Explicação da aprendizagem automática em circuito humano (HITL)

Atualmente, tendemos a utilizar a inteligência artificial (IA) e a aprendizagem automática (ML) com mais frequência do que imaginamos. Estas tecnologias de ponta ajudam a otimizar os nossos feeds nas redes sociais, a organizar as nossas bibliotecas de fotografias digitais e a facilitar o diagnóstico de doenças aos médicos.

Mas mesmo os sistemas de IA mais avançados podem cometer erros. Podem ignorar pormenores importantes ou interpretar mal o que vêem. Para melhorar os resultados, muitos programadores e entusiastas da IA estão a recorrer a uma abordagem designada por IA "human-in-the-loop" (HITL). Este método combina a capacidade de avaliação humana com a eficiência das máquinas. As pessoas entram em ação para treinar, rever e aperfeiçoar o desempenho de um modelo de IA ao longo do tempo. 

Neste artigo, vamos explorar o que representa a IA human-in-the-loop, como funciona e onde pode ser utilizada no mundo real. Vamos lá começar!

Conceitos fundamentais de HITL

Antes de nos debruçarmos sobre a importância dos fluxos de trabalho HITL, vamos analisar mais detalhadamente os princípios básicos da abordagem "human-in-the-loop". 

O que é HITL? O significado central

Embora os modelos de IA sejam rápidos e capazes de processar grandes quantidades de dados, podem confundir-se. Por exemplo, na visão computacional, um subcampo da IA centrado na compreensão e análise de imagens e vídeos, um modelo pode interpretar mal uma fotografia desfocada ou deixar escapar um pormenor subtil. 

Isto acontece porque os modelos de IA se baseiam em padrões nos dados e não numa verdadeira compreensão. Se os dados forem pouco claros, tendenciosos ou incompletos, o resultado do modelo pode ser impreciso.

A automatização human-in-the-loop envolve pessoas no processo de formação para ajudar os modelos a aprender mais eficazmente. Em vez de funcionarem inteiramente por si próprios, estes sistemas recebem regularmente feedback humano. As pessoas analisam os resultados, corrigem os erros e orientam o modelo à medida que este melhora ao longo do tempo.

‍

Porque é que é necessário ter pessoas no circuito?

Poderá estar a perguntar-se: são realmente necessários contributos humanos? 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 os dados e, por vezes, os conjuntos de dados não dão uma imagem completa.

Por exemplo, no caso dos automóveis autónomos, há muitas situações que um modelo de IA pode não compreender totalmente. Pode ter dificuldades com condições de estrada invulgares, obstáculos inesperados ou acontecimentos raros que nunca tenha visto antes. Nestes casos, a orientação humana é uma parte importante da aprendizagem do sistema e da sua reação mais segura ao longo do tempo.

Em geral, os seres humanos são uma parte essencial de qualquer projeto de IA. Fazem a curadoria e anotação dos dados, analisam os resultados dos modelos e dão feedback que ajuda o sistema a melhorar. Sem os humanos no circuito, as soluções de IA teriam dificuldade em adaptar-se a situações complexas do mundo real.

Compreender o papel da máquina no circuito

Enquanto os humanos fornecem supervisão e feedback, o papel da máquina é aprender com esses dados e melhorar ao longo do tempo. Os modelos de IA utilizam as correcções humanas para aperfeiçoar as suas previsões, preencher as lacunas nos casos em que faltam dados ou em que estes não estão rotulados e, gradualmente, assumir tarefas a uma escala muito superior à que as pessoas poderiam gerir sozinhas. Este ciclo de feedback e de afinação ou reciclagem permite que os modelos de IA se tornem mais fiáveis à medida que processam novas informações.

Como é que funciona a presença de um humano no circuito?

Num fluxo de trabalho típico de IA human-in-the-loop, um modelo de IA processa dados e faz uma previsão. Quando é incerto ou a tarefa é complexa, o resultado é assinalado para revisão humana. Em seguida, uma pessoa verifica a previsão, faz correcções, se necessário, e essas actualizações são novamente adicionadas aos dados de formação. O modelo continua a aprender em cada ciclo.

Este ciclo ajuda o modelo de IA a melhorar nas áreas em que tem dificuldades. Em vez de se basear apenas em dados pré-rotulados, o sistema também aprende com o feedback em tempo real. Ao longo do tempo, o modelo torna-se mais confiante e preciso, especialmente em tarefas em que a precisão é crítica, como a deteção de pequenos objectos em imagens ou a identificação de defeitos durante inspecções visuais.

‍

HITL na aprendizagem supervisionada

As aplicações de IA que utilizam a aprendizagem supervisionada são um ótimo exemplo da abordagem "human-in-the-loop" da IA. Estas soluções de IA dependem da anotação de dados, em que os humanos rotulam exemplos para treinar o modelo. 

A maioria dos projectos de visão computacional baseia-se neste processo, em que as pessoas marcam os objectos nas imagens para que os modelos de visão computacional, como o Ultralytics YOLO11, possam aprender o que reconhecer. Quando as anotações não são claras ou são inconsistentes, o modelo pode aprender os padrões errados e ter dificuldade em ter um bom desempenho.

‍

Aprendizagem ativa vs. humano no circuito

A aprendizagem ativa é um método utilizado para tornar mais eficientes os sistemas "human-in-the-loop". Em vez de pedir aos humanos que analisem todos os dados, o sistema de IA seleciona apenas os casos sobre os quais não tem a certeza. Os revisores podem então concentrar-se nesses exemplos específicos, poupando tempo e esforço.

‍

Esta abordagem funciona especialmente bem em tarefas como a análise de imagens. Considere um modelo de IA de visão treinado para detetar defeitos em fotografias de produtos. Na maioria das vezes, faz previsões exactas, mas, ocasionalmente, tem dificuldade em lidar com iluminação invulgar ou padrões desconhecidos. A aprendizagem ativa pode ser utilizada para assinalar essas imagens complicadas, para que uma pessoa possa intervir e fazer correcções. O modelo pode então incorporar esse feedback e melhorar a cada ciclo de reciclagem.

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

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

Este processo não se limita a melhorar a formação. Ele também torna o teste, o ajuste e a validação mais confiáveis. Ao longo do tempo, o ciclo de feedback ajuda a criar soluções de visão computacional que funcionam mais eficazmente em situações do mundo real.

Exemplos reais de IA humana em circuito

Em seguida, vamos analisar alguns exemplos de IA human-in-the-loop de como a automatização HITL pode ser utilizada para melhorar as aplicações de IA de visão.

Cuidados de saúde e imagiologia médica

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

Imaginemos que um modelo YOLO11 treinado à medida é utilizado para detetar uma possível anomalia pulmonar numa radiografia. Um radiologista pode rever a previsão, confirmar se é exacta e corrigir eventuais erros. Esse feedback pode então ser adicionado ao processo de formação, ajudando o modelo a melhorar e reduzindo as hipóteses de falsos alarmes ou casos perdidos no futuro.

Controlo e garantia da qualidade

No fabrico, os sistemas de visão por computador são utilizados para analisar peças e materiais em busca de defeitos, e o HITL acrescenta uma camada extra de precisão quando o modelo é incerto. Por exemplo, na produção automóvel, um sistema pode assinalar um reflexo inofensivo na superfície de um componente metálico como uma fenda. 

Um técnico pode rever o resultado, corrigir o erro e adicionar esse feedback ao ciclo. Com o tempo, este processo melhora a consistência, mesmo em ambientes com iluminação variável ou quando as peças são muito semelhantes umas às outras.

Conjuntos de dados raros e tarefas visuais especializadas

Outro domínio em que os fluxos de trabalho com intervenção humana são essenciais é quando os dados de formação são limitados, como na arqueologia ou na deteção remota. Nestes casos, os especialistas analisam e rotulam um pequeno conjunto de exemplos, que o modelo de IA utiliza para começar a aprender. Ao longo do tempo, este feedback ajuda o modelo a detetar padrões específicos, como tipos de culturas, caraterísticas do solo ou artefactos, mesmo quando apenas estão disponíveis algumas amostras rotuladas.

Desvantagens dos fluxos de trabalho "human-in-the-loop

Embora existam muitos benefícios do human-in-the-loop para a aprendizagem automática, também apresenta alguns desafios. Eis algumas limitações a ter em conta ao implementar fluxos de trabalho HITL:

• Fluxos de trabalho mais lentos: Uma vez que as pessoas precisam de rever e rotular os dados, a formação e as actualizações demoram mais tempo do que nos sistemas totalmente automatizados. Isto pode atrasar a rapidez com que as novas versões de um modelo estão prontas a utilizar.
  ‍
• Custos mais elevados: A contratação de anotadores ou especialistas qualificados aumenta as despesas, especialmente quando se trabalha com grandes conjuntos de dados ou tarefas complicadas.
  ‍
• Limitada escalabilidade: À medida que os volumes de dados aumentam, torna-se mais difícil manter os seres humanos envolvidos sem ferramentas dedicadas ou apoio à automatização.
  ‍
• Atrasos na implantação: O envolvimento humano constante pode atrasar a implantação e dificultar a atualização dos modelos em tempo real.

Principais conclusões

A aprendizagem automática human-in-the-loop é uma forma prática de treinar modelos de IA para lidar com situações do mundo real com maior precisão. Ao adicionar o contributo humano, os modelos melhoram mais rapidamente, detectam mais erros e têm um melhor desempenho com dados complexos. 

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

Ligue-se à nossa comunidade e explore o nosso repositório GitHub para se aprofundar na IA. Consulte as nossas páginas de soluções para saber mais sobre inovações como a IA no fabrico e a visão computacional no retalho. Descubra nossas opções de licenciamento e comece a construir com visão computacional hoje mesmo!