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 suona. HITL è un ramo dell’AI che si basa sull’intelligenza umana e macchina nella creazione di modelli di apprendimento automatico.

Un approccio human-in-the-loop significa che le persone sono coinvolte nel ciclo dell’algoritmo di formazione, regolazione e testing.

Gli esseri umani etichettano prima i dati, il che aiuta il modello a raggiungere dati di alta qualità e quantità. Un algoritmo di apprendimento automatico impara quindi a prendere decisioni in base ai dati prima che gli esseri umani inizino a regolare il modello.

Il modello può quindi essere testato e validato dagli esseri umani attraverso la valutazione dei suoi output. Questo processo è particolarmente utile nelle istanze in cui l’algoritmo non è sicuro di un giudizio, o viceversa, in cui l’algoritmo è troppo sicuro di una decisione errata.

Il processo HITL è un ciclo di feedback continuo, il che significa che ogni attività di formazione, regolazione e testing viene riportata nell’algoritmo. Questo processo consente all’algoritmo di diventare più efficace e preciso nel tempo, il che è particolarmente utile per creare grandi quantità di dati di formazione precisi per casi d’uso specifici. L’approccio human-in-the-loop aiuta a regolare e testare il modello in modo che l’organizzazione possa ottenere le decisioni più accurate e azionabili.

Immagine: Stanford University

L’importanza dell’apprendimento automatico HITL

HITL è un ramo estremamente importante dell’AI poiché i modelli di apprendimento automatico convenzionali richiedono un gran numero di punti dati etichettati per ottenere previsioni accurate. Quando c’è una carenza di dati, i modelli di apprendimento automatico non sono così utili.

Prendiamo ad esempio l’apprendimento delle lingue. Se hai una lingua parlata solo da poche migliaia di persone e vuoi ottenere informazioni su quella lingua attraverso l’apprendimento automatico, potrebbe essere difficile trovare abbastanza esempi per il modello da imparare. Con un approccio HITL, puoi assicurarti l’accuratezza di questi set di dati.

L’industria sanitaria è anche una delle più importanti per i sistemi HITL. Uno studio del 2018 di Stanford ha scoperto che un modello HITL funziona meglio dell’AI o degli esseri umani da soli.

I sistemi HITL migliorano l’accuratezza mantenendo allo stesso tempo gli standard umani, il che è importante per molte industrie in tutto il mondo.

Quando utilizzare i sistemi HITL

Ci sono alcuni momenti specifici nel ciclo di vita dell’AI in cui l’apprendimento automatico human-in-the-loop dovrebbe essere utilizzato:

• Formazione: il posto più comune in cui i data scientist utilizzano HITL è durante le fasi di formazione, in cui gli esseri umani forniscono dati etichettati per la formazione del modello.

• Regolazione e testing: l’altro momento principale in cui HITL viene utilizzato è durante le fasi di regolazione e testing. Gli esseri umani regolano i modelli per una maggiore accuratezza, il che è particolarmente cruciale quando il modello non è sicuro.

È importante notare che l’approccio HITL non è adatto per ogni progetto di apprendimento automatico. Viene utilizzato principalmente quando non ci sono molti dati disponibili.

L’apprendimento automatico human-in-the-loop è utilizzato quando gli esseri umani e i processi di apprendimento automatico interagiscono in determinati scenari, come ad esempio: gli algoritmi non capiscono l’input; i dati di input vengono interpretati in modo errato; gli algoritmi non sanno come eseguire una determinata attività; il modello di apprendimento automatico deve essere più preciso; la componente umana deve essere più efficiente e precisa; il costo degli errori è troppo alto nello sviluppo dell’AI; 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 dei set di dati richiesti. Ad esempio, se la macchina deve imparare a riconoscere forme specifiche, vengono utilizzate le caselle di delimitazione. Ma se il modello deve classificare ogni parte di un’immagine, la segmentazione è preferita. Quando si tratta di set di dati di riconoscimento facciale, vengono spesso utilizzate le marcature facciali.

Un’altra applicazione importante è l’analisi del testo, che consente alla macchina di capire cosa viene detto o scritto dagli esseri umani. Poiché le persone utilizzano parole diverse per esprimere gli stessi significati, i sistemi di AI devono conoscere le varie variazioni. Andando oltre, l’analisi del sentimento 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 utilizzando il software di automazione. C’è molto software di automazione già costruito intorno all’approccio HITL, il che significa che il processo è già stato preso in considerazione.

Sistemi come questi consentono all’azienda di ottenere prestazioni di alto livello fin dall’inizio e di ottenere informazioni. I sistemi di apprendimento automatico sono già stati implementati in quasi tutte le industrie, il che significa che gli sviluppatori devono assicurarsi che i sistemi funzionino bene con i dati in cambiamento.

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 contro i pregiudizi includendo il feedback umano nel processo di formazione.

• È più efficiente: i sistemi HITL sono generalmente considerati più efficienti dei sistemi di apprendimento automatico tradizionali. Richiedono meno tempo per la formazione e la regolazione, il che significa che producono informazioni più velocemente.

• Trasparenza: i sistemi human-in-the-loop forniscono una maggiore trasparenza nel modello di apprendimento automatico, su come funziona e su come è arrivato a una determinata decisione. La spiegabilità e la responsabilità sono fondamentali per i sistemi di AI di oggi, e l’approccio HITL aiuta molto.

Sfide dei sistemi HITL

I sistemi human-in-the-loop presentano anche alcune sfide specifiche che devono essere affrontate. Innanzitutto, gli esseri umani commettono errori, quindi qualsiasi sistema con esseri umani rischia di essere errato. Ciò può avere un grande impatto sull’efficacia del sistema. Ad esempio, se un essere umano commette un errore durante l’etichettatura dei dati, lo stesso errore si propaga in tutto il sistema e può causare problemi futuri.

I sistemi HITL possono anche essere lenti poiché gli esseri umani sono coinvolti nel processo decisionale. Una delle principali ragioni alla base della crescita dell’AI e dell’apprendimento automatico è che le macchine sono incredibilmente più veloci degli esseri umani, ma questa velocità spesso vista nei sistemi di apprendimento automatico tradizionali non si tradurrà sempre nei 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 anche budgetizzare per il lavoro umano.