Explication de l'apprentissage automatique avec intervention humaine (HITL)

De nos jours, nous avons tendance à utiliser l'intelligence artificielle (IA) et l'apprentissage automatique (ML) plus souvent que nous ne le pensons. Ces technologies de pointe aident à optimiser nos flux de médias sociaux, à organiser nos bibliothèques de photos numériques et à faciliter le diagnostic des maladies par les médecins.

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 IA à intervention humaine (HITL). Cette méthode combine le jugement humain avec l'efficacité de la machine. Les personnes interviennent pour entraîner, examiner et affiner la performance d'un modèle d'IA au fil du temps. 

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

Concepts fondamentaux de l’HITL

Avant de nous plonger dans l'importance des flux de travail HITL, examinons de plus près les bases de l'approche "humain dans la boucle". 

Qu'est-ce que l'HITL ? La signification essentielle

Bien que les modèles d'IA soient rapides et capables de traiter d'énormes quantités de données, ils peuvent toujours être déroutés. Par exemple, en vision par ordinateur, un sous-domaine de l'IA axé sur la compréhension et l'analyse d'images et de vidéos, un modèle pourrait mal interpréter une photo floue ou manquer un détail subtil. 

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

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 seuls, ces systèmes reçoivent régulièrement des commentaires humains. Les personnes examinent les résultats, corrigent les erreurs et guident le modèle à mesure qu'il s'améliore au fil du temps.

‍

Pourquoi est-il nécessaire d'avoir une intervention humaine ?

Vous vous demandez peut-être : les entrées 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 de données, et parfois les ensembles de données ne brossent pas un tableau complet.

Par exemple, avec les voitures autonomes, il existe de nombreuses situations qu'un modèle d'IA pourrait ne pas entièrement comprendre. Il pourrait éprouver des difficultés avec des conditions routières inhabituelles, des obstacles inattendus ou des événements rares qu'il n'a jamais vus auparavant. Dans ces cas, les conseils humains sont un élément important de l'apprentissage du système et de sa réponse plus sécuritaire au fil du temps.

Dans l'ensemble, les humains sont un élément essentiel 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 l'intervention humaine, les solutions d'IA auraient du mal à s'adapter à des situations complexes du monde réel.

Comprendre le rôle de la machine dans la boucle

Bien que les humains assurent la supervision et fournissent des commentaires, le rôle de la machine est d'apprendre de ces données et de s'améliorer au fil du temps. Les modèles d'IA utilisent les corrections humaines pour affiner leurs prédictions, combler les lacunes là où les données sont manquantes ou non étiquetées, et assumer progressivement des tâches à une échelle bien supérieure à ce que les humains pourraient gérer seuls. Ce cycle de rétroaction et de mise au point ou de réentraînement permet aux modèles d'IA de devenir plus fiables à mesure qu'ils traitent de nouvelles informations.

Comment fonctionne l'intervention humaine (HITL) ?

Dans un flux de travail typique d'IA avec intervention humaine, 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, effectue des corrections si nécessaire, et ces mises à jour sont ajoutées aux 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 a des difficultés. Au lieu de se fier uniquement aux données pré-étiquetées, le système apprend également des commentaires en temps réel. Au fil du temps, le modèle devient plus confiant et précis, en particulier dans les tâches où la précision est essentielle, comme la détection de petits objets dans les images ou l'identification de défauts lors des inspections visuelles.

‍

HITL dans l'apprentissage supervisé

Les applications d'IA qui utilisent l'apprentissage supervisé sont un excellent exemple de l'approche de l'IA centrée sur l'humain. Ces solutions d'IA dépendent de l'annotation des données, où les humains étiquettent des exemples pour entraîner le modèle. 

La plupart des projets de vision par ordinateur s'appuient sur ce processus, les personnes étiquetant les objets dans les images afin que les modèles de vision par ordinateur, tels qu'Ultralytics, puissent être utilisés. Ultralytics YOLO11 puissent apprendre ce qu'il faut reconnaître. Lorsque les annotations manquent de clarté ou de cohérence, le modèle risque d'apprendre les mauvais modèles et d'avoir du mal à obtenir de bons résultats.

‍

Apprentissage actif vs. humain dans la boucle

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 donnée, le système d'IA sélectionne uniquement les cas sur lesquels il a des doutes. Les examinateurs peuvent alors se concentrer sur ces exemples spécifiques, ce qui permet d'économiser du temps et des efforts.

‍

Cette approche est particulièrement efficace pour des tâches telles que l'analyse d'images. Prenons l'exemple d'un modèle d'IA Vision formé à la detect défauts sur des photos de produits. La plupart du temps, il fait des prédictions exactes, mais il lui arrive de se heurter à des éclairages inhabituels ou à des motifs inconnus. L'apprentissage actif peut être utilisé pour signaler ces images délicates afin qu'une personne puisse intervenir et apporter des corrections. Le modèle peut alors intégrer ce retour d'information et s'améliorer à chaque cycle de recyclage.

Comment l'HITL améliore-t-il les résultats en vision par ordinateur ?

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

Ce processus n'améliore pas seulement 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 solutions de vision par ordinateur qui fonctionnent plus efficacement dans des situations réelles.

Exemples concrets d'IA avec intervention humaine

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

Soins de santé et imagerie médicale

Par rapport à d'autres secteurs, l'IA dans les soins de santé exige une précision beaucoup plus grande, ce qui explique pourquoi les flux de travail de l'IA du HITL sont si essentiels. Dans le domaine de l'imagerie médicale, par exemple, des modèles Vision AI tels que YOLO11 peuvent être utilisés pour analyser des radiographies, des IRM et des diapositives de pathologie, mais des experts doivent encore examiner les résultats pour s'assurer qu'ils sont corrects.

Supposons qu'un modèle YOLO11 formé sur mesure soit utilisé pour detect une éventuelle anomalie pulmonaire dans une radiographie. Un radiologue peut examiner la prédiction, confirmer son exactitude et corriger les erreurs éventuelles. Ce retour d'information peut ensuite être réintégré dans le processus de formation, ce qui permet au modèle de s'améliorer et de réduire les risques de fausses alertes ou de cas manqués à l'avenir.

Contrôle et assurance qualité

Dans la fabrication, les systèmes de vision par ordinateur sont utilisés pour scanner les pièces et les matériaux à la recherche de défauts, et l'HITL ajoute une couche supplémentaire de précision lorsque le modèle est incertain. Par exemple, dans la production automobile, un système peut signaler une réflexion de surface inoffensive sur un composant métallique comme une fissure. 

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

Ensembles de données rares et tâches visuelles spécialisées

Un autre domaine dans lequel les flux de travail humains en boucle sont essentiels est celui où les données d'apprentissage sont limitées, comme en archéologie ou en télédétection. Dans ces cas, des experts examinent et étiquettent un petit ensemble d'exemples, que le modèle d'IA utilise pour commencer à apprendre. Au fil du temps, ce retour d'information aide le modèle à detect modèles spécifiques, tels que les types de cultures, les caractéristiques du sol ou les artefacts, même si l'on ne dispose que de quelques échantillons étiquetés.

Inconvénients des flux de travail avec intervention humaine

Bien qu'il existe de nombreux avantages à l'approche « l'humain dans la boucle » pour l'apprentissage automatique, elle comporte également certains défis. Voici quelques limites à garder à l'esprit lors de la mise en œuvre de flux de travail HITL :

• Flux de travail plus lents : Étant donné que des personnes doivent examiner et étiqueter les données, la formation 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 ou d'experts qualifiés augmente les dépenses, en particulier lorsqu'on travaille avec de grands ensembles de données ou des tâches complexes.
  ‍
• Scalabilité limitée : À mesure que les volumes de données augmentent, il devient plus difficile de maintenir l'implication humaine sans outils dédiés ou support d'automatisation.
  ‍
• Retards de déploiement : L'implication humaine constante peut retarder le déploiement et rendre plus difficile la mise à jour des modèles en temps réel.

Principaux points à retenir

L'apprentissage automatique avec intervention humaine est un moyen pratique d'entraîner les modèles d'IA à gérer plus précisément les situations du monde réel. En ajoutant une contribution 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 l'aide uniquement lorsqu'il n'est pas sûr. Ensemble, ces approches peuvent aider à construire des modèles d'IA plus fiables et efficaces.

Connectez-vous avec notre communauté et explorez notre dépôt GitHub pour approfondir vos connaissances en matière d'IA. Consultez nos pages de solutions pour en savoir plus sur les innovations telles que l'IA dans la fabrication et la vision par ordinateur dans le commerce de détail. Découvrez nos options de licence et commencez à construire avec la vision par ordinateur dès aujourd'hui !