Aprendizaje automático con humanos en el bucle (HITL) explicado

Hoy en día, tendemos a utilizar la inteligencia artificial (IA) y el aprendizaje automático (ML) más a menudo de lo que pensamos. Estas tecnologías de vanguardia ayudan a optimizar nuestros feeds en redes sociales, organizar nuestras bibliotecas de fotos digitales y facilitar que los médicos diagnostiquen 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 están recurriendo a un enfoque llamado IA de bucle humano (HITL). Este método combina el juicio 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, cómo funciona y dónde puede utilizarse en el mundo real. ¡Empecemos!

Conceptos fundamentales de HITL#

Antes de sumergirnos en la importancia de los flujos de trabajo HITL, analicemos más de cerca los conceptos básicos del enfoque de intervención humana.

¿Qué es HITL? El significado central#

Aunque los modelos de IA son rápidos y capaces de procesar cantidades masivas de datos, aún pueden confundirse. Por ejemplo, en computer vision, un subcampo de la IA centrado en comprender y analizar imágenes y vídeos, un modelo podría leer mal una foto borrosa o pasar por alto un detalle sutil.

Esto sucede porque los modelos de IA se basan en patrones en los datos en lugar de una verdadera comprensión. Si los datos no están claros, están sesgados o están incompletos, la salida del modelo puede ser inexacta.

La automatización con intervención humana integra a las personas en el proceso de entrenamiento para ayudar a los modelos a aprender de manera más efectiva. En lugar de operar completamente por sí mismos, estos sistemas reciben retroalimentación humana periódica. Las personas revisan los resultados, corrigen errores y guían al modelo a medida que mejora con el tiempo.

Fig 1. ¿Qué es la automatización con bucle humano? (Source)

¿Por qué es necesario contar con humanos en el proceso?#

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

Por ejemplo, con los coches autónomos, hay muchas situaciones que un modelo de IA puede no entender por completo. Puede tener dificultades con condiciones de carretera inusuales, obstáculos inesperados o eventos raros que no ha visto antes. En estos casos, la guía humana es una parte importante para que el sistema aprenda y responda de manera más segura con el tiempo.

En general, los humanos son una parte fundamental de cualquier proyecto de IA. Ellos curan y anotan datos, revisan los resultados del modelo y proporcionan retroalimentación que ayuda al sistema a mejorar. Sin la intervención humana, las soluciones de IA tendrían dificultades para adaptarse a situaciones complejas del mundo real.

Entender el papel de la máquina en el bucle#

Mientras que los humanos proporcionan supervisión y comentarios, el papel de la máquina es aprender de esa aportación y mejorar con el tiempo. Los modelos de IA utilizan las correcciones humanas para perfeccionar sus predicciones, rellenar huecos donde los datos faltan 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 comentarios y ajuste fino o reentrenamiento hace posible que los modelos de IA sean más fiables a medida que procesan nueva información.

¿Cómo funciona tener a un humano en el bucle?#

En un flujo de trabajo típico de IA con intervención humana, un modelo de IA procesa datos y realiza una predicción. Cuando el resultado es incierto o la tarea es compleja, se marca para revisión humana. Una persona comprueba entonces la predicción, realiza correcciones si es necesario, y esas actualizaciones se vuelven a añadir a los datos de entrenamiento. El modelo continúa aprendiendo con cada ciclo.

Este bucle ayuda a que el modelo de IA mejore en áreas donde tiene dificultades. En lugar de depender solo de datos previamente etiquetados, el sistema también aprende de los comentarios en tiempo real. Con el tiempo, el modelo gana confianza y precisión, especialmente en tareas donde la precisión es fundamental, como detectar objetos pequeños en imágenes o identificar defectos durante inspecciones visuales.

Fig 2. Una visión general del enfoque de bucle humano (Source)

HITL en el aprendizaje supervisado#

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

La mayoría de los proyectos de computer vision se basan en este proceso, en el que las personas etiquetan objetos en imágenes para que los modelos de computer vision como Ultralytics YOLO11 aprendan qué deben reconocer. Cuando las anotaciones no están claras o son incoherentes, el modelo puede aprender los patrones incorrectos y tener dificultades para funcionar bien.

Fig. 3. Un ejemplo de uso de Ultralytics YOLO11 para detectar objetos en una imagen.

Aprendizaje activo frente a intervención humana#

El aprendizaje activo es un método utilizado para hacer que los sistemas de bucle humano sean más eficientes. En lugar de pedir a los humanos que revisen cada dato, el sistema de IA selecciona únicamente los casos sobre los que tiene dudas. Los revisores pueden centrarse entonces en esos ejemplos específicos, ahorrando tiempo y esfuerzo.

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

Este enfoque funciona especialmente bien para tareas como el análisis de imágenes. Considera un modelo de IA de visión entrenado para detectar defectos en fotos de productos. La mayoría de las veces hace predicciones precisas, pero ocasionalmente tiene problemas con iluminación inusual o patrones desconocidos. Se puede utilizar el aprendizaje activo para marcar esas imágenes difíciles para que una persona pueda intervenir y hacer correcciones. El modelo puede entonces incorporar esos comentarios y mejorar con cada ciclo de reentrenamiento.

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

Los flujos de trabajo HITL pueden facilitar que los modelos de visión artificial funcionen mejor mediante la adición de 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 solo mejora el entrenamiento. También hace que las pruebas, el ajuste y la validación sean más fiables. Con el tiempo, el bucle de retroalimentación ayuda a construir soluciones de computer vision que funcionan con mayor eficacia en situaciones del mundo real.

Ejemplos reales de IA con intervención humana#

A continuación, veamos algunos ejemplos de IA con intervención humana de cómo la automatización HITL puede utilizarse para mejorar las aplicaciones de visión IA.

Atención sanitaria e imagen médica#

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

Digamos que se utiliza un modelo de Ultralytics YOLO11 entrenado a medida para detectar una posible anomalía pulmonar en una radiografía. Un radiólogo puede revisar la predicción, confirmar si es precisa y corregir cualquier error. A continuación, esa información de retroalimentación se puede volver a añadir al proceso de entrenamiento, lo que ayuda a que el modelo mejore y reduce las posibilidades de falsas alarmas o casos pasados por alto en el futuro.

Control y garantía de calidad#

En la fabricación, los sistemas de computer vision se utilizan para escanear piezas y materiales en busca de defectos, y HITL añade una capa adicional de precisión cuando el modelo no está seguro. Por ejemplo, en la producción de automóviles, un sistema podría marcar un reflejo superficial inofensivo en un componente metálico como si fuera una grieta.

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

Conjuntos de datos raros y tareas visuales especializadas#

Otra área donde los flujos de trabajo de bucle humano son esenciales es cuando los datos de entrenamiento son limitados, como en la arqueología o la teledetección. En estos casos, los expertos revisan y etiquetan un conjunto pequeño 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 solo se dispone de unas pocas muestras etiquetadas.

Inconvenientes de los flujos de trabajo con intervención humana#

Aunque la intervención humana tiene muchos beneficios para el aprendizaje automático, también presenta ciertos desafíos. Aquí tienes algunas limitaciones a tener en cuenta al implementar flujos de trabajo HITL:

• Flujos de trabajo más lentos: Dado que las personas necesitan revisar y etiquetar los datos, el entrenamiento 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: Contratar anotadores expertos o especialistas aumenta los gastos, especialmente cuando se trabaja con grandes conjuntos de datos o tareas complicadas.
• Escalabilidad limitada: 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 participación humana constante puede retrasar el despliegue y dificultar la actualización de los modelos en tiempo real.

Conclusiones clave#

El aprendizaje automático con intervención humana es una forma práctica de entrenar modelos de IA para manejar situaciones del mundo real con mayor precisión. Al añadir la intervención humana, 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 hacer que el modelo pida ayuda solo cuando no está seguro. Juntos, 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. Consulta nuestras páginas de soluciones para conocer innovaciones como la IA en la fabricación y la computer vision en el comercio minorista. ¡Descubre nuestras opciones de licencia y empieza a desarrollar con computer vision hoy mismo!