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). Persis seperti kedengarannya. HITL adalah cabang AI yang mengandalkan kecerdasan manusia dan mesin dalam pembuatan model pembelajaran mesin.

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

Data label pertama manusia, yang membantu model mencapai data pelatihan berkualitas tinggi dan berkuantitas tinggi. Algoritme pembelajaran mesin kemudian belajar membuat keputusan berdasarkan data sebelum manusia mulai menyempurnakan model.

Model kemudian dapat diuji dan divalidasi oleh manusia melalui penilaian keluarannya. Proses ini sangat membantu dalam kasus di mana algoritme tidak yakin tentang penilaian, atau di sisi lain, di mana algoritme terlalu percaya diri tentang keputusan yang salah.

Proses HITL adalah loop umpan balik berkelanjutan, yang berarti setiap tugas pelatihan, penyetelan, dan pengujian dimasukkan kembali ke dalam algoritme. Proses ini memungkinkan algoritme menjadi lebih efektif dan akurat dari waktu ke waktu, yang sangat berguna untuk membuat data pelatihan yang sangat akurat dan berjumlah besar untuk kasus penggunaan tertentu. Wawasan manusia membantu menyempurnakan dan menguji model sehingga organisasi dapat mencapai keputusan yang paling akurat dan dapat ditindaklanjuti.

Gambar: Universitas Stanford

Pentingnya Pembelajaran Mesin HITL

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

Ambil pembelajaran bahasa sebagai contoh. Jika Anda memiliki bahasa yang hanya digunakan oleh beberapa ribu orang, dan Anda ingin mendapatkan wawasan tentang bahasa tersebut melalui pembelajaran mesin, mungkin sulit untuk menemukan cukup contoh untuk dipelajari model. Dengan pendekatan HITL, Anda dapat memastikan keakuratan kumpulan data ini.

Industri perawatan kesehatan juga merupakan salah satu yang terpenting untuk sistem HITL. Sebuah studi tahun 2018 oleh Stanford menemukan bahwa model HITL bekerja lebih baik daripada AI atau manusia sendiri.

Sistem HITL meningkatkan akurasi sekaligus mempertahankan standar tingkat manusia, yang penting bagi banyak industri di seluruh dunia.

Kapan Menggunakan Sistem HITL

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

• Pelatihan: Ilmuwan data tempat paling umum menggunakan HITL adalah selama fase pelatihan, di mana manusia menyediakan data berlabel untuk pelatihan model.

• Penyetelan dan Pengujian: Waktu utama HITL lainnya digunakan adalah dalam fase penyetelan dan pengujian. Manusia menyetel model untuk akurasi yang lebih tinggi, yang sangat penting saat model tidak percaya diri.

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

Human-in-the-loop deep learning digunakan saat proses pembelajaran manusia dan mesin berinteraksi dalam skenario tertentu, seperti: algoritme tidak memahami input; input data diinterpretasikan secara tidak benar; algoritme tidak mengetahui cara melakukan tugas tertentu; model pembelajaran mesin harus lebih akurat; komponen manusia harus 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 kumpulan data yang diperlukan. Misalnya, jika mesin perlu belajar mengenali bentuk tertentu, kotak pembatas digunakan. Tetapi jika model perlu mengklasifikasikan setiap bagian dari suatu gambar, segmentasi lebih disukai. Dalam hal kumpulan data pengenalan wajah, penandaan wajah sering digunakan.

Aplikasi utama lainnya adalah analisis teks, yang memungkinkan mesin memahami apa yang dikatakan atau ditulis oleh manusia. Karena orang menggunakan kata yang berbeda untuk mengungkapkan arti yang sama, sistem AI harus mengetahui variasi yang berbeda. Lebih jauh lagi, analisis sentimen dapat mengenali nada kata atau frasa tertentu. Contoh-contoh ini membuktikan mengapa sangat penting untuk menggunakan pendekatan human-in-the-loop.

Mengapa Perusahaan Anda Harus Menerapkan HITL

Jika bisnis Anda ingin memasang sistem HITL, salah satu cara paling umum untuk melakukannya adalah dengan menggunakan perangkat lunak otomasi. Ada banyak perangkat lunak otomasi yang sudah dibangun di sekitar pendekatan HITL, artinya prosesnya sudah diperhitungkan.

Sistem seperti ini memungkinkan perusahaan mencapai kinerja tingkat tinggi dengan segera dan memperoleh wawasan. Sistem pembelajaran mesin sudah diimplementasikan di hampir setiap industri, yang berarti pengembang harus memastikan bahwa sistem bekerja dengan baik dengan perubahan data.

Ada banyak keuntungan menerapkan sistem HITL ke dalam perusahaan Anda:

• Meningkatkan Proses Pengambilan Keputusan: Sistem HITL meningkatkan proses pengambilan keputusan perusahaan dengan memberikan 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 membutuhkan lebih sedikit waktu untuk pelatihan dan penyetelan, yang berarti mereka menghasilkan wawasan lebih cepat.

• Transparansi: Sistem human-in-the-loop memberikan transparansi yang lebih besar ke dalam model pembelajaran mesin, cara kerjanya, dan mengapa model tersebut sampai pada keputusan tertentu. Kejelasan dan akuntabilitas merupakan hal mendasar bagi sistem AI saat ini, dan pendekatan HITL sangat membantu.

Tantangan Sistem HITL

Sistem human-in-the-loop juga menghadirkan beberapa tantangan spesifik yang harus diatasi. Pertama, manusia membuat kesalahan, jadi sistem apa pun dengan manusia berisiko salah. Ini dapat berdampak besar pada efektivitas sistem. Misalnya, jika manusia membuat kesalahan saat memberi label pada data, kesalahan yang sama akan menyebar ke seluruh sistem dan dapat menyebabkan masalah di masa mendatang.

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

Satu lagi tantangan dari sistem HITL adalah biaya pembuatan dan pemeliharaannya yang mahal. Selain biaya yang terkait dengan mesin, bisnis juga harus menganggarkan tenaga kerja manusia.