Aprendizagem automática com intervenção humana (HITL) explicada

Hoje em dia, usamos inteligência artificial (AI) e aprendizado de máquina (ML) com mais frequência do que imaginamos. Essas tecnologias ajudam a otimizar nossos feeds de redes sociais, organizar nossas bibliotecas de fotos digitais e facilitar o diagnóstico de doenças pelos médicos.

Mas até os sistemas de IA mais avançados podem cometer erros. Eles podem deixar passar detalhes importantes ou interpretar incorretamente o que veem. Para melhorar os resultados, muitos desenvolvedores e entusiastas de IA estão adotando uma abordagem chamada IA com participação humana (HITL). Esse método combina o julgamento humano com a eficiência das máquinas. As pessoas intervêm para treinar, revisar e aprimorar o desempenho de um modelo de IA ao longo do tempo.

Neste artigo, vamos explorar o que a IA com participação humana representa, como funciona e onde pode ser usada no mundo real. Vamos começar!

Conceitos fundamentais de HITL#

Antes de nos aprofundarmos na importância dos fluxos de trabalho HITL, vamos analisar mais de perto os fundamentos da abordagem com participação humana.

O que é HITL? O significado essencial#

Embora os modelos de IA sejam rápidos e capazes de processar grandes quantidades de dados, eles ainda podem se confundir. Por exemplo, na visão computacional, um subcampo da IA voltado para compreender e analisar imagens e vídeos, um modelo pode interpretar incorretamente uma foto borrada ou deixar passar um detalhe sutil.

Isso acontece porque os modelos de IA se baseiam em padrões nos dados, e não em uma compreensão verdadeira. Se os dados forem pouco claros, tendenciosos ou incompletos, a saída do modelo pode ser imprecisa.

A automação com participação humana inclui pessoas no processo de treinamento para ajudar os modelos a aprender de forma mais eficaz. Em vez de operar totalmente por conta própria, esses sistemas recebem feedback humano regularmente. As pessoas revisam as saídas, corrigem erros e orientam o modelo à medida que ele melhora com o tempo.

Fig. 1. O que é automação com participação humana? (Fonte)

Por que é necessário ter pessoas no ciclo?#

Você pode estar se perguntando: a participação humana é realmente necessária? Isso não parece contradizer o objetivo geral de tornar a IA mais independente? No entanto, a realidade é que os sistemas de IA aprendem com dados, e às vezes os conjuntos de dados não oferecem uma visão abrangente.

Por exemplo, com carros autônomos, há muitas situações que um modelo de IA talvez não compreenda totalmente. Ele pode ter dificuldade com condições incomuns na estrada, obstáculos inesperados ou eventos raros que nunca encontrou antes. Nesses casos, a orientação humana é uma parte importante do processo de aprendizagem do sistema e ajuda a torná-lo mais seguro ao responder ao longo do tempo.

Em geral, as pessoas são uma parte essencial de qualquer projeto de AI. Elas selecionam e anotam dados, analisam as saídas dos modelos e fornecem feedback que ajuda o sistema a melhorar. Sem a participação humana no ciclo, as soluções de AI teriam dificuldade para se adaptar a situações complexas do mundo real.

Entendendo o papel da máquina no ciclo#

Enquanto as pessoas fornecem supervisão e feedback, o papel da máquina é aprender com essas informações e melhorar ao longo do tempo. Os modelos de IA usam as correções humanas para refinar suas previsões, preencher lacunas quando faltam dados ou rótulos e, gradualmente, assumir tarefas em uma escala muito maior do que as pessoas conseguiriam gerenciar sozinhas. Esse ciclo de feedback e ajuste fino, ou retreinamento, permite que os modelos de IA se tornem mais confiáveis à medida que processam novas informações.

Como funciona a participação humana no ciclo?#

Em um fluxo de trabalho típico de IA com participação humana, um modelo de IA processa dados e faz uma previsão. Quando há incerteza ou a tarefa é complexa, o resultado é sinalizado para revisão humana. Em seguida, uma pessoa verifica a previsão, faz correções se necessário e essas atualizações são adicionadas novamente aos dados de treinamento. O modelo continua aprendendo a cada ciclo.

Esse ciclo ajuda o modelo de IA a melhorar nas áreas em que tem dificuldade. Em vez de depender apenas de dados previamente rotulados, o sistema também aprende com o feedback em tempo real. Com o tempo, o modelo se torna mais confiante e preciso, especialmente em tarefas nas quais a precisão é fundamental, como detectar objetos pequenos em imagens ou identificar defeitos durante inspeções visuais.

Fig. 2. Visão geral da abordagem com participação humana (Fonte)

HITL no aprendizado supervisionado#

Aplicações de AI que usam aprendizado supervisionado são um ótimo exemplo da abordagem de participação humana no ciclo da AI. Essas soluções de AI dependem da anotação de dados, na qual pessoas rotulam exemplos para treinar o modelo.

A maioria dos projetos de visão computacional depende desse processo, no qual as pessoas marcam objetos em imagens para que modelos de visão computacional como o Ultralytics YOLO11 aprendam o que reconhecer. Quando as anotações não são claras ou são inconsistentes, o modelo pode aprender os padrões errados e ter dificuldade para apresentar bons resultados.

Fig. 3. Exemplo do uso do Ultralytics YOLO11 para detectar objetos em uma imagem.

Aprendizado ativo versus participação humana#

O aprendizado ativo é um método usado para tornar os sistemas com participação humana mais eficientes. Em vez de pedir que as pessoas revisem cada dado, o sistema de IA seleciona apenas os casos sobre os quais tem dúvidas. Assim, os revisores podem se concentrar nesses exemplos específicos, economizando tempo e esforço.

Fig. 4. O que é aprendizado ativo? Imagem do autor.

Essa abordagem funciona especialmente bem em tarefas como análise de imagens. Considere um modelo de IA de visão treinado para detectar defeitos em fotos de produtos. Na maioria das vezes, ele faz previsões precisas, mas, ocasionalmente, tem dificuldade com iluminação incomum ou padrões desconhecidos. O aprendizado ativo pode sinalizar essas imagens difíceis para que uma pessoa intervenha e faça correções. Em seguida, o modelo pode incorporar esse feedback e melhorar a cada ciclo de retreinamento.

Como o HITL melhora os resultados de visão computacional?#

Os fluxos de trabalho HITL podem ajudar os modelos de visão computacional a ter um desempenho melhor ao adicionar feedback contínuo. Quando as pessoas intervêm para revisar resultados incertos, corrigir erros ou adicionar rótulos ausentes, o modelo aprende a reconhecer objetos com mais precisão e confiança.

Esse processo não melhora apenas o treinamento. Ele também torna os testes, o ajuste e a validação mais confiáveis. Com o tempo, o ciclo de feedback ajuda a criar soluções de visão computacional que funcionam melhor em situações do mundo real.

Exemplos de IA com participação humana no mundo real#

A seguir, vamos ver alguns exemplos de como a automação HITL pode ser usada para aprimorar aplicações de IA de visão.

Saúde e diagnóstico por imagem#

Em comparação com outros setores, a IA na área da saúde exige uma precisão muito maior, por isso os fluxos de trabalho de IA HITL são tão importantes. Por exemplo, no diagnóstico por imagem, modelos de IA de visão como o Ultralytics YOLO11 podem ser usados para analisar radiografias, ressonâncias magnéticas e lâminas de patologia, mas especialistas ainda revisam os resultados para garantir que estejam corretos.

Digamos que um modelo Ultralytics YOLO11 treinado sob medida seja usado para detectar uma possível anomalia pulmonar em uma radiografia. Um radiologista pode revisar a previsão, confirmar se está correta e corrigir eventuais erros. Esse feedback pode então ser incorporado ao processo de treinamento, ajudando o modelo a melhorar e reduzindo as chances de alarmes falsos ou casos não detectados no futuro.

Controle e garantia da qualidade#

Na indústria, sistemas de visão computacional são usados para examinar peças e materiais em busca de defeitos, e o HITL acrescenta uma camada extra de precisão quando há incerteza por parte do modelo. Por exemplo, na produção automotiva, um sistema pode sinalizar como rachadura um reflexo inofensivo na superfície de um componente metálico.

Um técnico pode revisar o resultado, corrigir o erro e adicionar esse feedback ao ciclo. Com o tempo, esse processo melhora a consistência, mesmo em ambientes com iluminação variável ou quando as peças são muito parecidas entre si.

Conjuntos de dados raros e tarefas visuais especializadas#

Outra área em que os fluxos de trabalho com participação humana são essenciais é quando há poucos dados de treinamento, como na arqueologia ou no sensoriamento remoto. Nesses casos, especialistas revisam e rotulam um pequeno conjunto de exemplos, que o modelo de IA usa para começar a aprender. Com o tempo, esse feedback ajuda o modelo a detectar padrões específicos, como tipos de cultivo, características do solo ou artefatos, mesmo quando há apenas algumas amostras rotuladas disponíveis.

Desvantagens dos fluxos de trabalho com participação humana#

Embora o aprendizado de máquina com participação humana tenha muitos benefícios, ele também apresenta alguns desafios. Veja algumas limitações a considerar ao implementar fluxos de trabalho HITL:

• Fluxos de trabalho mais lentos: Como as pessoas precisam revisar e rotular os dados, o treinamento e as atualizações demoram mais do que em sistemas totalmente automatizados. Isso pode atrasar a disponibilização de novas versões do modelo.
• Custos mais altos: Contratar anotadores qualificados ou especialistas aumenta as despesas, especialmente ao trabalhar com grandes conjuntos de dados ou tarefas complexas.
• Escalabilidade limitada: à medida que os volumes de dados crescem, fica mais difícil manter as pessoas envolvidas sem ferramentas específicas ou suporte à automação.
• Atrasos na implantação: A participação humana constante pode atrasar a implantação e dificultar a atualização de modelos em tempo real.

Principais conclusões#

O aprendizado de máquina com participação humana é uma forma prática de treinar modelos de IA para lidar com situações do mundo real com mais precisão. Ao adicionar a participação humana, os modelos melhoram mais rápido, detectam mais erros e têm um desempenho melhor com dados complexos.

O aprendizado ativo torna esse processo ainda mais eficiente, pois o modelo pede ajuda apenas quando tem dúvidas. Juntas, essas abordagens podem ajudar a criar modelos de IA mais confiáveis e eficientes.

Conecte-se com nossa comunidade e explore nosso repositório no GitHub para se aprofundar em IA. Confira nossas páginas de soluções para conhecer inovações como IA na indústria e visão computacional no varejo. Conheça nossas opções de licenciamento e comece a desenvolver com visão computacional hoje mesmo!