Human-in-the-loop (HITL) คืออะไร?

คำหนึ่งที่คุณอาจพบเมื่อต้องรับมือกับปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ก็คือ Human-in-the-loop (HITL) มันเหมือนกับว่ามันฟังดู HITL เป็นสาขาหนึ่งของ AI ที่อาศัยทั้งความฉลาดของมนุษย์และเครื่องจักรในการสร้างแบบจำลองการเรียนรู้ของเครื่อง

แนวทางแบบมนุษย์ในวงหมายความว่าผู้คนมีส่วนร่วมในวงจรอัลกอริทึมของการฝึกอบรม การปรับแต่ง และการทดสอบ

ข้อมูลฉลากอันดับแรกของมนุษย์ ซึ่งช่วยให้โมเดลได้รับข้อมูลการฝึกอบรมที่มีคุณภาพสูงและมีปริมาณมาก จากนั้นอัลกอริทึมการเรียนรู้ของเครื่องจะเรียนรู้การตัดสินใจตามข้อมูลก่อนที่มนุษย์จะเริ่มปรับแต่งโมเดล

แบบจำลองสามารถทดสอบและตรวจสอบได้โดยมนุษย์ผ่านการให้คะแนนผลลัพธ์ กระบวนการนี้มีประโยชน์อย่างยิ่งในกรณีที่อัลกอริทึมไม่มั่นใจในการตัดสิน หรือในทางกลับกัน เมื่ออัลกอริทึมมีความมั่นใจมากเกินไปเกี่ยวกับการตัดสินใจที่ไม่ถูกต้อง

กระบวนการ HITL เป็นวงจรป้อนกลับอย่างต่อเนื่อง หมายความว่างานฝึกอบรม การปรับแต่ง และการทดสอบแต่ละรายการจะถูกส่งกลับเข้าไปในอัลกอริทึม กระบวนการนี้ช่วยให้อัลกอริทึมมีประสิทธิภาพและแม่นยำมากขึ้นเมื่อเวลาผ่านไป ซึ่งมีประโยชน์อย่างยิ่งสำหรับการสร้างข้อมูลการฝึกอบรมที่มีความแม่นยำสูงและปริมาณมากสำหรับกรณีการใช้งานเฉพาะ ข้อมูลเชิงลึกของมนุษย์ช่วยปรับแต่งและทดสอบโมเดลเพื่อให้องค์กรสามารถบรรลุการตัดสินใจที่ถูกต้องและดำเนินการได้มากที่สุด

ภาพ: มหาวิทยาลัยสแตนฟอร์ด

ความสำคัญของการเรียนรู้ของเครื่อง HITL

HITL เป็นสาขาที่มีความสำคัญอย่างยิ่งของ AI เนื่องจากโมเดลแมชชีนเลิร์นนิงแบบเดิมต้องการจุดข้อมูลที่มีป้ายกำกับจำนวนมากเพื่อให้ได้การคาดการณ์ที่แม่นยำ เมื่อขาดข้อมูล โมเดลแมชชีนเลิร์นนิงก็ไม่มีประโยชน์

ใช้การเรียนรู้ภาษาเป็นตัวอย่าง หากคุณมีภาษาที่มีคนเพียงไม่กี่พันคนพูดเท่านั้น และคุณต้องการได้รับข้อมูลเชิงลึกเกี่ยวกับภาษานั้นผ่านการเรียนรู้ของเครื่อง การหาตัวอย่างที่เพียงพอสำหรับโมเดลที่จะเรียนรู้อาจเป็นเรื่องยาก ด้วยแนวทางของ HITL คุณสามารถรับรองความถูกต้องของชุดข้อมูลเหล่านี้ได้

อุตสาหกรรมการดูแลสุขภาพเป็นหนึ่งในระบบที่สำคัญที่สุดสำหรับระบบ HITL การศึกษาในปี 2018 โดย Stanford พบว่าโมเดล HITL ทำงานได้ดีกว่า AI หรือมนุษย์ด้วยตัวของมันเอง

ระบบ HITL ปรับปรุงความแม่นยำในขณะเดียวกันก็รักษามาตรฐานระดับมนุษย์ ซึ่งเป็นสิ่งสำคัญสำหรับหลายอุตสาหกรรมทั่วโลก

เมื่อใดควรใช้ระบบ HITL

มีบางช่วงเวลาที่เฉพาะเจาะจงในวงจรชีวิต AI ที่ควรใช้การเรียนรู้ของเครื่องแบบมนุษย์ในวง:

• การฝึกอบรม: สถานที่ที่นักวิทยาศาสตร์ข้อมูลทั่วไปใช้ HITL มากที่สุดคือระหว่างขั้นตอนการฝึกอบรม ซึ่งมนุษย์ให้ข้อมูลที่มีป้ายกำกับสำหรับการฝึกอบรมแบบจำลอง

• การปรับแต่งและการทดสอบ: เวลาหลักอื่น ๆ ที่ใช้ HITL อยู่ในขั้นตอนการปรับแต่งและทดสอบ มนุษย์ปรับแต่งโมเดลให้มีความแม่นยำสูงขึ้น ซึ่งมีความสำคัญอย่างยิ่งเมื่อโมเดลไม่มั่นใจ

โปรดทราบว่าแนวทาง HITL นั้นไม่เหมาะสำหรับทุกโครงการการเรียนรู้ของเครื่อง ส่วนใหญ่จะใช้เมื่อมีข้อมูลไม่มากนัก

การเรียนรู้เชิงลึกของมนุษย์ในลูปจะใช้เมื่อมนุษย์และกระบวนการเรียนรู้ของเครื่องโต้ตอบกันในบางสถานการณ์ เช่น: อัลกอริทึมไม่เข้าใจอินพุต การป้อนข้อมูลถูกตีความอย่างไม่ถูกต้อง อัลกอริทึมไม่ทราบวิธีการทำงานเฉพาะ โมเดลแมชชีนเลิร์นนิงต้องมีความแม่นยำมากขึ้น ส่วนประกอบของมนุษย์จำเป็นต้องมีประสิทธิภาพและแม่นยำมากขึ้น ค่าใช้จ่ายของข้อผิดพลาดสูงเกินไปในการพัฒนา ML; และไม่มีข้อมูลที่ต้องการ

ประเภทของการติดฉลากข้อมูลสำหรับ HITL

แนวทาง HITL สามารถใช้สำหรับการติดฉลากข้อมูลประเภทต่างๆ ขึ้นอยู่กับประเภทของชุดข้อมูลที่จำเป็น ตัวอย่างเช่น หากเครื่องจำเป็นต้องเรียนรู้ที่จะจดจำรูปร่างเฉพาะเจาะจง ก็จะใช้กล่องขอบเขต แต่ถ้าตัวแบบต้องการจำแนกแต่ละส่วนของภาพ การแบ่งส่วนจะดีกว่า เมื่อพูดถึงชุดข้อมูลการจดจำใบหน้า มักใช้การมาร์กใบหน้า

แอปพลิเคชันที่สำคัญอีกอย่างหนึ่งคือการวิเคราะห์ข้อความ ซึ่งทำให้เครื่องสามารถเข้าใจสิ่งที่มนุษย์พูดหรือเขียนได้ เนื่องจากผู้คนใช้คำต่างกันเพื่อแสดงความหมายเดียวกัน ระบบ AI จึงต้องรู้ถึงรูปแบบต่างๆ ยิ่งไปกว่านั้น การวิเคราะห์ความรู้สึกสามารถจดจำน้ำเสียงของคำหรือวลีที่เฉพาะเจาะจงได้ ตัวอย่างเหล่านี้พิสูจน์ให้เห็นว่าเหตุใดจึงมีความสำคัญมากสำหรับการใช้วิธีแบบมนุษย์ในวง

ทำไมบริษัทของคุณควรใช้ HITL

หากธุรกิจของคุณต้องการติดตั้งระบบ HITL หนึ่งในวิธีที่พบได้บ่อยที่สุดคือการใช้ซอฟต์แวร์ระบบอัตโนมัติ มีซอฟต์แวร์ระบบอัตโนมัติจำนวนมากที่สร้างไว้แล้วตามแนวทาง HITL ซึ่งหมายความว่ามีกระบวนการที่รวมอยู่ในปัจจัยแล้ว

ระบบเช่นนี้ช่วยให้บริษัทสามารถบรรลุประสิทธิภาพระดับสูงได้ทันทีและบรรลุข้อมูลเชิงลึก ระบบแมชชีนเลิร์นนิงถูกนำไปใช้งานแล้วในเกือบทุกอุตสาหกรรม ซึ่งหมายความว่านักพัฒนาจะต้องตรวจสอบให้แน่ใจว่าระบบทำงานได้ดีกับข้อมูลที่เปลี่ยนแปลง

การนำระบบ HITL มาใช้ในบริษัทของคุณมีข้อดีหลายประการ:

• ปรับปรุงกระบวนการตัดสินใจ: ระบบ HITL ช่วยปรับปรุงกระบวนการตัดสินใจของบริษัทโดยให้ความโปร่งใสและความสม่ำเสมอ นอกจากนี้ยังป้องกันอคติโดยรวมข้อเสนอแนะของมนุษย์ในกระบวนการฝึกอบรม

• มีประสิทธิภาพมากกว่า: ระบบ HITL โดยทั่วไปถือว่ามีประสิทธิภาพมากกว่าระบบแมชชีนเลิร์นนิงแบบดั้งเดิม พวกเขาต้องการเวลาน้อยลงในการฝึกอบรมและการปรับแต่ง หมายความว่าพวกเขาสร้างข้อมูลเชิงลึกได้เร็วกว่า

• ความโปร่งใส: ระบบ Human-in-the-loop ให้ความโปร่งใสมากขึ้นในโมเดลแมชชีนเลิร์นนิง วิธีการทำงาน และเหตุใดจึงมาถึงการตัดสินใจบางอย่าง ความสามารถในการอธิบายและความรับผิดชอบเป็นพื้นฐานของระบบ AI ในปัจจุบัน และแนวทางของ HITL ก็ช่วยได้มาก

ความท้าทายของระบบ HITL

ระบบ Human-in-the-loop ยังนำเสนอความท้าทายบางอย่างที่ควรได้รับการแก้ไข ประการแรก มนุษย์ทำผิดพลาด ดังนั้นระบบใด ๆ ที่มีมนุษย์ก็เสี่ยงที่จะผิดพลาด สิ่งนี้อาจมีผลกระทบอย่างมากต่อประสิทธิภาพของระบบ ตัวอย่างเช่น หากมนุษย์ทำผิดพลาดเมื่อติดฉลากข้อมูล ความผิดพลาดแบบเดียวกันนั้นจะส่งผลไปทั่วทั้งระบบและอาจทำให้เกิดปัญหาในอนาคตได้

ระบบ HITL อาจทำงานได้ช้าเช่นกัน เนื่องจากมนุษย์มีส่วนร่วมในกระบวนการตัดสินใจ หนึ่งในเหตุผลหลักที่อยู่เบื้องหลังการเติบโตของ AI และ ML คือเครื่องจักรนั้นเร็วกว่ามนุษย์อย่างเหลือเชื่อ แต่ความเร็วนี้มักจะเห็นในระบบ ML ดั้งเดิมไม่ได้แปลเป็นระบบ HITL เสมอไป

ความท้าทายอีกประการหนึ่งของระบบ HITL คือการสร้างและบำรุงรักษาอาจมีราคาแพง นอกจากต้นทุนที่เกี่ยวข้องกับเครื่องจักรแล้ว ธุรกิจยังต้องจัดสรรงบประมาณสำหรับแรงงานคนด้วย