L'apprentissage automatique avec intervention humaine (HITL) expliqué

De nos jours, nous avons tendance à utiliser l'artificial intelligence (AI) et l'apprentissage automatique (ML) plus souvent que nous ne le pensons. Ces technologies de pointe aident à optimiser nos flux sur les réseaux sociaux, à organiser nos photothèques numériques et à permettre aux médecins de diagnostiquer plus facilement les maladies.

Mais même les systèmes d'IA les plus avancés peuvent faire des erreurs. Ils peuvent négliger des détails clés ou mal interpréter ce qu'ils voient. Pour améliorer les résultats, de nombreux développeurs et passionnés d'IA se tournent vers une approche appelée l'IA avec humain dans la boucle (HITL). Cette méthode associe le jugement humain à l'efficacité des machines. Les gens interviennent pour entraîner, examiner et affiner la performances d'un modèle d'IA au fil du temps.

Dans cet article, nous explorerons ce que représente l'IA avec intervention humaine, comment elle fonctionne et où elle peut être utilisée dans le monde réel. Commençons !

Concepts fondamentaux du HITL#

Avant de plonger dans l'importance des flux de travail HITL, examinons de plus près les bases de l'approche avec intervention humaine.

Qu'est-ce que le HITL ? La signification principale#

Bien que les modèles d'IA soient rapides et capables de traiter des quantités massives de données, ils peuvent toujours être confus. Par exemple, en computer vision, un sous-domaine de l'IA axé sur la compréhension et l'analyse d'images et de vidéos, un modèle peut mal lire une photo floue ou rater un détail subtil.

Cela se produit parce que les modèles d'IA s'appuient sur des modèles dans les données plutôt que sur une véritable compréhension. Si les données sont floues, biaisées ou incomplètes, le résultat du modèle peut être inexact.

L'automatisation avec intervention humaine intègre des personnes dans le processus d'entraînement pour aider les modèles à apprendre plus efficacement. Au lieu de fonctionner entièrement par eux-mêmes, ces systèmes reçoivent régulièrement des commentaires humains. Les gens examinent les résultats, corrigent les erreurs et guident le modèle à mesure qu'il s'améliore avec le temps.

Fig 1. Qu'est-ce que l'automatisation avec humain dans la boucle ? (Source)

Pourquoi est-il nécessaire d'avoir des humains dans la boucle ?#

Tu te demandes peut-être : les interventions humaines sont-elles vraiment nécessaires ? Cela ne semble-t-il pas contredire l'objectif général de rendre l'IA plus indépendante ? Cependant, la réalité est que les systèmes d'IA apprennent à partir des données, et parfois les jeux de données ne brossent pas un tableau complet.

Par exemple, avec les self-driving cars, il existe de nombreuses situations qu'un modèle d'IA peut ne pas comprendre pleinement. Il peut avoir du mal à gérer des conditions routières inhabituelles, des obstacles imprévus ou des événements rares qu'il n'a jamais vus auparavant. Dans ces cas, l'accompagnement humain est un élément important pour permettre au système d'apprendre et de réagir plus en sécurité au fil du temps.

Dans l'ensemble, les humains sont une partie essentielle de tout projet d'IA. Ils organisent et annotent les données, examinent les résultats des modèles et fournissent des commentaires qui aident le système à s'améliorer. Sans humains dans la boucle, les solutions d'IA auraient du mal à s'adapter aux situations complexes du monde réel.

Comprendre le rôle de la machine dans la boucle#

Alors que les humains fournissent une supervision et des retours, le rôle de la machine est d'apprendre de ces apports et de s'améliorer au fil du temps. Les modèles d'IA utilisent les corrections humaines pour affiner leurs prédictions, combler les lacunes lorsque les données sont manquantes ou non étiquetées, et prendre progressivement en charge des tâches à une échelle bien au-delà de ce que les gens pourraient gérer seuls. Ce cycle de rétroaction et d'ajustement ou de retraining permet aux modèles d'IA de devenir plus fiables à mesure qu'ils traitent de nouvelles informations.

Comment fonctionne l'intervention humaine dans la boucle ?#

Dans un flux de travail d'IA avec intervention humaine typique, un modèle d'IA traite les données et fait une prédiction. Lorsqu'il est incertain ou que la tâche est complexe, le résultat est signalé pour un examen humain. Une personne vérifie alors la prédiction, apporte des corrections si nécessaire, et ces mises à jour sont réintégrées dans les données d'entraînement. Le modèle continue d'apprendre à chaque cycle.

Cette boucle aide le modèle d'IA à s'améliorer dans les domaines où il rencontre des difficultés. Au lieu de s'en remettre uniquement à des données pré-étiquetées, le système apprend également à partir de retours en temps réel. Au fil du temps, le modèle gagne en confiance et en précision, en particulier dans les tâches où la precision est essentielle, comme la détection de petits objets sur des images ou l'identification de défauts lors d'inspections visuelles.

Fig 2. Un aperçu de l'approche avec humain dans la boucle (Source)

Le HITL dans l'apprentissage supervisé#

Les applications d'IA qui utilisent l'supervised learning constituent un excellent exemple de l'approche avec humain dans la boucle pour l'IA. Ces solutions d'IA dépendent de l'annotation des données, où des humains étiquettent des exemples pour entraîner le modèle.

La plupart des projets de vision par ordinateur reposent sur ce processus, des personnes étiquetant des objets sur des images afin que des modèles de vision par ordinateur tels que Ultralytics YOLO11 puissent apprendre ce qu'il faut reconnaître. Lorsque les annotations ne sont pas claires ou sont incohérentes, le modèle peut apprendre les mauvais schémas et avoir du mal à obtenir de bons résultats.

Fig 3. Un exemple d'utilisation d'Ultralytics YOLO11 pour détecter des objets dans une image.

Apprentissage actif vs intervention humaine#

L'Active learning est une méthode utilisée pour rendre les systèmes avec humain dans la boucle plus efficaces. Au lieu de demander aux humains de passer en revue chaque donnée, le système d'IA sélectionne uniquement les cas pour lesquels il est incertain. Les examinateurs peuvent alors se concentrer sur ces exemples spécifiques, ce qui permet d'économiser du temps et des efforts.

Fig 4. Qu'est-ce que l'apprentissage actif ? Image de l'auteur.

Cette approche fonctionne particulièrement bien pour des tâches telles que l'analyse d'images. Pense à un vision AI model entraîné à détecter des défauts sur des photos de produits. La plupart du temps, il fait des prédictions précises, mais il a parfois du mal avec un éclairage inhabituel ou des motifs non familiers. L'apprentissage actif peut être utilisé pour signaler ces images délicates afin qu'une personne puisse intervenir et apporter des corrections. Le modèle peut ensuite intégrer ce retour et s'améliorer à chaque cycle de réentraînement.

Comment le HITL améliore-t-il les résultats en vision par ordinateur ?#

Les flux de travail HITL peuvent faciliter l'amélioration des performances des modèles de vision par ordinateur en ajoutant un retour d'information continu. Lorsque des personnes interviennent pour examiner les résultats incertains, corriger les erreurs ou ajouter des étiquettes manquantes, le modèle apprend à reconnaître les objets plus précisément et avec une plus grande confiance.

Ce processus ne fait pas qu'améliorer l'entraînement. Il rend également les tests, le réglage et la validation plus fiables. Au fil du temps, la boucle de rétroaction aide à construire des computer vision solutions qui fonctionnent plus efficacement dans des situations réelles.

Exemples réels d'IA avec intervention humaine#

Ensuite, passons en revue quelques exemples d'IA avec intervention humaine sur la façon dont l'automatisation HITL peut être utilisée pour améliorer les applications d'IA de vision.

Santé et imagerie médicale#

Comparée à d'autres secteurs, l'IA dans la santé exige une précision bien plus élevée, ce qui rend les flux de travail d'IA HITL si essentiels. En imagerie médicale, par exemple, les modèles d'IA de vision comme Ultralytics YOLO11 peuvent être utilisés pour analyser des radiographies, des IRM et des lames de pathologie, mais des experts examinent toujours les résultats pour s'assurer qu'ils sont corrects.

Imaginons qu'un modèle Ultralytics YOLO11 entraîné sur mesure soit utilisé pour détecter une anomalie pulmonaire possible sur une radiographie. Un radiologue peut examiner la prédiction, confirmer si elle est exacte et corriger d'éventuelles erreurs. Ces retours peuvent ensuite être réintégrés dans le processus d'entraînement, aidant le modèle à s'améliorer et réduisant les risques de fausses alarmes ou de cas manqués à l'avenir.

Contrôle et assurance qualité#

Dans l'industrie manufacturière, les systèmes de vision par ordinateur sont utilisés pour scanner des pièces et des matériaux à la recherche de défauts, et le HITL ajoute une couche supplémentaire de précision lorsque le modèle est incertain. Par exemple, dans la automotive production, un système peut signaler un reflet de surface inoffensif sur un composant métallique comme s'il s'agissait d'une fissure.

Un technicien peut examiner le résultat, corriger l'erreur et ajouter ce commentaire dans la boucle. Au fil du temps, ce processus améliore la cohérence, même dans des environnements avec un éclairage changeant ou lorsque les pièces se ressemblent beaucoup.

Jeux de données rares et tâches visuelles spécialisées#

Un autre domaine où les flux de travail avec humain dans la boucle sont essentiels est celui où les données d'entraînement sont limitées, comme en archaeology ou en télédétection. Dans ces cas, des experts examinent et étiquettent un petit ensemble d'exemples, que le modèle d'IA utilise pour commencer son apprentissage. Au fil du temps, ce retour aide le modèle à détecter des motifs spécifiques, tels que des types de cultures, des caractéristiques du sol ou des artéfacts, même lorsque seuls quelques échantillons étiquetés sont disponibles.

Inconvénients des flux de travail avec intervention humaine#

Bien qu'il y ait de nombreux avantages à l'intervention humaine pour l'apprentissage automatique, cela comporte également certains défis. Voici quelques limites à garder à l'esprit lors de la mise en œuvre des flux de travail HITL :

• Flux de travail plus lents : Comme les gens doivent examiner et étiqueter les données, l'entraînement et les mises à jour prennent plus de temps que dans les systèmes entièrement automatisés. Cela peut retarder la rapidité avec laquelle les nouvelles versions d'un modèle sont prêtes à être utilisées.
• Coûts plus élevés : L'embauche d'annotateurs qualifiés ou d'experts augmente les dépenses, surtout lorsqu'on travaille avec de grands jeux de données ou des tâches compliquées.
• Scalability limitée : à mesure que les volumes de données augmentent, il devient plus difficile de maintenir l'implication humaine sans outils dédiés ou sans l'aide de l'automatisation.
• Retards de déploiement : Une implication humaine constante peut retarder le déploiement et rendre plus difficile la mise à jour des modèles en temps réel.

Points clés#

L'apprentissage automatique avec intervention humaine est un moyen pratique d'entraîner les modèles d'IA à gérer les situations du monde réel avec plus de précision. En ajoutant l'intervention humaine, les modèles s'améliorent plus rapidement, détectent plus d'erreurs et fonctionnent mieux avec des données complexes.

L'apprentissage actif rend ce processus encore plus efficace en demandant au modèle de solliciter de l'aide uniquement lorsqu'il est incertain. Ensemble, ces approches peuvent aider à construire des modèles d'IA plus fiables et efficaces.

Connecte-toi avec notre community et explore notre GitHub repository pour approfondir tes connaissances en IA. Consulte nos pages de solutions pour en savoir plus sur des innovations telles que l'AI in manufacturing et la computer vision in retail. Découvre nos licensing options et commence à créer dès aujourd'hui avec la vision par ordinateur !