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

Heutzutage neigen wir dazu, künstliche Intelligenz (KI) und maschinelles Lernen (ML) häufiger zu nutzen, als wir uns bewusst sind. Diese Spitzentechnologien helfen dabei, unsere Social-Media-Feeds zu optimieren, unsere digitalen Fotobibliotheken zu organisieren und es Ärzten zu erleichtern, Krankheiten zu diagnostizieren.

Aber 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 namens Human-in-the-Loop (HITL) KI zu. 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!

Grundlegende 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.

Was ist HITL? Der Kernbegriff#

Während KI-Modelle schnell sind und riesige Datenmengen verarbeiten können, können sie dennoch verwirrt werden. Zum Beispiel kann ein Modell im Bereich computer vision, einem Teilbereich der KI, der sich auf das Verstehen und Analysieren von Bildern und Videos konzentriert, ein verschwommenes Foto falsch interpretieren 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)

Warum 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.

Beispielsweise gibt es beim Thema autonome Fahrzeuge viele Situationen, die ein KI-Modell möglicherweise nicht vollständig versteht. Es hat möglicherweise Schwierigkeiten mit ungewöhnlichen Straßenverhältnissen, unerwarteten Hindernissen oder seltenen Ereignissen, die es zuvor noch nicht gesehen hat. In diesen Fällen ist menschliche Anleitung ein wichtiger Teil davon, dass 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.

Die Rolle der Maschine in der Schleife verstehen#

Während Menschen für Aufsicht und Feedback sorgen, besteht die Rolle der Maschine darin, von diesem Input zu lernen und sich im Laufe der Zeit zu verbessern. KI-Modelle nutzen menschliche Korrekturen, um ihre Vorhersagen zu verfeinern, Lücken zu schließen, in denen Daten fehlen oder unbeschriftet sind, und schrittweise Aufgaben in einem Umfang zu übernehmen, den Menschen alleine niemals bewältigen könnten. Dieser Kreislauf aus Feedback und Feinabstimmung oder Retraining ermöglicht es KI-Modellen, bei der Verarbeitung neuer Informationen zuverlässiger zu werden.

Wie 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 beschriftete 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 von entscheidender Bedeutung ist, wie etwa dem Erkennen kleiner Objekte in Bildern oder dem Identifizieren von Defekten bei visuellen Inspektionen.

Abb. 2: Eine Übersicht über den Human-in-the-Loop-Ansatz (Quelle)

HITL beim überwachten Lernen#

KI-Anwendungen, die überwachtes Lernen verwenden, sind ein hervorragendes Beispiel für den Human-in-the-Loop-Ansatz für KI. Diese KI-Lösungen sind auf Datenannotation angewiesen, bei der Menschen Beispiele beschriften, um das Modell zu trainieren.

Die meisten computer vision-Projekte basieren auf diesem Prozess, bei dem Personen 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 Ultralytics YOLO11 zur Objekterkennung in einem Bild.

Aktives Lernen vs. Human-in-the-loop#

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

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

Dieser Ansatz funktioniert besonders gut für Aufgaben wie die Bildanalyse. Stell dir ein vision AI-Modell vor, das darauf trainiert ist, Defekte auf Produktfotos zu erkennen. Meistens trifft es genaue Vorhersagen, aber gelegentlich hat es Probleme mit ungewöhnlicher Beleuchtung oder unfamiliaren Mustern. Aktives Lernen kann verwendet werden, um diese kniffligen Bilder zu markieren, damit eine Person eingreifen und Korrekturen vornehmen kann. Das Modell kann dieses Feedback dann einbinden und sich mit jedem Trainingszyklus verbessern.

Wie 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, Tuning und die Validierung zuverlässiger. Im Laufe der Zeit hilft die Feedbackschleife dabei, computer vision-Lösungen zu entwickeln, die in realen Situationen effektiver funktionieren.

Praktische 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.

Gesundheitswesen und medizinische Bildgebung#

Verglichen mit anderen Branchen erfordert AI in healthcare eine deutlich höhere Genauigkeit, weshalb HITL-KI-Workflows so wichtig sind. In der medizinischen Bildgebung können beispielsweise Vision-KI-Modelle wie Ultralytics YOLO11 verwendet werden, um Röntgenbilder, MRTs und Pathologie-Slides zu analysieren, wobei Experten die Ergebnisse dennoch überprüfen, um sicherzustellen, dass sie korrekt sind.

Nehmen wir an, ein benutzerdefiniertes Ultralytics YOLO11-Modell wird verwendet, um eine mögliche Lungenauffälligkeit in einem Röntgenbild zu erkennen. Ein Radiologe kann die Vorhersage überprüfen, bestätigen, ob sie genau ist, und eventuelle 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 Zukunft verringert.

Qualitätskontrolle und Qualitätssicherung#

In der Fertigung werden computer vision-Systeme eingesetzt, um Teile und Materialien auf Defekte zu untersuchen, und HITL fügt eine zusätzliche Ebene der Genauigkeit hinzu, wenn das Modell unsicher ist. Beispielsweise könnte in der Automobilproduktion ein System 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.

Seltene Datensätze und spezialisierte visuelle Aufgaben#

Ein weiterer Bereich, in dem Human-in-the-Loop-Workflows unerlässlich sind, ist die Situation, in der die Trainingsdaten begrenzt sind, wie etwa in der Archäologie oder der Fernerkundung. In diesen Fällen überprüfen und beschriften Experten einen kleinen Satz von Beispielen, den das KI-System zum Starten des Lernens verwendet. Im Laufe der Zeit hilft dieses Feedback dem Modell dabei, spezifische Muster wie Kulturpflanzentypen, Bodenmerkmale oder Artefakte zu erkennen, selbst wenn nur wenige beschriftete Muster verfügbar sind.

Nachteile 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.
• Eingeschränkte Skalierbarkeit: Wenn das Datenvolumen wächst, wird es schwieriger, die Beteiligung von Menschen ohne dedizierte Tools oder Automatisierungsunterstützung aufrechtzuerhalten.
• Bereitstellungsverzögerungen: Ständige menschliche Beteiligung kann die Bereitstellung verzögern und es erschweren, Modelle in Echtzeit zu aktualisieren.

Wichtige 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 die KI einzutauchen. Sieh 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 mithilfe von computer vision!