Human-in-the-loop 머신러닝(HITL)에 대해 알아보세요. HITL이 무엇인지, 인간 지능이 AI를 어떻게 안내하고, 모델 정확도를 향상시키며, 능동적 학습을 촉진하는지 알아보세요.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
Human-in-the-loop 머신러닝(HITL)에 대해 알아보세요. HITL이 무엇인지, 인간 지능이 AI를 어떻게 안내하고, 모델 정확도를 향상시키며, 능동적 학습을 촉진하는지 알아보세요.
오늘날 우리는 인공 지능(AI)과 머신 러닝(ML)을 생각보다 더 자주 사용합니다. 이러한 최첨단 기술은 소셜 미디어 피드를 최적화하고, 디지털 사진 라이브러리를 정리하며, 의사가 질병을 진단하는 데 도움을 줍니다.
그러나 가장 발전된 AI 시스템조차도 실수를 할 수 있습니다. 중요한 세부 사항을 간과하거나 보이는 것을 잘못 해석할 수 있습니다. 결과를 개선하기 위해 많은 개발자와 AI 애호가들이 HITL(Human-In-The-Loop) AI라는 접근 방식으로 전환하고 있습니다. 이 방법은 인간의 판단과 기계 효율성을 결합합니다. 사람들은 AI 모델의 성능을 학습, 검토 및 개선하기 위해 개입합니다.
이번 글에서는 Human-in-the-Loop AI가 무엇을 의미하는지, 어떻게 작동하는지, 그리고 실제 세계에서 어디에 사용될 수 있는지 살펴보겠습니다. 그럼 시작해 볼까요!
HITL 워크플로우의 중요성에 대해 자세히 알아보기 전에, 힉 루프 접근 방식의 기본 사항을 자세히 살펴보겠습니다.
AI 모델은 빠르고 방대한 양의 데이터를 처리할 수 있지만 여전히 혼동될 수 있습니다. 예를 들어, 이미지와 비디오를 이해하고 분석하는 데 중점을 둔 AI의 하위 분야인 컴퓨터 비전에서 모델이 흐릿한 사진을 잘못 읽거나 미묘한 세부 사항을 놓칠 수 있습니다.
AI 모델은 진정한 이해보다는 데이터의 패턴에 의존하기 때문에 이러한 현상이 발생합니다. 데이터가 불분명하거나, 편향되거나, 불완전한 경우 모델의 출력이 부정확할 수 있습니다.
Human-in-the-loop 자동화는 모델이 보다 효과적으로 학습할 수 있도록 학습 프로세스에 사람들을 참여시킵니다. 이러한 시스템은 완전히 자체적으로 작동하는 대신 정기적인 인간 피드백을 받습니다. 사람들은 출력을 검토하고, 오류를 수정하고, 시간이 지남에 따라 모델이 개선됨에 따라 모델을 안내합니다.
인간의 입력이 정말로 필요한지 궁금할 수 있습니다. AI를 더욱 독립적으로 만들겠다는 일반적인 목표와 모순되는 것처럼 보이지 않습니까? 그러나 현실은 AI 시스템이 데이터에서 학습하고 때로는 데이터 세트가 포괄적인 그림을 그리지 못한다는 것입니다.
예를 들어, 자율 주행 자동차의 경우 AI 모델이 완전히 이해하지 못할 수 있는 상황이 많이 있습니다. 모델은 특이한 도로 조건, 예상치 못한 장애물 또는 이전에 본 적이 없는 드문 이벤트로 어려움을 겪을 수 있습니다. 이러한 경우 인간의 안내는 시스템이 시간이 지남에 따라 더 안전하게 학습하고 대응하는 데 중요한 부분입니다.
전반적으로, 인간은 모든 AI 프로젝트에서 중요한 부분입니다. 데이터를 큐레이션하고 어노테이션을 달고, 모델 출력을 검토하며, 시스템 개선에 도움이 되는 피드백을 제공합니다. 인간 개입 없이는 AI 솔루션이 복잡한 실제 상황에 적응하기 어려울 것입니다.
사람이 감독 및 피드백을 제공하는 동안, 기계의 역할은 해당 입력에서 학습하고 시간이 지남에 따라 개선하는 것입니다. AI 모델은 사람의 수정을 사용하여 예측을 개선하고, 데이터가 누락되거나 레이블이 지정되지 않은 부분을 채우고, 사람들이 관리할 수 있는 규모를 훨씬 뛰어넘는 규모로 작업을 점진적으로 수행합니다. 이러한 피드백 및 미세 조정 또는 재학습 주기를 통해 AI 모델은 새로운 정보를 처리하면서 더욱 안정적으로 될 수 있습니다.
일반적인 Human-in-the-Loop AI 워크플로우에서 AI 모델은 데이터를 처리하고 예측을 수행합니다. 불확실하거나 작업이 복잡한 경우, 결과에 플래그가 지정되어 사람이 검토합니다. 그런 다음 사람이 예측을 확인하고 필요한 경우 수정하며, 이러한 업데이트는 학습 데이터에 다시 추가됩니다. 모델은 각 주기를 거치면서 계속 학습합니다.
이러한 반복 과정을 통해 AI 모델은 어려움을 겪는 영역에서 개선됩니다. 사전 레이블링된 데이터에만 의존하는 대신 실시간 피드백을 통해 학습합니다. 시간이 지남에 따라 모델은 특히 이미지에서 작은 객체를 감지하거나 시각 검사 중 결함을 식별하는 것과 같이 정밀도가 중요한 작업에서 더욱 자신감 있고 정확해집니다.
지도 학습을 사용하는 AI 애플리케이션은 AI에 대한 인간 참여 접근 방식의 좋은 예입니다. 이러한 AI 솔루션은 인간이 모델을 훈련하기 위해 예시에 레이블을 지정하는 데이터 어노테이션에 의존합니다.
대부분의 컴퓨터 비전 프로젝트는 이 프로세스에 의존하며, 사람들은 이미지에서 객체에 태그를 지정하여 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 인식할 수 있도록 합니다. 주석이 명확하지 않거나 일관성이 없으면 모델이 잘못된 패턴을 학습하고 성능이 저하될 수 있습니다.
능동 학습은 인간-인-더-루프 시스템을 보다 효율적으로 만드는 데 사용되는 방법입니다. AI 시스템은 모든 데이터를 검토하도록 사람들에게 요청하는 대신 불확실한 경우만 선택합니다. 그런 다음 검토자는 이러한 특정 예에 집중하여 시간과 노력을 절약할 수 있습니다.
이 접근 방식은 이미지 분석과 같은 작업에 특히 효과적입니다. 제품 사진의 결함을 감지하도록 훈련된 Vision AI 모델을 생각해 보십시오. 대부분의 경우 정확한 예측을 하지만 때로는 특이한 조명이나 익숙하지 않은 패턴으로 어려움을 겪습니다. 활성 학습을 사용하여 사람이 개입하여 수정할 수 있도록 까다로운 이미지를 표시할 수 있습니다. 그러면 모델은 해당 피드백을 통합하고 각 재훈련 주기마다 개선할 수 있습니다.
HITL 워크플로는 지속적인 피드백을 추가하여 컴퓨터 비전 모델의 성능을 향상시키는 데 도움이 될 수 있습니다. 사람이 불확실한 결과를 검토하고, 실수를 수정하거나, 누락된 레이블을 추가하면 모델은 객체를 더 정확하고 더 큰 확신을 가지고 인식하는 방법을 학습합니다.
이 프로세스는 훈련을 개선할 뿐만 아니라 테스트, 튜닝 및 검증의 신뢰성을 높입니다. 시간이 지남에 따라 피드백 루프는 실제 상황에서 보다 효과적으로 작동하는 컴퓨터 비전 솔루션을 구축하는 데 도움이 됩니다.
다음으로, HITL 자동화를 사용하여 Vision AI 애플리케이션을 개선할 수 있는 방법에 대한 몇 가지 Human-in-the-loop AI 사례를 살펴보겠습니다.
다른 분야와 비교했을 때, 헬스케어 AI는 훨씬 더 높은 정확도를 요구하며, 이것이 HITL AI 워크플로우가 매우 중요한 이유입니다. 예를 들어, 의료 영상에서 YOLO11과 같은 Vision AI 모델은 X선, MRI 및 병리 슬라이드를 분석하는 데 사용될 수 있지만, 전문가들은 결과가 정확한지 확인하기 위해 여전히 검토합니다.
맞춤형으로 학습된 YOLO11 모델이 X선 사진에서 폐 이상 징후를 탐지하는 데 사용된다고 가정해 보겠습니다. 방사선 전문의는 예측을 검토하여 정확한지 확인하고 오류를 수정할 수 있습니다. 이러한 피드백은 학습 프로세스에 다시 추가되어 모델 개선에 도움이 되고 오경보 또는 누락 사례의 가능성을 줄입니다.
제조 분야에서 컴퓨터 비전 시스템은 부품 및 재료의 결함을 스캔하는 데 사용되며, HITL은 모델이 불확실할 때 추가적인 정확성 계층을 추가합니다. 예를 들어, 자동차 생산에서 시스템은 금속 부품의 무해한 표면 반사를 균열로 표시할 수 있습니다.
기술자는 결과를 검토하고 실수를 수정하고 해당 피드백을 루프에 추가할 수 있습니다. 시간이 지남에 따라 이 프로세스는 조명 변화가 있거나 부품이 서로 매우 유사해 보이는 환경에서도 일관성을 향상시킵니다.
사람-인-루프 워크플로우가 필수적인 또 다른 영역은 고고학 또는 원격 감지와 같이 훈련 데이터가 제한적인 경우입니다. 이러한 경우 전문가는 AI 모델이 학습을 시작하는 데 사용하는 작은 예제 집합을 검토하고 레이블을 지정합니다. 시간이 지남에 따라 이 피드백은 모델이 레이블이 지정된 샘플이 거의 없는 경우에도 작물 유형, 토양 특징 또는 유물과 같은 특정 패턴을 감지하는 데 도움이 됩니다.
Human-in-the-loop는 머신 러닝에 많은 이점을 제공하지만, 몇 가지 과제도 따릅니다. HITL 워크플로우를 구현할 때 염두에 두어야 할 몇 가지 제한 사항은 다음과 같습니다.
Human-in-the-loop 머신 러닝은 AI 모델이 실제 상황을 보다 정확하게 처리하도록 학습시키는 실용적인 방법입니다. 인간의 입력을 추가함으로써 모델은 더 빠르게 개선되고, 더 많은 실수를 포착하고, 복잡한 데이터로 더 나은 성능을 발휘합니다.
능동 학습은 모델이 확신이 없을 때만 도움을 요청하도록 하여 이 프로세스를 더욱 효율적으로 만듭니다. 이러한 접근 방식을 통해 더욱 안정적이고 효율적인 AI 모델을 구축할 수 있습니다.
저희 커뮤니티와 연결하고 GitHub 저장소를 탐색하여 AI에 대해 더 자세히 알아보세요. 제조업의 AI 및 소매업의 컴퓨터 비전과 같은 혁신에 대해 알아보려면 솔루션 페이지를 확인하세요. 라이선스 옵션을 살펴보고 오늘 컴퓨터 비전으로 개발을 시작하세요!
