Human-in-the-loop Machine Learning (HITL) erklärt

Heutzutage nutzen wir künstliche Intelligenz (KI) und maschinelles Lernen (ML) häufiger, als wir denken. Diese modernen Technologien helfen dabei, unsere Social-Media-Feeds zu optimieren, unsere digitalen Fotobibliotheken zu organisieren 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 Gesehene falsch. Um die Ergebnisse zu verbessern, setzen viele Entwickler und KI-Begeisterte auf einen Ansatz namens Human-in-the-loop (HITL) KI. Diese Methode kombiniert menschliches Urteilsvermögen mit maschineller Effizienz. Menschen greifen ein, um die Leistung eines KI-Modells im Laufe der Zeit zu trainieren, zu überprüfen und zu verfeinern.

In diesem Artikel werden wir untersuchen, was Human-in-the-loop KI bedeutet, wie sie funktioniert und wo sie in der Praxis eingesetzt werden kann. Fangen wir an!

Link to this sectionGrundlegende Konzepte von HITL#

Bevor wir uns mit der Bedeutung von HITL-Workflows befassen, werfen wir einen genaueren Blick auf die Grundlagen des Human-in-the-loop-Ansatzes.

Link to this sectionWas ist HITL? Der Kernbegriff#

Obwohl KI-Modelle schnell sind und riesige Datenmengen verarbeiten können, können sie dennoch verwirrt werden. Zum Beispiel könnte ein Modell in der Computer Vision, einem Teilbereich der KI, der sich mit dem Verstehen und Analysieren von Bildern und Videos befasst, ein verschwommenes Foto falsch lesen oder ein subtiles Detail übersehen.

Dies geschieht, weil sich KI-Modelle eher auf Muster in den Daten als auf echtes Verständnis verlassen. Wenn die Daten unklar, voreingenommen oder unvollständig sind, kann der Output des Modells ungenau sein.

Die Human-in-the-loop-Automatisierung bindet Menschen in den Trainingsprozess ein, damit Modelle effektiver lernen können. Anstatt völlig autonom zu arbeiten, erhalten diese Systeme regelmäßig menschliches Feedback. Menschen überprüfen die Ergebnisse, korrigieren Fehler und leiten das Modell an, während es sich im Laufe der Zeit verbessert.

Abb. 1: Was ist Human-in-the-loop-Automatisierung? (Quelle)

Link to this sectionWarum sind Menschen in der Schleife notwendig?#

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

Zum Beispiel gibt es bei selbstfahrenden Autos viele Situationen, die ein KI-Modell möglicherweise nicht vollständig versteht. Es könnte Schwierigkeiten mit ungewöhnlichen Straßenverhältnissen, unerwarteten Hindernissen oder seltenen Ereignissen haben, die es noch nie zuvor gesehen hat. In diesen Fällen ist menschliche Führung ein wichtiger Bestandteil, damit das System lernt und im Laufe der Zeit sicherer reagiert.

Insgesamt sind Menschen ein kritischer Teil jedes KI-Projekts. Sie kuratieren und annotieren Daten, überprüfen Modellergebnisse und geben Feedback, das dem System zur Verbesserung verhilft. Ohne Menschen in der Schleife hätten KI-Lösungen Schwierigkeiten, sich an komplexe, reale Situationen anzupassen.

Link to this sectionDie Rolle der Maschine in der Schleife verstehen#

Während Menschen die Aufsicht und das Feedback übernehmen, besteht die Rolle der Maschine darin, aus dieser Eingabe zu lernen und sich im Laufe der Zeit zu verbessern. KI-Modelle nutzen menschliche Korrekturen, um ihre Vorhersagen zu verfeinern, Lücken zu schließen, wo Daten fehlen oder nicht gekennzeichnet sind, und nach und nach Aufgaben in einem Umfang zu übernehmen, den Menschen alleine nicht bewältigen könnten. Dieser Zyklus aus Feedback und Feinabstimmung oder Retraining macht es möglich, dass KI-Modelle zuverlässiger werden, während sie neue Informationen verarbeiten.

Link to this sectionWie funktioniert es, einen Menschen in der Schleife zu haben?#

In einem typischen Human-in-the-loop KI-Workflow verarbeitet ein KI-Modell Daten und trifft eine Vorhersage. Wenn es unsicher ist oder die Aufgabe komplex ist, wird das Ergebnis zur menschlichen Überprüfung markiert. Eine Person überprüft dann die Vorhersage, nimmt bei Bedarf Korrekturen vor, und diese Aktualisierungen werden wieder in die Trainingsdaten aufgenommen. Das Modell lernt mit jedem Zyklus weiter.

Diese Schleife hilft dem KI-Modell, sich in Bereichen zu verbessern, in denen es Schwierigkeiten hat. Anstatt sich nur auf vorab gekennzeichnete Daten zu verlassen, lernt das System auch aus Echtzeit-Feedback. Im Laufe der Zeit wird das Modell zuversichtlicher und genauer, insbesondere bei Aufgaben, bei denen Präzision entscheidend ist, wie etwa beim Erkennen kleiner Objekte in Bildern oder beim Identifizieren von Fehlern bei visuellen Inspektionen.

Abb. 2: Ein Überblick über den Human-in-the-loop-Ansatz (Quelle)

Link to this sectionHITL beim überwachten Lernen#

KI-Anwendungen, die überwachtes Lernen nutzen, sind ein großartiges Beispiel für den Human-in-the-loop-Ansatz für KI. Diese KI-Lösungen hängen von der Datenannotation ab, bei der Menschen Beispiele kennzeichnen, um das Modell zu trainieren.

Die meisten Computer-Vision-Projekte basieren auf diesem Prozess, bei dem Menschen Objekte in Bildern markieren, damit Computer-Vision-Modelle wie Ultralytics YOLO11 lernen können, was sie erkennen sollen. Wenn Annotationen unklar oder inkonsistent sind, lernt das Modell möglicherweise die falschen Muster und hat Schwierigkeiten, eine gute Leistung zu erbringen.

Abb. 3: Ein Beispiel für die Verwendung von YOLO11 zur Erkennung von Objekten in einem Bild.

Link to this sectionAktives Lernen vs. Human-in-the-loop#

Aktives Lernen ist eine Methode, um Human-in-the-loop-Systeme effizienter zu machen. Anstatt Menschen zu bitten, jedes Datenelement zu überprüfen, wählt das KI-System nur die Fälle aus, bei denen es unsicher ist. Prüfer können sich dann auf diese spezifischen Beispiele konzentrieren, was Zeit und Mühe spart.

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

Dieser Ansatz funktioniert besonders gut bei Aufgaben wie der Bildanalyse. Betrachte ein Vision KI-Modell, das darauf trainiert ist, Defekte in Produktfotos zu erkennen. Meistens liefert es genaue Vorhersagen, aber gelegentlich hat es Schwierigkeiten mit ungewöhnlicher Beleuchtung oder unbekannten Mustern. Aktives Lernen kann verwendet werden, um diese kniffligen Bilder zu markieren, damit eine Person eingreifen und Korrekturen vornehmen kann. Das Modell kann dann dieses Feedback einbeziehen und sich mit jedem Retraining-Zyklus verbessern.

Link to this sectionWie verbessert HITL die Ergebnisse der Computer Vision?#

HITL-Workflows können es Computer-Vision-Modellen erleichtern, durch kontinuierliches Feedback eine bessere Leistung zu erbringen. Wenn Menschen eingreifen, um unsichere Ergebnisse zu überprüfen, Fehler zu korrigieren oder fehlende Labels hinzuzufügen, lernt das Modell, Objekte genauer und mit größerer Zuversicht zu erkennen.

Dieser Prozess verbessert nicht nur das Training. Er macht auch das Testen, Abstimmen und Validieren zuverlässiger. Im Laufe der Zeit hilft die Feedbackschleife beim Aufbau von Computer-Vision-Lösungen, die in realen Situationen effektiver funktionieren.

Link to this sectionPraktische Beispiele für Human-in-the-loop KI#

Als Nächstes gehen wir einige Human-in-the-loop KI-Beispiele durch, wie HITL-Automatisierung eingesetzt werden kann, um Vision KI-Anwendungen zu verbessern.

Link to this sectionGesundheitswesen und medizinische Bildgebung#

Im Vergleich zu anderen Sektoren erfordert KI im Gesundheitswesen eine viel höhere Genauigkeit, weshalb HITL KI-Workflows so wichtig sind. In der medizinischen Bildgebung können beispielsweise Vision KI-Modelle wie YOLO11 zur Analyse von Röntgenbildern, MRTs und pathologischen Objektträgern verwendet werden, aber Experten überprüfen die Ergebnisse dennoch, um sicherzustellen, dass sie korrekt sind.

Angenommen, ein individuell trainiertes YOLO11-Modell wird verwendet, um eine mögliche Lungenanomalie in einem Röntgenbild zu erkennen. Ein Radiologe kann die Vorhersage überprüfen, bestätigen, ob sie korrekt ist, und etwaige Fehler korrigieren. Dieses Feedback kann dann wieder in den Trainingsprozess einfließen, was dem Modell hilft, sich zu verbessern und die Wahrscheinlichkeit von Fehlalarmen oder übersehenen Fällen in der Zukunft zu verringern.

Link to this sectionQualitätskontrolle und Qualitätssicherung#

In der Fertigung werden Computer-Vision-Systeme verwendet, um Teile und Materialien auf Defekte zu scannen, und HITL fügt eine zusätzliche Ebene der Genauigkeit hinzu, wenn das Modell unsicher ist. Zum Beispiel könnte ein System in der Automobilproduktion eine harmlose Oberflächenreflexion auf einem Metallbauteil als Riss markieren.

Ein Techniker kann das Ergebnis überprüfen, den Fehler korrigieren und dieses Feedback in die Schleife einfügen. Im Laufe der Zeit verbessert dieser Prozess die Konsistenz, selbst in Umgebungen mit wechselnder Beleuchtung oder wenn Teile einander sehr ähnlich sehen.

Link to this sectionSeltene Datensätze und spezialisierte visuelle Aufgaben#

Ein weiterer Bereich, in dem Human-in-the-loop-Workflows unerlässlich sind, ist, wenn Trainingsdaten begrenzt sind, wie etwa in der Archäologie oder Fernerkundung. In diesen Fällen überprüfen und kennzeichnen Experten eine kleine Menge an Beispielen, die das KI-Modell verwendet, um mit dem Lernen zu beginnen. Im Laufe der Zeit hilft dieses Feedback dem Modell, spezifische Muster wie Pflanzentypen, Bodenmerkmale oder Artefakte zu erkennen, selbst wenn nur wenige gekennzeichnete Stichproben verfügbar sind.

Link to this sectionNachteile von Human-in-the-loop-Workflows#

Obwohl es viele Vorteile von Human-in-the-loop für maschinelles Lernen gibt, gibt es auch bestimmte Herausforderungen. Hier sind einige Einschränkungen, die bei der Implementierung von HITL-Workflows zu beachten sind:

• Langsamere Workflows: Da Menschen Daten überprüfen und kennzeichnen müssen, dauern Training und Aktualisierungen länger als bei vollautomatisierten Systemen. Dies kann verzögern, wie schnell neue Versionen eines Modells einsatzbereit sind.
• Höhere Kosten: Die Einstellung qualifizierter Annotatoren oder Experten erhöht die Ausgaben, insbesondere bei der Arbeit mit großen Datensätzen oder komplizierten Aufgaben.
• Begrenzte Skalierbarkeit: Wenn das Datenvolumen wächst, wird es schwieriger, Menschen ohne dedizierte Tools oder Automatisierungsunterstützung einzubinden.
• Bereitstellungsverzögerungen: Ständige menschliche Beteiligung kann die Bereitstellung verzögern und es erschweren, Modelle in Echtzeit zu aktualisieren.

Link to this sectionWichtige Erkenntnisse#

Human-in-the-loop maschinelles Lernen ist eine praktische Methode, um KI-Modelle darauf zu trainieren, reale Situationen genauer zu bewältigen. Durch menschliche Eingaben verbessern sich Modelle schneller, erkennen mehr Fehler und leisten bei komplexen Daten bessere Arbeit.

Aktives Lernen macht diesen Prozess noch effizienter, indem das Modell nur dann um Hilfe bittet, wenn es unsicher ist. Zusammen können diese Ansätze helfen, KI-Modelle aufzubauen, die zuverlässiger und effizienter sind.

Vernetze dich mit unserer Community und erkunde unser GitHub-Repository, um tiefer in KI einzutauchen. Schau dir unsere Lösungsseiten an, um mehr über Innovationen wie KI in der Fertigung und Computer Vision im Einzelhandel zu erfahren. Entdecke unsere Lizenzierungsoptionen und beginne noch heute mit der Entwicklung von Computer Vision!