Hva er Human-in-the-loop (HITL)?

En av begrepene du kan møte når du arbeider med kunstig intelligens (AI) og maskinlæring (ML) er human-in-the-loop (HITL). Det er akkurat som det høres. HITL er en gren av AI som baserer seg på både menneskelig og maskinell intelligens i utviklingen av maskinlæringmodeller.

En human-in-the-loop-tilnærming betyr at mennesker er involvert i algoritmens syklus av trening, finjustering og testing.

Mennesker merker først data, som hjelper modellen å oppnå høy kvalitet og mengde treningdata. En maskinlæringalgoritme lærer deretter å ta beslutninger basert på data før mennesker begynner å finjustere modellen.

Modellen kan deretter testes og valideres av mennesker gjennom å score sine utdata. Denne prosessen er spesielt nyttig i tilfeller der algoritmen ikke er sikker på en vurdering, eller på den andre siden, der algoritmen er for sikker på en feil beslutning.

HITL-prosessen er en kontinuerlig tilbakemeldingsloop, som betyr at hver av trening-, finjustering- og testingoppgavene mates tilbake til algoritmen. Denne prosessen gjør at algoritmen blir mer effektiv og nøyaktig over tid, noe som er spesielt nyttig for å lage svært nøyaktige og store mengder treningdata for bestemte brukstilfeller. Menneskelig innsikt hjelper med å finjustere og teste modellen, så organisasjonen kan oppnå de mest nøyaktige og handlebare beslutningene.

Image: Stanford University

Viktigheten av HITL Maskinlæring

HITL er en svært viktig gren av AI, fordi konvensjonelle maskinlæringmodeller krever et stort antall merkte data punkter for å oppnå nøyaktige forutsagn. Når det er mangel på data, er maskinlæringmodellene ikke like nyttige.

Ta språklæring som eksempel. Hvis du har et språk som bare snakkes av noen få tusen mennesker, og du ønsker å oppnå innsikt i dette språket gjennom maskinlæring, kan det være vanskelig å finne nok eksempler for modellen å lære fra. Med en HITL-tilnærming kan du sikre nøyaktigheten av disse datasettene.

Helseindustrien er også en av de viktigste for HITL-systemer. En studie fra 2018 ved Stanford fant at en HITL-modell fungerer bedre enn både AI eller mennesker alene.

HITL-systemer forbedrer nøyaktigheten samtidig som de opprettholder menneskelig standard, noe som er viktig for mange industrier over hele verden.

Når du skal bruke HITL-Systemer

Det er noen bestemte ganger i AI-livssyklusen når human-in-the-loop maskinlæring bør brukes:

• Trening: Det vanligste stedet datavitenskapsmenn bruker HITL er under treningfasene, hvor mennesker gir merkte data for modelltrening.

• Finjustering og Testing: Den andre hovedtiden HITL brukes er i finjusterings- og testfasene. Mennesker finjusterer modeller for høyere nøyaktighet, noe som er spesielt viktig når modellen er usikker.

Det er viktig å merke seg at HITL-tilnærmingen ikke er egnet for alle maskinlæringprosjekter. Den brukes mest når det ikke er mye tilgjengelig data.

Human-in-the-loop dyp læring brukes når mennesker og maskinlæringprosesser samhandler i bestemte scenarioer, som: algoritmer forstår ikke innputt; data innputt tolkes feil; algoritmer vet ikke hvordan de skal utføre en bestemt oppgave; maskinlæringmodellen trenger å være mer nøyaktig; menneskelig komponent trenger å være mer effektiv og nøyaktig; feilkostnadene er for høye i ML-utvikling; og ønsket data er ikke tilgjengelig.

Typer Datamerking for HITL

HITL-tilnærmingen kan brukes for ulike typer datamerking avhengig av hva slags datasett som kreves. For eksempel, hvis maskinen må lære å gjenkjenne bestemte former, brukes bounding boxes. Men hvis modellen må klassifisere hver del av et bilde, foretrekkes segmentering. Når det gjelder ansiktsgjenkjenning, brukes ofte ansiktsmerking.

En annen stor anvendelse er tekstanalyse, som gjør at maskinen kan forstå hva som sies eller skrives av mennesker. Fordi mennesker bruker ulike ord for å uttrykke samme mening, må AI-systemer kjenne til de ulike variasjonene. Gå videre, sentimental analyse kan gjenkjenne tonen i et bestemt ord eller frase. Disse eksemplene viser hvorfor det er så viktig at human-in-the-loop-tilnærmingen brukes.

Hvorfor ditt selskap bør implementere HITL

Hvis ditt selskap ønsker å installere et HITL-system, er en av de vanligste måtene å gjøre dette å bruke automatiseringsprogramvare. Det finnes mye automatiseringsprogramvare som allerede er bygget rundt HITL-tilnærmingen, noe som betyr at den allerede har prosessen faktorisert inn.

Slike systemer gjør at selskapet kan oppnå høyt nivå ytelse med en gang og å oppnå innsikt. Maskinlæringssystemer er allerede implementert i nesten hver industri, noe som betyr at utviklerne må sikre at systemene fungerer godt med endring av data.

Det finnes mange fordeler med å implementere et HITL-system i ditt selskap:

• Forbedrer Beslutningsprosessen: Et HITL-system forbedrer beslutningsprosessen i et selskap ved å gi gjennomsiktighet og konsistens. Det beskytter også mot fordommer ved å inkludere menneskelig tilbakemelding i treningprosessen.

• Mer Effektiv: HITL-systemer regnes vanligvis som mer effektive enn tradisjonelle maskinlæringssystemer. De krever mindre tid for trening og finjustering, noe som betyr at de produserer innsikt raskere.

• Gjennomsiktighet: Human-in-the-loop-systemer gir større gjennomsiktighet inn i maskinlæringmodellen, hvordan den fungerer og hvorfor den kom til en bestemt beslutning. Forklarbarhet og ansvar er grunnleggende for dagens AI-systemer, og HITL-tilnærmingen hjelper mye.

Ufordringer med HITL-Systemer

Human-in-the-loop-systemer presenterer også noen bestemte ufordringer som bør adresseres. For det første gjør mennesker feil, så ethvert system med mennesker risikerer å være feil. Dette kan ha en stor innvirkning på systemets effektivitet. For eksempel, hvis et menneske gjør en feil når de merker data, vil samme feil gjøre sin vei gjennom hele systemet og kan forårsake fremtidige problemer.

HITL-systemer kan også være langsomme siden mennesker er involvert i beslutningsprosessen. En av de største grunnene bak veksten av AI og ML er at maskiner er svært raskere enn mennesker, men denne hastigheten som ofte sees i tradisjonelle ML-systemer vil ikke alltid oversettes til HITL-systemer.

En annen ufordring med HITL-systemer er at de kan være dyre å bygge og vedlikeholde. Foruten kostnadene forbundet med maskinen, må bedriften budsjettere for menneskelig arbeidskraft også.