什么是人在环 (HITL)？

更新 on 2022 年 12 月 9 日

Drew Dizzy Graham 在 Unsplash 上拍摄的照片

在处理人工智能 (AI) 和机器学习 (ML) 时，您可能会遇到的术语之一是人机交互 (HITL)。就像听起来一样。 HITL 是人工智能的一个分支，在创建机器学习模型时依赖人类和机器智能。

人机交互方法意味着人们参与训练、调整和测试的算法周期。

人类首先对数据进行标签，这有助于模型获得高质量、高数量的训练数据。然后，在人类开始微调模型之前，机器学习算法会学习根据数据做出决策。

然后，人类可以通过对其输出进行评分来测试和验证该模型。在算法对判断没有信心的情况下，或者在另一方面，算法对错误决策过于自信的情况下，此过程特别有用。

HITL 过程是一个连续的反馈循环，这意味着每个训练、调整和测试任务都会反馈到算法中。随着时间的推移，此过程使算法变得更加有效和准确，这对于为特定用例创建高度准确和大量的训练数据特别有用。人类洞察力有助于调整和测试模型，以便组织能够实现最准确和可操作的决策。

图片：斯坦福大学

HITL是人工智能的一个极其重要的分支，因为传统的机器学习模型需要大量的标记数据点才能实现准确的预测。当缺乏数据时，机器学习模型就没那么有用了。

以语言学习为例。如果您有一种只有几千人使用的语言，并且您希望通过机器学习深入了解该语言，则可能很难找到足够的示例供模型学习。通过 HITL 方法，您可以确保这些数据集的准确性。

医疗保健行业也是 HITL 系统最重要的行业之一。斯坦福大学 2018 年的一项研究发现，HITL 模型比人工智能或人类单独运行的效果更好。

HITL 系统提高了准确性，同时保持了人类水平的标准，这对于全球许多行业都很重要。

在人工智能生命周期中有几个特定的时间应该使用人机循环机器学习：

值得注意的是，HITL 方法并不适合每个机器学习项目。它主要用于没有大量可用数据的情况。

当人类和机器学习过程在某些场景中交互时，就会使用人机循环深度学习，例如：算法不理解输入；数据输入被错误解释；算法不知道如何执行特定任务；机器学习模型需要更加准确；人力部分需要更加高效和准确；机器学习开发中的错误成本太高；并且没有所需的数据。

HITL 方法可用于各种类型的数据标记，具体取决于所需的数据集类型。例如，如果机器需要学习识别特定形状，则使用边界框。但如果模型需要对图像的每个部分进行分类，则首选分割。当谈到面部识别数据集时，经常使用面部标记。

另一个主要应用是文本分析，它使机器能够理解人类所说或所写的内容。由于人们使用不同的词语来表达相同的含义，人工智能系统必须知道不同的变化。更进一步，情感分析可以识别特定单词或短语的语气。这些例子证明了为什么使用人机交互方法如此重要。

如果您的企业希望安装 HITL 系统，最常见的方法之一就是使用自动化软件。许多自动化软件已经围绕 HITL 方法构建，这意味着它已经考虑了流程。

此类系统使公司能够立即实现高水平绩效并获得洞察力。机器学习系统已经在几乎每个行业中得到实施，这意味着开发人员必须确保系统在不断变化的数据中表现良好。

在您的公司中实施 HITL 系统有很多优点：

改善决策过程：HITL 系统通过提供透明度和一致性来改善公司的决策过程。它还通过在培训过程中纳入人类反馈来防止偏见。
更高效：HITL 系统通常被认为比传统机器学习系统更高效。他们需要更少的时间进行培训和调整，这意味着他们可以更快地产生见解。
用户评论透明：人机交互系统为机器学习模型、其工作原理以及为何做出特定决策提供了更大的透明度。可解释性和问责制是当今人工智能系统的基础，HITL 方法有很大帮助。