Шта је човек у петљи (ХИТЛ)?

Један од појмова са којима се можете сусрести када се бавите вештачком интелигенцијом (АИ) и машинским учењем (МЛ) је човек у петљи (ХИТЛ). Баш као што звучи. ХИТЛ је грана вештачке интелигенције која се ослања и на људску и на машинску интелигенцију у креирању модела машинског учења.

Приступ човека у петљи значи да су људи укључени у алгоритамски циклус обуке, подешавања и тестирања.

Људи прво означавају податке, што помаже моделу да постигне висок квалитет и велику количину података о обуци. Алгоритам машинског учења затим учи да доноси одлуке на основу података пре него што људи почну да фино подешавају модел.

Модел тада могу да тестирају и валидирају људи кроз бодовање његових резултата. Овај процес је посебно користан у случајевима када алгоритам није сигуран у своју пресуду, или, с друге стране, када је алгоритам превише сигуран у нетачну одлуку.

ХИТЛ процес је континуирана повратна спрега, што значи да се сваки задатак обуке, подешавања и тестирања враћа у алгоритам. Овај процес омогућава да алгоритам постане ефикаснији и тачнији током времена, што је посебно корисно за креирање веома тачних и великих количина података за обуку за специфичне случајеве употребе. Људски увид помаже у подешавању и тестирању модела како би организација могла да постигне најтачнију и најповољнију одлуку.

Слика: Универзитет Станфорд

Важност ХИТЛ машинског учења

ХИТЛ је изузетно важна грана вештачке интелигенције пошто конвенционални модели машинског учења захтевају велики број обележених тачака података да би се постигла тачна предвиђања. Када постоји недостатак података, модели машинског учења нису толико корисни.

Узмите учење језика као пример. Ако имате језик који говори само неколико хиљада људи, а желите да постигнете увид у тај језик путем машинског учења, можда ће бити тешко пронаћи довољно примера на којима модел може да учи. Са ХИТЛ приступом, можете осигурати тачност ових скупова података.

Здравствена индустрија је такође једна од најважнијих за ХИТЛ системе. Студија Станфорда из 2018. показала је да ХИТЛ модел функционише боље од вештачке интелигенције или људи сами.

ХИТЛ системи побољшавају тачност, а истовремено одржавају стандарде на нивоу људи, што је важно за многе индустрије широм света.

Када користити ХИТЛ системе

Постоји неколико специфичних тренутака у животном циклусу вештачке интелигенције када треба да се користи машинско учење човека у петљи:

• тренинг: Најчешће место где научници података користе ХИТЛ је током фаза обуке, где људи дају означене податке за обуку модела.

• Подешавање и тестирање: Други главни пут када се ХИТЛ користи је у фазама подешавања и тестирања. Људи подешавају моделе за већу прецизност, што је посебно кључно када је модел неуверљив.

Важно је напоменути да ХИТЛ приступ није прикладан за сваки пројекат машинског учења. Углавном се користи када нема пуно доступних података.

Дубоко учење човека у петљи се користи када људи и процеси машинског учења интерагују у одређеним сценаријима, као што су: алгоритми не разумеју унос; унос података се погрешно тумачи; алгоритми не знају како да изврше одређени задатак; модел машинског учења треба да буде тачнији; људска компонента треба да буде ефикаснија и тачнија; цена грешака је превисока у развоју МЛ; а жељени подаци нису доступни.

Врсте означавања података за ХИТЛ

ХИТЛ приступ се може користити за различите типове означавања података у зависности од тога који су скупови података потребни. На пример, ако машина треба да научи да препозна одређене облике, користе се граничне кутије. Али ако модел треба да класификује сваки део слике, преферира се сегментација. Када су у питању скупови података за препознавање лица, често се користе ознаке лица.

Друга велика примена је анализа текста, која омогућава машини да разуме шта људи кажу или напишу. Пошто људи користе различите речи да изразе иста значења, системи вештачке интелигенције морају знати различите варијације. Узимајући ствари још даље, анализа осећања може препознати тон одређене речи или фразе. Ови примери доказују зашто је толико важно да се користи приступ човека у петљи.

Зашто би ваша компанија требало да примени ХИТЛ

Ако ваше предузеће жели да инсталира ХИТЛ систем, један од најчешћих начина да то урадите је коришћење софтвера за аутоматизацију. Постоји много софтвера за аутоматизацију који је већ изграђен око ХИТЛ приступа, што значи да је процес већ укључен.

Системи попут ових омогућавају компанији да одмах постигне перформансе на високом нивоу и да постигне увид. Системи машинског учења се већ примењују у скоро свакој индустрији, што значи да програмери морају да обезбеде да системи раде добро са променљивим подацима.

Постоји много предности имплементације ХИТЛ система у вашу компанију:

• Побољшава процес доношења одлука: ХИТЛ систем побољшава процес доношења одлука у компанији обезбеђујући транспарентност и доследност. Такође штити од пристрасности укључивањем људских повратних информација у процес обуке.

• Ефикаснији: ХИТЛ системи се генерално сматрају ефикаснијим од традиционалних система машинског учења. Захтевају мање времена за обуку и подешавање, што значи да брже стварају увиде.

• провидност: Системи људи у петљи пружају већу транспарентност у моделу машинског учења, како он функционише и зашто је дошао до одређене одлуке. Објашњивост и одговорност су фундаментални за данашње АИ системе, а ХИТЛ приступ у великој мери помаже.

Изазови ХИТЛ система

Системи „људи у петљи“ такође представљају неке специфичне изазове које треба решити. Као прво, људи праве грешке, тако да сваки систем са људима ризикује да буде погрешан. Ово може имати велики утицај на ефикасност система. На пример, ако човек направи грешку приликом означавања података, та иста грешка ће се пробити кроз цео систем и може изазвати будуће проблеме.

ХИТЛ системи такође могу бити спори јер су људи укључени у процес доношења одлука. Један од највећих разлога за раст АИ и МЛ је тај што су машине невероватно брже од људи, али ова брзина која се често виђа у традиционалним системима МЛ неће се увек превести у ХИТЛ системе.

Још један изазов ХИТЛ система је то што могу бити скупи за изградњу и одржавање. Поред трошкова повезаних са машином, предузеће мора да буџетира и људски рад.