O que é Human-in-the-loop (HITL)?

Um dos termos que você pode encontrar ao lidar com inteligência artificial (IA) e aprendizado de máquina (ML) é humano no circuito (HITL). É exatamente como parece. HITL é um ramo da IA ​​que depende da inteligência humana e da máquina na criação de modelos de aprendizado de máquina.

Uma abordagem human-in-the-loop significa que as pessoas estão envolvidas no ciclo do algoritmo de treinamento, ajuste e teste.

Os humanos primeiro rotulam os dados, o que ajuda o modelo a obter dados de treinamento de alta qualidade e alta quantidade. Um algoritmo de aprendizado de máquina aprende a tomar decisões com base nos dados antes que os humanos comecem a ajustar o modelo.

O modelo pode então ser testado e validado por humanos por meio da pontuação de seus resultados. Esse processo é especialmente útil em instâncias em que o algoritmo não está confiante em relação a um julgamento ou, por outro lado, em que o algoritmo está muito confiante em relação a uma decisão incorreta.

O processo HITL é um loop de feedback contínuo, o que significa que cada uma das tarefas de treinamento, ajuste e teste são realimentadas no algoritmo. Esse processo permite que o algoritmo se torne mais eficaz e preciso ao longo do tempo, o que é especialmente útil para criar grandes quantidades de dados de treinamento altamente precisos para casos de uso específicos. O insight humano ajuda a ajustar e testar o modelo para que a organização possa obter a decisão mais precisa e acionável.

Imagem: Universidade de Stanford

A importância do aprendizado de máquina HITL

O HITL é um ramo extremamente importante da IA, pois os modelos convencionais de aprendizado de máquina exigem um grande número de pontos de dados rotulados para obter previsões precisas. Quando há falta de dados, os modelos de aprendizado de máquina não são tão úteis.

Tome como exemplo o aprendizado de idiomas. Se você tem um idioma falado apenas por alguns milhares de pessoas e deseja obter informações sobre esse idioma por meio do aprendizado de máquina, pode ser difícil encontrar exemplos suficientes para o modelo aprender. Com uma abordagem HITL, você pode garantir a precisão desses conjuntos de dados.

O setor de saúde também é um dos mais importantes para os sistemas HITL. Um estudo de 2018 de Stanford descobriu que um modelo HITL funciona melhor do que IA ou humanos por conta própria.

Os sistemas HITL melhoram a precisão e, ao mesmo tempo, mantêm os padrões de nível humano, o que é importante para muitas indústrias em todo o mundo.

Quando usar sistemas HITL

Há alguns momentos específicos no ciclo de vida da IA ​​em que o aprendizado de máquina human-in-the-loop deve ser usado:

• Training: o lugar mais comum que os cientistas de dados usam HITL é durante as fases de treinamento, onde os humanos fornecem dados rotulados para o treinamento do modelo.

• Ajuste e teste: O outro momento principal em que o HITL é usado é nas fases de ajuste e teste. Os humanos ajustam os modelos para maior precisão, o que é especialmente crucial quando o modelo não é confiável.

É importante observar que a abordagem HITL não é apropriada para todos os projetos de aprendizado de máquina. É usado principalmente quando não há muitos dados disponíveis.

O aprendizado profundo humano no loop é usado quando humanos e processos de aprendizado de máquina interagem em determinados cenários, como: algoritmos não entendem a entrada; entrada de dados é interpretada incorretamente; os algoritmos não sabem como executar uma tarefa específica; o modelo de aprendizado de máquina precisa ser mais preciso; o componente humano precisa ser mais eficiente e preciso; o custo de erros é muito alto no desenvolvimento de ML; e os dados desejados não estão disponíveis.

Tipos de rotulagem de dados para HITL

A abordagem HITL pode ser usada para vários tipos de rotulagem de dados, dependendo do tipo de conjunto de dados necessário. Por exemplo, se a máquina precisa aprender a reconhecer formas específicas, caixas delimitadoras são usadas. Mas se o modelo precisar classificar cada parte de uma imagem, a segmentação é preferível. Quando se trata de conjuntos de dados de reconhecimento facial, as marcações faciais são frequentemente usadas.

Outra aplicação importante é a análise de texto, que permite que a máquina entenda o que é dito ou escrito por humanos. Como as pessoas usam palavras diferentes para expressar os mesmos significados, os sistemas de IA devem conhecer as diferentes variações. Levando as coisas ainda mais longe, a análise de sentimento pode reconhecer o tom de uma palavra ou frase específica. Esses exemplos provam por que é tão importante usar a abordagem human-in-the-loop.

Por que sua empresa deve implementar o HITL

Se sua empresa deseja instalar um sistema HITL, uma das maneiras mais comuns de fazer isso é usando um software de automação. Há muitos softwares de automação que já foram criados em torno da abordagem HITL, o que significa que o processo já foi considerado.

Sistemas como esses permitem que a empresa atinja um desempenho de alto nível imediatamente e obtenha insights. Os sistemas de aprendizado de máquina já estão sendo implementados em quase todos os setores, o que significa que os desenvolvedores devem garantir que os sistemas funcionem bem com dados em constante mudança.

Existem muitas vantagens em implementar um sistema HITL em sua empresa:

• Melhora o Processo de Tomada de Decisão: Um sistema HITL melhora o processo de tomada de decisão de uma empresa, proporcionando transparência e consistência. Também protege contra preconceitos ao incluir feedback humano no processo de treinamento.

• Mais eficiente: os sistemas HITL são geralmente considerados mais eficientes do que os sistemas tradicionais de aprendizado de máquina. Eles exigem menos tempo para treinamento e ajuste, o que significa que produzem insights mais rapidamente.

• Transparência: os sistemas human-in-the-loop fornecem maior transparência no modelo de aprendizado de máquina, como ele funciona e por que chegou a uma determinada decisão. Explicabilidade e responsabilidade são fundamentais para os sistemas de IA de hoje, e a abordagem HITL ajuda muito.

Desafios dos Sistemas HITL

Os sistemas human-in-the-loop também apresentam alguns desafios específicos que devem ser abordados. Por um lado, os humanos cometem erros, então qualquer sistema com humanos corre o risco de estar errado. Isso pode ter um grande impacto na eficácia do sistema. Por exemplo, se um ser humano cometer um erro ao rotular os dados, esse mesmo erro se espalhará por todo o sistema e poderá causar problemas futuros.

Os sistemas HITL também podem ser lentos, pois os humanos estão envolvidos no processo de tomada de decisão. Uma das maiores razões por trás do crescimento de IA e ML é que as máquinas são incrivelmente mais rápidas que os humanos, mas essa velocidade frequentemente vista em sistemas ML tradicionais nem sempre se traduz em sistemas HITL.

Mais um desafio dos sistemas HITL é que eles podem ser caros para construir e manter. Além dos custos associados à máquina, a empresa também deve fazer um orçamento para a mão-de-obra humana.