โมเดลและแพลตฟอร์ม AI
อะไรคือ Human-in-the-loop (HITL)
ประเด็นสำคัญHITL…
ดูเพิ่มเติม
- HITL ปรับปรุงความแม่นยำของการเรียนรู้ของเครื่องโดยการรวมการติดป้ายกำกับข้อมูลของมนุษย์เข้ากับการฝึกอบรมด้วยอัลกอริทึม
- การดูแลสุขภาพได้รับประโยชน์จาก HITL เนื่องจากการศึกษาของสแตนฟอร์ดแสดงให้เห็นว่ามันมีประสิทธิภาพเหนือกว่า AI หรือมนุษย์เพียงอย่างเดียว
- การนำ HITL ไปใช้อาจมีค่าใช้จ่ายสูงและช้าเนื่องจากการมีส่วนร่วมของมนุษย์และข้อผิดพลาดในการติดป้ายกำกับที่อาจเกิดขึ้น
หนึ่งในคำที่คุณอาจพบเมื่อทำงานกับปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) คือ human-in-the-loop (HITL) ความหมายตรงตามชื่อ HITL เป็นสาขาหนึ่งของ AI ที่พึ่งพาทั้งความฉลาดของมนุษย์และเครื่องจักรในการสร้างโมเดลการเรียนรู้ของเครื่อง
แนวทาง human-in-the-loop หมายความว่าผู้คนเกี่ยวข้องกับวงจรอัลกอริทึมในการฝึก การปรับแต่ง และการทดสอบ
มนุษย์ให้ฉลากข้อมูลก่อน ซึ่งช่วยให้โมเดลบรรลุข้อมูลฝึกปริมาณมากและมีคุณภาพสูง อัลกอริทึมการเรียนรู้ของเครื่องจักรจะเรียนรู้ที่จะทำการตัดสินใจตามข้อมูลก่อนที่มนุษย์จะเริ่มปรับแต่งโมเดลให้ละเอียด
จากนั้นโมเดลสามารถทดสอบและตรวจสอบโดยมนุษย์ผ่านการให้คะแนนผลลัพธ์ กระบวนการนี้มีประโยชน์อย่างมากในกรณีที่อัลกอริทึมไม่มั่นใจเกี่ยวกับการตัดสินใจ หรือในทางกลับกัน เมื่ออัลกอริทึมมั่นใจเกินไปเกี่ยวกับการตัดสินใจที่ไม่ถูกต้อง
กระบวนการ HITL เป็นวงจรป้อนกลับอย่างต่อเนื่อง ซึ่งหมายความว่าแต่ละงานในการฝึก การปรับแต่ง และการทดสอบจะถูกป้อนกลับเข้าไปในอัลกอริทึม ซึ่งช่วยให้อัลกอริทึมมีประสิทธิภาพและแม่นยำมากขึ้นตามเวลา ซึ่งมีประโยชน์อย่างมากในการสร้างข้อมูลฝึกที่มีจำนวนมากและแม่นยำสำหรับกรณีการใช้งานเฉพาะ ความเข้าใจของมนุษย์ช่วยปรับแต่งและทดสอบโมเดลเพื่อให้องค์กรสามารถบรรลุการตัดสินใจที่แม่นยำและสามารถดำเนินการได้

ภาพ: Stanford University
ความสำคัญของการเรียนรู้ของเครื่องแบบ HITL
HITL เป็นสาขาที่สำคัญมากของ AI เนื่องจากโมเดลการเรียนรู้ของเครื่องแบบดั้งเดิมต้องการข้อมูลที่มีฉลากจำนวนมากเพื่อให้ได้การคาดการณ์ที่แม่นยำ เมื่อขาดข้อมูล โมเดลการเรียนรู้ของเครื่องจะมีประโยชน์น้อยลง
ลองพิจารณาการเรียนรู้ภาษาเป็นตัวอย่าง หากคุณมีภาษาที่พูดโดยคนเพียงไม่กี่พันคน และคุณต้องการได้รับข้อมูลเชิงลึกเกี่ยวกับภาษานั้นผ่านการเรียนรู้ของเครื่องจักร อาจเป็นเรื่องยากที่จะหาตัวอย่างเพียงพอสำหรับโมเดลในการเรียนรู้ ด้วยแนวทาง HITL คุณสามารถรับรองความแม่นยำของชุดข้อมูลเหล่านี้
อุตสาหกรรมสุขภาพก็เป็นอีกอุตสาหกรรมหนึ่งที่สำคัญที่สุดสำหรับระบบ HITL การศึกษาในปี 2018 โดย Stanford พบว่าโมเดล HITL ทำงานได้ดีกว่า AI หรือมนุษย์คนเดียว
ระบบ HITL ปรับปรุงความแม่นยำในขณะเดียวกันก็รักษามาตรฐานระดับมนุษย์ ซึ่งสำคัญสำหรับอุตสาหกรรมหลายแห่งทั่วโลก
เมื่อใดที่ควรใช้ระบบ HITL
มีหลายครั้งในการใช้งาน AI ที่ควรใช้การเรียนรู้ของเครื่องจักรแบบ human-in-the-loop:
-
การฝึก: สถานที่ที่นักวิทยาศาสตร์ข้อมูลใช้ HITL มากที่สุดคือในช่วงการฝึก โดยที่มนุษย์ให้ข้อมูลที่มีฉลากสำหรับการฝึกโมเดล
-
การปรับแต่งและการทดสอบ: อีกครั้งหนึ่งที่ HITL ถูกใช้คือในช่วงการปรับแต่งและการทดสอบ มนุษย์ปรับแต่งโมเดลเพื่อความแม่นยำที่สูงขึ้น ซึ่งสำคัญมากเมื่อโมเดลไม่มั่นใจ
ควรทราบว่าแนวทาง HITL ไม่เหมาะสมสำหรับโครงการการเรียนรู้ของเครื่องจักรทุกโครงการ มันถูกใช้มากที่สุดเมื่อไม่มีข้อมูลที่มีให้มากนัก
การเรียนรู้เชิงลึกแบบ human-in-the-loop ใช้เมื่อมนุษย์และกระบวนการเรียนรู้ของเครื่องจักรโต้ตอบกันในสถานการณ์บางอย่าง เช่น: อัลกอริทึมไม่เข้าใจข้อมูลเข้า; ข้อมูลเข้าถูกตีความผิด; อัลกอริทึมไม่รู้วิธีปฏิบัติงานเฉพาะ; โมเดลการเรียนรู้ของเครื่องจักรต้องการความแม่นยำมากขึ้น; ส่วนประกอบของมนุษย์ต้องการให้มีประสิทธิภาพและแม่นยำมากขึ้น; ต้นทุนของข้อผิดพลาดสูงเกินไปในการพัฒนา ML; และข้อมูลที่ต้องการไม่มีอยู่
ประเภทของการให้ฉลากข้อมูลสำหรับ HITL
แนวทาง HITL สามารถใช้สำหรับการให้ฉลากข้อมูลหลายประเภทขึ้นอยู่กับชุดข้อมูลที่ต้องการ ตัวอย่างเช่น หากเครื่องจักรต้องเรียนรู้ที่จะรับรู้รูปร่างเฉพาะ จะใช้กล่องขอบเขต แต่ถ้าโมเดลต้องจำแนกส่วนแต่ละส่วนของภาพ จะใช้การแบ่งส่วน เมื่อพูดถึงชุดข้อมูลการรู้จำใบหน้า มักใช้การทำเครื่องหมายบนใบหน้า
การประยุกต์ใช้หลักๆ อีกอย่างหนึ่งคือการวิเคราะห์ข้อความ ซึ่งช่วยให้เครื่องจักรเข้าใจสิ่งที่พูดหรือเขียนโดยมนุษย์ เนื่องจากผู้คนใช้คำที่แตกต่างกันเพื่อแสดงความหมายเดียวกัน ระบบ AI ต้องรู้ถึงความแตกต่างเหล่านี้ การวิเคราะห์ความรู้สึกสามารถรับรู้โทนของคำหรือวลีเฉพาะได้ ตัวอย่างเหล่านี้แสดงให้เห็นถึงความสำคัญของแนวทาง human-in-the-loop
ทำไมบริษัทของคุณควรใช้ HITL
หากธุรกิจของคุณกำลังมองหาวิธีการติดตั้งระบบ HITL วิธีที่พบบ่อยที่สุดในการทำเช่นนี้คือการใช้ซอฟต์แวร์แบบอัตโนมัติ มีซอฟต์แวร์แบบอัตโนมัติหลายตัวที่สร้างขึ้นโดยใช้แนวทาง HITL ซึ่งหมายความว่ามันรวมกระบวนการเข้าไปแล้ว
ระบบเหล่านี้ช่วยให้บริษัทสามารถบรรลุประสิทธิภาพระดับสูงได้ทันที และบรรลุถึงข้อมูลเชิงลึก ระบบการเรียนรู้ของเครื่องจักรกำลังถูกนำไปใช้ในอุตสาหกรรมเกือบทุกอุตสาหกรรม ซึ่งหมายความว่านักพัฒนาต้องรับรองว่าระบบทำงานได้ดีกับข้อมูลที่เปลี่ยนแปลง
มีหลายข้อดีในการใช้ระบบ HITL ในบริษัทของคุณ:
-
ปรับปรุงกระบวนการตัดสินใจ: ระบบ HITL ปรับปรุงกระบวนการตัดสินใจของบริษัทโดยให้ความโปร่งใสและความสม่ำเสมอ มันปกป้องจากการลำเอียงโดยรวมการให้ข้อมูลจากมนุษย์ในกระบวนการฝึก
-
มีประสิทธิภาพมากขึ้น: ระบบ HITL ถือว่ามีประสิทธิภาพมากกว่าระบบการเรียนรู้ของเครื่องจักรแบบดั้งเดิม มันใช้เวลาน้อยกว่าในการฝึกและปรับแต่ง ซึ่งหมายความว่ามันสร้างข้อมูลเชิงลึกได้เร็วขึ้น
-
ความโปร่งใส: ระบบ human-in-the-loop ให้ความโปร่งใสมากขึ้นเกี่ยวกับโมเดลการเรียนรู้ของเครื่องจักร วิธีการทำงาน และเหตุผลที่มันมาถึงการตัดสินใจใดการตัดสินใจหนึ่ง ความสามารถในการอธิบายและความรับผิดชอบเป็นหลักการสำคัญของระบบ AI ในปัจจุบัน และแนวทาง HITL ช่วยเหลืออย่างมาก
ความท้าทายของระบบ HITL
ระบบ human-in-the-loop ยังนำเสนอความท้าทายบางอย่างที่ควรได้รับการแก้ไข มนุษย์ทำผิดพลาด ดังนั้นระบบใดๆ ที่มีมนุษย์จึงมีความเสี่ยงต่อข้อผิดพลาด ซึ่งอาจส่งผลกระทบอย่างมากต่อประสิทธิภาพของระบบ ตัวอย่างเช่น หากมนุษย์ทำผิดพลาดเมื่อติดฉลากข้อมูล ข้อผิดพลาดเดียวกันจะผ่านระบบทั้งหมดและอาจก่อให้เกิดปัญหาในอนาคต
ระบบ HITL อาจช้าเนื่องจากมนุษย์เกี่ยวข้องกับกระบวนการตัดสินใจ หนึ่งในสาเหตุหลักที่อยู่เบื้องหลังการเติบโตของ AI และ ML คือเครื่องจักรทำงานได้รวดเร็วกว่ามนุษย์อย่างมาก แต่ความเร็วที่เห็นในระบบ ML แบบดั้งเดิมไม่จำเป็นต้องสอดคล้องกับระบบ HITL
ความท้าทายอีกอย่างหนึ่งของระบบ HITL คืออาจมีค่าใช้จ่ายสูงในการสร้างและบำรุงรักษา นอกเหนือจากต้นทุนที่เกี่ยวข้องกับเครื่องจักรแล้ว บริษัทต้องจัดงบประมาณสำหรับแรงงานของมนุษย์ด้วย












