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 human-in-the-loop (HITL). É exatamente como soa. HITL é um ramo da IA que depende tanto da inteligência humana quanto da inteligência da máquina na criação de modelos de aprendizado de máquina.

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

Os humanos primeiro rotulam os dados, o que ajuda o modelo a alcançar alta qualidade e grande quantidade de dados de treinamento. Um algoritmo de aprendizado de máquina então 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 avaliação de suas saídas. Esse processo é especialmente útil em instâncias em que o algoritmo não está confiante sobre um julgamento, ou, por outro lado, em que o algoritmo está muito confiante sobre uma decisão incorreta.

O processo HITL é um loop de feedback contínuo, significando que cada uma das tarefas de treinamento, ajuste e teste é alimentada de volta ao 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 precisos e de alta qualidade para casos de uso específicos. A percepção humana ajuda a ajustar e testar o modelo para que a organização possa alcançar a decisão mais precisa e ação.

Imagem: Universidade de Stanford

A Importância do Aprendizado de Máquina HITL

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

Considere o aprendizado de idiomas como um exemplo. Se você tem um idioma falado por apenas alguns milhares de pessoas e deseja obter insights 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.

A indústria de saúde também é uma das mais importantes para os sistemas HITL. Um estudo de 2018 da Stanford encontrou que um modelo HITL funciona melhor do que a IA ou humanos sozinhos.

Os sistemas HITL melhoram a precisão, mantendo também os padrões humanos, 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:

• Treinamento: O local mais comum onde 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 HITL é usado é nas fases de ajuste e teste. Os humanos ajustam os modelos para uma precisão maior, o que é especialmente crucial quando o modelo não está confiante.

É importante notar 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 de máquina human-in-the-loop é usado quando os humanos e os processos de aprendizado de máquina interagem em certos cenários, como: algoritmos não entendem a entrada; a entrada de dados é interpretada incorretamente; algoritmos não sabem como realizar 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 precisa classificar cada parte de uma imagem, a segmentação é preferida. Quando se trata de conjuntos de dados de reconhecimento facial, marcas faciais são frequentemente usadas.

Outra aplicação importante é a análise de texto, que permite que a máquina entenda o que é dito ou escrito pelos humanos. Como as pessoas usam palavras diferentes para expressar os mesmos significados, os sistemas de IA precisam conhecer as variações diferentes. 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 HITL

Se sua empresa está procurando instalar um sistema HITL, uma das maneiras mais comuns de fazer isso é usando software de automação. Há muitos softwares de automação que já estão construídos em torno da abordagem HITL, significando que o processo já está incorporado.

Sistemas como esses permitem que a empresa alcance um desempenho de alto nível imediatamente e obtenha insights. Os sistemas de aprendizado de máquina já estão sendo implementados em quase todas as indústrias, significando que os desenvolvedores devem garantir que os sistemas funcionem bem com dados em mudança.

Há 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, fornecendo transparência e consistência. Ele também protege contra viés, incluindo feedback humano no processo de treinamento.

• Mais Eficiente: Os sistemas HITL são geralmente considerados mais eficientes do que os sistemas de aprendizado de máquina tradicionais. Eles requerem menos tempo para treinamento e ajuste, significando que produzem insights mais rapidamente.

• Transparência: Os sistemas human-in-the-loop fornecem uma maior transparência no modelo de aprendizado de máquina, sobre como ele funciona e por que ele chegou a uma decisão específica. A explicabilidade e a 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 arrisca estar errado. Isso pode ter um grande impacto na eficácia do sistema. Por exemplo, se um humano comete um erro ao rotular dados, o mesmo erro se espalhará por todo o sistema e pode causar problemas futuros.

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

Um desafio adicional dos sistemas HITL é que eles podem ser caros para construir e manter. Além dos custos associados à máquina, a empresa deve orçar para a mão de obra humana também.