Facendo clic su "Accetta tutti i cookie", l'utente accetta la memorizzazione dei cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzarne l'utilizzo e contribuire alle nostre iniziative di marketing. Per saperne di più
Impostazioni dei cookie
Facendo clic su "Accetta tutti i cookie", l'utente accetta la memorizzazione dei cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzarne l'utilizzo e contribuire alle nostre iniziative di marketing. Per saperne di più
Al giorno d'oggi, tendiamo a utilizzare l'intelligenza artificiale (AI) e l'apprendimento automatico (ML) più spesso di quanto ci rendiamo conto. Queste tecnologie all'avanguardia ci aiutano a ottimizzare i nostri feed sui social media, a organizzare le nostre librerie di foto digitali e a facilitare la diagnosi delle malattie da parte dei medici.
Ma anche i sistemi di intelligenza artificiale più avanzati possono commettere errori. Possono trascurare dettagli chiave o interpretare male ciò che vedono. Per migliorare i risultati, molti sviluppatori e appassionati di IA si stanno rivolgendo a un approccio chiamato human-in-the-loop (HITL) AI. Questo metodo combina il giudizio umano con l'efficienza della macchina. Le persone intervengono per addestrare, rivedere e perfezionare le prestazioni di un modello di IA nel tempo.
In questo articolo esploreremo cosa rappresenta l'IA human-in-the-loop, come funziona e dove può essere utilizzata nel mondo reale. Iniziamo!
Concetti fondamentali di HITL
Prima di immergerci nell'importanza dei flussi di lavoro HITL, diamo un'occhiata più da vicino alle basi dell'approccio human-in-the-loop.
Che cos'è l'HITL? Il significato principale
Sebbene i modelli di IA siano veloci e in grado di elaborare enormi quantità di dati, possono comunque confondersi. Ad esempio, nel campo della computer vision, un sottocampo dell'IA che si concentra sulla comprensione e sull'analisi di immagini e video, un modello potrebbe leggere male una foto sfocata o non notare un dettaglio sottile.
Questo accade perché i modelli di intelligenza artificiale si basano su modelli di dati piuttosto che su una vera comprensione. Se i dati sono poco chiari, distorti o incompleti, il risultato del modello può essere impreciso.
L'automazione human-in-the-loop coinvolge le persone nel processo di formazione per aiutare i modelli ad apprendere in modo più efficace. Invece di operare completamente da soli, questi sistemi ricevono regolarmente un feedback umano. Il personale esamina i risultati, corregge gli errori e guida il modello nel suo miglioramento nel tempo.
Figura 1. Che cos'è l'automazione human-in-the-loop?(Fonte)
Perché è necessario avere degli esseri umani nel loop?
Ci si potrebbe chiedere: gli input umani sono davvero necessari? Non sembra che questo contraddica l'obiettivo generale di rendere l'IA più indipendente? Tuttavia, la realtà è che i sistemi di IA apprendono dai dati, e a volte i dataset non forniscono un quadro completo.
Ad esempio, nel caso delle auto a guida autonoma, sono molte le situazioni che un modello di intelligenza artificiale potrebbe non comprendere appieno. Potrebbe trovarsi in difficoltà di fronte a condizioni stradali insolite, ostacoli imprevisti o eventi rari che non ha mai visto prima. In questi casi, la guida umana è un elemento importante per far sì che il sistema impari e risponda in modo più sicuro nel tempo.
In generale, gli esseri umani sono una parte fondamentale di qualsiasi progetto di IA. Curano e annotano i dati, rivedono i risultati dei modelli e forniscono feedback che aiutano il sistema a migliorare. Senza gli esseri umani, le soluzioni di IA farebbero fatica ad adattarsi a situazioni complesse del mondo reale.
Comprendere il ruolo della macchina nel circuito
Mentre gli esseri umani forniscono supervisione e feedback, il ruolo della macchina è quello di imparare da questi input e migliorare nel tempo. I modelli di intelligenza artificiale utilizzano le correzioni umane per affinare le loro previsioni, colmare le lacune in caso di dati mancanti o non etichettati e assumere gradualmente compiti su scala ben superiore a quella che le persone potrebbero gestire da sole. Questo ciclo di feedback e di perfezionamento o riqualificazione consente ai modelli di intelligenza artificiale di diventare più affidabili man mano che elaborano nuove informazioni.
Come funziona la presenza di un umano nel loop?
In un tipico flusso di lavoro dell'IA human-in-the-loop, un modello di IA elabora i dati e fa una previsione. Quando è incerto o il compito è complesso, il risultato viene segnalato per la revisione umana. Una persona controlla quindi la previsione, apporta le eventuali correzioni e aggiunge gli aggiornamenti ai dati di addestramento. Il modello continua ad apprendere ad ogni ciclo.
Questo ciclo aiuta il modello AI a migliorare nelle aree in cui ha difficoltà. Invece di basarsi solo su dati pre-etichettati, il sistema impara anche dal feedback in tempo reale. Nel corso del tempo, il modello diventa più sicuro e accurato, soprattutto nelle attività in cui la precisione è fondamentale, come il rilevamento di piccoli oggetti nelle immagini o l'identificazione di difetti durante le ispezioni visive.
Figura 2. Una panoramica dell'approccio human-in-the-loop(Fonte)
HITL nell'apprendimento supervisionato
Le applicazioni di IA che utilizzano l'apprendimento supervisionato sono un ottimo esempio dell'approccio human-in-the-loop all'IA. Queste soluzioni di IA dipendono dall'annotazione dei dati, in cui l'uomo etichetta gli esempi per addestrare il modello.
La maggior parte dei progetti di computer vision si basa su questo processo: le persone etichettano gli oggetti nelle immagini in modo che i modelli di computer vision come Ultralytics YOLO11 possano imparare a riconoscerli. Quando le annotazioni sono poco chiare o incoerenti, il modello può imparare i modelli sbagliati e faticare a ottenere buoni risultati.
Figura 3. Un esempio di utilizzo di YOLO11 per rilevare oggetti in un'immagine.
Apprendimento attivo vs. umano nel loop
L'apprendimento attivo è un metodo utilizzato per rendere più efficienti i sistemi human-in-the-loop. Invece di chiedere all'uomo di esaminare ogni dato, il sistema di intelligenza artificiale seleziona solo i casi su cui non è sicuro. I revisori possono quindi concentrarsi su quegli esempi specifici, risparmiando tempo e fatica.
Figura 4. Che cos'è l'apprendimento attivo? Immagine dell'autore.
Questo approccio funziona particolarmente bene per compiti come l'analisi delle immagini. Consideriamo un modello Vision AI addestrato per rilevare i difetti nelle foto dei prodotti. La maggior parte delle volte fa previsioni accurate, ma a volte ha difficoltà con l'illuminazione insolita o con modelli sconosciuti. L'apprendimento attivo può essere utilizzato per segnalare queste immagini difficili, in modo che una persona possa intervenire e apportare le dovute correzioni. Il modello può quindi incorporare il feedback e migliorare a ogni ciclo di riqualificazione.
In che modo l'HITL migliora i risultati della computer vision?
I flussi di lavoro HITL possono facilitare le prestazioni dei modelli di computer vision aggiungendo un feedback continuo. Quando le persone intervengono per rivedere i risultati incerti, correggere gli errori o aggiungere le etichette mancanti, il modello impara a riconoscere gli oggetti con maggiore precisione e sicurezza.
Questo processo non migliora solo la formazione. Rende anche più affidabili i test, la messa a punto e la convalida. Nel tempo, il ciclo di feedback aiuta a costruire soluzioni di visione artificiale che funzionano in modo più efficace nelle situazioni reali.
Esempi di IA human-in-the-loop nel mondo reale
Vediamo quindi alcuni esempi di AI human-in-the-loop che illustrano come l'automazione HITL possa essere utilizzata per migliorare le applicazioni Vision AI.
Assistenza sanitaria e imaging medico
Rispetto ad altri settori, l'IA nel settore sanitario richiede una precisione molto più elevata, motivo per cui i flussi di lavoro dell'IA HITL sono così fondamentali. Nell'imaging medico, ad esempio, i modelli di Vision AI come YOLO11 possono essere utilizzati per analizzare radiografie, risonanze magnetiche e vetrini patologici, ma gli esperti devono comunque rivedere i risultati per assicurarsi che siano corretti.
Supponiamo che un modello YOLO11 addestrato su misura venga utilizzato per rilevare una possibile anomalia polmonare in una radiografia. Un radiologo può rivedere la previsione, confermarne l'accuratezza e correggere eventuali errori. Il feedback può quindi essere aggiunto al processo di addestramento, aiutando il modello a migliorare e riducendo le possibilità di falsi allarmi o casi mancati in futuro.
Controllo e garanzia della qualità
Nella produzione, i sistemi di visione computerizzata vengono utilizzati per scansionare parti e materiali alla ricerca di difetti, e l'HITL aggiunge un ulteriore livello di precisione quando il modello è incerto. Ad esempio, nella produzione automobilistica, un sistema potrebbe segnalare un innocuo riflesso superficiale su un componente metallico come una crepa.
Un tecnico può rivedere il risultato, correggere l'errore e aggiungere il feedback al ciclo. Con il tempo, questo processo migliora la coerenza, anche in ambienti con illuminazione variabile o quando i pezzi sono molto simili tra loro.
Insiemi di dati rari e compiti visivi specializzati
Un'altra area in cui i flussi di lavoro human-in-the-loop sono essenziali è quando i dati di formazione sono limitati, come nel caso dell'archeologia o del telerilevamento. In questi casi, gli esperti esaminano ed etichettano una piccola serie di esempi, che il modello AI utilizza per iniziare l'apprendimento. Con il tempo, questo feedback aiuta il modello a rilevare modelli specifici, come tipi di colture, caratteristiche del suolo o artefatti, anche quando sono disponibili solo pochi campioni etichettati.
Svantaggi dei flussi di lavoro human-in-the-loop
Sebbene i vantaggi dell'human-in-the-loop per l'apprendimento automatico siano numerosi, esso comporta anche alcune sfide. Ecco alcune limitazioni da tenere presenti quando si implementano i flussi di lavoro HITL:
Flussi di lavoro più lenti: Poiché le persone devono rivedere ed etichettare i dati, la formazione e gli aggiornamenti richiedono più tempo rispetto ai sistemi completamente automatizzati. Questo può ritardare la rapidità con cui le nuove versioni di un modello sono pronte all'uso.
Costi più elevati: L'assunzione di annotatori o esperti qualificati aumenta le spese, soprattutto quando si lavora con grandi insiemi di dati o compiti complicati.
Limitata scalabilità: Con l'aumento dei volumi di dati, diventa più difficile mantenere il coinvolgimento degli esseri umani senza strumenti dedicati o supporto di automazione.
Ritardi nella distribuzione: Il costante coinvolgimento umano può ritardare la distribuzione e rendere più difficile l'aggiornamento dei modelli in tempo reale.
Punti di forza
L'apprendimento automatico human-in-the-loop è un modo pratico per addestrare i modelli di intelligenza artificiale a gestire con maggiore precisione le situazioni del mondo reale. Aggiungendo l'input umano, i modelli migliorano più rapidamente, colgono più errori e funzionano meglio con i dati complessi.
L'apprendimento attivo rende questo processo ancora più efficiente, facendo sì che il modello chieda aiuto solo quando non è sicuro. Insieme, questi approcci possono aiutare a costruire modelli di intelligenza artificiale più affidabili ed efficienti.
