L'apprentissage automatique avec intervention humaine (HITL) expliqué

De nos jours, nous avons tendance à utiliser l'intelligence artificielle (IA) et l'apprentissage automatique (ML) plus souvent que nous ne le réalisons. Ces technologies de pointe aident à optimiser nos fils d'actualité sur les réseaux sociaux, à organiser nos photothèques numériques et à faciliter le diagnostic des maladies pour 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 avec intervention humaine (HITL). Cette méthode combine le jugement humain et l'efficacité des machines. Les gens interviennent pour entraîner, examiner et affiner les 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 !

Link to this sectionConcepts 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.

Link to this sectionQu'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 tout de même être confus. 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 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 intervention humaine ? (Source)

Link to this sectionPourquoi 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 voitures autonomes, il existe de nombreuses situations qu'un modèle d'IA pourrait ne pas entièrement comprendre. Il pourrait avoir des difficultés avec des conditions routières inhabituelles, des obstacles inattendus ou des événements rares qu'il n'a jamais vus auparavant. Dans ces cas, l'orientation humaine est une partie importante pour que le système apprenne et réagisse plus sûrement avec le 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.

Link to this sectionComprendre le rôle de la machine dans la boucle#

Alors que les humains assurent la supervision et les commentaires, le rôle de la machine est d'apprendre de cette contribution 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 manquent ou ne sont pas étiquetées, et prendre progressivement en charge des tâches à une échelle dépassant largement ce que les humains pourraient gérer seuls. Ce cycle de commentaires et d'ajustement ou de réentraînement permet aux modèles d'IA de devenir plus fiables à mesure qu'ils traitent de nouvelles informations.

Link to this sectionComment 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'appuyer uniquement sur des données pré-étiquetées, le système apprend également à partir de commentaires en temps réel. Au fil du temps, le modèle gagne en confiance et en précision, en particulier dans les tâches où la précision est cruciale, comme la détection de petits objets dans les images ou l'identification de défauts lors d'inspections visuelles.

Fig 2. Un aperçu de l'approche avec intervention humaine (Source)

Link to this sectionLe HITL dans l'apprentissage supervisé#

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

La plupart des projets de vision par ordinateur reposent sur ce processus, avec des personnes étiquetant des objets dans des images afin que les modèles de vision par ordinateur comme Ultralytics YOLO11 puissent apprendre quoi reconnaître. Lorsque les annotations sont peu claires ou incohérentes, le modèle peut apprendre les mauvais modèles et avoir du mal à bien fonctionner.

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

Link to this sectionApprentissage actif vs 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 donnée, le système d'IA sélectionne uniquement les cas sur lesquels il est incertain. Les réviseurs 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 comme l'analyse d'images. Considère un modèle d'IA de vision entraîné à détecter des défauts dans les photos de produits. La plupart du temps, il fait des prédictions précises, mais il éprouve parfois des difficultés avec un éclairage inhabituel ou des modèles non familiers. L'apprentissage actif peut être utilisé pour signaler ces images délicates afin qu'une personne puisse intervenir et effectuer des corrections. Le modèle peut ensuite intégrer ces commentaires et s'améliorer à chaque cycle de réentraînement.

Link to this sectionComment 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 se contente pas d'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 solutions de vision par ordinateur qui fonctionnent plus efficacement dans des situations réelles.

Link to this sectionExemples 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.

Link to this sectionSanté et imagerie médicale#

Par rapport à d'autres secteurs, l'IA dans la santé exige une précision beaucoup plus élevée, c'est pourquoi les flux de travail d'IA HITL sont si vitaux. Dans l'imagerie médicale, par exemple, des modèles d'IA de vision comme 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.

Supposons qu'un modèle YOLO11 personnalisé soit utilisé pour détecter une anomalie pulmonaire possible sur une radiographie. Un radiologue peut examiner la prédiction, confirmer si elle est exacte et corriger toute erreur. Ces commentaires peuvent ensuite être réintégrés dans le processus d'entraînement, aidant le modèle à s'améliorer et réduisant les risques de fausses alertes ou de cas manqués à l'avenir.

Link to this sectionContrôle 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 le HITL ajoute une couche supplémentaire de précision lorsque le modèle est incertain. Par exemple, dans la production automobile, un système pourrait 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 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.

Link to this sectionJeux de données rares et tâches visuelles spécialisées#

Un autre domaine où les flux de travail avec intervention humaine sont essentiels est celui où les données d'entraînement 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, ces commentaires aident le modèle à détecter des motifs spécifiques, comme les types de cultures, les caractéristiques du sol ou les artefacts, même lorsque seuls quelques échantillons étiquetés sont disponibles.

Link to this sectionInconvénients 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.
• Évolutivité 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 : Une implication humaine constante peut retarder le déploiement et rendre plus difficile la mise à jour des modèles en temps réel.

Link to this sectionPoints 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 communauté et explore notre dépôt GitHub pour approfondir tes connaissances en IA. Consulte 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. Découvre nos options de licence et commence à construire avec la vision par ordinateur dès aujourd'hui !