Spiegazione del machine learning con intervento umano (HITL)

Oggi tendiamo a usare l’intelligenza artificiale (AI) e il machine learning (ML) più spesso di quanto pensiamo. Queste tecnologie aiutano a ottimizzare i nostri feed dei social media, organizzare le raccolte di foto digitali e facilitare la diagnosi delle malattie da parte dei medici.

Ma anche i sistemi di IA più avanzati possono commettere errori. Possono trascurare dettagli importanti o interpretare male ciò che vedono. Per migliorare i risultati, molti sviluppatori e appassionati di IA si affidano a un approccio chiamato IA con intervento 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 IA.

In questo articolo vedremo cosa rappresenta l’IA con intervento umano, come funziona e in quali contesti può essere usata nel mondo reale. Cominciamo!

Concetti fondamentali di HITL#

Prima di approfondire l’importanza dei flussi di lavoro HITL, diamo un’occhiata più da vicino ai fondamenti dell’approccio con intervento umano.

Che cos’è HITL? Il significato fondamentale#

Anche se i modelli di IA sono veloci e in grado di elaborare enormi quantità di dati, possono comunque confondersi. Per esempio, nella visione artificiale, un sottoambito dell’IA che si concentra sulla comprensione e sull’analisi di immagini e video, un modello potrebbe interpretare male una foto sfocata o non cogliere un dettaglio sottile.

Questo accade perché i modelli di IA si basano sui modelli ricorrenti nei dati, anziché su una comprensione reale. Se i dati sono poco chiari, distorti o incompleti, l’output del modello può essere impreciso.

L’automazione con intervento umano coinvolge le persone nel processo di addestramento per aiutare i modelli ad apprendere in modo più efficace. Invece di funzionare in completa 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 intervento umano? (Fonte)

Perché è necessario l’intervento umano?#

Potresti chiederti: gli input umani sono davvero necessari? Non sembra contraddire l’obiettivo generale di rendere l’IA più autonoma? La realtà, tuttavia, è che i sistemi di IA apprendono dai dati e talvolta i dataset non offrono un quadro completo.

Per esempio, con le auto a guida autonoma, ci sono molte situazioni che un modello di IA potrebbe non comprendere appieno. Potrebbe avere difficoltà con condizioni stradali insolite, ostacoli imprevisti o eventi rari mai incontrati prima. In questi casi, la guida umana è una parte importante dell’apprendimento del sistema e lo aiuta a reagire in modo più sicuro nel tempo.

Nel complesso, le persone sono una componente essenziale di qualsiasi progetto di AI. Selezionano e annotano i dati, esaminano i risultati dei modelli e forniscono feedback che aiutano il sistema a migliorare. Senza il coinvolgimento umano nel processo, le soluzioni di AI faticherebbero ad adattarsi alle situazioni complesse del mondo reale.

Capire il ruolo della macchina nel ciclo#

Mentre le persone forniscono supervisione e feedback, il ruolo della macchina è apprendere da questi input e migliorare nel tempo. I modelli di IA usano le correzioni umane per perfezionare le proprie previsioni, colmare le lacune dovute a dati mancanti o non etichettati e assumersi gradualmente compiti su una scala ben oltre le capacità delle persone. Questo ciclo di feedback e perfezionamento o riaddestramento consente ai modelli di IA di diventare più affidabili man mano che elaborano nuove informazioni.

Come funziona l’intervento umano?#

In un tipico flusso di lavoro di IA con intervento umano, un modello di IA elabora i dati e formula una previsione. Se il modello è incerto o il compito è complesso, il risultato viene segnalato per una revisione umana. Una persona controlla quindi la previsione, apporta le correzioni necessarie e le modifiche vengono reinserite nei dati di addestramento. Il modello continua ad apprendere a ogni ciclo.

Questo ciclo aiuta il modello di IA a migliorare negli ambiti in cui incontra difficoltà. Invece di basarsi solo su dati pre-etichettati, il sistema apprende anche dal feedback in tempo reale. Nel tempo, il modello diventa più sicuro e preciso, soprattutto nei compiti in cui la precisione è fondamentale, come rilevare oggetti piccoli nelle immagini o individuare difetti durante le ispezioni visive.

Fig. 2. Panoramica dell’approccio con intervento umano (Fonte)

HITL nell’apprendimento supervisionato#

Le applicazioni di AI che usano l’apprendimento supervisionato sono un ottimo esempio dell’approccio all’AI con coinvolgimento umano. Queste soluzioni di AI si basano sull’annotazione dei dati, ovvero sull’etichettatura degli esempi da parte delle persone per addestrare il modello.

La maggior parte dei progetti di visione artificiale si basa su questo processo: le persone etichettano 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 potrebbe apprendere schemi errati e avere difficoltà a ottenere buoni risultati.

Fig. 3. Esempio dell’uso di Ultralytics YOLO11 per rilevare oggetti in un’immagine.

Apprendimento attivo e intervento umano a confronto#

L’apprendimento attivo è un metodo che rende più efficienti i sistemi con intervento umano. Invece di chiedere alle persone di esaminare ogni dato, il sistema di IA seleziona solo i casi su cui è incerto. Chi effettua la revisione può quindi concentrarsi su quegli esempi specifici, risparmiando tempo e fatica.

Fig. 4. Che cos’è l’apprendimento attivo? Immagine dell’autore.

Questo approccio è particolarmente efficace per attività come l’analisi delle immagini. Considera un modello di IA per la visione addestrato per rilevare difetti nelle foto dei prodotti. Nella maggior parte dei casi formula previsioni accurate, ma a volte incontra difficoltà con condizioni di illuminazione insolite o schemi sconosciuti. L’apprendimento attivo può segnalare queste immagini difficili, così una persona può intervenire e apportare correzioni. Il modello può quindi integrare quel feedback e migliorare a ogni ciclo di riaddestramento.

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

I flussi di lavoro HITL possono aiutare i modelli di visione artificiale a ottenere risultati migliori grazie al 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, la messa a punto e la convalida. Nel tempo, il ciclo di feedback aiuta a realizzare soluzioni di visione artificiale più efficaci nelle situazioni del mondo reale.

Esempi reali di IA con intervento umano#

Vediamo ora alcuni esempi di come l’automazione HITL può essere usata per migliorare le applicazioni di IA per la visione.

Assistenza sanitaria e diagnostica per immagini#

Rispetto ad altri settori, l’IA nel settore sanitario richiede una precisione molto maggiore, motivo per cui i flussi di lavoro di IA HITL sono così importanti. Per esempio, nella diagnostica per immagini, i modelli di IA per la visione come Ultralytics YOLO11 possono essere usati per analizzare radiografie, risonanze magnetiche e vetrini istologici, ma i risultati vengono comunque esaminati da esperti per verificarne la correttezza.

Supponiamo di usare un modello Ultralytics YOLO11 addestrato su misura per rilevare una possibile anomalia polmonare in una radiografia. Un radiologo può esaminare la previsione, confermarne l’accuratezza e correggere eventuali errori. Il feedback può quindi essere reinserito nel processo di addestramento, aiutando il modello a migliorare e riducendo la probabilità di falsi allarmi o casi non rilevati in futuro.

Controllo e garanzia della qualità#

Nel settore manifatturiero, i sistemi di visione artificiale vengono usati per esaminare componenti e materiali alla ricerca di difetti; HITL aggiunge un ulteriore livello di precisione quando il modello è incerto. Per 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 inserire il feedback nel ciclo. Nel tempo, questo processo migliora la coerenza, anche in ambienti con condizioni di illuminazione variabili o quando i componenti si assomigliano molto.

Dataset rari e attività visive specializzate#

Un altro ambito in cui i flussi di lavoro con intervento umano sono essenziali è quello in cui i dati di addestramento sono limitati, come nell’archeologia o nel telerilevamento. In questi casi, gli esperti esaminano ed etichettano un piccolo insieme di esempi, che il modello di IA usa per iniziare ad apprendere. Nel tempo, questo feedback aiuta il modello a rilevare schemi specifici, come tipi di colture, caratteristiche del suolo o reperti, anche quando sono disponibili solo pochi campioni etichettati.

Svantaggi dei flussi di lavoro con intervento umano#

Sebbene l’intervento umano nell’apprendimento automatico offra molti vantaggi, comporta anche alcune difficoltà. Ecco alcuni limiti da tenere presenti quando implementi flussi di lavoro HITL:

• Flussi di lavoro 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 di nuove versioni del modello.
• Costi più elevati: Assumere annotatori qualificati o esperti aumenta le spese, soprattutto quando si lavora con dataset di grandi dimensioni o attività complesse.
• Scalabilità limitata: con l’aumento dei volumi di dati, coinvolgere le persone diventa più difficile 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#

L’apprendimento automatico con intervento umano è un metodo pratico per addestrare i modelli di IA a gestire con maggiore precisione situazioni del mondo reale. Aggiungendo input umani, i modelli migliorano più rapidamente, rilevano più errori e gestiscono meglio i dati complessi.

L’apprendimento attivo rende il processo ancora più efficiente, facendo sì che il modello chieda aiuto solo quando non è sicuro. Insieme, questi approcci possono aiutare a creare modelli di IA più affidabili ed efficienti.

Entra in contatto con la nostra community ed esplora il nostro repository GitHub per approfondire l’IA. Dai un’occhiata alle nostre pagine dedicate alle soluzioni per scoprire innovazioni come l’IA nel settore manifatturiero e la visione artificiale nel commercio al dettaglio. Scopri le nostre opzioni di licenza e inizia a creare con la visione artificiale oggi stesso!