Co to jest Human-in-the-loop (HITL)?

Jednym z terminów, który możesz spotkać, zajmując się sztuczną inteligencją (AI) i uczeniem maszynowym (ML), jest human-in-the-loop (HITL). Jest to dokładnie to, co się wydaje. HITL to gałąź AI, która polega na wykorzystaniu zarówno inteligencji ludzkiej, jak i maszynowej w tworzeniu modeli uczenia maszynowego.

Podejście human-in-the-loop oznacza, że ludzie są zaangażowani w cykl algorytmu szkolenia, dostrajania i testowania.

Ludzie najpierw opatrują dane etykietami, co pomaga modelowi osiągnąć wysoką jakość i ilość danych szkoleniowych. Następnie algorytm uczenia maszynowego uczy się podejmować decyzje na podstawie danych, zanim ludzie zaczną dokonywać drobnych regulacji modelu.

Model można następnie przetestować i zwalidować za pomocą ludzi, oceniając jego dane wyjściowe. Ten proces jest szczególnie przydatny w sytuacjach, w których algorytm nie jest pewny swojego osądu lub gdy algorytm jest zbyt pewny swojej błędnej decyzji.

Proces HITL jest ciągłym cyklem informacji zwrotnej, co oznacza, że każde z zadań szkolenia, dostrajania i testowania jest wprowadzane z powrotem do algorytmu. Ten proces pozwala algorytmowi stać się bardziej skutecznym i dokładnym w czasie, co jest szczególnie przydatne do tworzenia wysoko dokładnych i dużej ilości danych szkoleniowych dla określonych przypadków użycia. Wgląd ludzki pomaga dostrajać i testować model, aby organizacja mogła osiągnąć najbardziej dokładne i przydatne decyzje.

Image: Stanford University

Znaczenie HITL Machine Learning

HITL jest niezwykle ważną gałęzią AI, ponieważ konwencjonalne modele uczenia maszynowego wymagają dużej ilości danych opisanych, aby osiągnąć dokładne przewidywania. Gdy brakuje danych, modele uczenia maszynowego nie są tak przydatne.

Weźmy na przykład naukę języka. Jeśli masz język, którym posługują się tylko beberapa tysięcy ludzi, i chcesz uzyskać wgląd w ten język za pomocą uczenia maszynowego, może być trudno znaleźć wystarczającą ilość przykładów, z których model mógłby się uczyć. Z podejściem HITL możesz zapewnić dokładność tych zbiorów danych.

Przemysł opieki zdrowotnej jest również jednym z najważniejszych dla systemów HITL. Badanie z 2018 roku przeprowadzone przez Stanford wykazało, że model HITL działa lepiej niż AI lub ludzie samodzielnie.

Systemy HITL poprawiają dokładność, jednocześnie utrzymując standardy ludzkie, co jest ważne dla wielu branż na całym świecie.

Kiedy używać systemów HITL

Istnieją pewne określone momenty w cyklu życia AI, kiedy należy używać uczenia maszynowego z ludzkim udziałem:

• Szkolenie: Najczęstszym miejscem, w którym naukowcy danych używają HITL, jest podczas faz szkolenia, gdzie ludzie dostarczają dane opisane do szkolenia modelu.

• Dostrojanie i testowanie: Innym głównym momentem, w którym używa się HITL, jest w fazach dostrojania i testowania. Ludzie dostrojają modele w celu uzyskania większej dokładności, co jest szczególnie istotne, gdy model jest niepewny.

Ważne jest, aby zauważyć, że podejście HITL nie jest odpowiednie dla każdego projektu uczenia maszynowego. Jest ono używane głównie w sytuacjach, w których nie ma wystarczającej ilości dostępnych danych.

Głębokie uczenie z ludzkim udziałem jest używane, gdy ludzie i procesy uczenia maszynowego oddziałują w określonych scenariuszach, takich jak: algorytmy nie rozumieją danych wejściowych; dane wejściowe są interpretowane niepoprawnie; algorytmy nie wiedzą, jak wykonać określone zadanie; model uczenia maszynowego wymaga większej dokładności; ludzki komponent wymaga większej wydajności i dokładności; koszt błędów jest zbyt wysoki w rozwoju ML; oraz pożądane dane nie są dostępne.

Rodzaje oznaczania danych dla HITL

Podejście HITL może być używane dla różnych rodzajów oznaczania danych, w zależności od tego, jaki rodzaj zbiorów danych jest wymagany. Na przykład, jeśli maszyna musi nauczyć się rozpoznawać określone kształty, używa się prostokątów ograniczających. Jeśli model musi sklasyfikować każdą część obrazu, preferowane jest segmentowanie. Gdy chodzi o zestawy danych rozpoznawania twarzy, często używa się oznaczeń twarzy.

Innym ważnym zastosowaniem jest analiza tekstu, która umożliwia maszynie zrozumienie, co ludzie mówią lub piszą. Ponieważ ludzie używają różnych słów, aby wyrazić te same znaczenia, systemy AI muszą znać różne wariacje. Idąc dalej, analiza nastrojów może rozpoznać ton określonego słowa lub frazy. Te przykłady dowodzą, dlaczego tak ważne jest używanie podejścia z ludzkim udziałem.

Dlaczego Twoja firma powinna wdrożyć HITL

Jeśli Twoja firma chce zainstalować system HITL, jednym z najczęstszych sposobów, aby to zrobić, jest użycie oprogramowania do automatyzacji. Istnieje wiele oprogramowania do automatyzacji, które jest już zbudowane wokół podejścia HITL, co oznacza, że już ma w sobie uwzględniony ten proces.

Systemy takie umożliwiają firmie osiągnięcie wysokiego poziomu wydajności od razu i uzyskanie wglądu. Systemy uczenia maszynowego są już wdrażane w niemal każdej branży, co oznacza, że deweloperzy muszą zapewnić, aby systemy te działały dobrze z zmieniającymi się danymi.

Istnieją wiele zalet wdrożenia systemu HITL w Twojej firmie:

• Poprawia proces decyzyjny: System HITL poprawia proces decyzyjny firmy, zapewniając przejrzystość i spójność. Chroni również przed uprzedzeniami, włączając ludzki feedback w proces szkolenia.

• Bardziej wydajny: Systemy HITL są ogólnie uważane za bardziej wydajne niż tradycyjne systemy uczenia maszynowego. Wymagają mniej czasu na szkolenie i dostrojanie, co oznacza, że produkują wgląd szybciej.

• Przejrzystość: Systemy z ludzkim udziałem zapewniają większą przejrzystość modelu uczenia maszynowego, jego działania i powodów, dla których podjął określoną decyzję. Wyjaśnialność i odpowiedzialność są fundamentalne dla dzisiejszych systemów AI, a podejście HITL pomaga znacznie.

Wyzwania systemów HITL

Systemy z ludzkim udziałem przedstawiają również pewne wyzwania, które powinny być rozwiązane. Po pierwsze, ludzie popełniają błędy, więc każdy system z ludzkim udziałem narażony jest na błędy. Może to mieć duży wpływ na skuteczność systemu. Na przykład, jeśli człowiek popełni błąd podczas oznaczania danych, ten sam błąd zostanie przeniesiony przez cały system i może spowodować przyszłe problemy.

Systemy HITL mogą być również wolne, ponieważ ludzie są zaangażowani w proces decyzyjny. Jednym z największych powodów za growth AI i ML jest to, że maszyny są niezwykle szybsze niż ludzie, ale ta szybkość często spotykana w tradycyjnych systemach ML nie zawsze przekłada się na systemy HITL.

Jednym z większych wyzwań systemów HITL jest to, że mogą być drogie w budowie i utrzymaniu. Poza kosztami związanymi z maszyną, firma musi również uwzględnić koszty pracy ludzkiej.