L’apprentissage automatique avec humain dans la boucle (HITL) expliqué

De nos jours, nous avons tendance à utiliser l’intelligence artificielle (AI) et l’apprentissage automatique (ML) plus souvent que nous ne le réalisons. Ces technologies de pointe contribuent à optimiser nos fils d’actualité sur les réseaux sociaux, à organiser nos photothèques numériques et à faciliter le diagnostic des maladies par les médecins.

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

Dans cet article, nous allons découvrir ce que représente l’AI avec intervention humaine, comment elle fonctionne et où elle peut être utilisée dans le monde réel. Commençons !

Concepts fondamentaux du HITL#

Avant d’examiner l’importance des workflows HITL, intéressons-nous de plus près aux bases de l’approche avec intervention humaine.

Qu’est-ce que le HITL ? La signification fondamentale#

Bien que les modèles d’AI soient rapides et capables de traiter d’immenses quantités de données, ils peuvent tout de même être déroutés. Par exemple, en vision par ordinateur, un sous-domaine de l’AI axé sur la compréhension et l’analyse des images et des vidéos, un modèle peut mal interpréter une photo floue ou ne pas détecter un détail subtil.

Cela se produit parce que les modèles d’AI s’appuient sur des schémas présents dans les données plutôt que sur une véritable compréhension. Si les données sont peu claires, biaisées ou incomplètes, la sortie du modèle peut être inexacte.

L’automatisation avec intervention humaine intègre des personnes au processus d’entraînement afin d’aider les modèles à apprendre plus efficacement. Au lieu de fonctionner entièrement de manière autonome, ces systèmes reçoivent régulièrement des retours humains. Les utilisateurs examinent les sorties, corrigent les erreurs et orientent le modèle à mesure qu’il s’améliore au fil du temps.

Fig. 1. Qu’est-ce que l’automatisation avec intervention humaine ? (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 contredire l’objectif général de rendre l’AI plus autonome ? Pourtant, la réalité est que les systèmes d’AI apprennent à partir des données, et que les jeux de données ne donnent parfois pas une vision complète de la situation.

Par exemple, avec les voitures autonomes, un modèle d’AI peut ne pas comprendre pleinement de nombreuses situations. Il peut avoir des difficultés face à des conditions routières inhabituelles, à des obstacles imprévus ou à des événements rares qu’il n’a jamais rencontrés. Dans ces cas, les conseils humains jouent un rôle important pour permettre au système d’apprendre et de réagir plus sûrement au fil du temps.

Globalement, les humains constituent une composante essentielle de tout projet d’AI. Ils sélectionnent et annotent les données, examinent les sorties des modèles et fournissent des retours qui aident le système à s’améliorer. Sans intervention humaine, 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#

Alors que les humains assurent la supervision et fournissent des retours, le rôle de la machine consiste à apprendre de ces informations et à s’améliorer au fil du temps. Les modèles d’AI utilisent les corrections humaines pour affiner leurs prédictions, combler les lacunes lorsque des données sont manquantes ou non étiquetées 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’AI de devenir plus fiables à mesure qu’ils traitent de nouvelles informations.

Comment fonctionne l’intervention humaine ?#

Dans un workflow d’AI avec intervention humaine classique, un modèle d’AI traite les données et produit une prédiction. Lorsqu’il est incertain ou que la tâche est complexe, le résultat est signalé pour être examiné par un humain. Une personne vérifie alors la prédiction, la corrige si nécessaire, puis ces mises à jour sont réintégrées aux données d’entraînement. Le modèle continue d’apprendre à chaque cycle.

Cette boucle aide le modèle d’AI à s’améliorer dans les domaines où il rencontre des difficultés. Au lieu de s’appuyer uniquement sur des données pré-étiquetées, le système apprend également à partir de retours en temps réel. Au fil du temps, le modèle devient plus sûr de lui et plus précis, notamment 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. Vue d’ensemble de l’approche avec intervention humaine (Source)

Le HITL dans l’apprentissage supervisé#

Les applications d’AI qui utilisent l’apprentissage supervisé sont un excellent exemple de l’approche avec intervention humaine appliquée à l’AI. Ces solutions d’AI dépendent de l’annotation des données, au cours de laquelle des humains étiquettent des exemples pour entraîner le modèle.

La plupart des projets de vision par ordinateur reposent sur ce processus : des personnes étiquettent des objets dans des images afin que des modèles de vision par ordinateur comme Ultralytics YOLO11 puissent apprendre ce qu’ils doivent reconnaître. Lorsque les annotations sont peu claires ou incohérentes, le modèle peut apprendre des schémas erronés et avoir du mal à obtenir de bonnes performances.

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

Apprentissage actif et intervention humaine#

L’apprentissage actif est une méthode utilisée pour rendre les systèmes avec intervention humaine plus efficaces. Au lieu de demander aux humains d’examiner chaque élément de données, le système d’AI sélectionne uniquement les cas pour lesquels il est incertain. Les évaluateurs peuvent alors se concentrer sur ces exemples précis, ce qui leur fait gagner du temps et réduit leurs 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’AI de vision entraîné à détecter des défauts sur des photos de produits. La plupart du temps, il produit des prédictions exactes, mais il rencontre parfois des difficultés face à un éclairage inhabituel ou à des schémas inconnus. L’apprentissage actif peut servir à 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 améliorer leurs performances en ajoutant 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 davantage de précision et de confiance.

Ce processus n’améliore pas uniquement l’entraînement. Il rend également 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 qui fonctionnent plus efficacement dans des situations réelles.

Exemples d’AI avec intervention humaine dans le monde réel#

Examinons maintenant quelques exemples d’AI avec intervention humaine montrant comment l’automatisation HITL peut être utilisée pour améliorer les applications d’AI de vision.

Santé et imagerie médicale#

Comparée à celle d’autres secteurs, l’AI dans le domaine de la santé exige une précision bien supérieure, raison pour laquelle les workflows d’AI avec intervention humaine sont si importants. En imagerie médicale, par exemple, des modèles d’AI de vision comme Ultralytics YOLO11 peuvent servir à analyser des radiographies, des IRM et des lames d’anatomopathologie, mais des experts examinent toujours les résultats pour s’assurer de leur exactitude.

Imaginons qu’un modèle Ultralytics YOLO11 personnalisé soit utilisé pour détecter une éventuelle anomalie pulmonaire sur une radiographie. Un radiologue peut examiner la prédiction, confirmer son exactitude et corriger les éventuelles erreurs. Ces retours peuvent ensuite être réintégrés au processus d’entraînement, ce qui aide le modèle à s’améliorer et réduit à l’avenir le risque de fausses alertes ou de cas manqués.

Contrôle et assurance qualité#

Dans l’industrie manufacturière, les systèmes de vision par ordinateur servent à examiner les pièces et les matériaux afin de détecter des défauts, et le HITL ajoute 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 dans 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 intervention humaine sont également essentiels lorsque les données d’entraînement sont limitées, par exemple en archéologie ou en télédétection. Dans ces cas, des experts examinent et étiquettent un petit ensemble d’exemples que le modèle d’AI utilise pour commencer à apprendre. Au fil du temps, ces retours aident le modèle à détecter des schémas spécifiques, comme les types de cultures, les caractéristiques des sols ou les artefacts, même lorsque seuls quelques échantillons étiquetés sont disponibles.

Limites des workflows avec intervention humaine#

Bien que l’intervention humaine présente de nombreux avantages pour l’apprentissage automatique, elle comporte également certains défis. Voici quelques limites à garder à l’esprit lors de la mise en œuvre de workflows HITL :

• Workflows plus lents : Comme les utilisateurs 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 disponibilité de nouvelles versions d’un modèle.
• Coûts plus élevés : Le recrutement d’annotateurs ou d’experts qualifiés augmente les dépenses, en particulier lorsqu’il s’agit de grands jeux de données ou de tâches complexes.
• Évolutivité limitée : Lorsque les volumes de données augmentent, il devient plus difficile d’impliquer des humains sans outils dédiés ni assistance à l’automatisation.
• Retards de déploiement : L’implication constante d’humains peut retarder le déploiement et compliquer la mise à jour des modèles en temps réel.

Points clés à retenir#

L’apprentissage automatique avec intervention humaine est un moyen pratique d’entraîner des modèles d’AI à gérer plus précisément les situations du monde réel. En ajoutant une intervention humaine, les modèles s’améliorent plus rapidement, détectent davantage d’erreurs et fonctionnent mieux avec des données complexes.

L’apprentissage actif rend ce processus encore plus efficace en permettant au modèle de demander de l’aide uniquement lorsqu’il est incertain. Ensemble, ces approches peuvent contribuer à créer des modèles d’AI plus fiables et plus efficaces.

Rejoins notre communauté et explore notre dépôt GitHub pour approfondir tes connaissances en AI. Consulte nos pages de solutions pour découvrir des innovations comme l’AI 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 développer avec la vision par ordinateur !