El machine learning con intervención humana (HITL), explicado

Hoy en día, tendemos a utilizar la inteligencia artificial (AI) y el aprendizaje automático (ML) más a menudo de lo que creemos. Estas tecnologías punteras 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 AI más avanzados pueden cometer errores. Pueden pasar por alto detalles importantes o interpretar mal lo que ven. Para mejorar los resultados, muchos desarrolladores y entusiastas de la AI recurren a un enfoque denominado AI con intervención humana (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 AI con el tiempo.

En este artículo, veremos qué representa la AI con intervención humana, cómo funciona y dónde puede utilizarse 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 conceptos básicos del enfoque con intervención humana.

¿Qué es HITL? Significado fundamental#

Aunque los modelos de AI son rápidos y capaces de procesar enormes cantidades de datos, aún pueden confundirse. Por ejemplo, en la visión artificial, un subcampo de la AI centrado 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 AI se basan en patrones presentes en los datos, en lugar de en una comprensión real. Si los datos no son claros, están sesgados o están incompletos, el resultado del modelo puede ser inexacto.

La automatización con intervención humana 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 de forma periódica. Las personas revisan los resultados, corrigen errores y guían al modelo mientras mejora con el tiempo.

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

¿Por qué es necesario contar con personas en el circuito?#

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

Por ejemplo, en el caso de los vehículos autónomos, hay muchas situaciones que un modelo de AI podría no comprender del todo. Podría tener dificultades con condiciones inusuales de la carretera, obstáculos inesperados o situaciones 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 de forma más segura con el tiempo.

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

Comprender el papel de la máquina en el circuito#

Mientras que las personas proporcionan supervisión y comentarios, el papel de la máquina consiste en aprender de esas aportaciones y mejorar con el tiempo. Los modelos de AI utilizan las correcciones humanas para perfeccionar sus predicciones, completar las carencias cuando faltan datos o estos 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 o reentrenamiento permite que los modelos de AI sean más fiables a medida que procesan información nueva.

¿Cómo funciona la intervención humana?#

En un flujo de trabajo habitual de AI con intervención humana, un modelo de AI 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, realiza correcciones si es necesario y esas actualizaciones se vuelven a incorporar a los datos de entrenamiento. El modelo sigue aprendiendo en cada ciclo.

Este circuito ayuda al modelo de AI a mejorar en las áreas en las que tiene dificultades. En lugar de depender únicamente de 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. Descripción general del enfoque con intervención humana (Fuente)

HITL en el aprendizaje supervisado#

Las aplicaciones de AI que utilizan el aprendizaje supervisado son un excelente ejemplo del enfoque de AI con intervención humana. Estas soluciones de AI dependen de la anotación de datos, en 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. Cuando las anotaciones no son claras o son incoherentes, el modelo puede aprender patrones incorrectos y tener dificultades para ofrecer un buen rendimiento.

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

Aprendizaje activo frente a intervención humana#

El aprendizaje activo es un método que se utiliza para hacer más eficientes los sistemas con intervención humana. En lugar de pedir a las personas que revisen cada dato, el sistema de AI selecciona únicamente los casos sobre los que no tiene certeza. De este modo, los revisores 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. Considera un modelo de AI para visión entrenado para detectar defectos en fotos de productos. La mayoría de las veces realiza predicciones precisas, pero en ocasiones tiene dificultades con una iluminación inusual o patrones desconocidos. El aprendizaje activo puede utilizarse para marcar esas imágenes complicadas y permitir que una persona intervenga y realice correcciones. 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 facilitar que los modelos de visión artificial ofrezcan un mejor rendimiento al añadir comentarios continuos. 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 circuito de comentarios ayuda a crear soluciones de visión artificial que funcionan de forma más eficaz en situaciones del mundo real.

Ejemplos reales de AI con intervención humana#

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

Sanidad e imágenes médicas#

En comparación con otros sectores, la AI en sanidad requiere una precisión mucho mayor, por lo que los flujos de trabajo de AI con HITL son tan importantes. Por ejemplo, en el diagnóstico por imagen, los modelos de AI para visión, como Ultralytics YOLO11, pueden utilizarse para analizar radiografías, resonancias magnéticas y portaobjetos de patología, pero los expertos siguen revisando los resultados para asegurarse de que son correctos.

Supongamos 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. Esos comentarios pueden volver a incorporarse al proceso de entrenamiento, lo que ayuda al modelo a mejorar y reduce las probabilidades de falsas alarmas o casos no detectados en el futuro.

Control y garantía de calidad#

En la fabricación, los sistemas de visión artificial se utilizan para examinar 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 como grieta un reflejo superficial inofensivo en un componente metálico.

Un técnico puede revisar el resultado, corregir el error y añadir esos comentarios al circuito. Con el tiempo, este proceso mejora la coherencia, incluso en entornos con una iluminación cambiante o cuando las piezas tienen un aspecto muy similar entre sí.

Conjuntos de datos poco frecuentes y tareas visuales especializadas#

Otra área en la que los flujos de trabajo con intervención humana son esenciales es aquella en la que los datos de entrenamiento son limitados, como la arqueología o la teledetección. En estos casos, los expertos revisan y etiquetan un pequeño conjunto de ejemplos que el modelo de AI 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 disponibles.

Inconvenientes de los flujos de trabajo con intervención humana#

Aunque la intervención humana ofrece muchas ventajas para el aprendizaje automático, también plantea ciertos desafíos. 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 expertos aumenta los gastos, especialmente cuando se trabaja con conjuntos de datos grandes o tareas complejas.
• Escalabilidad limitada: A medida que crece el volumen de datos, resulta más difícil mantener la participación humana sin herramientas específicas o apoyo 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 AI para que gestionen situaciones del mundo real con mayor precisión. Al añadir aportaciones humanas, 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, ya que permite que el modelo pida ayuda solo cuando no está seguro. Juntos, estos enfoques pueden ayudar a crear modelos de AI más fiables y eficientes.

Conecta con nuestra comunidad y explora nuestro repositorio de GitHub para profundizar en la AI. Consulta nuestras páginas de soluciones para conocer innovaciones como la AI 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!