Spiegazione del machine learning human-in-the-loop (HITL)

Oggi tendiamo a usare l'intelligenza artificiale (IA) e l'apprendimento automatico (ML) più spesso di quanto realizziamo. Queste tecnologie all'avanguardia aiutano a ottimizzare i nostri feed dei social media, a organizzare le nostre librerie di foto digitali e a semplificare la diagnosi delle malattie per i medici.

Ma anche i sistemi di IA più avanzati possono commettere errori. Potrebbero trascurare dettagli chiave o fraintendere ciò che vedono. Per migliorare i risultati, molti sviluppatori e appassionati di IA si stanno rivolgendo a un approccio chiamato IA human-in-the-loop (HITL). 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'AI human-in-the-loop, come funziona e dove può essere utilizzata nel mondo reale. Iniziamo!

Concetti 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.

Cos'è l'HITL? Il significato principale#

Sebbene i modelli di IA siano veloci e capaci di elaborare enormi quantità di dati, possono comunque confondersi. Ad esempio, nella computer vision, un sottocampo dell'IA focalizzato sulla comprensione e sull'analisi di immagini e video, un modello potrebbe interpretare 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. Che cos'è l'automazione human-in-the-loop? (Fonte)

Perché 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 IA 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 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.

Comprendere il ruolo della macchina nel ciclo#

Mentre gli esseri umani forniscono supervisione e feedback, il ruolo della macchina è imparare da quell'input e migliorare nel tempo. I modelli di IA usano le correzioni umane per perfezionare le loro previsioni, colmare le lacune in cui i dati mancano o non sono etichettati e assumere gradualmente attività su una scala di gran lunga superiore a quella che le persone potrebbero gestire da sole. Questo ciclo di feedback e perfezionamento o ricalibrazione consente ai modelli di IA di diventare più affidabili man mano che elaborano nuove informazioni.

Come 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 IA a migliorare nelle aree in cui riscontra difficoltà. Invece di affidarsi solo a dati pre-etichettati, il sistema impara anche dal feedback in tempo reale. Nel corso del tempo, il modello diventa più sicuro e accurato, specialmente 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.

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, in cui le persone taggano gli oggetti nelle immagini affinché modelli di computer vision come Ultralytics YOLO11 possano imparare cosa riconoscere. Quando le annotazioni non sono chiare o coerenti, il modello potrebbe apprendere i pattern sbagliati e avere difficoltà a funzionare bene.

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

Apprendimento attivo vs human-in-the-loop#

L'apprendimento attivo è un metodo utilizzato per rendere i sistemi human-in-the-loop più efficienti. Invece di chiedere agli esseri umani di esaminare ogni singolo dato, il sistema di IA seleziona solo i casi di cui non è sicuro. I revisori possono quindi concentrarsi su quegli esempi specifici, risparmiando tempo e sforzi.

Fig 4. Cos'è l'apprendimento attivo? Immagine dell'autore.

Questo approccio funziona particolarmente bene per attività come l'analisi delle immagini. Considera un modello di IA visiva addestrato per rilevare difetti nelle foto dei prodotti. Il più delle volte effettua previsioni accurate, ma occasionalmente fatica con un'illuminazione insolita o pattern non familiari. L'apprendimento attivo può essere utilizzato per segnalare quelle immagini difficili in modo che una persona possa intervenire e apportare correzioni. Il modello può quindi incorporare quel feedback e migliorare a ogni ciclo di riaddestramento.

Come 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 convalida 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.

Esempi 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.

Assistenza sanitaria e diagnostica per immagini#

Rispetto ad altri settori, l'IA nella sanità richiede una precisione molto maggiore, motivo per cui i flussi di lavoro di IA HITL sono così vitali. Nella diagnostica per immagini, ad esempio, i modelli di visione artificiale come Ultralytics YOLO11 possono essere utilizzati per analizzare radiografie, risonanze magnetiche e vetrini istologici, ma gli esperti rivedono 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. Tale feedback può quindi essere reintegrato nel processo di addestramento, aiutando il modello a migliorare e riducendo le possibilità di falsi allarmi o casi mancati in futuro.

Controllo qualità e garanzia#

Nel settore manifatturiero, i sistemi di computer vision 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 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.

Set 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 esaminano ed etichettano un piccolo insieme di esempi, che il modello di IA utilizza per iniziare ad apprendere. Nel tempo, questo feedback aiuta il modello a rilevare pattern specifici, come tipi di raccolto, caratteristiche del suolo o reperti, 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 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 gli esseri umani coinvolti 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.

Punti 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'IA. Dai un'occhiata alle nostre pagine delle soluzioni per scoprire innovazioni come l'IA nel settore manifatturiero e la computer vision nel settore retail. Scopri le nostre opzioni di licenza e inizia a sviluppare con la computer vision oggi stesso!