Що таке Human-in-the-loop (HITL)?

Один із термінів, який ви можете зустріти, коли маєте справу зі штучним інтелектом (AI) і машинним навчанням (ML), — це людина в циклі (HITL). Це так само, як це звучить. HITL — це гілка ШІ, яка покладається на людський і машинний інтелект у створенні моделей машинного навчання.

Підхід «людина в циклі» означає, що люди беруть участь у циклі навчання, налаштування та тестування алгоритму.

Люди спочатку позначають дані, що допомагає моделі отримати високу якість і велику кількість навчальних даних. Потім алгоритм машинного навчання вчиться приймати рішення на основі даних до того, як люди почнуть точно налаштовувати модель.

Потім модель може бути протестована та підтверджена людьми шляхом оцінювання її результатів. Цей процес особливо корисний у випадках, коли алгоритм не впевнений щодо рішення, або, з іншого боку, коли алгоритм занадто впевнений щодо неправильного рішення.

Процес HITL — це безперервна петля зворотного зв’язку, тобто кожне завдання навчання, налаштування та тестування повертається в алгоритм. Цей процес дозволяє алгоритму ставати більш ефективним і точним з часом, що особливо корисно для створення високоточних і великих обсягів навчальних даних для конкретних випадків використання. Людське розуміння допомагає налаштувати та перевірити модель, щоб організація могла прийняти найбільш точне та дієве рішення.

Зображення: Стенфордський університет

Важливість машинного навчання HITL

HITL є надзвичайно важливою галуззю штучного інтелекту, оскільки звичайні моделі машинного навчання потребують великої кількості позначених точок даних для отримання точних прогнозів. Коли бракує даних, моделі машинного навчання не такі корисні.

Візьмемо як приклад вивчення мови. Якщо у вас є мова, якою розмовляє лише кілька тисяч людей, і ви хочете отримати розуміння цієї мови за допомогою машинного навчання, може бути важко знайти достатньо прикладів для моделі, на якій можна вчитися. За допомогою підходу HITL ви можете забезпечити точність цих наборів даних.

Галузь охорони здоров'я також є однією з найважливіших для систем HITL. Дослідження Стенфордського університету 2018 року показало, що модель HITL працює краще, ніж штучний інтелект чи люди самі по собі.

Системи HITL покращують точність, а також підтримують стандарти людського рівня, що важливо для багатьох галузей промисловості по всьому світу.

Коли використовувати системи HITL

У життєвому циклі штучного інтелекту є кілька конкретних періодів, коли слід використовувати машинне навчання людини в циклі:

• Навчання: Найпоширеніші місця, де науковці використовують HITL, — це під час етапів навчання, коли люди надають позначені дані для навчання моделі.

• Налаштування та тестування: Інший основний час HITL використовується на етапах налаштування та тестування. Люди налаштовують моделі на вищу точність, що особливо важливо, коли модель невпевнена.

Важливо зазначити, що підхід HITL не підходить для кожного проекту машинного навчання. Здебільшого він використовується, коли доступних даних не так багато.

Глибоке навчання людини в циклі використовується, коли люди та процеси машинного навчання взаємодіють у певних сценаріях, наприклад: алгоритми не розуміють вхідні дані; введені дані неправильно інтерпретуються; алгоритми не знають, як виконати конкретне завдання; модель машинного навчання має бути більш точною; людський компонент має бути більш ефективним і точним; ціна помилок занадто висока при розробці ML; і потрібні дані недоступні.

Типи маркування даних для HITL

Підхід HITL можна використовувати для різних типів маркування даних залежно від того, які набори даних потрібні. Наприклад, якщо машині потрібно навчитися розпізнавати певні форми, використовуються обмежувальні рамки. Але якщо моделі потрібно класифікувати кожну частину зображення, краще сегментувати. Коли йдеться про набори даних розпізнавання облич, часто використовуються позначки облич.

Іншим важливим застосуванням є аналіз тексту, який дозволяє машині розуміти те, що говорять або пишуть люди. Оскільки люди використовують різні слова для вираження однакових значень, системи штучного інтелекту повинні знати різні варіації. Якщо говорити ще далі, аналіз настроїв може розпізнати тон конкретного слова чи фрази. Ці приклади доводять, чому так важливо використовувати підхід «людина в циклі».

Чому вашій компанії варто впровадити HITL

Якщо ваш бізнес планує встановити систему HITL, одним із найпоширеніших способів це зробити є використання програмного забезпечення для автоматизації. Існує багато програмного забезпечення для автоматизації, яке вже побудовано на основі підходу HITL, тобто в ньому вже враховано процес.

Такі системи дозволяють компанії відразу досягти високого рівня продуктивності та отримати розуміння. Системи машинного навчання вже впроваджуються майже в кожній галузі, а це означає, що розробники повинні переконатися, що системи добре працюють зі змінними даними.

Впровадження системи HITL у вашій компанії має багато переваг:

• Покращує процес прийняття рішень: система HITL покращує процес прийняття рішень у компанії, забезпечуючи прозорість і послідовність. Він також захищає від упередженості, включаючи зворотний зв’язок людини в процес навчання.

• Більш ефективний: Системи HITL зазвичай вважаються більш ефективними, ніж традиційні системи машинного навчання. Їм потрібно менше часу на навчання та налаштування, а це означає, що вони виробляють інформацію швидше.

• прозорість: системи «людина в циклі» забезпечують більшу прозорість моделі машинного навчання, того, як вона працює та чому вона прийшла до певного рішення. Зрозумілість і підзвітність є фундаментальними для сучасних систем ШІ, і підхід HITL дуже допомагає.

Проблеми HITL Systems

Системи «людина в циклі» також представляють певні проблеми, які слід вирішити. По-перше, люди роблять помилки, тому будь-яка система з людьми ризикує помилитися. Це може мати великий вплив на ефективність системи. Наприклад, якщо людина робить помилку під час позначення даних, ця сама помилка пошириться на всю систему та може спричинити майбутні проблеми.

Системи HITL також можуть працювати повільно, оскільки люди беруть участь у процесі прийняття рішень. Однією з головних причин розвитку штучного інтелекту та машинного навчання є те, що машини неймовірно швидші за людей, але ця швидкість, яку часто можна побачити в традиційних системах машинного навчання, не завжди втілюється в системах HITL.

Ще одна проблема систем HITL полягає в тому, що їх будівництво та обслуговування можуть бути дорогими. Крім витрат, пов’язаних з машиною, бізнес також повинен передбачати витрати на людську працю.