Il machine learning con supervisione umana (HITL): spiegazione

Oggi tendiamo a utilizzare l'intelligenza artificiale (AI) e il machine learning (ML) più spesso di quanto ci rendiamo conto. Queste tecnologie all'avanguardia aiutano a ottimizzare i nostri feed dei social media, organizzare le nostre librerie fotografiche digitali e semplificare la diagnosi delle malattie da parte dei medici.

Tuttavia, anche i sistemi di AI più avanzati possono commettere errori. Potrebbero trascurare dettagli importanti o interpretare erroneamente ciò che vedono. Per migliorare i risultati, molti sviluppatori e appassionati di AI si stanno orientando verso un approccio chiamato AI con coinvolgimento umano (HITL). Questo metodo combina il giudizio umano con l'efficienza delle macchine. Le persone intervengono per addestrare, esaminare e perfezionare nel tempo le prestazioni di un modello di AI.

In questo articolo esploreremo cosa rappresenta l'AI con coinvolgimento umano, come funziona e dove può essere utilizzata nel mondo reale. Iniziamo!

Concetti fondamentali di HITL#

Prima di approfondire l'importanza dei workflow HITL, esaminiamo più da vicino le basi dell'approccio con coinvolgimento umano.

Che cos'è HITL? Il significato fondamentale#

Sebbene i modelli di AI siano veloci e capaci di elaborare enormi quantità di dati, possono comunque confondersi. Ad esempio, nella visione artificiale, un sottocampo dell'AI focalizzato sulla comprensione e sull'analisi di immagini e video, un modello potrebbe interpretare erroneamente una foto sfocata o non cogliere un dettaglio sottile.

Questo accade perché i modelli di AI si basano sui pattern presenti nei dati anziché su una vera comprensione. Se i dati non sono chiari, sono distorti o sono incompleti, l'output del modello può essere impreciso.

L'automazione con coinvolgimento umano inserisce le persone nel processo di addestramento per aiutare i modelli ad apprendere in modo più efficace. Invece di operare completamente in autonomia, questi sistemi ricevono regolarmente feedback umano. Le persone esaminano gli output, correggono gli errori e guidano il modello mentre migliora nel tempo.

Fig. 1. Che cos'è l'automazione con coinvolgimento umano? (Fonte)

Perché è necessario il coinvolgimento umano?#

Potresti chiederti: gli input umani sono davvero necessari? Non sembra contraddire l'obiettivo generale di rendere l'AI più autonoma? Tuttavia, la realtà è che i sistemi di AI apprendono dai dati e talvolta i dataset non forniscono un quadro completo.

Ad esempio, con le auto a guida autonoma, ci sono molte situazioni che un modello di AI potrebbe non comprendere pienamente. Potrebbe avere difficoltà con condizioni stradali insolite, ostacoli imprevisti o eventi rari mai osservati prima. In questi casi, la guida umana è una parte importante del processo con cui il sistema apprende e risponde in modo più sicuro nel tempo.

Nel complesso, le persone sono una parte essenziale di qualsiasi progetto di AI. Selezionano e annotano i dati, esaminano gli output del modello e forniscono feedback che aiuta il sistema a migliorare. Senza il coinvolgimento umano, le soluzioni di AI avrebbero difficoltà ad adattarsi a situazioni complesse del mondo reale.

Comprendere il ruolo della macchina nel ciclo#

Mentre le persone forniscono supervisione e feedback, il ruolo della macchina consiste nell'apprendere da questi input e migliorare nel tempo. I modelli di AI utilizzano le correzioni umane per perfezionare le proprie previsioni, colmare le lacune nei dati mancanti o privi di etichette e assumere gradualmente attività su una scala ben oltre ciò che le persone potrebbero gestire autonomamente. Questo ciclo di feedback e ottimizzazione o riaddestramento permette ai modelli di AI di diventare più affidabili mentre elaborano nuove informazioni.

Come funziona il coinvolgimento umano?#

In un tipico workflow di AI con coinvolgimento umano, un modello di AI elabora i dati e produce una previsione. Quando non è sicuro o l'attività è complessa, il risultato viene segnalato per la revisione umana. Una persona verifica quindi la previsione, apporta eventuali correzioni e aggiunge nuovamente gli aggiornamenti ai dati di addestramento. Il modello continua ad apprendere a ogni ciclo.

Questo ciclo aiuta il modello di AI a migliorare nelle aree in cui incontra difficoltà. Invece di basarsi esclusivamente su dati pre-annotati, il sistema apprende anche dal feedback in tempo reale. Nel tempo, il modello diventa più sicuro e accurato, soprattutto nelle attività in cui la precisione è fondamentale, come il rilevamento di oggetti di piccole dimensioni nelle immagini o l'identificazione di difetti durante le ispezioni visive.

Fig. 2. Panoramica dell'approccio con coinvolgimento umano (Fonte)

HITL nel supervised learning#

Le applicazioni di AI che utilizzano il supervised learning sono un ottimo esempio dell'approccio all'AI con coinvolgimento umano. Queste soluzioni di AI dipendono dall'annotazione dei dati, durante la quale le persone assegnano etichette agli esempi per addestrare il modello.

La maggior parte dei progetti di visione artificiale si basa su questo processo: le persone contrassegnano gli oggetti nelle immagini affinché i modelli di visione artificiale come Ultralytics YOLO11 possano imparare cosa riconoscere. Quando le annotazioni non sono chiare o sono incoerenti, il modello può apprendere pattern errati e avere difficoltà a ottenere buone prestazioni.

Fig. 3. Esempio di utilizzo di Ultralytics YOLO11 per rilevare oggetti in un'immagine.

Active learning e coinvolgimento umano a confronto#

L'active learning è un metodo utilizzato per rendere più efficienti i sistemi con coinvolgimento umano. Invece di chiedere alle persone di esaminare ogni elemento di dati, il sistema di AI seleziona solo i casi sui quali non è sicuro. I revisori possono quindi concentrarsi su quegli esempi specifici, risparmiando tempo e impegno.

Fig. 4. Che cos'è l'active learning? Immagine dell'autore.

Questo approccio funziona particolarmente bene per attività come l'analisi delle immagini. Considera un modello di AI per la visione addestrato per rilevare difetti nelle foto di prodotti. Nella maggior parte dei casi produce previsioni accurate, ma occasionalmente ha difficoltà con condizioni di illuminazione insolite o pattern non familiari. L'active learning può essere utilizzato per segnalare queste immagini problematiche, in modo che una persona possa intervenire e apportare correzioni. Il modello può quindi integrare questo feedback e migliorare a ogni ciclo di riaddestramento.

In che modo HITL migliora i risultati della visione artificiale?#

I workflow HITL possono aiutare i modelli di visione artificiale a ottenere prestazioni migliori aggiungendo un feedback continuo. Quando le persone intervengono per esaminare risultati incerti, correggere errori o aggiungere etichette mancanti, il modello impara a riconoscere gli oggetti con maggiore precisione e sicurezza.

Questo processo non migliora solo l'addestramento. Rende anche più affidabili i test, l'ottimizzazione e la validazione. Nel tempo, il ciclo di feedback aiuta a creare soluzioni di visione artificiale che funzionano in modo più efficace nelle situazioni del mondo reale.

Esempi di AI con coinvolgimento umano nel mondo reale#

Ora esaminiamo alcuni esempi di AI con coinvolgimento umano e di come l'automazione HITL possa essere utilizzata per migliorare le applicazioni di AI per la visione.

Assistenza sanitaria e imaging medico#

Rispetto ad altri settori, l'AI nell'assistenza sanitaria richiede una precisione molto maggiore, motivo per cui i workflow di AI con HITL sono così importanti. Nell'imaging medico, ad esempio, i modelli di AI per la visione come Ultralytics YOLO11 possono essere utilizzati per analizzare radiografie, risonanze magnetiche e vetrini patologici, ma gli esperti esaminano comunque i risultati per assicurarsi che siano corretti.

Immagina che un modello Ultralytics YOLO11 addestrato su misura venga utilizzato per rilevare una possibile anomalia polmonare in una radiografia. Un radiologo può esaminare la previsione, confermare se è accurata e correggere eventuali errori. Questo feedback può quindi essere reinserito nel processo di addestramento, aiutando il modello a migliorare e riducendo in futuro la probabilità di falsi allarmi o casi non rilevati.

Controllo e garanzia della qualità#

Nella produzione, i sistemi di visione artificiale vengono utilizzati per scansionare componenti e materiali alla ricerca di difetti, mentre HITL aggiunge un ulteriore livello di precisione quando il modello non è sicuro. Ad esempio, nella produzione automobilistica, un sistema potrebbe segnalare come crepa un innocuo riflesso sulla superficie di un componente metallico.

Un tecnico può esaminare il risultato, correggere l'errore e aggiungere questo feedback al ciclo. Nel tempo, questo processo migliora la coerenza, anche in ambienti con condizioni di illuminazione variabili o quando i componenti si assomigliano molto tra loro.

Dataset rari e attività visive specializzate#

Un'altra area in cui i workflow con coinvolgimento umano sono essenziali è l'addestramento con dati limitati, ad esempio nell'archeologia o nel telerilevamento. In questi casi, gli esperti esaminano ed etichettano un piccolo insieme di esempi, che il modello di AI utilizza per iniziare ad apprendere. Nel tempo, questo feedback aiuta il modello a rilevare pattern specifici, come tipi di colture, caratteristiche del suolo o manufatti, anche quando sono disponibili solo pochi campioni etichettati.

Svantaggi dei workflow con coinvolgimento umano#

Sebbene il coinvolgimento umano offra molti vantaggi per il machine learning, comporta anche alcune difficoltà. Ecco alcune limitazioni da tenere presenti quando implementi workflow HITL:

• Workflow più lenti: poiché le persone devono esaminare ed etichettare i dati, l'addestramento e gli aggiornamenti richiedono più tempo rispetto ai sistemi completamente automatizzati. Questo può ritardare la disponibilità all'uso delle nuove versioni di un modello.
• Costi più elevati: assumere annotatori o esperti qualificati aumenta le spese, soprattutto quando si lavora con dataset di grandi dimensioni o attività complesse.
• Scalabilità limitata: con l'aumento dei volumi di dati, diventa più difficile mantenere il coinvolgimento umano senza strumenti dedicati o supporto all'automazione.
• Ritardi nella distribuzione: il coinvolgimento umano costante può ritardare la distribuzione e rendere più difficile aggiornare i modelli in tempo reale.

Punti chiave#

Il machine learning con coinvolgimento umano è un modo pratico per addestrare i modelli di AI a gestire con maggiore precisione le situazioni del mondo reale. Aggiungendo input umani, i modelli migliorano più velocemente, rilevano più errori e funzionano meglio con dati complessi.

L'active learning rende questo processo ancora più efficiente facendo chiedere al modello aiuto solo quando non è sicuro. Insieme, questi approcci possono aiutare a creare modelli di AI più affidabili ed efficienti.

Entra in contatto con la nostra community ed esplora il nostro repository GitHub per approfondire l'AI. Consulta le nostre pagine dedicate alle soluzioni per scoprire innovazioni come l'AI nella produzione e la visione artificiale nel retail. Scopri le nostre opzioni di licenza e inizia oggi stesso a sviluppare con la visione artificiale!