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

Et 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 ut. HITL er en gren av kunstig intelligens som er avhengig av både menneskelig og maskinell intelligens ved å lage maskinlæringsmodeller.

En human-in-the-loop-tilnærming betyr at folk er involvert i algoritmesyklusen med trening, innstilling og testing.

Humans first label data, som hjelper modellen med å oppnå høy kvalitet og høy mengde treningsdata. En maskinlæringsalgoritme lærer så å ta beslutninger basert på dataene før mennesker begynner å finjustere modellen.

Modellen kan deretter testes og valideres av mennesker gjennom å score dens utdata. Denne prosessen er spesielt nyttig i tilfeller der algoritmen ikke er sikker på en dom, eller på den annen side der algoritmen er for sikker på en feil avgjørelse.

HITL-prosessen er en kontinuerlig tilbakemeldingssløyfe, noe som betyr at hver av trenings-, innstillings- og testoppgavene blir matet tilbake til algoritmen. Denne prosessen gjør det mulig for algoritmen å bli mer effektiv og nøyaktig over tid, noe som er spesielt nyttig for å lage svært nøyaktige og store mengder treningsdata for spesifikke brukstilfeller. Den menneskelige innsikten hjelper til med å justere og teste modellen slik at organisasjonen kan oppnå den mest nøyaktige og handlingsrettede beslutningen.

Bilde: Stanford University

Viktigheten av HITL Machine Learning

HITL er en ekstremt viktig gren av AI ettersom konvensjonelle maskinlæringsmodeller krever et stort antall merkede datapunkter for å oppnå nøyaktige spådommer. Når det er mangel på data, er ikke maskinlæringsmodeller like nyttige.

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

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

HITL-systemer forbedrer nøyaktigheten samtidig som de opprettholder standarder på menneskelig nivå, noe som er viktig for mange bransjer over hele verden.

Når du skal bruke HITL-systemer

Det er noen spesifikke tidspunkter i AI-livssyklusen når menneskelig-i-løkken maskinlæring bør brukes:

• Kurs: Det vanligste stedet dataforskere bruker HITL er under treningsfasene, der mennesker gir merkede data for modelltrening.

• Tuning og testing: Den andre hovedtiden HITL brukes er i tuning- og testfasen. Mennesker justerer modeller for høyere nøyaktighet, noe som er spesielt viktig når modellen er usikker.

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

Human-in-the-loop dyp læring brukes når mennesker og maskinlæringsprosesser samhandler i visse scenarier, for eksempel: algoritmer forstår ikke input; datainndata tolkes feil; Algoritmer vet ikke hvordan de skal utføre en spesifikk oppgave; maskinlæringsmodellen må være mer nøyaktig; den menneskelige komponenten må være mer effektiv og nøyaktig; kostnaden for feil er for høy i ML-utvikling; og de ønskede dataene er ikke tilgjengelige.

Typer datamerking for HITL

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

En annen viktig applikasjon er tekstanalyse, som gjør at maskinen kan forstå hva som blir sagt eller skrevet av mennesker. Fordi folk bruker forskjellige ord for å uttrykke de samme betydningene, må AI-systemer kjenne de forskjellige variasjonene. Ved å ta ting enda lenger, kan sentimentanalyse gjenkjenne tonen til et bestemt ord eller uttrykk. Disse eksemplene beviser hvorfor det er så viktig at menneske-i-løkken-tilnærmingen brukes.

Hvorfor ditt firma bør implementere HITL

Hvis bedriften din ønsker å installere et HITL-system, er en av de vanligste måtene å gjøre dette på ved å bruke automatiseringsprogramvare. Det er mye automatiseringsprogramvare som allerede er bygget rundt HITL-tilnærmingen, noe som betyr at den allerede har prosessen tatt med.

Systemer som disse gjør det mulig for selskapet å oppnå høy ytelse med en gang og å oppnå innsikt. Maskinlæringssystemer blir allerede implementert i nesten alle bransjer, noe som betyr at utviklere må sørge for at systemene fungerer godt med skiftende data.

Det er mange fordeler ved å implementere et HITL-system i din bedrift:

• Forbedrer beslutningsprosessen: Et HITL-system forbedrer beslutningsprosessen til et selskap ved å gi åpenhet og konsistens. Den beskytter også mot skjevhet ved å inkludere menneskelig tilbakemelding i opplæringsprosessen.

• Mer effektivt: HITL-systemer blir generelt sett på som mer effektive enn tradisjonelle maskinlæringssystemer. De krever mindre tid til trening og tuning, noe som betyr at de produserer innsikt raskere.

• Åpenhet: Human-in-the-loop-systemer gir større åpenhet om maskinlæringsmodellen, hvordan den fungerer og hvorfor den kom til en bestemt avgjørelse. Forklarbarhet og ansvarlighet er grunnleggende for dagens AI-systemer, og HITL-tilnærmingen hjelper veldig.

Utfordringer til HITL Systems

Human-in-the-loop-systemer byr også på noen spesifikke utfordringer som bør tas opp. For det første gjør mennesker feil, så ethvert system med mennesker risikerer å ta feil. Dette kan ha stor innvirkning på effektiviteten til systemet. For eksempel, hvis et menneske gjør en feil ved merking av data, vil den samme feilen komme seg gjennom hele systemet og kan forårsake fremtidige problemer.

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

En annen utfordring med HITL-systemer er at de kan være dyre å konstruere og vedlikeholde. Foruten kostnadene knyttet til maskinen, må virksomheten også budsjettere med menneskelig arbeidskraft.