인간 개입형 머신러닝(HITL)에 대한 설명

오늘날 우리는 깨닫지 못하는 사이 인공지능(AI)과 머신러닝(ML)을 점점 더 자주 사용하고 있습니다. 이러한 최첨단 기술은 소셜 미디어 피드를 최적화하고, 디지털 사진 라이브러리를 정리하며, 의사들이 질병을 더 쉽게 진단할 수 있도록 돕습니다.

하지만 가장 발전된 AI 시스템조차도 실수를 할 수 있습니다. 핵심 세부 사항을 간과하거나 본 내용을 오해할 수도 있습니다. 결과를 개선하기 위해 많은 개발자와 AI 애호가들은 휴먼 인 더 루프(HITL) AI라는 접근 방식으로 눈을 돌리고 있습니다. 이 방법은 인간의 판단과 기계의 효율성을 결합합니다. 사람들이 직접 나서서 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!

HITL의 기본 개념#

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

HITL이란 무엇인가? 핵심 의미#

AI 모델은 속도가 빠르고 방대한 양의 데이터를 처리할 수 있지만 여전히 혼란을 겪을 수 있습니다. 예를 들어, 이미지와 비디오를 이해하고 분석하는 데 중점을 둔 AI의 하위 분야인 컴퓨터 비전에서는 모델이 흐린 사진을 잘못 읽거나 미세한 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. 휴먼 인 더 루프 자동화란 무엇인가요? (소스)

왜 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 자율주행차의 경우 AI 모델이 완전히 이해하지 못할 수 있는 상황이 많습니다. 익숙하지 않은 도로 상황, 예상치 못한 장애물 또는 이전에 본 적 없는 드문 이벤트로 인해 어려움을 겪을 수 있습니다. 이러한 경우 인간의 가이드는 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.

루프 내에서 기계의 역할 이해하기#

인간이 감독과 피드백을 제공하는 동안 기계의 역할은 해당 입력으로부터 학습하고 시간이 지남에 따라 개선하는 것입니다. AI 모델은 인간의 수정을 사용하여 예측을 구체화하고, 데이터가 누락되었거나 레이블이 지정되지 않은 공백을 메우며, 사람들이 스스로 관리할 수 있는 범위를 훨씬 뛰어넘는 규모의 작업을 점진적으로 수행합니다. 이러한 피드백과 미세 조정 또는 재학습 주기를 통해 AI 모델은 새로운 정보를 처리하면서 더욱 신뢰할 수 있게 됩니다.

인간 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 개선하는 데 도움이 됩니다. 사전에 레이블이 지정된 데이터에만 의존하는 대신 시스템은 실시간 피드백을 통해서도 학습합니다. 시간이 지남에 따라 이미지에서 작은 개체 감지 또는 시각적 검사 중 결함 식별과 같이 정밀도가 중요한 작업에서 모델의 신뢰도와 정확도가 높아집니다.

그림 2. 휴먼 인 더 루프 접근 방식 개요 (소스)

지도 학습에서의 HITL#

지도 학습을 사용하는 AI 애플리케이션은 AI에 대한 휴먼 인 더 루프 접근 방식의 대표적인 예입니다. 이러한 AI 솔루션은 모델을 학습하기 위해 인간이 예제에 레이블을 지정하는 데이터 어노테이션에 의존합니다.

대부분의 컴퓨터 비전 프로젝트는 이 프로세스에 의존하며, 사람들이 이미지의 객체에 태그를 지정하여 Ultralytics YOLO11과 같은 컴퓨터 비전 모델이 인식해야 할 내용을 학습할 수 있도록 합니다. 어노테이션이 불명확하거나 일관되지 않은 경우 모델이 잘못된 패턴을 학습하고 제대로 수행하는 데 어려움을 겪을 수 있습니다.

그림 3. 이미지에서 객체를 감지하기 위해 Ultralytics YOLO11을 사용하는 예시입니다.

능동 학습(Active learning) vs. 인간 참여형#

능동 학습은 휴먼 인 더 루프 시스템을 더 효율적으로 만드는 데 사용되는 방법입니다. AI 시스템은 인간에게 모든 데이터를 검토하도록 요청하는 대신 불확실한 경우만 선택합니다. 그런 다음 검토자는 해당 특정 예제에 집중하여 시간과 노력을 절약할 수 있습니다.

그림 4. 능동 학습이란 무엇인가? 이미지 제공: 저자.

이 접근 방식은 이미지 분석과 같은 작업에 특히 잘 작동합니다. 제품 사진의 결함을 감지하도록 학습된 비전 AI 모델을 생각해 보세요. 대부분의 경우 정확한 예측을 하지만 가끔 특이한 조명이나 익숙하지 않은 패턴으로 인해 어려움을 겪습니다. 능동 학습을 사용하여 까다로운 이미지를 플래그 지정하면 사람이 개입하여 수정할 수 있습니다. 그런 다음 모델은 해당 피드백을 통합하고 각 재학습 주기를 거치며 개선될 수 있습니다.

HITL은 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 프로세스는 학습을 개선하는 데 그치지 않습니다. 테스트, 튜닝 및 유효성 검사도 더 안정적으로 만듭니다. 시간이 지남에 따라 피드백 루프는 실제 상황에서 더 효과적으로 작동하는 컴퓨터 비전 솔루션을 구축하는 데 도움이 됩니다.

실제 인간 참여형 AI 사례#

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

헬스케어 및 의료 영상#

다른 분야에 비해 의료 분야의 AI는 훨씬 더 높은 정확도를 요구하며, 이것이 바로 HITL AI 워크플로가 매우 중요한 이유입니다. 예를 들어 의료 영상 분야에서는 Ultralytics YOLO11 같은 비전 AI 모델을 사용하여 X선, MRI, 병리 슬라이드를 분석할 수 있지만, 전문가가 여전히 결과를 검토하여 정확한지 확인합니다.

맞춤형으로 학습된 Ultralytics YOLO11 모델을 사용하여 X선에서 잠재적인 폐 이상 징후를 감지한다고 가정해 보겠습니다. 방사선 전문의는 예측 결과를 검토하고 정확한지 확인하며 실수를 바로잡을 수 있습니다. 해당 피드백을 다시 학습 과정에 추가하여 모델이 개선되도록 돕고, 향후 오탐지나 진단 누락의 가능성을 줄일 수 있습니다.

품질 관리 및 보증#

제조업에서는 컴퓨터 비전 시스템을 사용하여 부품 및 재료의 결함을 검사하며, 모델이 불확실할 때 HITL은 정확도를 한 층 더 높여줍니다. 예를 들어 자동차 생산에서 시스템은 금속 부품의 무해한 표면 반사를 균열로 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.

희귀 데이터셋 및 전문 시각 작업#

휴먼 인 더 루프 워크플로가 필수적인 또 다른 영역은 고고학 또는 원격 감지 등 학습 데이터가 제한된 경우입니다. 이러한 경우 전문가가 소수의 예제 세트를 검토하고 레이블을 지정하며, AI 모델은 이를 사용하여 학습을 시작합니다. 시간이 지남에 따라 이 피드백은 레이블이 지정된 샘플이 몇 개만 있는 경우에도 작물 종류, 토양 특성 또는 유물과 같은 특정 패턴을 모델이 감지하는 데 도움이 됩니다.

인간 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 볼륨이 증가함에 따라 전용 도구이나 자동화 지원 없이 인간의 참여를 유지하기가 더 어려워집니다.
• 배포 지연: 지속적인 인간의 개입은 배포를 지연시키고 실시간으로 모델을 업데이트하기 어렵게 만들 수 있습니다.

핵심 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.

AI에 대해 더 깊이 알아보려면 커뮤니티와 연결하고 GitHub 저장소를 살펴보세요. 제조업 분야의 AI 및 소매업 분야의 컴퓨터 비전과 같은 혁신에 대해 알아보려면 솔루션 페이지를 확인하세요. 라이선스 옵션을 확인하고 지금 바로 컴퓨터 비전 구축을 시작하세요!