Maschinelles Lernen mit menschlicher Beteiligung (HITL) erklärt

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

Doch selbst die fortschrittlichsten KI-Systeme können Fehler machen. Sie übersehen möglicherweise wichtige Details oder interpretieren das, was sie sehen, falsch. Um die Ergebnisse zu verbessern, wenden sich viele Entwickler und KI-Enthusiasten einem Ansatz zu, der als KI mit menschlicher Beteiligung (HITL) bezeichnet wird. Diese Methode verbindet menschliches Urteilsvermögen mit maschineller Effizienz. Menschen greifen ein, um die Leistung eines KI-Modells im Laufe der Zeit zu trainieren, zu überprüfen und zu verbessern.

In diesem Artikel untersuchen wir, wofür KI mit menschlicher Beteiligung steht, wie sie funktioniert und wo sie in der Praxis eingesetzt werden kann. Legen wir los!

Grundlegende Konzepte von HITL#

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

Was ist HITL? Die grundlegende Bedeutung#

KI-Modelle sind schnell und können riesige Datenmengen verarbeiten, lassen sich aber dennoch verwirren. In der Bildverarbeitung, einem Teilgebiet der KI, das sich auf das Verständnis und die Analyse von Bildern und Videos konzentriert, könnte ein Modell beispielsweise ein unscharfes Foto falsch interpretieren oder ein unauffälliges Detail übersehen.

Das liegt daran, dass sich KI-Modelle auf Muster in den Daten statt auf echtes Verständnis stützen. Sind die Daten unklar, verzerrt oder unvollständig, kann die Ausgabe des Modells ungenau sein.

Automatisierung mit menschlicher Beteiligung bindet Menschen in den Trainingsprozess ein, damit Modelle effektiver lernen. Statt vollständig eigenständig zu arbeiten, erhalten diese Systeme regelmäßig menschliches Feedback. Menschen überprüfen die Ausgaben, korrigieren Fehler und unterstützen das Modell bei seiner Weiterentwicklung.

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

Warum ist die Einbindung von Menschen notwendig?#

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

Bei selbstfahrenden Autos gibt es beispielsweise viele Situationen, die ein KI-Modell möglicherweise nicht vollständig versteht. Es könnte Schwierigkeiten mit ungewöhnlichen Straßenbedingungen, unerwarteten Hindernissen oder seltenen Ereignissen haben, die es zuvor noch nicht gesehen hat. In solchen Fällen ist menschliche Anleitung ein wichtiger Bestandteil dafür, dass das System im Laufe der Zeit lernt und sicherer reagiert.

Insgesamt sind Menschen ein entscheidender Bestandteil jedes KI-Projekts. Sie kuratieren und annotieren Daten, überprüfen die Ausgaben des Modells und geben Feedback, das dem System bei der Verbesserung hilft. Ohne menschliche Beteiligung hätten KI-Lösungen Schwierigkeiten, sich an komplexe Situationen in der realen Welt anzupassen.

Die Rolle der Maschine im Prozess verstehen#

Während Menschen für Überwachung und Feedback sorgen, besteht die Aufgabe der Maschine darin, aus diesen Eingaben zu lernen und sich im Laufe der Zeit zu verbessern. KI-Modelle nutzen menschliche Korrekturen, um ihre Vorhersagen zu verfeinern, Lücken bei fehlenden oder nicht gekennzeichneten Daten zu schließen und schrittweise 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, bei der Verarbeitung neuer Informationen zuverlässiger zu werden.

Wie funktioniert die Einbindung eines Menschen?#

In einem typischen KI-Workflow mit menschlicher Beteiligung verarbeitet ein KI-Modell Daten und erstellt eine Vorhersage. Ist es unsicher oder ist die Aufgabe komplex, wird das Ergebnis zur menschlichen Überprüfung markiert. Eine Person prüft anschließend die Vorhersage, nimmt bei Bedarf Korrekturen vor und fügt diese Aktualisierungen wieder zu den Trainingsdaten hinzu. Das Modell lernt mit jedem Durchlauf weiter.

Dieser Kreislauf hilft dem KI-Modell, sich in den Bereichen zu verbessern, in denen es Schwierigkeiten hat. Statt sich ausschließlich auf vorab gekennzeichnete 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 Identifizieren von Fehlern während visueller Inspektionen.

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

HITL beim überwachten Lernen#

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

Die meisten Projekte zur Bildverarbeitung stützen sich auf diesen Prozess. Dabei kennzeichnen Menschen Objekte in Bildern, damit Bildverarbeitungsmodelle wie Ultralytics YOLO11 lernen können, was sie erkennen sollen. Sind die Annotationen unklar oder uneinheitlich, lernt das Modell möglicherweise falsche Muster und erzielt nur unzureichende Ergebnisse.

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

Aktives Lernen im Vergleich zu menschlicher Beteiligung#

Aktives Lernen ist eine Methode, mit der sich Systeme mit menschlicher Beteiligung effizienter gestalten lassen. Statt Menschen aufzufordern, jedes Datenelement zu überprüfen, wählt das KI-System nur die Fälle aus, bei denen es unsicher ist. Prüfende können sich dann auf diese spezifischen Beispiele konzentrieren und dadurch Zeit und Aufwand sparen.

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

Dieser Ansatz eignet sich besonders gut für Aufgaben wie die Bildanalyse. Betrachte ein KI-Modell für Bildverarbeitung, das darauf trainiert wurde, Fehler in Produktfotos zu erkennen. Meistens erstellt es genaue Vorhersagen, gelegentlich hat es jedoch Schwierigkeiten mit ungewöhnlichen Lichtverhältnissen oder unbekannten Mustern. Aktives Lernen kann verwendet werden, um solche schwierigen Bilder zu markieren, damit eine Person eingreifen und Korrekturen vornehmen kann. Das Modell kann dieses Feedback anschließend integrieren und sich mit jedem Durchlauf des erneuten Trainings verbessern.

Wie verbessert HITL die Ergebnisse der Bildverarbeitung?#

HITL-Workflows können Bildverarbeitungsmodellen helfen, bessere Ergebnisse zu erzielen, indem sie kontinuierliches Feedback einbinden. Wenn Menschen eingreifen, um unsichere Ergebnisse zu überprüfen, Fehler zu korrigieren oder fehlende Kennzeichnungen hinzuzufügen, lernt das Modell, Objekte genauer und sicherer zu erkennen.

Dieser Prozess verbessert nicht nur das Training. Er macht auch Tests, Feinabstimmung und Validierung zuverlässiger. Mit der Zeit trägt der Feedbackkreislauf dazu bei, Lösungen für die Bildverarbeitung zu entwickeln, die in realen Situationen effektiver funktionieren.

Praxisbeispiele für KI mit menschlicher Beteiligung#

Als Nächstes sehen wir uns einige Beispiele dafür an, wie HITL-Automatisierung zur Verbesserung von Anwendungen für die Bildverarbeitung eingesetzt werden kann.

Gesundheitswesen und medizinische Bildgebung#

Im Vergleich zu anderen Branchen erfordert KI im Gesundheitswesen eine deutlich höhere Genauigkeit. Deshalb sind KI-Workflows mit menschlicher Beteiligung so wichtig. In der medizinischen Bildgebung können Bildverarbeitungsmodelle wie Ultralytics YOLO11 beispielsweise Röntgenbilder, MRTs und pathologische Präparate analysieren. Fachleute überprüfen die Ergebnisse jedoch weiterhin, um ihre Richtigkeit sicherzustellen.

Nehmen wir an, ein speziell trainiertes Ultralytics YOLO11-Modell wird verwendet, um eine mögliche Auffälligkeit der Lunge auf einem Röntgenbild zu erkennen. Eine Radiologin oder ein Radiologe kann die Vorhersage überprüfen, ihre Genauigkeit bestätigen und Fehler korrigieren. Dieses Feedback kann anschließend wieder in den Trainingsprozess einfließen, wodurch sich das Modell verbessert und die Wahrscheinlichkeit zukünftiger Fehlalarme oder übersehener Fälle sinkt.

Qualitätskontrolle und -sicherung#

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

Eine Technikerin oder ein Techniker kann das Ergebnis überprüfen, den Fehler korrigieren und dieses Feedback in den Kreislauf einbringen. Mit der Zeit verbessert dieser Prozess die Konsistenz, selbst in Umgebungen mit wechselnden Lichtverhältnissen oder wenn sich Teile sehr ähnlich sehen.

Seltene Datensätze und spezialisierte visuelle Aufgaben#

Ein weiterer Bereich, in dem Workflows mit menschlicher Beteiligung unverzichtbar sind, ist das Training mit begrenzten Daten, etwa in der Archäologie oder bei der Fernerkundung. In solchen Fällen überprüfen und kennzeichnen Fachleute eine kleine Auswahl an Beispielen, die das KI-Modell als Ausgangspunkt zum Lernen verwendet. Mit der Zeit hilft dieses Feedback dem Modell, bestimmte Muster wie Kulturpflanzenarten, Bodenmerkmale oder Artefakte zu erkennen, selbst wenn nur wenige gekennzeichnete Beispiele verfügbar sind.

Nachteile von Workflows mit menschlicher Beteiligung#

Obwohl die menschliche Beteiligung beim maschinellen Lernen viele Vorteile bietet, bringt sie auch gewisse Herausforderungen mit sich. Bei der Implementierung von HITL-Workflows solltest du einige Einschränkungen berücksichtigen:

• Langsamere Workflows: Da Menschen Daten überprüfen 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 Annotatorinnen und Annotatoren oder Fachleute erhöht die Kosten, insbesondere bei der Arbeit mit großen Datensätzen oder komplexen Aufgaben.
• Begrenzte Skalierbarkeit: Mit zunehmendem Datenvolumen wird es schwieriger, Menschen ohne spezielle Werkzeuge oder Unterstützung durch Automatisierung einzubinden.
• Verzögerungen bei der Bereitstellung: Die kontinuierliche Einbindung von Menschen kann die Bereitstellung verzögern und die Aktualisierung von Modellen in Echtzeit erschweren.

Wichtige Erkenntnisse#

Maschinelles Lernen mit menschlicher Beteiligung ist eine praktische Möglichkeit, KI-Modelle so zu trainieren, dass sie reale Situationen genauer bewältigen. Durch die Einbindung menschlicher Eingaben verbessern sich Modelle schneller, erkennen mehr Fehler und funktionieren besser mit komplexen Daten.

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

Vernetze dich mit unserer Community und sieh dir unser GitHub-Repository an, um tiefer in die Welt der KI einzutauchen. Entdecke unsere Lösungsseiten und erfahre mehr über Innovationen wie KI in der Fertigung und Bildverarbeitung im Einzelhandel. Informiere dich über unsere Lizenzoptionen und beginne noch heute mit der Entwicklung von Bildverarbeitungslösungen!