Le machine learning avec intervention humaine (HITL) expliqué

Aujourd’hui, nous utilisons l’intelligence artificielle (AI) et l’apprentissage automatique (ML) plus souvent que nous le pensons. Ces technologies contribuent à optimiser les fils d’actualité des réseaux sociaux, à organiser nos bibliothèques de photos numériques et à aider les médecins à diagnostiquer des maladies.

Mais même les systèmes d’IA les plus avancés peuvent se tromper. Ils peuvent passer à côté de détails importants ou mal interpréter ce qu’ils voient. Pour améliorer les résultats, de nombreux développeurs et passionnés d’IA se tournent vers une approche appelée IA avec humain dans la boucle (HITL). Cette méthode combine le jugement humain et l’efficacité des machines. Au fil du temps, des personnes interviennent pour entraîner, examiner et affiner les performances d’un modèle d’IA.

Dans cet article, nous allons découvrir ce que représente l’IA avec humain dans la boucle, comment elle fonctionne et dans quels contextes elle peut être utilisée dans le monde réel. C’est parti !

Principes fondamentaux du HITL#

Avant d’examiner l’importance des workflows HITL, intéressons-nous de plus près aux principes de base de l’approche avec humain dans la boucle.

Qu’est-ce que le HITL ? Sa définition fondamentale#

Les modèles d’IA sont rapides et capables de traiter d’énormes quantités de données, mais ils peuvent tout de même se tromper. Par exemple, en vision par ordinateur, un sous-domaine de l’IA consacré à la compréhension et à l’analyse d’images et de vidéos, un modèle peut mal interpréter une photo floue ou manquer un détail subtil.

Cela s’explique par le fait que les modèles d’IA s’appuient sur des motifs présents dans les données plutôt que sur une véritable compréhension. Si les données sont imprécises, biaisées ou incomplètes, les résultats du modèle peuvent manquer de précision.

L’automatisation avec humain dans la boucle intègre des personnes au processus d’entraînement afin d’aider les modèles à apprendre plus efficacement. Au lieu de fonctionner en totale autonomie, ces systèmes reçoivent régulièrement des retours humains. Des personnes examinent les résultats, corrigent les erreurs et orientent le modèle au fil de ses améliorations.

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

Pourquoi la présence d’humains dans la boucle est-elle nécessaire ?#

Tu te demandes peut-être si les interventions humaines sont vraiment nécessaires. Cela ne semble-t-il pas aller à l’encontre de l’objectif général, qui est de rendre l’IA plus autonome ? Pourtant, les systèmes d’IA apprennent à partir des données, et les jeux de données ne donnent parfois pas une image complète de la réalité.

Par exemple, avec les voitures autonomes, il existe de nombreuses situations qu’un modèle d’IA peut ne pas comprendre pleinement. Il peut avoir du mal face à des conditions routières inhabituelles, à des obstacles inattendus ou à des événements rares qu’il n’a jamais rencontrés. Dans ces cas, le guidage humain joue un rôle important pour permettre au système d’apprendre et de réagir plus sûrement au fil du temps.

Dans l’ensemble, les humains jouent un rôle essentiel dans tout projet d’AI. Ils sélectionnent et annotent les données, examinent les résultats des modèles et fournissent des commentaires qui aident le système à s’améliorer. Sans intervention humaine dans la boucle, les solutions d’AI auraient du mal à s’adapter à des situations complexes du monde réel.

Comprendre le rôle de la machine dans la boucle#

Les humains assurent la supervision et fournissent des retours, tandis que la machine apprend à partir de ces informations et s’améliore au fil du temps. Les modèles d’IA utilisent les corrections humaines pour affiner leurs prédictions, combler les lacunes lorsque des données manquent ou ne sont pas annotées, et prendre progressivement en charge des tâches à une échelle bien supérieure à ce que les humains pourraient gérer seuls. Ce cycle de retours et d’ajustements, ou de réentraînement, permet aux modèles d’IA de gagner en fiabilité à mesure qu’ils traitent de nouvelles informations.

Comment fonctionne l’approche avec humain dans la boucle ?#

Dans un workflow d’IA avec humain dans la boucle classique, un modèle d’IA traite les données et produit une prédiction. En cas d’incertitude ou si la tâche est complexe, le résultat est signalé pour être examiné par une personne. Celle-ci vérifie la prédiction, la corrige si nécessaire, puis les mises à jour sont réintégrées aux données d’entraînement. Le modèle continue d’apprendre à chaque cycle.

Cette boucle aide le modèle d’IA à progresser dans les domaines où il rencontre des difficultés. Au lieu de s’appuyer uniquement sur des données préannotées, le système apprend aussi à partir de retours en temps réel. Au fil du temps, le modèle gagne en assurance et en précision, en particulier pour les tâches où la précision est essentielle, comme la détection de petits objets dans des images ou l’identification de défauts lors d’inspections visuelles.

Fig. 2. Présentation de l’approche avec humain dans la boucle (Source)

Le HITL dans l’apprentissage supervisé#

Les applications d’AI qui utilisent l’apprentissage supervisé illustrent parfaitement l’approche de l’AI avec intervention humaine. Ces solutions d’AI reposent sur l’annotation des données, dans le cadre de laquelle des personnes étiquettent des exemples pour entraîner le modèle.

La plupart des projets de vision par ordinateur reposent sur ce processus : des personnes étiquettent les objets dans les images afin que les modèles de vision par ordinateur comme Ultralytics YOLO11 apprennent à les reconnaître. Lorsque les annotations manquent de clarté ou sont incohérentes, le modèle risque d’apprendre de mauvais motifs et d’avoir du mal à obtenir de bons résultats.

Fig. 3. Exemple d’utilisation d’Ultralytics YOLO11 pour détecter des objets dans une image.

Apprentissage actif et approche avec humain dans la boucle#

L’apprentissage actif est une méthode qui rend les systèmes avec humain dans la boucle plus efficaces. Au lieu de demander aux humains d’examiner chaque donnée, le système d’IA sélectionne uniquement les cas pour lesquels il manque de certitude. Les personnes chargées de l’examen peuvent alors se concentrer sur ces exemples précis, ce qui permet de gagner du temps et de réduire les efforts.

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

Cette approche fonctionne particulièrement bien pour des tâches comme l’analyse d’images. Prenons l’exemple d’un modèle d’IA de vision entraîné à détecter des défauts sur des photos de produits. La plupart du temps, il produit des prédictions précises, mais il rencontre parfois des difficultés face à un éclairage inhabituel ou à des motifs inconnus. L’apprentissage actif peut signaler ces images complexes afin qu’une personne intervienne et apporte des corrections. Le modèle peut ensuite intégrer ces retours et s’améliorer à chaque cycle de réentraînement.

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

Les workflows HITL peuvent aider les modèles de vision par ordinateur à obtenir de meilleurs résultats grâce à des retours continus. Lorsque des personnes interviennent pour examiner des résultats incertains, corriger des erreurs ou ajouter des étiquettes manquantes, le modèle apprend à reconnaître les objets avec plus de précision et d’assurance.

Ce processus ne fait pas qu’améliorer l’entraînement. Il rend aussi les tests, le réglage et la validation plus fiables. Au fil du temps, la boucle de retours contribue à créer des solutions de vision par ordinateur plus efficaces dans des situations réelles.

Exemples concrets d’IA avec humain dans la boucle#

Voyons maintenant quelques exemples d’utilisation de l’IA avec humain dans la boucle pour améliorer les applications d’IA de vision grâce à l’automatisation HITL.

Santé et imagerie médicale#

Par rapport à d’autres secteurs, l’IA dans le domaine de la santé exige une précision bien supérieure, d’où l’importance des workflows d’IA HITL. En imagerie médicale, par exemple, des modèles d’IA de vision comme Ultralytics YOLO11 peuvent analyser des radiographies, des IRM et des lames d’histopathologie, mais des spécialistes examinent tout de même les résultats pour s’assurer qu’ils sont corrects.

Imaginons qu’un modèle Ultralytics YOLO11 entraîné sur mesure soit utilisé pour détecter une possible anomalie pulmonaire sur une radiographie. Un radiologue peut examiner la prédiction, vérifier si elle est correcte et corriger les erreurs éventuelles. Ces retours peuvent ensuite être réintégrés au processus d’entraînement afin d’aider le modèle à s’améliorer et de réduire le risque de fausses alertes ou de cas non détectés à l’avenir.

Contrôle et assurance qualité#

Dans l’industrie manufacturière, les systèmes de vision par ordinateur servent à inspecter les pièces et les matériaux à la recherche de défauts. Le HITL apporte une couche supplémentaire de précision lorsque le modèle est incertain. Par exemple, dans la production automobile, un système peut signaler comme une fissure un reflet inoffensif à la surface d’un composant métallique.

Un technicien peut examiner le résultat, corriger l’erreur et intégrer ce retour à la boucle. Au fil du temps, ce processus améliore la cohérence, même dans des environnements où l’éclairage varie ou lorsque les pièces se ressemblent beaucoup.

Jeux de données rares et tâches visuelles spécialisées#

Les workflows avec humain dans la boucle sont également essentiels lorsque les données d’entraînement sont limitées, par exemple en archéologie ou en télédétection. Dans ces cas, des spécialistes examinent et étiquettent un petit ensemble d’exemples, à partir duquel le modèle d’IA commence à apprendre. Au fil du temps, ces retours aident le modèle à détecter des motifs spécifiques, comme des types de cultures, des caractéristiques des sols ou des artéfacts, même si seuls quelques exemples annotés sont disponibles.

Limites des workflows avec humain dans la boucle#

Bien que l’approche avec humain dans la boucle offre de nombreux avantages pour l’apprentissage automatique, elle présente aussi certains défis. Voici quelques limites à garder à l’esprit lors de la mise en place de workflows HITL :

• Workflows plus lents : Comme des personnes doivent examiner et annoter les données, l’entraînement et les mises à jour prennent plus de temps que dans les systèmes entièrement automatisés. La disponibilité des nouvelles versions d’un modèle peut donc être retardée.
• Coûts plus élevés : Le recrutement d’annotateurs qualifiés ou de spécialistes augmente les dépenses, surtout lorsqu’il s’agit de grands jeux de données ou de tâches complexes.
• Évolutivité limitée scalabilité : à mesure que le volume de données augmente, il devient plus difficile de maintenir l’intervention humaine sans outils dédiés ni aide à l’automatisation.
• Délais de déploiement : Une intervention humaine constante peut retarder le déploiement et compliquer la mise à jour des modèles en temps réel.

Points clés à retenir#

L’apprentissage automatique avec humain dans la boucle est une méthode pratique pour entraîner des modèles d’IA à traiter les situations réelles avec plus de précision. En intégrant les interventions humaines, les modèles s’améliorent plus rapidement, détectent davantage d’erreurs et gèrent mieux les données complexes.

L’apprentissage actif rend ce processus encore plus efficace : le modèle ne demande de l’aide que lorsqu’il manque de certitude. Ensemble, ces approches peuvent contribuer à créer des modèles d’IA plus fiables et plus efficaces.

Rejoins notre communauté et explore notre dépôt GitHub pour approfondir tes connaissances en IA. Consulte nos pages de solutions pour découvrir des innovations comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans le commerce de détail. Découvre nos options de licence et commence dès aujourd’hui à créer des solutions de vision par ordinateur !