data, yang membantu model mencapai kualitas dan kuantitas pelatihan data yang tinggi. Algoritma pembelajaran mesin kemudian belajar membuat keputusan berdasarkan data sebelum manusia mulai menyetel model.

Model dapat diuji dan divalidasi oleh manusia melalui skor outputnya. Proses ini sangat membantu dalam kasus di mana algoritma tidak yakin tentang suatu penilaian, atau di sisi lain, di mana algoritma terlalu yakin tentang keputusan yang salah.

Proses HITL adalah umpan balik kontinu, yang berarti setiap tugas pelatihan, penyetelan, dan pengujian dimasukkan kembali ke dalam algoritma. Proses ini memungkinkan algoritma menjadi lebih efektif dan akurat seiring waktu, yang sangat berguna untuk membuat data pelatihan yang sangat akurat dan besar untuk kasus penggunaan tertentu. Wawasan manusia membantu menyetel dan menguji model sehingga organisasi dapat mencapai keputusan yang paling akurat dan dapat diambil.

Gambar: Stanford University

Pentingnya HITL Pembelajaran Mesin

HITL adalah cabang AI yang sangat penting karena model pembelajaran mesin konvensional memerlukan sejumlah besar titik data yang dilabeli untuk mencapai prediksi yang akurat. Ketika ada kekurangan data, model pembelajaran mesin tidak begitu berguna.

Ambil contoh pembelajaran bahasa. Jika Anda memiliki bahasa yang hanya digunakan oleh beberapa ribu orang, dan Anda ingin mencapai wawasan tentang bahasa itu melalui pembelajaran mesin, mungkin sulit untuk menemukan contoh yang cukup untuk model belajar. Dengan pendekatan HITL, Anda dapat memastikan akurasi dataset.

Industri kesehatan juga merupakan salah satu yang paling penting untuk sistem HITL. Sebuah studi 2018 oleh Stanford menemukan bahwa model HITL bekerja lebih baik daripada AI atau manusia secara terpisah.

Sistem HITL meningkatkan akurasi sambil mempertahankan standar manusia, yang sangat penting untuk banyak industri di seluruh dunia.

Kapan Menggunakan Sistem HITL

Ada beberapa waktu tertentu dalam siklus AI ketika pembelajaran mesin human-in-the-loop harus digunakan:

• Pelatihan: Tempat paling umum data ilmuwan menggunakan HITL adalah selama fase pelatihan, di mana manusia menyediakan data yang dilabeli untuk pelatihan model.

• Penyetelan dan Pengujian: Waktu lain ketika HITL digunakan adalah pada fase penyetelan dan pengujian. Manusia menyetel model untuk akurasi yang lebih tinggi, yang sangat penting ketika model tidak yakin.

Penting untuk dicatat bahwa pendekatan HITL tidak sesuai untuk setiap proyek pembelajaran mesin. Ini sebagian besar digunakan ketika tidak ada banyak data yang tersedia.

Pembelajaran mesin human-in-the-loop digunakan ketika manusia dan proses pembelajaran mesin berinteraksi dalam skenario tertentu, seperti: algoritma tidak memahami input; data input diinterpretasikan secara salah; algoritma tidak tahu cara melakukan tugas tertentu; model pembelajaran mesin perlu lebih akurat; komponen manusia perlu lebih efisien dan akurat; biaya kesalahan terlalu tinggi dalam pengembangan ML; dan data yang diinginkan tidak tersedia.

Jenis Pelabelan Data untuk HITL

Pendekatan HITL dapat digunakan untuk berbagai jenis pelabelan data tergantung pada jenis dataset yang diperlukan. Misalnya, jika mesin perlu belajar mengenali bentuk tertentu, kotak pembatas digunakan. Tetapi jika model perlu mengklasifikasikan setiap bagian dari gambar, segmentasi lebih disukai. Ketika datang ke dataset pengenalan wajah, tanda wajah sering digunakan.

Aplikasi lain yang signifikan adalah analisis teks, yang memungkinkan mesin memahami apa yang dikatakan atau ditulis oleh manusia. Karena orang menggunakan kata-kata yang berbeda untuk mengungkapkan makna yang sama, sistem AI harus mengetahui variasi yang berbeda. Mengambil hal ini lebih jauh, analisis sentimen dapat mengenali nada dari kata atau frasa tertentu. Contoh-contoh ini membuktikan mengapa pendekatan human-in-the-loop sangat penting untuk digunakan.

Mengapa Perusahaan Anda Harus Mengimplementasikan HITL

Jika bisnis Anda ingin memasang sistem HITL, salah satu cara paling umum untuk melakukannya adalah dengan menggunakan perangkat lunak otomatisasi. Ada banyak perangkat lunak otomatisasi yang sudah dibangun di sekitar pendekatan HITL, yang berarti sudah memiliki proses yang difaktorkan.

Sistem seperti ini memungkinkan perusahaan untuk mencapai kinerja tingkat tinggi segera dan mencapai wawasan. Sistem pembelajaran mesin sudah diterapkan di hampir semua industri, yang berarti pengembang harus memastikan bahwa sistem berfungsi dengan baik dengan data yang berubah.

Ada banyak kelebihan dari mengimplementasikan sistem HITL ke dalam perusahaan Anda:

• Meningkatkan Proses Pengambilan Keputusan: Sistem HITL meningkatkan proses pengambilan keputusan perusahaan dengan menyediakan transparansi dan konsistensi. Ini juga melindungi terhadap bias dengan memasukkan umpan balik manusia dalam proses pelatihan.

• Lebih Efisien: Sistem HITL umumnya dianggap lebih efisien daripada sistem pembelajaran mesin tradisional. Mereka memerlukan waktu yang lebih singkat untuk pelatihan dan penyetelan, yang berarti mereka menghasilkan wawasan lebih cepat.

• Transparansi: Sistem human-in-the-loop menyediakan transparansi yang lebih besar ke dalam model pembelajaran mesin, bagaimana cara kerjanya, dan mengapa mencapai keputusan tertentu. Kemampuan menjelaskan dan pertanggungjawaban sangat penting untuk sistem AI saat ini, dan pendekatan HITL sangat membantu.

Tantangan Sistem HITL

Sistem human-in-the-loop juga menyajikan beberapa tantangan tertentu yang harus diatasi. Misalnya, manusia membuat kesalahan, sehingga sistem apa pun dengan manusia berisiko salah. Ini dapat memiliki dampak besar pada efektivitas sistem. Misalnya, jika manusia membuat kesalahan saat melabeli data, kesalahan yang sama akan membuat jalan melalui sistem seluruhnya dan dapat menyebabkan masalah di masa depan.

Sistem HITL juga dapat lambat karena manusia terlibat dalam proses pengambilan keputusan. Salah satu alasan utama di balik pertumbuhan AI dan ML adalah bahwa mesin jauh lebih cepat daripada manusia, tetapi kecepatan ini sering dilihat dalam sistem ML tradisional tidak selalu diterjemahkan ke dalam sistem HITL.

Satu lagi tantangan sistem HITL adalah bahwa mereka dapat mahal untuk dibangun dan dipelihara. Selain biaya yang terkait dengan mesin, bisnis harus membiayai tenaga kerja manusia juga.