L'apprentissage automatique en boucle par l'homme (HITL) expliqué

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

Mais même les systèmes d'IA les plus avancés peuvent commettre des erreurs. Ils peuvent négliger des détails essentiels ou mal interpréter ce qu'ils voient. Pour améliorer les résultats, de nombreux développeurs et passionnés d'IA se tournent vers une approche appelée "human-in-the-loop" (HITL). Cette méthode associe le jugement humain à l'efficacité de la machine. Des personnes interviennent pour former, réviser et affiner les performances d'un modèle d'IA au fil du temps. 

Dans cet article, nous allons explorer ce que représente l'IA en boucle humaine, comment elle fonctionne et où elle peut être utilisée dans le monde réel. C'est parti !

Concepts fondamentaux du HITL

Avant de nous pencher sur l'importance des flux de travail HITL, examinons de plus près les fondements de l'approche "human-in-the-loop" (l'homme dans la boucle). 

Qu'est-ce que HITL ? La signification principale

Bien que les modèles d'IA soient rapides et capables de traiter des quantités massives de données, ils peuvent toujours s'embrouiller. Par exemple, dans le domaine de la vision artificielle, un sous-domaine de l'IA axé sur la compréhension et l'analyse des images et des vidéos, un modèle peut mal interpréter une photo floue ou passer à côté d'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 sont floues, biaisées ou incomplètes, les résultats du modèle peuvent être inexacts.

L'automatisation à boucle humaine fait intervenir des personnes dans le processus de formation afin d'aider les modèles à apprendre plus efficacement. Au lieu de fonctionner de manière entièrement autonome, ces systèmes reçoivent régulièrement un retour d'information de la part de l'homme. Des personnes examinent les résultats, corrigent les erreurs et guident le modèle au fur et à mesure qu'il s'améliore.

‍

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

Vous vous demandez peut-être si l'intervention de l'homme est vraiment nécessaire. Cela ne semble-t-il pas en contradiction avec l'objectif général de rendre l'IA plus indépendante ? En réalité, les systèmes d'IA apprennent à partir de données et, parfois, les ensembles de données ne donnent pas une image complète de la situation.

Par exemple, dans le cas des voitures auto-conduites, il existe de nombreuses situations qu'un modèle d'IA peut ne pas comprendre entièrement. Il peut être confronté à des conditions routières inhabituelles, à des obstacles inattendus ou à des événements rares qu'il n'a jamais vus auparavant. Dans ces cas-là, l'accompagnement humain joue un rôle important pour que le système apprenne et réagisse de manière plus sûre au fil du temps.

D'une manière générale, les êtres humains sont un élément essentiel de tout projet d'IA. Ils conservent et annotent les données, examinent les résultats des modèles et fournissent un retour d'information qui aide le système à s'améliorer. Sans les 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 assurent la supervision et le retour d'information, le rôle de la machine est d'apprendre à partir 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 lorsque des données sont manquantes ou non étiquetées, et prendre progressivement en charge des tâches à une échelle bien supérieure à ce que les personnes pourraient gérer seules. Ce cycle de retour d'information et d'ajustement ou de réentraînement permet aux modèles d'IA de devenir plus fiables au fur et à mesure qu'ils traitent de nouvelles informations.

Comment fonctionne la présence d'un être humain dans la boucle ?

Dans un flux de travail d'IA typique, un modèle d'IA traite les données et fait une prédiction. En cas d'incertitude ou de complexité de la tâche, le résultat est signalé pour être examiné par un humain. Une personne vérifie alors la prédiction, apporte des corrections si nécessaire et ces mises à jour sont ajoutées aux données d'apprentissage. Le modèle continue d'apprendre à chaque cycle.

Cette boucle aide le modèle d'IA à s'améliorer dans les domaines où il éprouve des difficultés. Au lieu de s'appuyer uniquement sur des données pré-étiquetées, le système apprend également à partir d'un retour d'information en temps réel. Au fil du temps, le modèle gagne en confiance et en précision, en particulier dans 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.

‍

HITL dans l'apprentissage supervisé

Les applications d'IA qui utilisent l'apprentissage supervisé sont un excellent exemple de l'approche "human-in-the-loop" de l'IA. Ces solutions d'IA dépendent de l'annotation des données, où les humains étiquettent les exemples pour former le modèle. 

La plupart des projets de vision par ordinateur s'appuient 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'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 à boucle humaine plus efficaces. Au lieu de demander aux humains d'examiner chaque donnée, le système d'IA ne sélectionne que les cas pour lesquels il a des doutes. Les examinateurs peuvent alors se concentrer sur ces exemples spécifiques, ce qui leur 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 détection de 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 le HITL améliore-t-il les résultats en matière de 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 des résultats incertains, corriger des erreurs ou ajouter des étiquettes manquantes, le modèle apprend à reconnaître des objets avec plus de précision et de confiance. 

Ce processus n'améliore pas seulement la formation. Il rend également les tests, les réglages et la validation plus fiables. Au fil du temps, la boucle de rétroaction permet de mettre au point des solutions de vision artificielle qui fonctionnent plus efficacement dans des situations réelles.

Exemples réels d'IA avec des êtres humains dans la boucle

Ensuite, examinons quelques exemples d'IA à boucle humaine qui montrent comment l'automatisation HITL peut être utilisée pour améliorer les applications d'IA de Vision.

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 détecter 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 de la 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 le HITL ajoute une couche supplémentaire de précision lorsque le modèle est incertain. Par exemple, dans la production automobile, un système peut signaler un reflet de surface inoffensif sur un composant métallique comme étant une fissure. 

Un technicien peut examiner le résultat, corriger l'erreur et ajouter ce retour d'information 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 détecter des 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 "à la chaîne" (human-in-the-loop)

Bien que l'apprentissage humain en boucle présente de nombreux avantages pour l'apprentissage automatique, il s'accompagne également de certains défis. Voici quelques limites à garder à l'esprit lors de la mise en œuvre de flux de travail HITL :

• Ralentissement des flux de travail : 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'il s'agit de grands ensembles de données ou de tâches complexes.
  ‍
• Limitée évolutivité: Au fur et à mesure que les volumes de données augmentent, il devient plus difficile de maintenir l'implication des humains sans outils dédiés ou support d'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.

Principaux enseignements

L'apprentissage automatique en boucle par l'homme est un moyen pratique d'entraîner les modèles d'IA à gérer les situations du monde réel avec plus de précision. En ajoutant une contribution humaine, les modèles s'améliorent plus rapidement, détectent plus d'erreurs et sont plus performants avec des données complexes. 

L'apprentissage actif rend ce processus encore plus efficace en faisant en sorte que le modèle ne demande de l'aide que lorsqu'il n'est pas sûr de lui. Ensemble, ces approches peuvent aider à construire des modèles d'IA plus fiables et plus efficaces.

Entrez en contact 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 des innovations telles que l 'IA dans la fabrication et la vision par ordinateur dans la vente au détail. Découvrez nos options de licence et commencez à construire avec la vision par ordinateur dès aujourd'hui !