Що таке Human-in-the-loop (HITL)?

Одним із термінів, з якими ви можете зустрітися при роботі з штучним інтелектом (AI) та машинним навчанням (ML), є human-in-the-loop (HITL). Це саме так, як звучить. HITL – це галузь AI, яка покладається на людський і машинний інтелект при створенні моделей машинного навчання.

Підхід human-in-the-loop означає, що люди беруть участь у циклі алгоритму навчання, налаштування та тестування.

Люди спочатку маркують дані, що допомагає моделі досягти високої якості та кількості навчальних даних. Алгоритм машинного навчання потім вчиться приймати рішення на основі цих даних, перш ніж люди починають тонко налаштовувати модель.

Модель можна потім протестувати та перевірити людиною шляхом оцінки її виходів. Цей процес особливо корисний у випадках, коли алгоритм не впевнений у своєму судженні, або, з іншого боку, коли алгоритм надто впевнений у неправильному рішенні.

Процес HITL – це безперервний цикл зворотного зв’язку, тобто кожна з завдань навчання, налаштування та тестування вводиться назад у алгоритм. Цей процес дозволяє алгоритму ставати більш ефективним та точним з часом, що особливо корисно для створення високоточних та великих кількостей навчальних даних для конкретних випадків використання. Людський інсайт допомагає налаштувати та протестувати модель, щоб організація могла досягти найбільш точного та дієвого рішення.

Image: Stanford University

Важливість HITL Машинного Навчання

HITL – це надзвичайно важлива галузь AI, оскільки традиційні моделі машинного навчання вимагають великої кількості маркованих даних для досягнення точних передбачень. Коли даних бракує, моделі машинного навчання не так корисні.

Візьмімо мовне навчання як приклад. Якщо у вас є мова, якою говорять лише кілька тисяч людей, і ви хочете досягти розуміння цієї мови за допомогою машинного навчання, може бути складно знайти достатньо прикладів для навчання моделі. З підходом HITL ви можете забезпечити точність цих наборів даних.

Один із найважливіших напрямків для систем HITL – це галузь охорони здоров’я. У дослідженні 2018 року Стенфордського університету було доведено, що модель HITL працює краще, ніж окремо AI чи люди.

Системи HITL покращують точність, зберігаючи при цьому людські стандарти, що важливо для багатьох галузей по всьому світу.

Коли Використовувати Системи HITL

Є кілька конкретних випадків у життєвому циклі AI, коли слід використовувати машинне навчання з людиною у циклі:

• Навчання: Найбільш поширений випадок, коли даністісти використовують HITL, – це під час фаз навчання, коли люди надають марковані дані для навчання моделі.

• Налаштування та Тестування: Інший основний випадок, коли використовується HITL, – це під час фаз налаштування та тестування. Люди налаштовують моделі для вищої точності, що особливо важливо, коли модель не впевнена.

Важливо зазначити, що підхід HITL не підходить для кожного проекту машинного навчання. Його переважно використовують, коли даних недостатньо.

Глибоке навчання з людиною у циклі використовується, коли люди та процеси машинного навчання взаємодіють у певних сценаріях, таких як: алгоритми не розуміють вхідних даних; вхідні дані інтерпретуються неправильно; алгоритми не знають, як виконувати певне завдання; моделі машинного навчання потрібно зробити більш точними; людський компонент потрібно зробити більш ефективним та точним; вартість помилок у розробці ML надто висока; бажані 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 машина повинна вивчити розпізнавання певних форм, використовуються обмежувальні рамки. Але якщо моделі потрібно класифікувати кожну частину зображення, використовується сегментація. Коли мова йде про набори даних розпізнавання облич, часто використовуються маркування облич.

Іншим великим застосуванням є аналіз тексту, який дозволяє машині зрозуміти, що говорять або пишуть люди. Оскільки люди використовують різні слова для вираження одних і тих же значень, системи AI повинні знати різні варіації. Ідучи далі, аналіз настрою може розпізнати тон певного слова чи фрази. Ці приклади доводять, чому так важливо використовувати підхід людини у циклі.

Чому Ваша Компанія Повинна Реалізувати HITL

Якщо ваша компанія планує встановити систему HITL, одним із найпоширеніших способів зробити це є використання програмного забезпечення для автоматизації. Існує багато програмного забезпечення для автоматизації, яке вже побудовано навколо підходу HITL, що означає, що процес вже врахований.

Системи такого типу дозволяють компанії досягти високого рівня продуктивності одразу ж та отримувати знання. Системи машинного навчання вже реалізовані майже у кожній галузі, що означає, що розробники повинні забезпечити, щоб системи працювали добре з даними, які змінюються.

Є багато переваг реалізування системи HITL у вашій компанії:

• Покращує Процес Прийняття Рішень: Система HITL покращує процес прийняття рішень компанії, забезпечуючи прозорість та послідовність. Вона також захищає від упередженості, включаючи людський зворотний зв’язок у процесі навчання.

• Більш Ефективна: Системи HITL загалом вважаються більш ефективними, ніж традиційні системи машинного навчання. їм потрібно менше часу для навчання та налаштування, що означає, що вони швидше дають знання.

• Прозорість: Системи людини у циклі забезпечують більшу прозорість у моделі машинного навчання, як вона працює та чому прийшла до певного рішення. Роз’яснюваність та підзвітність є фундаментальними для сучасних систем AI, і підхід HITL сильно допомагає.

Виклики Систем HITL

Системи людини у циклі також представляють певні виклики, які слід вирішити. По-перше, люди роблять помилки, тому будь-яка система з людьми ризикує бути неправильною. Це може мати великий вплив на ефективність системи. Наприклад, якщо людина робить помилку під час маркування даних, ця ж помилка проходитиме через всю систему та може спричинити майбутні проблеми.

Системи HITL також можуть бути повільними, оскільки люди беруть участь у процесі прийняття рішень. Одна з найбільших причин зростання AI та ML полягає в тому, що машини значно швидші за людей, але ця швидкість часто не переводиться у системи HITL.

Іншим викликом систем HITL є те, що вони можуть бути дорогими у створенні та підтримці. Окрім витрат, пов’язаних з машиною, бізнес повинен також планувати бюджет для людської праці.