휴먼 인 더 루프 머신러닝(HITL) 설명

오늘날 우리는 인식하는 것보다 더 자주 인공지능(AI)과 머신러닝(ML)을 사용합니다. 이러한 최첨단 기술은 소셜 미디어 피드를 최적화하고, 디지털 사진 라이브러리를 정리하며, 의사가 질병을 더 쉽게 진단하도록 지원합니다.

하지만 아무리 발전된 AI 시스템이라도 실수할 수 있습니다. 중요한 세부 사항을 놓치거나 본 내용을 잘못 해석할 수 있습니다. 결과를 개선하기 위해 많은 개발자와 AI 애호가가 휴먼 인 더 루프(HITL) AI라는 접근 방식을 활용하고 있습니다. 이 방법은 인간의 판단과 머신의 효율성을 결합합니다. 사람은 시간이 지남에 따라 AI 모델의 성능을 학습시키고, 검토하고, 개선하는 과정에 참여합니다.

이 글에서는 휴먼 인 더 루프 AI가 무엇을 의미하는지, 어떻게 작동하는지, 실제 환경에서 어디에 활용할 수 있는지 살펴보겠습니다. 시작해 보겠습니다!

HITL의 기본 개념#

HITL 워크플로의 중요성을 살펴보기 전에 휴먼 인 더 루프 접근 방식의 기본 사항을 자세히 알아보겠습니다.

HITL이란 무엇인가요? 핵심 의미#

AI 모델은 빠르고 방대한 데이터를 처리할 수 있지만 여전히 혼동할 수 있습니다. 예를 들어 이미지와 동영상을 이해하고 분석하는 AI의 하위 분야인 컴퓨터 비전에서는 모델이 흐릿한 사진을 잘못 해석하거나 미묘한 세부 사항을 놓칠 수 있습니다.

이는 AI 모델이 진정한 이해가 아니라 데이터의 패턴에 의존하기 때문에 발생합니다. 데이터가 불명확하거나 편향되어 있거나 불완전하면 모델의 출력이 부정확할 수 있습니다.

휴먼 인 더 루프 자동화는 모델이 더 효과적으로 학습하도록 지원하기 위해 사람을 학습 프로세스에 참여시킵니다. 이러한 시스템은 전적으로 독립적으로 작동하는 대신 정기적으로 사람의 피드백을 받습니다. 사람은 출력을 검토하고 오류를 수정하며, 모델이 시간이 지남에 따라 개선되도록 안내합니다.

그림 1. 휴먼 인 더 루프 자동화란 무엇인가요? (출처)

휴먼 인 더 루프가 필요한 이유는 무엇인가요?#

사람의 입력이 정말 필요한지 궁금할 수 있습니다. AI를 더 독립적으로 만드는 것이 일반적인 목표라면 이 방식은 목표에 어긋나는 것처럼 보이지 않나요? 하지만 실제로 AI 시스템은 데이터로부터 학습하며, 데이터세트가 항상 전체적인 상황을 보여 주는 것은 아닙니다.

예를 들어 자율주행 자동차에서는 AI 모델이 완전히 이해하지 못할 수 있는 상황이 많습니다. 비정상적인 도로 상태, 예상치 못한 장애물 또는 이전에 본 적이 없는 드문 상황을 처리하는 데 어려움을 겪을 수 있습니다. 이러한 경우 사람의 안내는 시스템이 시간이 지남에 따라 더 안전하게 학습하고 대응하도록 하는 중요한 요소입니다.

전반적으로 사람은 모든 AI 프로젝트에서 중요한 역할을 합니다. 사람은 데이터를 선별하고 어노테이션하며, 모델 출력을 검토하고, 시스템의 개선을 돕는 피드백을 제공합니다. 휴먼 인 더 루프가 없다면 AI 솔루션은 복잡한 실제 상황에 적응하는 데 어려움을 겪을 수 있습니다.

루프에서 머신의 역할 이해하기#

사람이 감독과 피드백을 제공하는 동안 머신은 이러한 입력으로부터 학습하고 시간이 지남에 따라 개선됩니다. AI 모델은 사람의 수정을 활용하여 예측을 개선하고, 데이터가 누락되었거나 라벨이 지정되지 않은 부분을 보완하며, 사람이 혼자 처리할 수 있는 규모를 훨씬 넘어서는 작업을 점진적으로 수행합니다. 이러한 피드백 및 파인튜닝 또는 재학습 사이클을 통해 AI 모델은 새로운 정보를 처리하면서 더욱 안정적으로 작동할 수 있습니다.

휴먼 인 더 루프는 어떻게 작동하나요?#

일반적인 휴먼 인 더 루프 AI 워크플로에서는 AI 모델이 데이터를 처리하고 예측을 수행합니다. 모델이 확신하지 못하거나 작업이 복잡한 경우 결과에 사람의 검토가 필요하다는 표시가 추가됩니다. 그런 다음 사람이 예측을 확인하고 필요한 경우 수정하며, 이러한 업데이트가 학습 데이터에 다시 추가됩니다. 모델은 각 사이클마다 계속 학습합니다.

이 루프는 AI 모델이 어려움을 겪는 영역에서 개선되도록 돕습니다. 시스템은 사전에 라벨이 지정된 데이터에만 의존하는 대신 실시간 피드백에서도 학습합니다. 시간이 지남에 따라 모델은 특히 이미지에서 작은 객체를 탐지하거나 비주얼 검사 중 결함을 식별하는 등 정밀도가 중요한 작업에서 더욱 높은 확신과 정확도를 갖추게 됩니다.

그림 2. 휴먼 인 더 루프 접근 방식 개요 (출처)

지도 학습에서의 HITL#

지도 학습을 사용하는 AI 애플리케이션은 AI에 휴먼 인 더 루프 접근 방식을 적용한 대표적인 사례입니다. 이러한 AI 솔루션은 데이터 어노테이션에 의존하며, 사람이 예시에 라벨을 지정하여 모델을 학습시킵니다.

대부분의 컴퓨터 비전 프로젝트는 이 프로세스에 의존합니다. 사람이 이미지 속 객체에 태그를 지정하면 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 무엇을 인식해야 하는지 학습할 수 있습니다. 어노테이션이 불명확하거나 일관되지 않으면 모델이 잘못된 패턴을 학습하고 제대로 작동하는 데 어려움을 겪을 수 있습니다.

그림 3. Ultralytics YOLO11을 사용하여 이미지에서 객체를 탐지하는 예시입니다.

액티브 러닝과 휴먼 인 더 루프 비교#

액티브 러닝은 휴먼 인 더 루프 시스템의 효율성을 높이는 데 사용되는 방법입니다. AI 시스템은 사람에게 모든 데이터를 검토하도록 요청하는 대신 확신하지 못하는 사례만 선택합니다. 그러면 검토자는 이러한 특정 예시에 집중하여 시간과 노력을 절약할 수 있습니다.

그림 4. 액티브 러닝이란 무엇인가요? 이미지 작성자 제공.

이 접근 방식은 이미지 분석과 같은 작업에 특히 효과적입니다. 제품 사진에서 결함을 탐지하도록 학습된 비전 AI 모델을 예로 들어 보겠습니다. 대부분의 경우 정확하게 예측하지만, 때때로 비정상적인 조명이나 익숙하지 않은 패턴을 처리하는 데 어려움을 겪습니다. 액티브 러닝을 사용하면 이러한 까다로운 이미지를 표시하여 사람이 개입하고 수정할 수 있습니다. 그러면 모델은 해당 피드백을 반영하고 각 재학습 사이클을 거치며 개선될 수 있습니다.

HITL은 컴퓨터 비전 결과를 어떻게 개선하나요?#

HITL 워크플로는 지속적인 피드백을 추가하여 컴퓨터 비전 모델이 더 잘 작동하도록 지원할 수 있습니다. 사람이 개입하여 확신하지 못한 결과를 검토하고, 오류를 수정하거나, 누락된 라벨을 추가하면 모델은 객체를 더 정확하고 확실하게 인식하는 방법을 학습합니다.

이 프로세스는 학습만 개선하는 것이 아닙니다. 테스트, 튜닝 및 검증의 안정성도 높입니다. 시간이 지나면서 피드백 루프는 실제 상황에서 더 효과적으로 작동하는 컴퓨터 비전 솔루션을 구축하는 데 도움이 됩니다.

실제 휴먼 인 더 루프 AI 사례#

다음으로 HITL 자동화를 활용하여 비전 AI 애플리케이션을 개선할 수 있는 휴먼 인 더 루프 AI 사례를 살펴보겠습니다.

의료 및 의료 영상#

다른 분야에 비해 헬스케어 분야의 AI는 훨씬 높은 정확도를 요구하므로 HITL AI 워크플로가 매우 중요합니다. 예를 들어 의료 영상에서 Ultralytics YOLO11과 같은 비전 AI 모델을 사용하여 X선, MRI 및 병리 슬라이드를 분석할 수 있지만, 결과가 정확한지 확인하기 위해 전문가가 여전히 검토합니다.

맞춤 학습된 Ultralytics YOLO11 모델을 사용하여 X선에서 의심스러운 폐 이상을 탐지한다고 가정해 보겠습니다. 방사선 전문의는 예측을 검토하고 정확한지 확인하며 오류를 수정할 수 있습니다. 그런 다음 해당 피드백을 학습 프로세스에 다시 추가하여 모델을 개선하고 향후 오경보나 누락 사례의 가능성을 줄일 수 있습니다.

품질 관리 및 품질 보증#

제조 분야에서는 컴퓨터 비전 시스템을 사용하여 부품과 자재의 결함을 검사하며, HITL은 모델이 확신하지 못할 때 정확도를 한층 더 높입니다. 예를 들어 자동차 생산에서는 시스템이 금속 부품의 무해한 표면 반사를 균열로 표시할 수 있습니다.

기술자가 결과를 검토하고 오류를 수정한 다음 해당 피드백을 루프에 추가할 수 있습니다. 시간이 지나면서 이 프로세스는 조명이 변하는 환경이나 부품의 외관이 서로 매우 유사한 경우에도 일관성을 높입니다.

희귀 데이터세트 및 특수 시각 작업#

휴먼 인 더 루프 워크플로가 필수적인 또 다른 분야는 고고학이나 원격 감지처럼 학습 데이터가 제한적인 경우입니다. 이러한 경우 전문가가 소수의 예시를 검토하고 라벨을 지정하면 AI 모델이 이를 바탕으로 학습을 시작합니다. 시간이 지나면서 이러한 피드백은 라벨이 지정된 샘플이 몇 개뿐인 경우에도 모델이 작물 유형, 토양 특징 또는 유물과 같은 특정 패턴을 탐지하는 데 도움이 됩니다.

휴먼 인 더 루프 워크플로의 단점#

머신러닝에 휴먼 인 더 루프를 적용하면 많은 이점이 있지만, 몇 가지 과제도 따릅니다. HITL 워크플로를 구현할 때 고려해야 할 몇 가지 제한 사항은 다음과 같습니다.

• 느린 워크플로: 사람이 데이터를 검토하고 라벨을 지정해야 하므로 완전 자동화된 시스템보다 학습과 업데이트에 더 오랜 시간이 걸립니다. 이로 인해 새 모델 버전을 사용할 수 있을 때까지 시간이 지연될 수 있습니다.
• 높은 비용: 숙련된 어노테이터나 전문가를 고용하면 특히 대규모 데이터세트나 복잡한 작업을 처리할 때 비용이 증가합니다.
• 제한적인 확장성: 데이터 규모가 커질수록 전용 도구나 자동화 지원 없이는 사람을 계속 참여시키기 어려워집니다.
• 배포 지연: 지속적인 사람의 개입으로 배포가 지연되고 모델을 실시간으로 업데이트하기 어려워질 수 있습니다.

핵심 요점#

휴먼 인 더 루프 머신러닝은 실제 상황을 더 정확하게 처리하도록 AI 모델을 학습시키는 실용적인 방법입니다. 사람의 입력을 추가하면 모델이 더 빠르게 개선되고, 더 많은 오류를 포착하며, 복잡한 데이터를 더 잘 처리할 수 있습니다.

액티브 러닝은 모델이 확신하지 못할 때만 도움을 요청하도록 하여 이 프로세스를 더욱 효율적으로 만듭니다. 이러한 접근 방식을 함께 활용하면 더욱 안정적이고 효율적인 AI 모델을 구축하는 데 도움이 됩니다.

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI를 더 깊이 알아보세요. 솔루션 페이지에서 제조 분야의 AI와 리테일 분야의 컴퓨터 비전 같은 혁신 사례를 확인해 보세요. 라이선싱 옵션을 알아보고 지금 바로 컴퓨터 비전 구축을 시작해 보세요!