Cliccando su “Accetta tutti i cookie”, l'utente accetta di memorizzare i cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e assistere le nostre attività di marketing. Maggiori informazioni
Impostazioni dei cookie
Cliccando su “Accetta tutti i cookie”, l'utente accetta di memorizzare i cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e assistere le nostre attività di marketing. Maggiori informazioni
Oggigiorno, tendiamo a utilizzare l'intelligenza artificiale (IA) e l'apprendimento automatico (ML) più spesso di quanto ci rendiamo conto. Queste tecnologie all'avanguardia aiutano a ottimizzare i nostri feed sui social media, a organizzare le nostre librerie di foto digitali e a rendere più facile per i medici diagnosticare le malattie.
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 intelligenza artificiale 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 intelligenza artificiale 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 approfondire il significato dei flussi di lavoro HITL, esaminiamo più da vicino i fondamenti dell'approccio human-in-the-loop.
Cos'è HITL? Il significato fondamentale
Sebbene i modelli di IA siano veloci e in grado di elaborare enormi quantità di dati, possono comunque confondersi. Ad esempio, nella computer vision, un sottocampo dell'IA focalizzato sulla comprensione e l'analisi di immagini e video, un modello potrebbe interpretare erroneamente una foto sfocata o perdere un dettaglio sottile.
Ciò accade perché i modelli di IA si basano su schemi nei dati piuttosto che sulla vera comprensione. Se i dati non sono chiari, distorti o incompleti, l'output del modello può essere impreciso.
L'automazione Human-in-the-loop integra le persone nel processo di training per aiutare i modelli ad apprendere in modo più efficace. Invece di operare in modo completamente autonomo, questi sistemi ricevono regolarmente feedback umani. Le persone esaminano gli output, correggono gli errori e guidano il modello man mano che migliora nel tempo.
Perché è necessario l'intervento umano (human-in-the-loop)?
Potresti chiederti: gli input umani sono davvero necessari? Non sembra contraddire l'obiettivo generale di rendere l'IA più indipendente? Tuttavia, la realtà è che i sistemi di IA imparano dai dati, e a volte i dataset non dipingono un quadro completo.
Ad esempio, con le auto a guida autonoma, ci sono molte situazioni che un modello di intelligenza artificiale potrebbe non comprendere appieno. Potrebbe avere difficoltà con condizioni stradali insolite, ostacoli imprevisti o eventi rari che non ha mai visto prima. In questi casi, la guida umana è una parte importante dell'apprendimento del sistema e della risposta più sicura nel tempo.
Nel complesso, gli esseri umani sono una parte fondamentale di qualsiasi progetto di IA. Curano 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 IA farebbero fatica ad adattarsi a situazioni complesse del mondo reale.
Comprendere il ruolo della macchina nel loop
Mentre gli esseri umani forniscono supervisione e feedback, il ruolo della macchina è quello di apprendere da tale input e migliorare nel tempo. I modelli di IA utilizzano le correzioni umane per perfezionare le loro previsioni, colmare le lacune in cui i dati sono mancanti o non etichettati e gradualmente assumere compiti su una scala di gran lunga superiore a quella che le persone potrebbero gestire da sole. Questo ciclo di feedback e messa a punto o retraining consente ai modelli di IA di diventare più affidabili man mano che elaborano nuove informazioni.
Come funziona l'approccio Human-in-the-Loop?
In un tipico flusso di lavoro AI human-in-the-loop, un modello AI elabora i dati ed effettua una previsione. Quando è incerto o l'attività è complessa, il risultato viene segnalato per la revisione umana. Una persona controlla quindi la previsione, apporta correzioni se necessario e tali aggiornamenti vengono reinseriti nei dati di training. Il modello continua ad apprendere ad ogni ciclo.
Questo ciclo aiuta il modello di IA a migliorare nelle aree in cui ha difficoltà. Invece di affidarsi solo a dati pre-etichettati, il sistema apprende anche dal feedback in tempo reale. Nel tempo, il modello diventa più affidabile e preciso, soprattutto in attività in cui la precisione è fondamentale, come il rilevamento di piccoli oggetti nelle immagini o l'identificazione di difetti durante le ispezioni visive.
Fig. 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 gli esseri umani etichettano gli esempi per addestrare il modello.
La maggior parte dei progetti di computer vision si basa su questo processo, con persone che taggano oggetti nelle immagini in modo che i modelli di computer vision come Ultralytics YOLO11 possano imparare cosa riconoscere. Quando le annotazioni non sono chiare o incoerenti, il modello può apprendere i pattern sbagliati e avere difficoltà a ottenere buone prestazioni.
Fig. 3. Esempio di utilizzo di YOLO11 per rilevare oggetti in un'immagine.
Apprendimento attivo vs. human-in-the-loop
L'apprendimento attivo è un metodo utilizzato per rendere più efficienti i sistemi human-in-the-loop. Invece di chiedere agli umani di rivedere ogni dato, il sistema di IA seleziona solo i casi su cui è incerto. I revisori possono quindi concentrarsi su questi specifici esempi, risparmiando tempo e fatica.
Questo approccio funziona particolarmente bene per attività come l'analisi delle immagini. Si consideri un modello di Vision AI addestrato per rilevare difetti nelle foto dei prodotti. Nella maggior parte dei casi, fa previsioni accurate, ma occasionalmente ha difficoltà con illuminazione insolita o modelli sconosciuti. L'active learning può essere utilizzato per contrassegnare quelle immagini difficili in modo che una persona possa intervenire e apportare correzioni. Il modello può quindi incorporare quel feedback e migliorare con ogni ciclo di retraining.
In che modo l'HITL migliora i risultati della computer vision?
I flussi di lavoro HITL possono facilitare il miglioramento delle prestazioni dei modelli di computer vision grazie all'aggiunta di feedback continuo. Quando le persone intervengono per rivedere risultati incerti, correggere errori o aggiungere etichette mancanti, il modello impara a riconoscere gli oggetti in modo più accurato e con maggiore sicurezza.
Questo processo non si limita a migliorare l'addestramento, ma rende anche più affidabili i test, la messa a punto e la convalida. Nel tempo, il ciclo di feedback aiuta a costruire soluzioni di computer vision che funzionano in modo più efficace in situazioni reali.
Esempi reali di AI human-in-the-loop
Successivamente, esaminiamo alcuni esempi di intelligenza artificiale human-in-the-loop di come l'automazione HITL può essere utilizzata per migliorare le applicazioni di Vision AI.
Sanità e imaging medicale
Rispetto ad altri settori, l'AI nel settore sanitario richiede una precisione molto più elevata, motivo per cui i flussi di lavoro HITL AI sono così vitali. Nell'imaging medicale, ad esempio, i modelli di Vision AI come YOLO11 possono essere utilizzati per analizzare radiografie, risonanze magnetiche e vetrini di patologia, ma gli esperti esaminano comunque i risultati per assicurarsi che siano corretti.
Supponiamo che un modello YOLO11 addestrato personalizzato venga utilizzato per rilevare una possibile anomalia polmonare in una radiografia. Un radiologo può rivedere la previsione, confermare se è accurata e correggere eventuali errori. Tale feedback può quindi essere aggiunto nuovamente al processo di addestramento, aiutando il modello a migliorare e riducendo le possibilità di falsi allarmi o casi mancati in futuro.
Controllo e assicurazione della qualità
Nella produzione, i sistemi di computer vision vengono utilizzati per scansionare parti e materiali alla ricerca di difetti e HITL aggiunge un ulteriore livello di accuratezza quando il modello è incerto. Ad esempio, nella produzione automobilistica, un sistema potrebbe segnalare un riflesso superficiale innocuo su un componente metallico come una crepa.
Un tecnico può rivedere il risultato, correggere l'errore e aggiungere quel feedback nel ciclo. Nel tempo, questo processo migliora la coerenza, anche in ambienti con illuminazione variabile o quando le parti si assomigliano molto.
Dataset rari e attività visive specializzate
Un altro ambito in cui i flussi di lavoro human-in-the-loop sono essenziali è quando i dati di addestramento sono limitati, come in archeologia o nel telerilevamento. In questi casi, gli esperti esaminano ed etichettano un piccolo insieme di esempi, che il modello AI utilizza per iniziare l'apprendimento. Nel tempo, questo feedback aiuta il modello a rilevare modelli specifici, come tipi di colture, caratteristiche del suolo o manufatti, anche quando sono disponibili solo pochi campioni etichettati.
Svantaggi dei flussi di lavoro human-in-the-loop
Sebbene ci siano molti vantaggi dell'human-in-the-loop per il machine learning, presenta anche alcune sfide. Ecco alcune limitazioni da tenere a mente quando si implementano flussi di lavoro HITL:
Flussi di lavoro più lenti: Poiché è necessario che delle persone rivedano ed etichettino i dati, l'addestramento e gli aggiornamenti richiedono più tempo rispetto ai sistemi completamente automatizzati. Ciò può ritardare la velocità con cui le nuove versioni di un modello sono pronte per l'uso.
Costi più elevati: L'assunzione di annotatori o esperti qualificati aumenta le spese, soprattutto quando si lavora con set di dati di grandi dimensioni o attività complesse.
Scalabilità limitata: Con l'aumentare dei volumi di dati, diventa più difficile mantenere il coinvolgimento umano senza strumenti dedicati o supporto per l'automazione.
Ritardi nella distribuzione: Il costante coinvolgimento umano può ritardare la distribuzione e rendere più difficile l'aggiornamento dei modelli in tempo reale.
Punti chiave
L'apprendimento automatico Human-in-the-loop è un modo pratico per addestrare i modelli di IA a gestire le situazioni del mondo reale in modo più accurato. Aggiungendo l'input umano, i modelli migliorano più velocemente, individuano più errori e offrono prestazioni migliori con 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.
