Explicación del aprendizaje automático en bucle humano (HITL)

Hoy en día, solemos utilizar la inteligencia artificial (IA) y el aprendizaje automático (AM) más a menudo de lo que creemos. Estas tecnologías de vanguardia nos ayudan a optimizar nuestras redes sociales, organizar nuestras fototecas digitales y facilitar a los médicos el diagnóstico de enfermedades.

Pero incluso los sistemas de IA más avanzados pueden cometer errores. Pueden pasar por alto detalles clave o malinterpretar lo que ven. Para mejorar los resultados, muchos desarrolladores y entusiastas de la IA recurren a un enfoque denominado IA humana en bucle (HITL). Este método combina el juicio humano con la eficiencia de la máquina. Las personas intervienen para entrenar, revisar y perfeccionar el rendimiento de un modelo de IA a lo largo del tiempo. 

En este artículo exploraremos qué representa la IA humana en bucle, cómo funciona y dónde puede utilizarse en el mundo real. Empecemos.

Conceptos fundamentales del HITL

Antes de profundizar en la importancia de los flujos de trabajo HITL, echemos un vistazo a los fundamentos del enfoque humano en el bucle. 

¿Qué es HITL? Significado básico

Aunque los modelos de IA son rápidos y capaces de procesar cantidades ingentes de datos, aún pueden confundirse. Por ejemplo, en visión por ordenador, un subcampo de la IA centrado en la comprensión y el análisis de imágenes y vídeos, un modelo puede interpretar mal una foto borrosa o pasar por alto un detalle sutil. 

Esto ocurre porque los modelos de IA se basan en patrones en los datos más que en una comprensión real. Si los datos son confusos, sesgados o incompletos, el resultado del modelo puede ser inexacto.

La automatización Human-in-the-loop incorpora personas al proceso de formación para ayudar a los modelos a aprender de forma más eficaz. En lugar de funcionar por sí solos, estos sistemas reciben regularmente información humana. Las personas revisan los resultados, corrigen errores y guían al modelo a medida que mejora con el tiempo.

‍

¿Por qué es necesaria la presencia humana?

Quizá se pregunte: ¿son realmente necesarias las aportaciones humanas? ¿No parece que eso contradice el objetivo general de hacer que la IA sea más independiente? Sin embargo, la realidad es que los sistemas de IA aprenden de los datos, y a veces los conjuntos de datos no ofrecen una imagen completa.

Por ejemplo, en el caso de los coches autoconducidos, hay muchas situaciones que un modelo de IA puede no entender del todo. Puede tener problemas con condiciones inusuales de la carretera, obstáculos inesperados o sucesos raros que no haya visto antes. En estos casos, la orientación humana es un elemento importante para que el sistema aprenda y responda de forma más segura con el tiempo.

En general, los humanos son una parte fundamental de cualquier proyecto de IA. Conservan y anotan los datos, revisan los resultados de los modelos y aportan información que ayuda a mejorar el sistema. Sin ellos, las soluciones de IA tendrían dificultades para adaptarse a situaciones complejas del mundo real.

Comprender el papel de la máquina en el bucle

Mientras que los humanos supervisan y aportan información, el papel de la máquina es aprender de esa información y mejorar con el tiempo. Los modelos de IA utilizan las correcciones humanas para afinar sus predicciones, rellenar los huecos en los que faltan datos o no están etiquetados, y asumir gradualmente tareas a una escala muy superior a la que las personas podrían gestionar por sí solas. Este ciclo de retroalimentación y ajuste o reentrenamiento hace posible que los modelos de IA sean más fiables a medida que procesan nueva información.

¿Cómo funciona el "humano en el bucle"?

En un flujo de trabajo típico de IA con intervención humana, un modelo de IA procesa los datos y realiza una predicción. Cuando no está seguro o la tarea es compleja, el resultado se marca para que lo revise una persona. A continuación, una persona comprueba la predicción, hace correcciones si es necesario, y esas actualizaciones se añaden de nuevo a los datos de entrenamiento. El modelo sigue aprendiendo con cada ciclo.

Este bucle ayuda al modelo de IA a mejorar en las áreas en las que tiene dificultades. En lugar de basarse únicamente en datos preetiquetados, el sistema también aprende de la información recibida en tiempo real. Con el tiempo, el modelo adquiere más confianza y precisión, especialmente en tareas en las que la precisión es fundamental, como la detección de objetos pequeños en imágenes o la identificación de defectos durante inspecciones visuales.

‍

HITL en el aprendizaje supervisado

Las aplicaciones de IA que utilizan el aprendizaje supervisado son un gran ejemplo del enfoque humano de la IA. Estas soluciones de IA dependen de la anotación de datos, en la que los humanos etiquetan ejemplos para entrenar el modelo. 

La mayoría de los proyectos de visión por ordenador se basan en este proceso, en el que las personas etiquetan los objetos de las imágenes para que los modelos de visión por ordenador como Ultralytics YOLO11 puedan aprender qué reconocer. Cuando las anotaciones son poco claras o incoherentes, el modelo puede aprender patrones erróneos y tener dificultades para obtener buenos resultados.

‍

Aprendizaje activo frente a aprendizaje humano

El aprendizaje activo es un método utilizado para aumentar la eficacia de los sistemas humanos. En lugar de pedir a los humanos que revisen cada dato, el sistema de IA selecciona sólo los casos sobre los que tiene dudas. Así, los revisores pueden centrarse en esos ejemplos concretos, ahorrando tiempo y esfuerzo.

‍

Este enfoque funciona especialmente bien para tareas como el análisis de imágenes. Pensemos en un modelo de IA de visión entrenado para detectar defectos en fotos de productos. La mayoría de las veces hace predicciones precisas, pero a veces tiene problemas con la iluminación inusual o los patrones desconocidos. El aprendizaje activo puede utilizarse para señalar esas imágenes difíciles de modo que una persona pueda intervenir y hacer correcciones. El modelo puede incorporar esa información y mejorar con cada ciclo de reentrenamiento.

¿Cómo mejora el HITL los resultados de la visión por ordenador?

Los flujos de trabajo HITL pueden facilitar que los modelos de visión por ordenador funcionen mejor añadiendo una retroalimentación continua. Cuando las personas intervienen para revisar resultados inciertos, corregir errores o añadir etiquetas que faltan, el modelo aprende a reconocer objetos con mayor precisión y confianza. 

Este proceso no sólo mejora la formación. También hace que las pruebas, el ajuste y la validación sean más fiables. Con el tiempo, el bucle de retroalimentación ayuda a crear soluciones de visión artificial que funcionan con mayor eficacia en situaciones reales.

Ejemplos reales de IA humana en bucle

A continuación, vamos a ver algunos ejemplos de IA human-in-the-loop de cómo la automatización HITL puede utilizarse para mejorar las aplicaciones de IA Vision.

Sanidad e imagen médica

En comparación con otros sectores, la IA en sanidad requiere una precisión mucho mayor, razón por la cual los flujos de trabajo de IA HITL son tan vitales. En el campo de la imagen médica, por ejemplo, los modelos de IA de Vision como YOLO11 pueden utilizarse para analizar radiografías, resonancias magnéticas y diapositivas de patología, pero los expertos siguen revisando los resultados para asegurarse de que son correctos.

Supongamos que se utiliza un modelo YOLO11 entrenado a medida para detectar una posible anomalía pulmonar en una radiografía. Un radiólogo puede revisar la predicción, confirmar si es exacta y corregir cualquier error. Esa información puede incorporarse de nuevo al proceso de entrenamiento, lo que ayuda a mejorar el modelo y reduce las posibilidades de que se produzcan falsas alarmas o casos perdidos en el futuro.

Control y garantía de calidad

En la fabricación, los sistemas de visión por ordenador se utilizan para escanear piezas y materiales en busca de defectos, y HITL añade una capa extra de precisión cuando el modelo es incierto. Por ejemplo, en la fabricación de automóviles, un sistema puede marcar como grieta un reflejo superficial inofensivo en un componente metálico. 

Un técnico puede revisar el resultado, corregir el error y añadir esa información al bucle. Con el tiempo, este proceso mejora la coherencia, incluso en entornos con iluminación cambiante o cuando las piezas se parecen mucho entre sí.

Conjuntos de datos poco frecuentes y tareas visuales especializadas

Otro ámbito en el que los flujos de trabajo humanos son esenciales es cuando los datos de formación son limitados, como en arqueología o teledetección. En estos casos, los expertos revisan y etiquetan un pequeño conjunto de ejemplos, que el modelo de IA utiliza para empezar a aprender. Con el tiempo, esta retroalimentación ayuda al modelo a detectar patrones específicos, como tipos de cultivos, características del suelo o artefactos, incluso cuando sólo se dispone de unas pocas muestras etiquetadas.

Inconvenientes de los flujos de trabajo humanos

Aunque el aprendizaje automático con intervención humana tiene muchas ventajas, también plantea algunos problemas. Estas son algunas limitaciones que hay que tener en cuenta al implementar flujos de trabajo HITL:

• Flujos de trabajo más lentos: Dado que es necesario que las personas revisen y etiqueten los datos, la formación y las actualizaciones llevan más tiempo que en los sistemas totalmente automatizados. Esto puede retrasar la rapidez con la que las nuevas versiones de un modelo están listas para su uso.
  ‍
• Mayores costes: La contratación de anotadores o expertos cualificados aumenta los gastos, sobre todo cuando se trabaja con grandes conjuntos de datos o tareas complicadas.
  ‍
• Limitada escalabilidad: A medida que crecen los volúmenes de datos, resulta más difícil mantener a los humanos involucrados sin herramientas dedicadas o soporte de automatización.
  ‍
• Retrasos en el despliegue: La constante intervención humana puede retrasar el despliegue y dificultar la actualización de los modelos en tiempo real.

Principales conclusiones

El aprendizaje automático con intervención humana es una forma práctica de entrenar modelos de IA para que manejen situaciones del mundo real con mayor precisión. Al añadir la aportación humana, los modelos mejoran más rápido, detectan más errores y funcionan mejor con datos complejos. 

El aprendizaje activo hace que este proceso sea aún más eficiente al hacer que el modelo pida ayuda sólo cuando no está seguro. Juntos, estos enfoques pueden ayudar a crear modelos de IA más fiables y eficientes.

Conéctese con nuestra comunidad y explore nuestro repositorio de GitHub para profundizar en la IA. Consulte nuestras páginas de soluciones para conocer innovaciones como la IA en la fabricación y la visión por ordenador en el comercio minorista. Descubra nuestras opciones de licencia y empiece a construir con visión computerizada hoy mismo.