Machine learning com intervenção humana (HITL) explicado

Hoje em dia, tendemos a usar inteligência artificial (AI) e aprendizagem automática (ML) com mais frequência do que imaginamos. Estas tecnologias de ponta ajudam a otimizar os nossos feeds das redes sociais, a organizar as nossas bibliotecas digitais de fotografias e a facilitar o diagnóstico de doenças pelos médicos.

Mas até os sistemas de AI mais avançados podem cometer erros. Podem ignorar detalhes importantes ou interpretar incorretamente aquilo que veem. Para melhorar os resultados, muitos programadores e entusiastas de AI estão a adotar uma abordagem chamada AI com humano no circuito (HITL). Este método combina o julgamento humano com a eficiência das máquinas. As pessoas intervêm para treinar, rever e aperfeiçoar o desempenho de um modelo de AI ao longo do tempo.

Neste artigo, vamos explorar o que representa a AI com humano no circuito, como funciona e onde pode ser utilizada no mundo real. Vamos começar!

Conceitos fundamentais de HITL#

Antes de analisarmos a importância dos fluxos de trabalho HITL, vamos observar mais atentamente os conceitos básicos da abordagem com humano no circuito.

O que é HITL? O significado fundamental#

Embora os modelos de AI sejam rápidos e capazes de processar enormes quantidades de dados, ainda podem ficar confusos. Por exemplo, na visão computacional, um subcampo da AI focado na compreensão e análise de imagens e vídeos, um modelo pode interpretar incorretamente uma fotografia desfocada ou não detetar um detalhe subtil.

Isto acontece porque os modelos de AI dependem de padrões nos dados, em vez de uma verdadeira compreensão. Se os dados forem pouco claros, tendenciosos ou incompletos, o resultado do modelo pode ser impreciso.

A automação com humano no circuito inclui as pessoas no processo de treino para ajudar os modelos a aprender de forma mais eficaz. Em vez de funcionarem totalmente por conta própria, estes sistemas recebem feedback humano regularmente. As pessoas reveem os resultados, corrigem erros e orientam o modelo à medida que este melhora ao longo do tempo.

Fig. 1. O que é a automação com humano no circuito? (Fonte)

Porque é necessário ter humanos no circuito?#

Podes estar a perguntar-te: os contributos humanos são realmente necessários? Isso não parece contradizer o objetivo geral de tornar a AI mais autónoma? No entanto, a realidade é que os sistemas de AI aprendem com os dados e, por vezes, os conjuntos de dados não apresentam uma imagem completa.

Por exemplo, no caso dos carros autónomos, há muitas situações que um modelo de AI pode não compreender totalmente. Pode ter dificuldades com condições rodoviárias invulgares, obstáculos inesperados ou acontecimentos raros que nunca viu. Nestes casos, a orientação humana é uma parte importante do processo de aprendizagem do sistema e da sua capacidade de responder de forma mais segura ao longo do tempo.

De um modo geral, os seres humanos são uma parte essencial de qualquer projeto de AI. Selecionam e anotam dados, reveem os resultados do modelo e fornecem feedback que ajuda o sistema a melhorar. Sem humanos no circuito, as soluções de AI teriam dificuldades em adaptar-se a situações complexas do mundo real.

Compreender o papel da máquina no circuito#

Enquanto os seres humanos fornecem supervisão e feedback, o papel da máquina é aprender com esses contributos e melhorar ao longo do tempo. Os modelos de AI utilizam as correções humanas para aperfeiçoar as suas previsões, preencher lacunas onde faltam dados ou estes não estão anotados e assumir gradualmente tarefas a uma escala muito superior àquela que as pessoas conseguiriam gerir sozinhas. Este ciclo de feedback e afinação ou retreino permite que os modelos de AI se tornem mais fiáveis à medida que processam novas informações.

Como funciona ter um humano no circuito?#

Num fluxo de trabalho típico de AI com humano no circuito, um modelo de AI processa os dados e faz uma previsão. Quando está incerto ou a tarefa é complexa, o resultado é sinalizado para revisão humana. Uma pessoa verifica a previsão, faz correções se necessário e essas atualizações são adicionadas novamente aos dados de treino. O modelo continua a aprender a cada ciclo.

Este circuito ajuda o modelo de AI a melhorar nas áreas em que tem dificuldades. Em vez de depender apenas de dados previamente anotados, o sistema também aprende com feedback em tempo real. Ao longo do tempo, o modelo torna-se mais confiante e preciso, especialmente em tarefas em que a precisão é essencial, como detetar objetos pequenos em imagens ou identificar defeitos durante inspeções visuais.

Fig. 2. Visão geral da abordagem com humano no circuito (Fonte)

HITL na aprendizagem supervisionada#

As aplicações de AI que utilizam aprendizagem supervisionada são um excelente exemplo da abordagem de AI com humano no circuito. Estas soluções de AI dependem da anotação de dados, na qual as pessoas identificam exemplos para treinar o modelo.

A maioria dos projetos de visão computacional depende deste processo, com pessoas a identificar objetos em imagens para que modelos de visão computacional, como o Ultralytics YOLO11, possam aprender o que devem reconhecer. Quando as anotações são pouco claras ou inconsistentes, o modelo pode aprender os padrões errados e ter dificuldades em obter bons resultados.

Fig. 3. Um exemplo da utilização do Ultralytics YOLO11 para detetar objetos numa imagem.

Aprendizagem ativa vs. humano no circuito#

A aprendizagem ativa é um método utilizado para tornar os sistemas com humano no circuito mais eficientes. Em vez de pedir às pessoas que revejam todos os dados, o sistema de AI seleciona apenas os casos sobre os quais tem dúvidas. Os revisores podem então concentrar-se nesses exemplos específicos, poupando tempo e esforço.

Fig. 4. O que é a aprendizagem ativa? Imagem do autor.

Esta abordagem funciona particularmente bem para tarefas como a análise de imagens. Considera um modelo de AI para visão treinado para detetar defeitos em fotografias de produtos. Na maioria das vezes, faz previsões precisas, mas ocasionalmente tem dificuldades com iluminação invulgar ou padrões desconhecidos. A aprendizagem ativa pode ser utilizada para sinalizar essas imagens complexas, permitindo que uma pessoa intervenha e faça correções. O modelo pode então incorporar esse feedback e melhorar a cada ciclo de retreino.

Como é que o HITL melhora os resultados da visão computacional?#

Os fluxos de trabalho HITL podem facilitar um melhor desempenho dos modelos de visão computacional ao adicionar feedback contínuo. Quando as pessoas intervêm para rever resultados incertos, corrigir erros ou adicionar etiquetas em falta, o modelo aprende a reconhecer objetos com maior precisão e confiança.

Este processo não melhora apenas o treino. Também torna os testes, o ajuste e a validação mais fiáveis. Ao longo do tempo, o ciclo de feedback ajuda a criar soluções de visão computacional que funcionam de forma mais eficaz em situações do mundo real.

Exemplos reais de AI com humano no circuito#

De seguida, vamos analisar alguns exemplos de AI com humano no circuito e perceber como a automação HITL pode ser utilizada para melhorar aplicações de AI para visão.

Cuidados de saúde e imagiologia médica#

Em comparação com outros setores, a AI nos cuidados de saúde exige uma precisão muito maior, razão pela qual os fluxos de trabalho de AI com HITL são tão importantes. Na imagiologia médica, por exemplo, modelos de AI para visão, como o Ultralytics YOLO11, podem ser utilizados para analisar radiografias, ressonâncias magnéticas e lâminas de patologia, mas os especialistas continuam a rever os resultados para garantir que estão corretos.

Imagina que um modelo Ultralytics YOLO11 treinado à medida é utilizado para detetar uma possível anomalia pulmonar numa radiografia. Um radiologista pode rever a previsão, confirmar se está correta e corrigir quaisquer erros. Esse feedback pode então ser novamente integrado no processo de treino, ajudando o modelo a melhorar e reduzindo a probabilidade de falsos alarmes ou casos não detetados no futuro.

Controlo e garantia de qualidade#

Na indústria transformadora, os sistemas de visão computacional são utilizados para procurar defeitos em peças e materiais, e o HITL acrescenta uma camada adicional de precisão quando o modelo tem dúvidas. Por exemplo, na produção automóvel, um sistema pode sinalizar um reflexo inofensivo na superfície de um componente metálico como uma fissura.

Um técnico pode rever o resultado, corrigir o erro e adicionar esse feedback ao circuito. Ao longo do tempo, este processo melhora a consistência, mesmo em ambientes com iluminação variável ou quando as peças são muito semelhantes entre si.

Conjuntos de dados raros e tarefas visuais especializadas#

Outra área em que os fluxos de trabalho com humano no circuito são essenciais é quando os dados de treino são limitados, como na arqueologia ou na deteção remota. Nestes casos, os especialistas reveem e identificam um pequeno conjunto de exemplos, que o modelo de AI utiliza para começar a aprender. Ao longo do tempo, este feedback ajuda o modelo a detetar padrões específicos, como tipos de culturas agrícolas, características do solo ou artefactos, mesmo quando estão disponíveis apenas algumas amostras identificadas.

Desvantagens dos fluxos de trabalho com humano no circuito#

Embora a abordagem com humano no circuito para a aprendizagem automática ofereça muitos benefícios, também apresenta alguns desafios. Eis algumas limitações a ter em conta ao implementar fluxos de trabalho HITL:

• Fluxos de trabalho mais lentos: Como as pessoas precisam de rever e identificar os dados, o treino e as atualizações demoram mais do que nos sistemas totalmente automatizados. Isto pode atrasar a disponibilização de novas versões de um modelo.
• Custos mais elevados: Contratar anotadores ou especialistas qualificados aumenta as despesas, especialmente ao trabalhar com grandes conjuntos de dados ou tarefas complexas.
• Escalabilidade limitada: À medida que o volume de dados aumenta, torna-se mais difícil manter o envolvimento humano sem ferramentas dedicadas ou suporte de automação.
• Atrasos na implementação: O envolvimento humano constante pode atrasar a implementação e dificultar a atualização dos modelos em tempo real.

Principais conclusões#

A aprendizagem automática com humano no circuito é uma forma prática de treinar modelos de AI para lidarem com situações do mundo real com maior precisão. Ao adicionar contributos humanos, os modelos melhoram mais rapidamente, detetam mais erros e têm um desempenho melhor com dados complexos.

A aprendizagem ativa torna este processo ainda mais eficiente, fazendo com que o modelo peça ajuda apenas quando tem dúvidas. Em conjunto, estas abordagens podem ajudar a criar modelos de AI mais fiáveis e eficientes.

Liga-te à nossa comunidade e explora o nosso repositório do GitHub para aprofundares os teus conhecimentos sobre AI. Consulta as nossas páginas de soluções para conheceres inovações como AI na indústria transformadora e visão computacional no retalho. Descobre as nossas opções de licenciamento e começa hoje a criar com visão computacional!