HITL(Human-in-the-Loop)이란 무엇입니까?

인공지능(AI)과 머신러닝(ML)을 다룰 때 접할 수 있는 용어 중 하나가 HITL(Human-In-The-Loop)입니다. 그것은 마치 소리와 같습니다. HITL은 기계 학습 모델을 생성할 때 인간과 기계 지능을 모두 사용하는 AI의 한 분야입니다.

휴먼 인 더 루프(Human-in-the-Loop) 접근 방식은 교육, 조정 및 테스트의 알고리즘 주기에 사람들이 참여함을 의미합니다.

모델이 고품질 및 대량 교육 데이터를 달성하는 데 도움이 되는 Humans first 레이블 데이터입니다. 그런 다음 기계 학습 알고리즘은 사람이 모델을 미세 조정하기 전에 데이터를 기반으로 결정을 내리는 방법을 배웁니다.

그런 다음 출력 점수를 매겨 인간이 모델을 테스트하고 검증할 수 있습니다. 이 프로세스는 알고리즘이 판단에 대해 자신이 없거나 잘못된 결정에 대해 너무 자신이 있는 경우에 특히 유용합니다.

HITL 프로세스는 지속적인 피드백 루프입니다. 즉, 각각의 교육, 조정 및 테스트 작업이 알고리즘에 피드백됩니다. 이 프로세스를 통해 알고리즘은 시간이 지남에 따라 더욱 효과적이고 정확해지며 특정 사용 사례에 대한 매우 정확하고 많은 양의 훈련 데이터를 생성하는 데 특히 유용합니다. 인간의 통찰력은 조직이 가장 정확하고 실행 가능한 결정을 내릴 수 있도록 모델을 조정하고 테스트하는 데 도움이 됩니다.

이미지: 스탠포드 대학교

HITL 기계 학습의 중요성

HITL은 기존 기계 학습 모델이 정확한 예측을 달성하기 위해 많은 수의 레이블이 지정된 데이터 포인트를 필요로 하기 때문에 AI의 매우 중요한 지점입니다. 데이터가 부족하면 기계 학습 모델이 유용하지 않습니다.

언어 학습을 예로 들어 보겠습니다. 수천 명의 사람들만 사용하는 언어가 있고 기계 학습을 통해 해당 언어에 대한 통찰력을 얻으려는 경우 모델이 학습할 충분한 예를 찾기 어려울 수 있습니다. HITL 접근 방식을 사용하면 이러한 데이터 세트의 정확성을 보장할 수 있습니다.

의료 산업은 또한 HITL 시스템에 가장 중요한 산업 중 하나입니다. Stanford의 2018년 연구에 따르면 HITL 모델은 AI나 인간보다 더 잘 작동합니다.

HITL 시스템은 전 세계 많은 산업에서 중요한 인간 수준의 표준을 유지하면서 정확도를 향상시킵니다.

HITL 시스템을 사용해야 하는 경우

인간 참여형(Human-in-the-Loop) 기계 학습을 사용해야 하는 AI 수명 주기에는 다음과 같은 몇 가지 특정 시간이 있습니다.

• 트레이닝: 데이터 과학자가 HITL을 사용하는 가장 일반적인 장소는 인간이 모델 훈련을 위해 레이블이 지정된 데이터를 제공하는 훈련 단계입니다.

• 조정 및 테스트: HITL이 사용되는 다른 주요 시간은 튜닝 및 테스트 단계입니다. 인간은 더 높은 정확도를 위해 모델을 조정하며, 이는 모델이 자신감이 없을 때 특히 중요합니다.

HITL 접근 방식이 모든 기계 학습 프로젝트에 적합하지 않다는 점에 유의하는 것이 중요합니다. 사용 가능한 데이터가 많지 않을 때 주로 사용됩니다.

Human-in-the-Loop 딥 러닝은 인간과 기계 학습 프로세스가 다음과 같은 특정 시나리오에서 상호 작용할 때 사용됩니다. 알고리즘이 입력을 이해하지 못합니다. 데이터 입력이 잘못 해석됩니다. 알고리즘은 특정 작업을 수행하는 방법을 모릅니다. 기계 학습 모델은 더 정확해야 합니다. 인간 구성 요소는 보다 효율적이고 정확해야 합니다. ML 개발에서 오류 비용이 너무 높습니다. 원하는 데이터를 사용할 수 없습니다.

HITL용 데이터 라벨링 유형

HITL 접근 방식은 필요한 데이터 세트의 종류에 따라 다양한 유형의 데이터 라벨링에 사용할 수 있습니다. 예를 들어 기계가 특정 모양을 인식하는 방법을 학습해야 하는 경우 경계 상자가 사용됩니다. 그러나 모델이 이미지의 각 부분을 분류해야 하는 경우 세분화가 선호됩니다. 얼굴 인식 데이터 세트의 경우 얼굴 마킹이 자주 사용됩니다.

또 다른 주요 응용 분야는 기계가 사람이 말하거나 쓴 내용을 이해할 수 있게 해주는 텍스트 분석입니다. 사람들은 동일한 의미를 표현하기 위해 다른 단어를 사용하기 때문에 AI 시스템은 다양한 변형을 알아야 합니다. 더 나아가 감정 분석은 특정 단어나 구의 어조를 인식할 수 있습니다. 이러한 예는 인간 참여형 접근 방식을 사용하는 것이 왜 그렇게 중요한지 입증합니다.

회사에서 HITL을 구현해야 하는 이유

귀하의 비즈니스에서 HITL 시스템을 설치하려는 경우 이를 수행하는 가장 일반적인 방법 중 하나는 자동화 소프트웨어를 사용하는 것입니다. 이미 HITL 접근 방식을 중심으로 구축된 많은 자동화 소프트웨어가 있습니다. 즉, 이미 프로세스가 고려되었습니다.

이와 같은 시스템을 통해 회사는 즉시 높은 수준의 성과를 달성하고 통찰력을 얻을 수 있습니다. 머신 러닝 시스템은 이미 거의 모든 산업 분야에서 구현되고 있습니다. 즉, 개발자는 시스템이 변화하는 데이터와 잘 작동하는지 확인해야 합니다.

회사에 HITL 시스템을 구현하면 많은 이점이 있습니다.

• 의사 결정 프로세스 개선: HITL 시스템은 투명성과 일관성을 제공하여 기업의 의사결정 프로세스를 개선합니다. 또한 교육 프로세스에 사람의 피드백을 포함하여 편견을 방지합니다.

• 보다 효율적인: HITL 시스템은 일반적으로 기존 기계 학습 시스템보다 더 효율적이라고 간주됩니다. 교육 및 튜닝에 소요되는 시간이 줄어들어 통찰력을 더 빨리 얻을 수 있습니다.

• 투명성: Human-in-the-Loop 시스템은 기계 학습 모델, 작동 방식 및 특정 결정에 도달한 이유에 대해 더 큰 투명성을 제공합니다. 설명 가능성과 책임성은 오늘날 AI 시스템의 기본이며 HITL 접근 방식은 큰 도움이 됩니다.

HITL 시스템의 과제

Human-in-the-Loop 시스템은 또한 해결해야 할 몇 가지 특정 문제를 제시합니다. 첫째, 인간은 실수를 하기 때문에 인간이 있는 모든 시스템은 잘못될 위험이 있습니다. 이것은 시스템의 효율성에 큰 영향을 미칠 수 있습니다. 예를 들어 데이터에 레이블을 지정할 때 사람이 실수하면 동일한 실수가 전체 시스템에 퍼져 향후 문제를 일으킬 수 있습니다.

인간이 의사 결정 프로세스에 관여하기 때문에 HITL 시스템도 느릴 수 있습니다. AI와 ML의 성장 이면에 있는 가장 큰 이유 중 하나는 기계가 인간보다 엄청나게 빠르기 때문입니다. 하지만 기존 ML 시스템에서 자주 볼 수 있는 이 속도가 항상 HITL 시스템으로 변환되는 것은 아닙니다.

HITL 시스템의 또 다른 문제는 구축 및 유지 관리 비용이 많이 들 수 있다는 것입니다. 기계와 관련된 비용 외에도 기업은 인력에 대한 예산도 책정해야 합니다.