Maschinelles Lernen mit menschlicher Beteiligung (HITL) erklärt

Heutzutage nutzen wir künstliche Intelligenz (AI) und maschinelles Lernen (ML) häufiger, als uns bewusst ist. Diese Technologien helfen dabei, unsere Social-Media-Feeds zu optimieren, digitale Fotosammlungen zu ordnen und Ärzten die Diagnose von Krankheiten zu erleichtern.

Doch selbst die fortschrittlichsten KI-Systeme können Fehler machen. Sie übersehen möglicherweise wichtige Details oder interpretieren falsch, was sie sehen. Um bessere Ergebnisse zu erzielen, setzen viele Entwickler und KI-Begeisterte auf einen Ansatz namens KI mit menschlicher Beteiligung (HITL). Diese Methode kombiniert menschliches Urteilsvermögen mit maschineller Effizienz. Menschen greifen ein, um die Leistung eines KI-Modells mit der Zeit zu trainieren, zu überprüfen und zu verbessern.

In diesem Artikel schauen wir uns an, was KI mit menschlicher Beteiligung bedeutet, wie sie funktioniert und wo sie in der Praxis eingesetzt werden kann. Los geht’s!

Grundlagen von HITL#

Bevor wir uns mit der Bedeutung von HITL-Workflows befassen, werfen wir einen genaueren Blick auf die Grundlagen des Ansatzes mit menschlicher Beteiligung.

Was ist HITL? Die grundlegende Bedeutung#

KI-Modelle sind zwar schnell und können riesige Datenmengen verarbeiten, können aber trotzdem durcheinanderkommen. Beispielsweise kann ein Modell im Bereich Computer Vision, einem Teilgebiet der KI, das sich mit dem Verständnis und der Analyse von Bildern und Videos befasst, ein unscharfes Foto falsch interpretieren oder ein unauffälliges Detail übersehen.

Das liegt daran, dass KI-Modelle auf Mustern in den Daten beruhen und nicht auf echtem Verständnis. Sind die Daten unklar, verzerrt oder unvollständig, können die Ergebnisse des Modells ungenau sein.

Bei der Automatisierung mit menschlicher Beteiligung werden Menschen in den Trainingsprozess eingebunden, damit die Modelle effektiver lernen. Anstatt vollständig selbstständig zu arbeiten, erhalten diese Systeme regelmäßig menschliches Feedback. Menschen prüfen die Ergebnisse, korrigieren Fehler und begleiten die Weiterentwicklung des Modells.

Abb. 1: Was bedeutet Automatisierung mit menschlicher Beteiligung? (Quelle)

Warum ist menschliche Beteiligung notwendig?#

Du fragst dich vielleicht: Sind menschliche Eingaben wirklich notwendig? Scheint das nicht dem allgemeinen Ziel zu widersprechen, KI unabhängiger zu machen? Tatsächlich lernen KI-Systeme jedoch aus Daten, und manchmal vermitteln Datensätze kein vollständiges Bild.

Bei selbstfahrenden Autos gibt es beispielsweise viele Situationen, die ein KI-Modell möglicherweise nicht vollständig versteht. Ungewöhnliche Straßenverhältnisse, unerwartete Hindernisse oder seltene Ereignisse, die es noch nicht kennt, können das Modell vor Schwierigkeiten stellen. In solchen Fällen ist menschliche Anleitung ein wichtiger Bestandteil, damit das System mit der Zeit lernt und sicherer reagiert.

Insgesamt sind Menschen ein entscheidender Bestandteil jedes AI-Projekts. Sie kuratieren und annotieren Daten, überprüfen Modellausgaben und geben Rückmeldungen, die zur Verbesserung des Systems beitragen. Ohne menschliche Beteiligung würden AI-Lösungen Schwierigkeiten haben, sich an komplexe Situationen in der realen Welt anzupassen.

Die Rolle der Maschine im Prozess verstehen#

Während Menschen für Aufsicht und Feedback sorgen, besteht die Aufgabe der Maschine darin, aus diesen Eingaben zu lernen und sich mit der Zeit zu verbessern. KI-Modelle nutzen menschliche Korrekturen, um ihre Vorhersagen zu verfeinern, Lücken bei fehlenden oder nicht annotierten Daten zu schließen und nach und nach Aufgaben in einem Umfang zu übernehmen, den Menschen allein kaum bewältigen könnten. Dieser Kreislauf aus Feedback und Feinabstimmung oder erneutem Training ermöglicht es KI-Modellen, mit der Verarbeitung neuer Informationen zuverlässiger zu werden.

Wie funktioniert die menschliche Beteiligung?#

In einem typischen KI-Workflow mit menschlicher Beteiligung verarbeitet ein KI-Modell Daten und erstellt eine Vorhersage. Ist das Modell unsicher oder die Aufgabe komplex, wird das Ergebnis zur menschlichen Prüfung markiert. Eine Person überprüft dann die Vorhersage, nimmt bei Bedarf Korrekturen vor und fügt diese Änderungen wieder den Trainingsdaten hinzu. Mit jedem Durchlauf lernt das Modell weiter.

Dieser Prozess hilft dem KI-Modell, sich in den Bereichen zu verbessern, in denen es Schwierigkeiten hat. Statt sich ausschließlich auf vorab annotierte Daten zu stützen, lernt das System auch aus Feedback in Echtzeit. Mit der Zeit wird das Modell sicherer und genauer, insbesondere bei Aufgaben, bei denen Präzision entscheidend ist, etwa beim Erkennen kleiner Objekte in Bildern oder beim Auffinden von Fehlern bei visuellen Prüfungen.

Abb. 2: Übersicht über den Ansatz mit menschlicher Beteiligung (Quelle)

HITL beim überwachten Lernen#

AI-Anwendungen, die überwachtes Lernen nutzen, sind ein gutes Beispiel für den Ansatz der menschlichen Beteiligung an AI. Diese AI-Lösungen sind auf die Datenannotation angewiesen, bei der Menschen Beispiele kennzeichnen, um das Modell zu trainieren.

Die meisten Computer-Vision-Projekte beruhen auf diesem Verfahren: Menschen markieren Objekte in Bildern, damit Computer-Vision-Modelle wie Ultralytics YOLO11 lernen können, was sie erkennen sollen. Sind die Annotationen unklar oder uneinheitlich, lernt das Modell möglicherweise die falschen Muster und erzielt schlechte Ergebnisse.

Abb. 3: Beispiel für die Objekterkennung in einem Bild mit Ultralytics YOLO11.

Aktives Lernen im Vergleich zu menschlicher Beteiligung#

Aktives Lernen ist ein Verfahren, mit dem sich Systeme mit menschlicher Beteiligung effizienter gestalten lassen. Statt Menschen zur Prüfung jedes Datenelements aufzufordern, wählt das KI-System nur die Fälle aus, bei denen es unsicher ist. Prüfende können sich dann auf genau diese Beispiele konzentrieren und so Zeit und Aufwand sparen.

Abb. 4: Was ist aktives Lernen? Bild vom Autor.

Dieser Ansatz eignet sich besonders gut für Aufgaben wie die Bildanalyse. Stell dir ein Vision-KI-Modell vor, das darauf trainiert wurde, Fehler auf Produktfotos zu erkennen. Meistens trifft es genaue Vorhersagen, hat aber gelegentlich Schwierigkeiten mit ungewöhnlichen Lichtverhältnissen oder unbekannten Mustern. Mit aktivem Lernen lassen sich solche kniffligen Bilder markieren, damit eine Person eingreifen und Korrekturen vornehmen kann. Das Modell kann dieses Feedback anschließend einbeziehen und sich mit jedem erneuten Trainingsdurchlauf verbessern.

Wie verbessert HITL die Ergebnisse von Computer Vision?#

HITL-Workflows können die Leistung von Computer-Vision-Modellen durch kontinuierliches Feedback verbessern. Wenn Menschen eingreifen, um unsichere Ergebnisse zu prüfen, Fehler zu korrigieren oder fehlende Labels hinzuzufügen, lernt das Modell, Objekte genauer und sicherer zu erkennen.

Dieses Verfahren verbessert nicht nur das Training. Es macht auch Tests, Feinabstimmung und Validierung zuverlässiger. Mit der Zeit trägt der Feedback-Kreislauf dazu bei, Computer-Vision-Lösungen zu entwickeln, die in realen Situationen effektiver funktionieren.

Praxisbeispiele für KI mit menschlicher Beteiligung#

Sehen wir uns nun einige Beispiele dafür an, wie Automatisierung mit menschlicher Beteiligung eingesetzt werden kann, um Vision-KI-Anwendungen zu verbessern.

Gesundheitswesen und medizinische Bildgebung#

Im Vergleich zu anderen Branchen erfordert KI im Gesundheitswesen eine deutlich höhere Genauigkeit. Deshalb sind HITL-KI-Workflows so wichtig. In der medizinischen Bildgebung können Vision-KI-Modelle wie Ultralytics YOLO11 beispielsweise Röntgenbilder, MRT-Aufnahmen und Pathologiepräparate analysieren. Fachleute prüfen die Ergebnisse dennoch, um sicherzustellen, dass sie korrekt sind.

Angenommen, ein speziell trainiertes Ultralytics-YOLO11-Modell soll eine mögliche Lungenanomalie auf einem Röntgenbild erkennen. Eine Radiologin oder ein Radiologe kann die Vorhersage prüfen, ihre Richtigkeit bestätigen und Fehler korrigieren. Dieses Feedback kann anschließend wieder in den Trainingsprozess einfließen, wodurch sich das Modell verbessert und künftig seltener Fehlalarme ausgibt oder Fälle übersieht.

Qualitätskontrolle und Qualitätssicherung#

In der Fertigung werden Computer-Vision-Systeme eingesetzt, um Teile und Materialien auf Fehler zu prüfen. HITL sorgt für eine zusätzliche Genauigkeitsebene, wenn das Modell unsicher ist. In der Automobilproduktion könnte ein System beispielsweise eine harmlose Spiegelung auf der Oberfläche eines Metallteils fälschlich als Riss markieren.

Eine Fachkraft kann das Ergebnis prüfen, den Fehler korrigieren und das Feedback in den Prozess einbringen. Mit der Zeit erhöht dieses Verfahren die Konsistenz, selbst bei wechselnden Lichtverhältnissen oder wenn Teile einander sehr ähnlich sehen.

Seltene Datensätze und spezialisierte visuelle Aufgaben#

Ein weiterer Bereich, in dem Workflows mit menschlicher Beteiligung unverzichtbar sind, ist das Training mit wenigen Daten, etwa in der Archäologie oder Fernerkundung. Fachleute prüfen und kennzeichnen in solchen Fällen eine kleine Auswahl an Beispielen, mit der das KI-Modell zu lernen beginnt. Mit der Zeit hilft dieses Feedback dem Modell, bestimmte Muster wie Nutzpflanzenarten, Bodenmerkmale oder Artefakte zu erkennen, selbst wenn nur wenige annotierte Beispiele verfügbar sind.

Nachteile von Workflows mit menschlicher Beteiligung#

Obwohl maschinelles Lernen mit menschlicher Beteiligung viele Vorteile bietet, bringt es auch einige Herausforderungen mit sich. Hier sind einige Einschränkungen, die du bei der Einführung von HITL-Workflows beachten solltest:

• Langsamere Workflows: Da Menschen Daten prüfen und kennzeichnen müssen, dauern Training und Aktualisierungen länger als bei vollständig automatisierten Systemen. Dadurch kann sich die Bereitstellung neuer Modellversionen verzögern.
• Höhere Kosten: Die Beschäftigung qualifizierter Annotierender oder Fachleute verursacht zusätzliche Kosten, insbesondere bei großen Datensätzen oder komplexen Aufgaben.
• Begrenzte Skalierbarkeit: Bei wachsenden Datenmengen wird es schwieriger, Menschen ohne spezielle Werkzeuge oder Unterstützung durch Automatisierung einzubeziehen.
• Verzögerungen bei der Bereitstellung: Die ständige Einbindung von Menschen kann die Bereitstellung verzögern und die Aktualisierung von Modellen in Echtzeit erschweren.

Die wichtigsten Erkenntnisse#

Maschinelles Lernen mit menschlicher Beteiligung ist eine praktische Möglichkeit, KI-Modelle darauf zu trainieren, reale Situationen genauer zu bewältigen. Durch menschliche Eingaben verbessern sich die Modelle schneller, erkennen mehr Fehler und erzielen bessere Ergebnisse mit komplexen Daten.

Aktives Lernen macht diesen Prozess noch effizienter, indem das Modell nur dann um Hilfe bittet, wenn es unsicher ist. Gemeinsam können diese Ansätze dazu beitragen, zuverlässigere und effizientere KI-Modelle zu entwickeln.

Tausche dich mit unserer Community aus und entdecke unser GitHub-Repository, um tiefer in die KI einzutauchen. Auf unseren Lösungsseiten erfährst du mehr über Innovationen wie KI in der Fertigung und Computer Vision im Einzelhandel. Informiere dich über unsere Lizenzoptionen und entwickle noch heute Computer-Vision-Anwendungen!