El aprendizaje automático con intervención humana (HITL), explicado

Hoy en día, solemos utilizar la inteligencia artificial (AI) y el aprendizaje automático (ML) más de lo que creemos. Estas tecnologías ayudan a optimizar nuestros feeds de redes sociales, organizar nuestras bibliotecas de fotos digitales y facilitar el diagnóstico de enfermedades a los médicos.

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 aficionados a la IA están recurriendo a un enfoque llamado IA con intervención humana en el ciclo (HITL). Este método combina el criterio humano con la eficiencia de las máquinas. Las personas intervienen para entrenar, revisar y perfeccionar el rendimiento de un modelo de IA con el tiempo.

En este artículo, exploraremos qué representa la IA con intervención humana en el ciclo, cómo funciona y dónde se puede usar en el mundo real. ¡Empecemos!

Conceptos fundamentales de HITL#

Antes de profundizar en la importancia de los flujos de trabajo HITL, veamos más de cerca los fundamentos del enfoque de intervención humana en el ciclo.

¿Qué es HITL? El significado esencial#

Aunque los modelos de IA son rápidos y capaces de procesar cantidades ingentes de datos, pueden confundirse. Por ejemplo, en la visión artificial, una subdisciplina de la IA centrada en comprender y analizar imágenes y vídeos, un modelo podría interpretar mal una foto borrosa o pasar por alto un detalle sutil.

Esto ocurre porque los modelos de IA se basan en patrones de los datos, en lugar de comprenderlos realmente. Si los datos no son claros, están sesgados o son incompletos, los resultados del modelo pueden ser inexactos.

La automatización con intervención humana en el ciclo incorpora a las personas al proceso de entrenamiento para ayudar a los modelos a aprender de forma más eficaz. En lugar de funcionar completamente por su cuenta, estos sistemas reciben comentarios humanos periódicamente. Las personas revisan los resultados, corrigen errores y orientan el modelo a medida que mejora con el tiempo.

Fig. 1. ¿Qué es la automatización con intervención humana en el ciclo? (Fuente)

¿Por qué es necesario que haya personas en el ciclo?#

Quizá te preguntes: ¿son realmente necesarias las aportaciones humanas? ¿No parece contradecir 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 visión completa.

Por ejemplo, con los coches autónomos, hay muchas situaciones que un modelo de IA quizá no entienda del todo. Podría tener dificultades con condiciones inusuales de la carretera, obstáculos imprevistos o sucesos poco frecuentes que no haya visto antes. En estos casos, la orientación humana es una parte importante del aprendizaje del sistema y de su capacidad para responder con mayor seguridad a lo largo del tiempo.

En general, las personas son una parte fundamental de cualquier proyecto de AI. Organizan y anotan datos, revisan los resultados del modelo y proporcionan comentarios que ayudan a mejorar el sistema. Sin intervención humana en el proceso, las soluciones de AI tendrían dificultades para adaptarse a situaciones complejas del mundo real.

Comprender el papel de la máquina en el ciclo#

Mientras que las personas proporcionan supervisión y comentarios, la máquina se encarga de aprender de esas aportaciones y mejorar con el tiempo. Los modelos de IA utilizan las correcciones humanas para perfeccionar sus predicciones, completar lagunas cuando faltan datos o etiquetas y asumir gradualmente tareas a una escala que supera con creces lo que las personas podrían gestionar por sí solas. Este ciclo de comentarios y ajuste fino o reentrenamiento permite que los modelos de IA sean más fiables a medida que procesan información nueva.

¿Cómo funciona la intervención humana en el ciclo?#

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

Este ciclo ayuda al modelo de IA a mejorar en las áreas que le resultan difíciles. En lugar de basarse únicamente en datos preetiquetados, el sistema también aprende de los comentarios en tiempo real. Con el tiempo, el modelo gana confianza y precisión, especialmente en tareas en las que la precisión es fundamental, como detectar objetos pequeños en imágenes o identificar defectos durante inspecciones visuales.

Fig. 2. Resumen del enfoque de intervención humana en el ciclo (Fuente)

HITL en el aprendizaje supervisado#

Las aplicaciones de AI que utilizan el aprendizaje supervisado son un buen ejemplo del enfoque de intervención humana en la AI. Estas soluciones de AI dependen de la anotación de datos, mediante la que las personas etiquetan ejemplos para entrenar el modelo.

La mayoría de los proyectos de visión artificial dependen de este proceso: las personas etiquetan objetos en imágenes para que los modelos de visión artificial, como Ultralytics YOLO11, aprendan qué deben reconocer. Si las anotaciones no son claras o son incoherentes, el modelo puede aprender patrones erróneos y tener dificultades para rendir bien.

Fig. 3. Ejemplo del uso de Ultralytics YOLO11 para detectar objetos en una imagen.

Aprendizaje activo frente a intervención humana en el ciclo#

El aprendizaje activo es un método que permite que los sistemas con intervención humana en el ciclo sean más eficientes. En lugar de pedir a las personas que revisen cada dato, el sistema de IA selecciona únicamente los casos sobre los que tiene dudas. Así, quienes revisan pueden centrarse en esos ejemplos concretos y ahorrar tiempo y esfuerzo.

Fig. 4. ¿Qué es el aprendizaje activo? Imagen del autor.

Este enfoque funciona especialmente bien en tareas como el análisis de imágenes. Imagina un modelo de IA de visión entrenado para detectar defectos en fotos de productos. La mayoría de las veces realiza predicciones precisas, pero de vez en cuando tiene dificultades con una iluminación inusual o patrones desconocidos. El aprendizaje activo permite marcar esas imágenes complicadas para que una persona intervenga y las corrija. Después, el modelo puede incorporar esos comentarios y mejorar con cada ciclo de reentrenamiento.

¿Cómo mejora HITL los resultados de la visión artificial?#

Los flujos de trabajo HITL pueden ayudar a que los modelos de visión artificial rindan mejor gracias a los comentarios continuos. Cuando las personas intervienen para revisar resultados dudosos, corregir errores o añadir etiquetas que faltan, el modelo aprende a reconocer objetos con mayor precisión y confianza.

Este proceso no solo mejora el entrenamiento. También hace que las pruebas, el ajuste y la validación sean más fiables. Con el tiempo, el ciclo de comentarios ayuda a crear soluciones de visión artificial que funcionan mejor en situaciones del mundo real.

Ejemplos de IA con intervención humana en el ciclo en el mundo real#

A continuación, repasaremos algunos ejemplos de IA con intervención humana en el ciclo y cómo se puede usar la automatización HITL para mejorar las aplicaciones de IA de visión.

Sanidad e imagen médica#

En comparación con otros sectores, la IA en sanidad requiere una precisión mucho mayor, por lo que los flujos de trabajo de IA HITL son tan importantes. Por ejemplo, en imagen médica, los modelos de IA de visión como Ultralytics YOLO11 pueden analizar radiografías, resonancias magnéticas y preparaciones de anatomía patológica, pero los especialistas siguen revisando los resultados para asegurarse de que son correctos.

Supongamos que se utiliza un modelo Ultralytics YOLO11 entrenado a medida para detectar una posible anomalía pulmonar en una radiografía. Un radiólogo puede revisar la predicción, confirmar si es correcta y corregir cualquier error. Después, esos comentarios pueden incorporarse al proceso de entrenamiento, lo que ayuda a mejorar el modelo y reduce las posibilidades de que se produzcan falsas alarmas o se pasen por alto casos en el futuro.

Control y garantía de calidad#

En la fabricación, se utilizan sistemas de visión artificial para examinar piezas y materiales en busca de defectos, y HITL añade una capa adicional de precisión cuando el modelo tiene dudas. Por ejemplo, en la producción de automóviles, un sistema podría marcar como grieta un reflejo inofensivo en la superficie de un componente metálico.

Un técnico puede revisar el resultado, corregir el error e incorporar esos comentarios al ciclo. Con el tiempo, este proceso mejora la coherencia, incluso en entornos con cambios de iluminación o cuando las piezas son muy parecidas entre sí.

Conjuntos de datos escasos y tareas visuales especializadas#

Otro ámbito en el que los flujos de trabajo con intervención humana en el ciclo son esenciales es el entrenamiento con datos limitados, como en la arqueología o la teledetección. En estos casos, los especialistas revisan y etiquetan un pequeño conjunto de ejemplos que el modelo de IA utiliza para empezar a aprender. Con el tiempo, estos comentarios ayudan al modelo a detectar patrones específicos, como tipos de cultivos, características del suelo o artefactos, incluso cuando solo hay unas pocas muestras etiquetadas.

Desventajas de los flujos de trabajo con intervención humana en el ciclo#

Aunque la intervención humana en el ciclo ofrece muchas ventajas para el aprendizaje automático, también plantea ciertos retos. Estas son algunas limitaciones que debes tener en cuenta al implementar flujos de trabajo HITL:

• Flujos de trabajo más lentos: Como las personas tienen que revisar y etiquetar los datos, el entrenamiento y las actualizaciones tardan más que en los sistemas totalmente automatizados. Esto puede retrasar la disponibilidad de nuevas versiones de un modelo.
• Costes más elevados: Contratar a anotadores cualificados o especialistas aumenta los gastos, sobre todo cuando se trabaja con grandes conjuntos de datos o tareas complejas.
• Escalabilidad limitada: A medida que aumenta el volumen de datos, resulta más difícil mantener la participación humana sin herramientas específicas o asistencia para la automatización.
• Retrasos en el despliegue: La intervención humana constante puede retrasar el despliegue y dificultar la actualización de modelos en tiempo real.

Conclusiones clave#

El aprendizaje automático con intervención humana en el ciclo es una forma práctica de entrenar modelos de IA para que gestionen situaciones del mundo real con mayor precisión. Al añadir aportaciones humanas, los modelos mejoran más rápido, detectan más errores y rinden mejor con datos complejos.

El aprendizaje activo hace que este proceso sea aún más eficiente al permitir que el modelo pida ayuda solo cuando tiene dudas. En conjunto, estos enfoques pueden ayudar a crear modelos de IA más fiables y eficientes.

Conecta con nuestra comunidad y explora nuestro repositorio de GitHub para profundizar en la IA. Echa un vistazo a nuestras páginas de soluciones para conocer innovaciones como la IA en la fabricación y la visión artificial en el comercio minorista. Descubre nuestras opciones de licencia y empieza hoy mismo a crear con visión artificial.