Vad är Human-in-the-loop (HITL)?

En av termerna du kan stöta på när du hanterar artificiell intelligens (AI) och maskinlärning (ML) är human-in-the-loop (HITL). Det är precis som det låter. HITL är en gren av AI som förlitar sig på både mänsklig och maskinell intelligens vid skapandet av maskinlärningsmodeller.

En human-in-the-loop-ansats innebär att människor är involverade i algoritmcykeln för utbildning, finjustering och testning.

Människor märker först data, vilket hjälper modellen att uppnå hög kvalitet och stor mängd utbildningsdata. En maskinlärningsalgoritm lär sig sedan att fatta beslut baserat på data innan människor börjar finjustera modellen.

Modellen kan sedan testas och valideras av människor genom att poängsätta dess utdata. Detta är särskilt användbart i situationer där algoritmen inte är säker på en bedömning, eller å andra sidan, där algoritmen är för säker på ett felaktigt beslut.

HITL-processen är en kontinuerlig återkopplingsloop, vilket innebär att var och en av utbildnings-, finjusterings- och testuppgifterna matas tillbaka in i algoritmen. Detta gör att algoritmen kan bli mer effektiv och exakt över tid, vilket är särskilt användbart för att skapa högkvalitativa och stora mängder utbildningsdata för specifika användningsfall. Mänsklig insikt hjälper till att finjustera och testa modellen så att organisationen kan uppnå de mest precisa och användbara besluten.

Bild: Stanford University

Vikten av HITL-maskinlärning

HITL är en extremt viktig gren av AI eftersom konventionella maskinlärningsmodeller kräver en stor mängd märkta datapunkter för att uppnå precisa förutsägelser. När det finns en brist på data är maskinlärningsmodellerna inte lika användbara.

Ta språkinlärning som exempel. Om du har ett språk som bara talas av några tusen människor, och du vill uppnå insikter i det språket genom maskinlärning, kan det vara svårt att hitta tillräckligt med exempel för modellen att lära sig från. Med en HITL-ansats kan du säkerställa precisionen i dessa datamängder.

Hälsovårdsindustrin är också en av de viktigaste för HITL-system. En studie från 2018 vid Stanford fann att en HITL-modell fungerar bättre än antingen AI eller människor på egen hand.

HITL-system förbättrar precisionen samtidigt som de upprätthåller mänskliga standarder, vilket är viktigt för många industrier över hela världen.

När man ska använda HITL-system

Det finns några specifika tillfällen i AI-livscykeln när human-in-the-loop-maskinlärning bör användas:

• Utbildning: Den vanligaste platsen där dataforskare använder HITL är under utbildningsfasen, där människor tillhandahåller märkt data för modellutbildning.

• Finjustering och testning: Den andra huvudsakliga tiden då HITL används är under finjusterings- och testfasen. Människor finjusterar modeller för högre precision, vilket är särskilt viktigt när modellen är osäker.

Det är viktigt att notera att HITL-ansatsen inte är lämplig för alla maskinlärningsprojekt. Den används mest när det inte finns tillräckligt med tillgänglig data.

Human-in-the-loop djupinlärning används när människor och maskinlärningsprocesser interagerar i vissa scenarier, såsom: algoritmer förstår inte indata; datainmatning tolkas felaktigt; algoritmer vet inte hur man utför en specifik uppgift; maskinlärningsmodellen behöver vara mer exakt; den mänskliga komponenten behöver vara mer effektiv och exakt; kostnaden för fel är för hög i ML-utveckling; och den önskade datan är inte tillgänglig.

Typer av dataetiketter för HITL

HITL-ansatsen kan användas för olika typer av dataetiketter beroende på vilken typ av datamängder som krävs. Till exempel, om maskinen behöver lära sig att känna igen specifika former, används begränsningsrutor. Men om modellen behöver klassificera varje del av en bild, föredras segmentering. När det gäller ansiktsigenkänningsdatamängder används ansiktsmärkningar ofta.

En annan stor tillämpning är textanalys, som möjliggör för maskinen att förstå vad som sägs eller skrivs av människor. Eftersom människor använder olika ord för att uttrycka samma betydelser, måste AI-system känna till de olika variationerna. Att ta saker vidare, sentimentanalys kan känna igen tonen i ett specifikt ord eller fras. Dessa exempel visar varför det är så viktigt att human-in-the-loop-ansatsen används.

Varför ditt företag bör implementera HITL

Om ditt företag letar efter att installera ett HITL-system, är en av de vanligaste sätten att göra detta att använda automatiseringsprogramvara. Det finns mycket automatiseringsprogramvara som redan är byggt runt HITL-ansatsen, vilket innebär att den redan har processen inbyggd.

System som dessa möjliggör för företaget att uppnå högpresterande prestanda direkt och att uppnå insikter. Maskinlärningssystem implementeras redan i nästan varje industri, vilket innebär att utvecklare måste säkerställa att systemen fungerar bra med föränderlig data.

Det finns många fördelar med att implementera ett HITL-system i ditt företag:

• Förbättrar beslutsprocessen: Ett HITL-system förbättrar beslutsprocessen i ett företag genom att tillhandahålla transparens och konsekvens. Det skyddar också mot partiskhet genom att inkludera mänsklig återkoppling i utbildningsprocessen.

• Mer effektivt: HITL-system anses allmänt vara mer effektiva än traditionella maskinlärningssystem. De kräver mindre tid för utbildning och finjustering, vilket innebär att de producerar insikter snabbare.

• Transparens: Human-in-the-loop-system tillhandahåller större transparens i maskinlärningsmodellen, hur den fungerar och varför den kom fram till ett visst beslut. Förklarbarhet och ansvarighet är grundläggande för dagens AI-system, och HITL-ansatsen hjälper avsevärt.

Utmaningar med HITL-system

Human-in-the-loop-system presenterar också några specifika utmaningar som bör adresseras. För det första gör människor misstag, så något system med människor riskerar att vara fel. Detta kan ha en stor inverkan på systemets effektivitet. Till exempel, om en människa gör ett misstag när de märker data, kommer samma misstag att fortsätta genom hela systemet och kan orsaka framtida problem.

HITL-system kan också vara långsamma eftersom människor är involverade i beslutsprocessen. En av de största anledningarna bakom tillväxten av AI och ML är att maskiner är otroligt mycket snabbare än människor, men den hastighet som ses i traditionella ML-system kommer inte alltid att översättas till HITL-system.

En annan utmaning med HITL-system är att de kan vara dyra att konstruera och underhålla. Utöver kostnaderna förknippade med maskinen, måste företaget budgetera för mänskligt arbete också.