Cos'è Human-in-the-loop (HITL)?

Uno dei termini che potresti incontrare quando hai a che fare con l'intelligenza artificiale (AI) e l'apprendimento automatico (ML) è human-in-the-loop (HITL). È proprio come sembra. HITL è un ramo dell'intelligenza artificiale che si affida sia all'intelligenza umana che a quella artificiale nella creazione di modelli di apprendimento automatico.

Un approccio human-in-the-loop significa che le persone sono coinvolte nel ciclo di addestramento, messa a punto e test dell'algoritmo.

Gli esseri umani prima etichettano i dati, il che aiuta il modello a ottenere dati di addestramento di alta qualità e quantità elevata. Un algoritmo di apprendimento automatico impara quindi a prendere decisioni basate sui dati prima che gli umani inizino a mettere a punto il modello.

Il modello può quindi essere testato e convalidato dagli esseri umani assegnando un punteggio ai suoi output. Questo processo è particolarmente utile nei casi in cui l'algoritmo non è sicuro di un giudizio o, al contrario, in cui l'algoritmo è troppo sicuro di una decisione errata.

Il processo HITL è un ciclo di feedback continuo, il che significa che ciascuna delle attività di addestramento, messa a punto e test viene restituita all'algoritmo. Questo processo consente all'algoritmo di diventare più efficace e accurato nel tempo, il che è particolarmente utile per creare quantità elevate e altamente accurate di dati di addestramento per casi d'uso specifici. L'intuizione umana aiuta a mettere a punto e testare il modello in modo che l'organizzazione possa prendere la decisione più accurata e attuabile.

Immagine: Università di Stanford

L'importanza dell'apprendimento automatico HITL

HITL è un ramo estremamente importante dell'intelligenza artificiale poiché i modelli convenzionali di apprendimento automatico richiedono un gran numero di punti dati etichettati per ottenere previsioni accurate. Quando mancano i dati, i modelli di machine learning non sono così utili.

Prendi l'apprendimento delle lingue come esempio. Se hai una lingua parlata solo da poche migliaia di persone e desideri ottenere informazioni su quella lingua attraverso l'apprendimento automatico, potrebbe essere difficile trovare un numero sufficiente di esempi da cui il modello possa imparare. Con un approccio HITL, puoi garantire l'accuratezza di questi set di dati.

Il settore sanitario è anche uno dei più importanti per i sistemi HITL. Uno studio del 2018 di Stanford ha rilevato che un modello HITL funziona meglio dell'intelligenza artificiale o degli esseri umani da soli.

I sistemi HITL migliorano la precisione pur mantenendo standard a livello umano, che è importante per molti settori in tutto il mondo.

Quando utilizzare i sistemi HITL

Ci sono alcuni momenti specifici nel ciclo di vita dell'IA in cui dovrebbe essere utilizzato il machine learning human-in-the-loop:

• Training: Il luogo più comune in cui i data scientist utilizzano HITL è durante le fasi di addestramento, in cui gli esseri umani forniscono dati etichettati per l'addestramento del modello.

• Messa a punto e test: L'altro momento principale in cui viene utilizzato HITL è nelle fasi di messa a punto e test. Gli esseri umani regolano i modelli per una maggiore precisione, il che è particolarmente cruciale quando il modello non è sicuro.

È importante notare che l'approccio HITL non è appropriato per ogni progetto di machine learning. Viene utilizzato principalmente quando non ci sono molti dati disponibili.

L'apprendimento profondo Human-in-the-loop viene utilizzato quando gli esseri umani ei processi di apprendimento automatico interagiscono in determinati scenari, ad esempio: gli algoritmi non comprendono l'input; l'inserimento dei dati è interpretato in modo errato; gli algoritmi non sanno come eseguire un compito specifico; il modello di apprendimento automatico deve essere più accurato; la componente umana deve essere più efficiente e precisa; il costo degli errori è troppo alto nello sviluppo ML; e i dati desiderati non sono disponibili.

Tipi di etichettatura dei dati per HITL

L'approccio HITL può essere utilizzato per vari tipi di etichettatura dei dati a seconda del tipo di set di dati richiesti. Ad esempio, se la macchina deve imparare a riconoscere forme specifiche, vengono utilizzati i riquadri di delimitazione. Ma se il modello deve classificare ogni parte di un'immagine, è preferibile la segmentazione. Quando si tratta di set di dati di riconoscimento facciale, vengono spesso utilizzati i segni del viso.

Un'altra importante applicazione è l'analisi del testo, che consente alla macchina di comprendere ciò che viene detto o scritto dagli esseri umani. Poiché le persone usano parole diverse per esprimere gli stessi significati, i sistemi di intelligenza artificiale devono conoscere le diverse variazioni. Andando ancora oltre, l'analisi dei sentimenti può riconoscere il tono di una parola o frase specifica. Questi esempi dimostrano perché è così importante utilizzare l'approccio human-in-the-loop.

Perché la tua azienda dovrebbe implementare HITL

Se la tua azienda sta cercando di installare un sistema HITL, uno dei modi più comuni per farlo è utilizzare il software di automazione. C'è un sacco di software di automazione già costruito intorno all'approccio HITL, il che significa che ha già preso in considerazione il processo.

Sistemi come questi consentono all'azienda di raggiungere subito prestazioni di alto livello e di acquisire insight. I sistemi di apprendimento automatico sono già implementati in quasi tutti i settori, il che significa che gli sviluppatori devono garantire che i sistemi funzionino bene con i dati in evoluzione.

Ci sono molti vantaggi nell'implementare un sistema HITL nella tua azienda:

• Migliora il processo decisionale: un sistema HITL migliora il processo decisionale di un'azienda fornendo trasparenza e coerenza. Protegge anche dai pregiudizi includendo il feedback umano nel processo di formazione.

• Più efficiente: i sistemi HITL sono generalmente considerati più efficienti dei tradizionali sistemi di machine learning. Richiedono meno tempo per la formazione e la messa a punto, il che significa che producono approfondimenti più rapidamente.

• Trasparenza: i sistemi Human-in-the-loop forniscono una maggiore trasparenza sul modello di apprendimento automatico, su come funziona e sul motivo per cui è arrivato a una determinata decisione. La spiegabilità e la responsabilità sono fondamentali per i sistemi di IA odierni e l'approccio HITL è di grande aiuto.

Sfide dei sistemi HITL

I sistemi human-in-the-loop presentano anche alcune sfide specifiche che dovrebbero essere affrontate. Per prima cosa, gli umani commettono errori, quindi qualsiasi sistema con umani rischia di sbagliarsi. Questo può avere un grande impatto sull'efficacia del sistema. Ad esempio, se un essere umano commette un errore nell'etichettare i dati, lo stesso errore si farà strada attraverso l'intero sistema e può causare problemi futuri.

I sistemi HITL possono anche essere lenti poiché gli esseri umani sono coinvolti nel processo decisionale. Uno dei motivi principali alla base della crescita di AI e ML è che le macchine sono incredibilmente più veloci degli umani, ma questa velocità spesso osservata nei sistemi ML tradizionali non si traduce sempre in sistemi HITL.

Un'altra sfida dei sistemi HITL è che possono essere costosi da costruire e mantenere. Oltre ai costi associati alla macchina, l'azienda deve preventivare anche il lavoro umano.