Що таке Human-in-the-loop (HITL)?

Одним із термінів, які ви можете зустріти 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 та 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 позначають 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 потім може бути протестована та перевірена людьми шляхом оцінки її виходів. Цей процес особливо корисний у випадках, коли алгоритм не впевнений у своєму судженні, або навпаки, коли алгоритм надто впевнений у неправильному рішенні.

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

Зображення: Стенфордський університет

Важливість машинного навчання HITL

HITL – це надзвичайно важлива галузь AI, оскільки традиційні моделі машинного навчання вимагають великої кількості позначених даних, щоб досягти точних прогнозів. Коли даних не вистачає, моделі машинного навчання не так корисні.

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

Охорона здоров’я – це одна з найважливіших галузей для систем HITL. У 2018 році дослідження Стенфордського університету показало, 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 людьми у циклі:

• Навчання: Найбільш поширений випадок, коли дані вчені використовують HITL, – це під час фаз навчання, коли люди забезпечують позначені 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. Він здебільшого використовується, коли даних не достатньо.

Глибоке навчання з людьми 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; модель машинного навчання повинна бути більш точною; людський компонент повинен бути більш ефективним та точним; вартість помилок у розробці ML quá висока; і бажані дані недоступні.

Типи позначення даних для HITL

Підхід HITL можна використовувати для різних типів позначення даних, залежно від того, які набори даних необхідні. Наприклад, якщо машині потрібно навчитися розпізнавати певні форми, використовуються обмежувальні рамки. Але якщо модель повинна класифікувати кожну частину зображення, використовується сегментація. Коли мова йде про набори даних для розпізнавання облич, часто використовуються позначення облич.

Іншим великим застосуванням є аналіз тексту, який дозволяє машині зрозуміти, що кажуть 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 або фрази. Ці приклади доводять, чому так важливо використовувати підхід з людьми у циклі.

Чому вашій компанії слід реалізувати HITL

Якщо ваша компанія хоче встановити систему HITL, одним з найпоширеніших способів зробити це є використання програмного забезпечення для автоматизації. Існує багато програмного забезпечення для автоматизації, яке вже побудовано навколо підходу HITL, тобто воно вже має вбудований процес.

Системи такого типу дозволяють компанії досягти високого рівня продуктивності одразу ж та отримати уявлення. Системи машинного навчання вже реалізуються майже у кожній галузі, тому розробники повинні забезпечити, щоб системи працювали добре з змінними даними.

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. Вони вимагають менше часу для навчання та налаштування, тобто вони швидше дають уявлення.

• Прозорість: Системи з людьми у циклі забезпечують більшу прозорість у моделі машинного навчання, її роботі та причині прийняття певного рішення. Обґрунтованість та підзвітність є фундаментальними для сучасних систем AI, а підхід HITL допомагає значно.

Виклики систем HITL

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

Системи HITL також можуть бути повільними, оскільки люди беруть участь у процесі прийняття рішень. Одним з найбільших причин зростання AI та ML є те, що машини значно швидші за людей, але ця швидкість, яку часто бачимо у традиційних системах ML, не завжди 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 виділяти кошти на людську працю.