인간 개입형 머신러닝(HITL)에 대한 설명

오늘날 우리는 인지하는 것보다 더 자주 인공지능(AI)과 머신러닝(ML)을 사용합니다. 이러한 최첨단 기술은 소셜 미디어 피드를 최적화하고, 디지털 사진 라이브러리를 정리하며, 의사가 질병을 진단하는 과정을 더 쉽게 만드는 데 도움을 줍니다.

하지만 가장 진보된 AI 시스템조차도 실수를 할 수 있습니다. 중요한 세부 사항을 간과하거나 보고 있는 내용을 잘못 해석할 수 있습니다. 결과를 개선하기 위해 많은 개발자와 AI 애호가들은 인간 참여형(HITL) AI라고 불리는 접근 방식을 채택하고 있습니다. 이 방식은 인간의 판단력과 기계의 효율성을 결합합니다. 사람들이 개입하여 시간이 지남에 따라 AI 모델의 성능을 학습, 검토 및 개선합니다.

이 글에서는 인간 참여형 AI가 무엇을 의미하며, 어떻게 작동하고, 실제 환경 어디에서 사용될 수 있는지 알아보겠습니다. 시작해 보겠습니다!

Link to this sectionHITL의 기본 개념#

HITL 워크플로의 중요성을 알아보기 전에, 인간 참여형 접근 방식의 기초를 더 자세히 살펴보겠습니다.

Link to this sectionHITL이란 무엇인가? 핵심 의미#

AI 모델은 빠르고 방대한 양의 데이터를 처리할 수 있지만, 여전히 혼란을 겪을 수 있습니다. 예를 들어, 이미지와 영상을 이해하고 분석하는 데 중점을 둔 AI의 하위 분야인 컴퓨터 비전에서 모델은 흐릿한 사진을 잘못 읽거나 미묘한 세부 사항을 놓칠 수 있습니다.

이는 AI 모델이 진정한 이해가 아닌 데이터의 패턴에 의존하기 때문에 발생합니다. 데이터가 불분명하거나 편향되어 있거나 불완전하면 모델의 출력 결과가 부정확해질 수 있습니다.

인간 참여형 자동화는 학습 과정에 사람을 참여시켜 모델이 더 효과적으로 학습하도록 돕습니다. 이러한 시스템은 완전히 독립적으로 작동하는 대신 정기적으로 인간의 피드백을 받습니다. 사람들이 출력 결과를 검토하고 오류를 수정하며 모델이 시간이 지남에 따라 개선되도록 안내합니다.

그림 1. 인간 참여형 자동화란 무엇인가? (출처)

Link to this section왜 인간 참여형(humans-in-the-loop)이 필요한가?#

인간의 입력이 정말로 필요한지 궁금할 수 있습니다. AI를 더 독립적으로 만들려는 일반적인 목표와 모순되는 것처럼 보이지 않나요? 그러나 현실은 AI 시스템이 데이터를 통해 학습하며, 때로는 데이터셋이 포괄적인 상황을 담고 있지 않다는 것입니다.

예를 들어, 자율 주행 자동차의 경우 AI 모델이 완전히 이해하지 못할 수 있는 많은 상황이 존재합니다. 비정상적인 도로 상태, 예상치 못한 장애물 또는 이전에 본 적 없는 드문 이벤트로 인해 어려움을 겪을 수 있습니다. 이러한 경우 인간의 지도는 시스템이 시간이 지남에 따라 더 안전하게 학습하고 대응하는 데 중요한 역할을 합니다.

전반적으로 인간은 모든 AI 프로젝트의 핵심 요소입니다. 인간은 데이터를 큐레이팅 및 어노테이션하고, 모델 출력 결과를 검토하며, 시스템 개선을 돕는 피드백을 제공합니다. 인간의 참여가 없다면 AI 솔루션은 복잡한 실제 상황에 적응하는 데 어려움을 겪을 것입니다.

Link to this section루프 내에서 기계의 역할 이해하기#

인간이 감독과 피드백을 제공하는 동안, 기계의 역할은 해당 입력을 통해 학습하고 시간이 지남에 따라 개선되는 것입니다. AI 모델은 인간의 수정 사항을 사용하여 예측을 다듬고, 데이터가 누락되거나 레이블이 지정되지 않은 부분을 채우며, 점차 사람이 혼자 관리할 수 있는 수준을 훨씬 뛰어넘는 규모의 작업을 수행합니다. 이러한 피드백과 미세 조정 또는 재학습의 순환은 AI 모델이 새로운 정보를 처리하면서 더 신뢰할 수 있게 만듭니다.

Link to this section인간 참여형 작업은 어떻게 진행되는가?#

일반적인 인간 참여형 AI 워크플로에서 AI 모델은 데이터를 처리하고 예측을 수행합니다. 모델이 불확실하거나 작업이 복잡할 경우, 결과는 인간의 검토를 위해 플래그가 지정됩니다. 그런 다음 사람이 예측을 확인하고 필요한 경우 수정을 가하며, 이러한 업데이트가 학습 데이터에 다시 추가됩니다. 모델은 각 주기를 통해 계속 학습합니다.

이 루프는 AI 모델이 어려움을 겪는 영역을 개선하도록 돕습니다. 미리 레이블이 지정된 데이터에만 의존하는 대신 시스템은 실시간 피드백을 통해서도 학습합니다. 시간이 지남에 따라 모델은, 특히 이미지 내 작은 객체 감지나 시각적 검사 중 결함 식별과 같이 정밀도가 중요한 작업에서 더 자신감 있고 정확해집니다.

그림 2. 인간 참여형 접근 방식 개요 (출처)

Link to this section지도 학습에서의 HITL#

지도 학습을 사용하는 AI 애플리케이션은 AI에 대한 인간 참여형 접근 방식의 훌륭한 예시입니다. 이러한 AI 솔루션은 인간이 모델을 학습시키기 위해 예제에 레이블을 지정하는 데이터 어노테이션에 의존합니다.

대부분의 컴퓨터 비전 프로젝트는 이 과정에 의존하며, 사람들이 이미지의 객체에 태그를 지정하여 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 무엇을 인식해야 하는지 학습할 수 있게 합니다. 어노테이션이 불분명하거나 일관되지 않으면 모델이 잘못된 패턴을 학습하여 성능을 발휘하는 데 어려움을 겪을 수 있습니다.

그림 3. YOLO11을 사용하여 이미지 내 객체를 감지하는 예시.

Link to this section능동 학습(Active learning) vs. 인간 참여형#

능동 학습은 인간 참여형 시스템을 더 효율적으로 만들기 위해 사용되는 방법입니다. 모든 데이터를 인간에게 검토하도록 요청하는 대신, AI 시스템은 자신이 불확실해하는 사례만을 선택합니다. 검토자는 특정 사례에 집중할 수 있어 시간과 노력을 절약할 수 있습니다.

그림 4. 능동 학습이란 무엇인가? 이미지 제공: 저자.

이 접근 방식은 이미지 분석과 같은 작업에 특히 효과적입니다. 제품 사진의 결함을 감지하도록 학습된 비전 AI 모델을 고려해 보십시오. 대부분의 경우 정확한 예측을 수행하지만, 때때로 특이한 조명이나 익숙하지 않은 패턴으로 인해 어려움을 겪습니다. 능동 학습을 사용하여 까다로운 이미지를 플래그 지정하면 사람이 개입하여 수정할 수 있습니다. 그러면 모델이 해당 피드백을 통합하고 각 재학습 주기를 통해 개선될 수 있습니다.

Link to this sectionHITL은 어떻게 컴퓨터 비전 결과를 개선하는가?#

HITL 워크플로는 지속적인 피드백을 추가하여 컴퓨터 비전 모델의 성능을 더 쉽게 개선할 수 있게 합니다. 사람들이 개입하여 불확실한 결과를 검토하고, 실수를 수정하거나 누락된 레이블을 추가할 때, 모델은 더 정확하고 높은 확신을 가지고 객체를 인식하는 법을 배웁니다.

이 과정은 학습만을 개선하는 것이 아닙니다. 테스트, 튜닝 및 검증을 더 신뢰할 수 있게 만듭니다. 시간이 지남에 따라 피드백 루프는 실제 상황에서 더 효과적으로 작동하는 컴퓨터 비전 솔루션을 구축하는 데 기여합니다.

Link to this section실제 인간 참여형 AI 사례#

다음으로, HITL 자동화를 사용하여 비전 AI 애플리케이션을 개선하는 몇 가지 인간 참여형 AI 사례를 살펴보겠습니다.

Link to this section헬스케어 및 의료 영상#

다른 분야와 비교하여 헬스케어 분야의 AI는 훨씬 높은 정확도를 요구하며, 이것이 HITL AI 워크플로가 매우 중요한 이유입니다. 예를 들어 의료 영상 분야에서 YOLO11과 같은 비전 AI 모델은 X-ray, MRI 및 병리학 슬라이드를 분석하는 데 사용될 수 있지만, 전문가들은 결과가 정확한지 확인하기 위해 여전히 검토를 수행합니다.

사용자 지정 학습된 YOLO11 모델이 X-ray에서 폐 이상 가능성을 감지하는 데 사용된다고 가정해 봅시다. 방사선 전문의는 예측을 검토하고 정확한지 확인하며 오류를 수정할 수 있습니다. 그 피드백을 다시 학습 과정에 추가하면 모델 개선에 도움이 되며 향후 오경보나 미탐지 사례의 가능성을 줄일 수 있습니다.

Link to this section품질 관리 및 보증#

제조 분야에서는 컴퓨터 비전 시스템이 부품과 자재의 결함을 스캔하는 데 사용되며, HITL은 모델이 불확실할 때 추가적인 정확도를 더해줍니다. 예를 들어 자동차 생산에서 시스템이 금속 부품의 무해한 표면 반사를 균열로 잘못 표시할 수 있습니다.

기술자가 결과를 검토하고 실수를 수정하며 해당 피드백을 루프에 추가할 수 있습니다. 시간이 지남에 따라 이 과정은 조명이 변하는 환경이나 부품이 서로 매우 유사하게 보이는 경우에도 일관성을 개선합니다.

Link to this section희귀 데이터셋 및 전문 시각 작업#

인간 참여형 워크플로가 필수적인 또 다른 영역은 고고학이나 원격 탐사와 같이 학습 데이터가 제한적인 경우입니다. 이러한 경우 전문가들은 적은 수의 예제를 검토하고 레이블을 지정하며, AI 모델은 이를 사용하여 학습을 시작합니다. 시간이 지남에 따라 이 피드백은 레이블이 지정된 샘플이 몇 개만 있더라도 모델이 작물 종류, 토양 특징 또는 유물과 같은 특정 패턴을 감지하는 데 도움을 줍니다.

Link to this section인간 참여형 워크플로의 단점#

머신러닝을 위한 인간 참여형 방식에는 많은 이점이 있지만, 특정 과제도 따릅니다. HITL 워크플로를 구현할 때 고려해야 할 몇 가지 제한 사항은 다음과 같습니다.

• 더 느린 워크플로: 사람들이 데이터를 검토하고 레이블을 지정해야 하므로 완전히 자동화된 시스템보다 학습 및 업데이트에 더 많은 시간이 걸립니다. 이는 새로운 모델 버전이 준비되는 속도를 늦출 수 있습니다.
• 더 높은 비용: 숙련된 어노테이터나 전문가를 고용하는 것은 비용을 증가시키며, 특히 대규모 데이터셋이나 복잡한 작업으로 작업할 때 더욱 그렇습니다.
• 제한된 확장성: 데이터 양이 증가함에 따라 전용 도구나 자동화 지원 없이는 인간의 참여를 유지하기가 더 어려워집니다.
• 배포 지연: 지속적인 인간의 개입은 배포를 지연시키고 실시간으로 모델을 업데이트하기 어렵게 만들 수 있습니다.

Link to this section핵심 요약#

인간 참여형 머신러닝은 AI 모델이 실제 상황을 더 정확하게 처리하도록 학습시키는 실용적인 방법입니다. 인간의 입력을 추가함으로써 모델은 더 빠르게 개선되고, 더 많은 실수를 포착하며, 복잡한 데이터에서도 더 나은 성능을 발휘합니다.

능동 학습은 모델이 확실하지 않을 때만 도움을 요청하게 함으로써 이 과정을 더욱 효율적으로 만듭니다. 이러한 접근 방식을 결합하면 더 신뢰할 수 있고 효율적인 AI 모델을 구축하는 데 도움이 될 수 있습니다.

저희 커뮤니티에 참여하고 GitHub 저장소를 탐색하여 AI에 대해 더 깊이 알아보세요. 제조 분야의 AI 및 소매 분야의 컴퓨터 비전과 같은 혁신 기술에 대해 알아보려면 솔루션 페이지를 확인하세요. 라이선스 옵션을 살펴보고 지금 바로 컴퓨터 비전을 사용하여 구축을 시작하세요!