Aprendizaje automático con humanos en el bucle (HITL) explicado

Hoy en día, tendemos a utilizar la inteligencia artificial (IA) y el aprendizaje automático (ML) con más frecuencia de lo que creemos. Estas tecnologías de vanguardia ayudan a optimizar nuestras fuentes 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 entusiastas de la IA están recurriendo a un enfoque llamado IA con intervención humana (HITL, por sus siglas en inglés). 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 a lo largo del tiempo.

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

Link to this sectionConceptos 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.

Link to this section¿Qué es HITL? El significado central#

Si bien los modelos de IA son rápidos y capaces de procesar cantidades masivas de datos, aún pueden confundirse. Por ejemplo, en visión artificial, un subcampo de la IA centrado en comprender y analizar imágenes y vídeos, un modelo podría malinterpretar 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 intervención humana? (Fuente)

Link to this section¿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, existen muchas situaciones que un modelo de IA podría no comprender 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 paso del 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.

Link to this sectionEntender el papel de la máquina en el bucle#

Aunque los humanos proporcionan supervisión y retroalimentación, el papel de la máquina es aprender de esa entrada y mejorar con el tiempo. Los modelos de IA utilizan las correcciones humanas para refinar sus predicciones, rellenar los vacíos donde los datos faltan o no están etiquetados, y asumir gradualmente tareas a una escala mucho mayor de lo que las personas podrían gestionar por sí solas. Este ciclo de retroalimentación y ajuste fino o reentrenamiento hace posible que los modelos de IA se vuelvan más fiables a medida que procesan nueva información.

Link to this section¿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 al modelo de IA a mejorar en áreas donde tiene dificultades. En lugar de confiar solo en datos preetiquetados, el sistema también aprende de la retroalimentación en tiempo real. Con el tiempo, el modelo gana confianza y precisión, especialmente en tareas donde la precisión es crítica, como detectar objetos pequeños en imágenes o identificar defectos durante inspecciones visuales.

Fig 2. Una descripción general del enfoque de intervención humana (Fuente)

Link to this sectionHITL en el aprendizaje supervisado#

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

La mayoría de los proyectos de visión artificial dependen de este proceso, en el que las personas etiquetan objetos en las imágenes para que los modelos de visión artificial como Ultralytics YOLO11 puedan aprender qué reconocer. Cuando las anotaciones no están claras o son inconsistentes, el modelo puede aprender los patrones incorrectos y tener dificultades para funcionar bien.

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

Link to this sectionAprendizaje activo frente a intervención humana#

El aprendizaje activo es un método utilizado para hacer que los sistemas con intervención humana sean más eficientes. En lugar de pedir a los humanos que revisen cada dato, el sistema de IA selecciona solo los casos sobre los que tiene dudas. Los revisores pueden entonces centrarse 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 visión IA entrenado para detectar defectos en fotos de productos. La mayor parte del tiempo, realiza predicciones precisas, pero ocasionalmente tiene dificultades con iluminación inusual o patrones desconocidos. El aprendizaje activo se puede utilizar para marcar esas imágenes complicadas para que una persona pueda intervenir y realizar correcciones. El modelo puede entonces incorporar esa retroalimentación y mejorar con cada ciclo de reentrenamiento.

Link to this section¿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 crear soluciones de visión artificial que funcionan de manera más efectiva en situaciones del mundo real.

Link to this sectionEjemplos 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.

Link to this sectionAtención sanitaria e imagen médica#

En comparación con otros sectores, la IA en la atención sanitaria requiere una precisión mucho mayor, razón por la cual los flujos de trabajo de IA HITL son tan vitales. En imágenes médicas, por ejemplo, modelos de visión IA como YOLO11 pueden utilizarse para analizar radiografías, resonancias magnéticas y portaobjetos de patología, pero los expertos aún revisan los resultados para asegurarse de que sean correctos.

Digamos 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 precisa y corregir cualquier error. Esa retroalimentación puede entonces volver a añadirse al proceso de entrenamiento, ayudando al modelo a mejorar y reduciendo las posibilidades de falsas alarmas o casos omitidos en el futuro.

Link to this sectionControl y garantía de calidad#

En la fabricación, los sistemas de visión artificial se utilizan para escanear piezas y materiales en busca de defectos, y la HITL añade una capa adicional de precisión cuando el modelo no está seguro. Por ejemplo, en la producción de automoción, 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.

Link to this sectionConjuntos de datos raros y tareas visuales especializadas#

Otra área donde los flujos de trabajo de intervención humana son esenciales es cuando los datos de entrenamiento 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 comenzar 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 hay unas pocas muestras etiquetadas disponibles.

Link to this sectionInconvenientes 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, se vuelve 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.

Link to this sectionConclusiones 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. Echa un vistazo a nuestras páginas de soluciones para aprender sobre innovaciones como la IA en la fabricación y la visión artificial en el comercio minorista. ¡Descubre nuestras opciones de licencia y empieza a construir hoy mismo con visión artificial!