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

En av begrepene du kan møte når du jobber 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 avhenger av både menneskelig og maskinell intelligens i skapelsen av maskinlæringsmodeller.

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 maskinlæringsalgoritme lærer deretter å ta beslutninger basert på dataene 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 derimot, 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 muliggjør at algoritmen blir mer effektiv og nøyaktig over tid, noe som er spesielt nyttig for å skape 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.

Bilde: Stanford University

Viktigheten av HITL Maskinlæring

HITL er en svært viktig gren av AI, da konvensjonelle maskinlæringsmodeller krever et stort antall merkte datapunkter for å oppnå nøyaktige forutsigelser. Når det er mangel på data, er maskinlæringsmodellene 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 Stanford i 2018 fant at en HITL-modell fungerer bedre enn både AI og mennesker alene.

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

Når å bruke HITL-systemer

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

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

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

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

Human-in-the-loop dyp læring brukes når mennesker og maskinlæringsprosesser samhandler i bestemte scenarioer, som for eksempel: algoritmer forstår ikke innputt; datainntasting tolkes feil; algoritmer vet ikke hvordan de skal utføre en bestemt oppgave; maskinlæringsmodellen trenger å være mer nøyaktig; den menneskelige komponenten må være mer effektiv og nøyaktig; feilkostnadene er for høye i ML-utvikling; og det ønskede 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 avgrensning. 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 muliggjør at maskinen forstår hva som blir sagt eller skrevet av mennesker. Fordi mennesker bruker ulike ord for å uttrykke samme mening, må AI-systemer kjenne til de ulike variasjonene. Ved å gå videre, kan sentimentanalyse gjenkjenne toneen i et bestemt ord eller uttrykk. Disse eksemplene viser hvorfor det er så viktig å bruke human-in-the-loop-tilnærmingen.

Hvorfor ditt selskap bør implementere HITL

Hvis ditt selskap ønsker å installere et HITL-system, er en av de vanligste måtene å gjøre dette på 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 muliggjør at selskapet oppnår høy ytelse umiddelbart og å oppnå innsikt. Maskinlæringsystemer blir allerede implementert i nesten alle industrier, noe som betyr at utviklere må sikre at systemene fungerer godt med endrende 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 maskinlæringsystemer. 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 maskinlæringsmodellen, hvordan den fungerer og hvorfor den kom til en bestemt beslutning. Forklarbarhet og ansvarlighet 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 håndteres. 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 gå 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 utfordring med HITL-systemer er at de kan være dyre å bygge og vedlikeholde. Foruten kostnadene forbundet med maskinen, må bedriften også budsjettere for menneskelig arbeidskraft.