Spiegazione del machine learning human-in-the-loop (HITL)
Esplora il machine learning human-in-the-loop (HITL). Scopri cos'è l'HITL, come l'intelligenza umana guida l'AI, migliora la precisione del modello e stimola l'apprendimento attivo.
Oggi tendiamo a utilizzare l'intelligenza artificiale (AI) e l'apprendimento automatico (ML) più spesso di quanto pensiamo. Queste tecnologie all'avanguardia aiutano a ottimizzare i nostri feed sui social media, a organizzare le nostre librerie fotografiche digitali e a semplificare la diagnosi delle malattie da parte dei medici.
Ma anche i sistemi di AI più avanzati possono commettere errori. Possono trascurare dettagli chiave o interpretare male ciò che vedono. Per migliorare i risultati, molti sviluppatori e appassionati di AI si stanno rivolgendo a un approccio chiamato AI human-in-the-loop (HITL). Questo metodo combina il giudizio umano con l'efficienza della macchina. Le persone intervengono per addestrare, revisionare e perfezionare le prestazioni di un modello AI nel corso del tempo.
In questo articolo, esploreremo cosa rappresenta l'AI human-in-the-loop, come funziona e dove può essere utilizzata nel mondo reale. Iniziamo!
Link to this sectionConcetti fondamentali dell'HITL#
Prima di addentrarci nel significato dei flussi di lavoro HITL, diamo uno sguardo più da vicino alle basi dell'approccio human-in-the-loop.
Link to this sectionCos'è l'HITL? Il significato principale#
Sebbene i modelli di AI siano veloci e in grado di elaborare enormi quantità di dati, possono comunque confondersi. Ad esempio, nella computer vision, un sottocampo dell'AI focalizzato sulla comprensione e sull'analisi di immagini e video, un modello potrebbe leggere male una foto sfocata o perdere un dettaglio sottile.
Ciò accade perché i modelli di AI si basano su schemi presenti nei dati piuttosto che su una vera comprensione. Se i dati non sono chiari, sono parziali o incompleti, l'output del modello può risultare impreciso.
L'automazione human-in-the-loop inserisce le persone nel processo di addestramento per aiutare i modelli ad apprendere in modo più efficace. Invece di operare interamente da soli, questi sistemi ricevono un feedback umano regolare. Le persone revisionano gli output, correggono gli errori e guidano il modello man mano che migliora nel tempo.
Fig 1. Cos'è l'automazione human-in-the-loop? (Fonte)
Link to this sectionPerché è necessario avere esseri umani nel ciclo?#
Potresti chiederti: gli input umani sono davvero necessari? Non sembra contraddire l'obiettivo generale di rendere l'AI più indipendente? Tuttavia, la realtà è che i sistemi di AI imparano dai dati e talvolta i set di dati non offrono un quadro completo.
Ad esempio, con le auto a guida autonoma, ci sono molte situazioni che un modello di AI 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 rappresenta una parte importante affinché il sistema impari e risponda in modo più sicuro nel tempo.
Nel complesso, gli esseri umani sono una parte fondamentale di qualsiasi progetto di AI. Curano e annotano i dati, revisionano gli output del modello e forniscono feedback che aiutano il sistema a migliorare. Senza esseri umani nel ciclo, le soluzioni di AI faticherebbero ad adattarsi a situazioni complesse del mondo reale.
Link to this sectionComprendere il ruolo della macchina nel ciclo#
Mentre gli esseri umani forniscono supervisione e feedback, il ruolo della macchina è imparare da tale input e migliorare nel tempo. I modelli di AI utilizzano le correzioni umane per perfezionare le loro previsioni, colmare le lacune laddove i dati mancano o non sono etichettati e assumersi gradualmente compiti su una scala che va ben oltre ciò che le persone potrebbero gestire autonomamente. Questo ciclo di feedback e perfezionamento o riaddestramento rende possibile per i modelli di AI diventare più affidabili man mano che elaborano nuove informazioni.
Link to this sectionCome funziona avere un human-in-the-loop?#
In un tipico flusso di lavoro di AI human-in-the-loop, un modello di AI elabora i dati ed effettua una previsione. Quando è incerto o il compito è complesso, il risultato viene segnalato per una revisione umana. Una persona quindi controlla la previsione, apporta correzioni se necessario e tali aggiornamenti vengono reinseriti nei dati di addestramento. Il modello continua a imparare a ogni ciclo.
Questo ciclo aiuta il modello di AI a migliorare nelle aree in cui ha difficoltà. Invece di fare affidamento solo su dati pre-etichettati, il sistema impara anche dal feedback in tempo reale. Con il tempo, il modello diventa più sicuro e accurato, specialmente nei compiti in cui la precisione è fondamentale, come rilevare piccoli oggetti nelle immagini o identificare difetti durante le ispezioni visive.
Fig 2. Una panoramica dell'approccio human-in-the-loop (Fonte)
Link to this sectionHITL nell'apprendimento supervisionato#
Le applicazioni di AI che utilizzano l'apprendimento supervisionato sono un ottimo esempio dell'approccio human-in-the-loop verso l'AI. Queste soluzioni di AI dipendono dall'annotazione dei dati, dove 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 contrassegnano oggetti nelle immagini in modo che modelli di computer vision come Ultralytics YOLO11 possano imparare cosa riconoscere. Quando le annotazioni non sono chiare o sono incoerenti, il modello potrebbe imparare schemi errati e faticare a ottenere buone prestazioni.
Fig 3. Un esempio di utilizzo di YOLO11 per rilevare oggetti in un'immagine.
Link to this sectionApprendimento 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 esseri umani di revisionare ogni pezzo di dati, il sistema di AI seleziona solo i casi di cui è incerto. I revisori possono quindi concentrarsi su quegli esempi specifici, risparmiando tempo e fatica.
Fig 4. Cos'è l'apprendimento attivo? Immagine dell'autore.
Questo approccio funziona particolarmente bene per compiti come l'analisi delle immagini. Considera un modello di AI di visione addestrato a rilevare difetti nelle foto di prodotti. Il più delle volte, effettua previsioni accurate, ma occasionalmente ha difficoltà con illuminazione insolita o schemi non familiari. L'apprendimento attivo può essere utilizzato per segnalare quelle immagini difficili affinché una persona possa intervenire e apportare correzioni. Il modello può quindi incorporare tale feedback e migliorare a ogni ciclo di riaddestramento.
Link to this sectionCome fa l'HITL a migliorare i risultati della computer vision?#
I flussi di lavoro HITL possono semplificare il miglioramento delle prestazioni dei modelli di computer vision aggiungendo feedback continuo. Quando le persone intervengono per revisionare 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 migliora solo l'addestramento. Rende anche i test, la messa a punto e la validazione più affidabili. Nel tempo, il ciclo di feedback aiuta a costruire soluzioni di computer vision che funzionano in modo più efficace in situazioni del mondo reale.
Link to this sectionEsempi reali di AI human-in-the-loop#
Successivamente, esaminiamo alcuni esempi di AI human-in-the-loop su come l'automazione HITL può essere utilizzata per migliorare le applicazioni di AI di visione.
Link to this sectionAssistenza sanitaria e diagnostica per immagini#
Rispetto ad altri settori, l'AI nell'assistenza sanitaria richiede un'accuratezza molto più elevata, motivo per cui i flussi di lavoro HITL AI sono così vitali. Nella diagnostica per immagini, ad esempio, modelli di AI di visione come YOLO11 possono essere utilizzati per analizzare radiografie, risonanze magnetiche e vetrini patologici, ma gli esperti revisionano comunque 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 revisionare la previsione, confermare se è accurata e correggere eventuali errori. Quel 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.
Link to this sectionControllo qualità e garanzia#
Nella produzione, i sistemi di computer vision vengono utilizzati per scansionare componenti 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 riflesso superficiale innocuo su un componente metallico come una crepa.
Un tecnico può revisionare 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 sembrano molto simili tra loro.
Link to this sectionSet 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 addestramento sono limitati, come nell'archeologia o nel telerilevamento. In questi casi, gli esperti revisionano ed etichettano un piccolo insieme di esempi, che il modello di AI utilizza per iniziare ad apprendere. Con il tempo, questo feedback aiuta il modello a rilevare schemi specifici, come tipi di colture, caratteristiche del suolo o manufatti, anche quando sono disponibili solo pochi campioni etichettati.
Link to this sectionSvantaggi dei flussi di lavoro human-in-the-loop#
Sebbene ci siano molti vantaggi dell'human-in-the-loop per l'apprendimento automatico, comporta anche alcune sfide. Ecco alcune limitazioni da tenere a mente quando si implementano i flussi di lavoro HITL:
- Flussi di lavoro più lenti: Poiché le persone devono revisionare ed etichettare i dati, l'addestramento e gli aggiornamenti richiedono più tempo rispetto ai sistemi completamente automatizzati. Ciò può ritardare la disponibilità delle nuove versioni di un modello.
- Costi più elevati: L'assunzione di annotatori esperti o specialisti aumenta le spese, specialmente quando si lavora con grandi set di dati o compiti complicati.
- Scalabilità limitata: Man mano che i volumi di dati crescono, diventa più difficile mantenere il coinvolgimento umano senza strumenti dedicati o supporto all'automazione.
- Ritardi di distribuzione: Il costante coinvolgimento umano può ritardare la distribuzione e rendere più difficile l'aggiornamento dei modelli in tempo reale.
Link to this sectionPunti chiave#
L'apprendimento automatico human-in-the-loop è un modo pratico per addestrare i modelli di AI a gestire situazioni del mondo reale in modo più accurato. Aggiungendo l'input umano, i modelli migliorano più velocemente, catturano più errori e ottengono 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 AI più affidabili ed efficienti.
Entra in contatto con la nostra community ed esplora il nostro repository GitHub per approfondire l'AI. Dai un'occhiata alle nostre pagine delle soluzioni per conoscere innovazioni come l'AI nella produzione e la computer vision nel settore retail. Scopri le nostre opzioni di licenza e inizia a costruire con la computer vision oggi stesso!
