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

Jednym z terminów, z którymi możesz się spotkać w przypadku sztucznej inteligencji (AI) i uczenia maszynowego (ML), jest „człowiek w pętli” (HITL). To jest tak jak brzmi. HITL to gałąź sztucznej inteligencji, która przy tworzeniu modeli uczenia maszynowego opiera się na inteligencji ludzkiej i maszynowej.

Podejście oparte na działaniu człowieka w pętli oznacza, że ​​ludzie są zaangażowani w cykl uczenia, dostrajania i testowania algorytmu.

Ludzie najpierw oznaczają dane, co pomaga modelowi uzyskać wysoką jakość i dużą ilość danych szkoleniowych. Algorytm uczenia maszynowego uczy się następnie podejmować decyzje na podstawie danych, zanim ludzie zaczną dostrajać model.

Model może następnie zostać przetestowany i zweryfikowany przez ludzi poprzez ocenę wyników. Proces ten jest szczególnie pomocny w przypadkach, gdy algorytm nie jest pewien co do oceny lub z drugiej strony, gdy algorytm jest zbyt pewny co do błędnej decyzji.

Proces HITL to ciągła pętla sprzężenia zwrotnego, co oznacza, że ​​każde zadanie szkoleniowe, dostrajające i testujące jest przekazywane z powrotem do algorytmu. Proces ten umożliwia z biegiem czasu zwiększenie efektywności i dokładności algorytmu, co jest szczególnie przydatne przy tworzeniu bardzo dokładnych i dużych ilości danych szkoleniowych dla określonych przypadków użycia. Ludzkie spostrzeżenie pomaga dostroić i przetestować model, dzięki czemu organizacja może podjąć najdokładniejszą i wykonalną decyzję.

Zdjęcie: Uniwersytet Stanforda

Znaczenie uczenia maszynowego HITL

HITL jest niezwykle ważną gałęzią sztucznej inteligencji, ponieważ konwencjonalne modele uczenia maszynowego wymagają dużej liczby oznaczonych punktów danych, aby uzyskać dokładne przewidywania. W przypadku braku danych modele uczenia maszynowego nie są już tak przydatne.

Weźmy na przykład naukę języków. Jeśli masz język, którym posługuje się tylko kilka tysięcy osób i chcesz uzyskać wgląd w ten język za pomocą uczenia maszynowego, znalezienie wystarczającej liczby przykładów, z których model mógłby się uczyć, może być trudne. Dzięki podejściu HITL możesz zapewnić dokładność tych zbiorów danych.

Branża opieki zdrowotnej jest również jedną z najważniejszych dla systemów HITL. Badanie przeprowadzone przez Stanforda w 2018 r. wykazało, że model HITL działa lepiej niż pojedyncza sztuczna inteligencja lub ludzie.

Systemy HITL poprawiają dokładność, zachowując jednocześnie standardy na poziomie ludzkim, co jest ważne dla wielu branż na całym świecie.

Kiedy stosować systemy HITL

Istnieje kilka konkretnych momentów w cyklu życia sztucznej inteligencji, w których należy zastosować uczenie maszynowe oparte na zasadzie „człowiek w pętli”:

• Trening: Analitycy danych najczęściej korzystają z metody HITL w fazach uczenia, podczas których ludzie dostarczają oznaczone dane do uczenia modeli.

• Strojenie i testowanie: Drugim głównym momentem użycia HITL jest faza dostrajania i testowania. Ludzie dostrajają modele pod kątem większej dokładności, co jest szczególnie istotne, gdy model nie jest pewny.

Należy pamiętać, że podejście HITL nie jest odpowiednie dla każdego projektu uczenia maszynowego. Używa się go najczęściej, gdy nie ma zbyt wielu dostępnych danych.

Głębokie uczenie się metodą human-in-the-loop stosuje się, gdy ludzie i procesy uczenia maszynowego wchodzą w interakcję w określonych scenariuszach, np.: algorytmy nie rozumieją danych wejściowych; wprowadzone dane są błędnie interpretowane; algorytmy nie wiedzą, jak wykonać określone zadanie; model uczenia maszynowego musi być dokładniejszy; element ludzki musi być bardziej wydajny i dokładny; koszt błędów w rozwoju ML jest zbyt wysoki; i żądane dane nie są dostępne.

Rodzaje etykietowania danych dla HITL

Podejście HITL można zastosować do różnych typów etykietowania danych, w zależności od rodzaju wymaganych zbiorów danych. Na przykład, jeśli maszyna musi nauczyć się rozpoznawać określone kształty, używane są ramki ograniczające. Jeśli jednak model musi klasyfikować każdą część obrazu, preferowana jest segmentacja. Jeśli chodzi o zbiory danych dotyczące rozpoznawania twarzy, często stosuje się oznaczenia twarzy.

Innym ważnym zastosowaniem jest analiza tekstu, która umożliwia maszynie zrozumienie tego, co mówią lub piszą ludzie. Ponieważ ludzie używają różnych słów do wyrażenia tego samego znaczenia, systemy sztucznej inteligencji muszą znać różne odmiany. Idąc jeszcze dalej, analiza nastrojów może rozpoznać ton określonego słowa lub wyrażenia. Przykłady te dowodzą, dlaczego tak ważne jest stosowanie podejścia „człowiek w pętli”.

Dlaczego Twoja firma powinna wdrożyć HITL

Jeśli Twoja firma chce zainstalować system HITL, jednym z najczęstszych sposobów jest użycie oprogramowania do automatyzacji. Istnieje wiele programów do automatyzacji, które zostały już zbudowane w oparciu o podejście HITL, co oznacza, że ​​uwzględniają już proces.

Takie systemy umożliwiają firmie natychmiastowe osiągnięcie wysokiego poziomu wydajności i uzyskanie wglądu. Systemy uczenia maszynowego są już wdrażane w niemal każdej branży, co oznacza, że ​​programiści muszą zadbać o to, aby systemy dobrze radziły sobie ze zmieniającymi się danymi.

Wdrożenie systemu HITL w Twojej firmie ma wiele zalet:

• Usprawnia proces podejmowania decyzji: System HITL usprawnia proces decyzyjny firmy, zapewniając przejrzystość i spójność. Chroni także przed uprzedzeniami, włączając opinie ludzi do procesu szkoleniowego.

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

• Przezroczystość: Systemy oparte na technologii „człowiek w pętli” zapewniają większą przejrzystość modelu uczenia maszynowego, jego działania i powodów podjęcia określonej decyzji. Wyjaśnialność i rozliczalność mają fundamentalne znaczenie dla współczesnych systemów sztucznej inteligencji, a podejście HITL jest w tym niezwykle pomocne.

Wyzwania systemów HITL

Systemy typu „człowiek w pętli” również wiążą się z pewnymi specyficznymi wyzwaniami, którymi należy się zająć. Po pierwsze, ludzie popełniają błędy, więc każdy system wykorzystujący ludzi może się mylić. Może to mieć duży wpływ na skuteczność systemu. Na przykład, jeśli człowiek popełni błąd podczas etykietowania danych, ten sam błąd przedostanie się do całego systemu i może spowodować przyszłe problemy.

Systemy HITL mogą również działać powoli, ponieważ w proces decyzyjny zaangażowani są ludzie. Jedną z największych przyczyn rozwoju sztucznej inteligencji i uczenia maszynowego jest to, że maszyny są niewiarygodnie szybsze od ludzi, ale prędkość ta często obserwowana w tradycyjnych systemach uczenia maszynowego nie zawsze przekłada się na systemy HITL.

Kolejnym wyzwaniem związanym z systemami HITL jest to, że mogą być drogie w budowie i utrzymaniu. Oprócz kosztów związanych z maszyną, firma musi również uwzględnić w budżecie pracę ludzką.