Aprendizado de máquina humano no ciclo (HITL) explicado

Hoje em dia, tendemos a usar artificial intelligence (AI) e machine learning (ML) mais frequentemente do que percebemos. Essas tecnologias de ponta ajudam a otimizar nossos feeds de redes sociais, organizar nossas bibliotecas de fotos digitais e facilitar o diagnóstico de doenças por parte dos médicos.

Mas até os sistemas de IA mais avançados podem cometer erros. Eles podem ignorar detalhes importantes ou interpretar mal o que veem. Para melhorar os resultados, muitos desenvolvedores e entusiastas de IA estão recorrendo a uma abordagem chamada IA human-in-the-loop (HITL). Este método combina o julgamento humano com a eficiência da máquina. As pessoas intervêm para treinar, revisar e refinando o AI model’s performance ao longo do tempo.

Neste artigo, exploraremos o que a IA com humano no ciclo representa, como ela funciona e onde pode ser usada no mundo real. Vamos começar!

Conceitos fundamentais de HITL#

Antes de mergulharmos no significado dos fluxos de trabalho de HITL, vamos analisar mais de perto o básico da abordagem com humano no ciclo.

O que é HITL? O significado central#

Embora os modelos de IA sejam rápidos e capazes de processar quantidades massivas de dados, eles ainda podem ficar confusos. Por exemplo, em computer vision, um subcampo da IA focado em entender e analisar imagens e vídeos, um modelo pode ler mal uma foto borrada ou perder um detalhe sutil.

Isso acontece porque os modelos de IA dependem de padrões nos dados, em vez de uma compreensão real. Se os dados estiverem pouco claros, tendenciosos ou incompletos, a saída do modelo pode ser imprecisa.

A automação com humano no ciclo traz pessoas para o processo de treinamento para ajudar os modelos a aprenderem de forma mais eficaz. Em vez de operarem inteiramente por conta própria, esses sistemas recebem feedback humano regular. As pessoas revisam os resultados, corrigem erros e orientam o modelo à medida que ele melhora ao longo do tempo.

Fig 1. O que é a automação human-in-the-loop? (Source)

Por que ter humanos no ciclo é necessário?#

Você pode estar se perguntando: as entradas humanas são realmente necessárias? 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 às vezes os conjuntos de dados não pintam um quadro abrangente.

Por exemplo, com self-driving cars, há muitas situações que um modelo de IA pode não entender completamente. Ele pode lutar contra condições de estrada incomuns, obstáculos inesperados ou eventos raros que nunca viu antes. Nestes casos, a orientação humana é uma parte importante para que o sistema aprenda e responda com mais segurança ao longo do tempo.

No geral, os humanos são uma parte crítica de qualquer projeto de IA. Eles curam e anotam dados, revisam os resultados dos modelos e fornecem feedback que ajuda o sistema a melhorar. Sem humanos no ciclo, as soluções de IA teriam dificuldade em se adaptar a situações complexas do mundo real.

Entendendo o papel da máquina no ciclo#

Enquanto os humanos fornecem supervisão e feedback, o papel da máquina é aprender com essa entrada e melhorar ao longo do tempo. Os modelos de IA usam correções humanas para refinar suas previsões, preencher lacunas onde os dados estão ausentes ou sem rótulo, e assumir gradualmente tarefas em uma escala muito além do que as pessoas poderiam gerenciar por conta própria. Este ciclo de feedback e ajuste fino ou retraining torna possível que os modelos de IA se tornem mais confiáveis à medida que processam novas informações.

Como funciona ter um humano no ciclo?#

Em um fluxo de trabalho típico de IA com humano no ciclo, um modelo de IA processa dados e faz uma previsão. Quando ele está incerto ou a tarefa é complexa, o resultado é sinalizado para revisão humana. Uma pessoa então verifica a previsão, faz correções, se necessário, e essas atualizações são adicionadas de volta aos dados de treinamento. O modelo continua aprendendo a cada ciclo.

Este loop ajuda o modelo de IA a melhorar em áreas onde ele tem dificuldades. Em vez de depender apenas de dados pré-rotulados, o sistema também aprende com o feedback em tempo real. Com o tempo, o modelo cresce mais confiante e preciso, especialmente em tarefas onde precision é crítica, como detectar pequenos objetos em imagens ou identificar defeitos durante inspeções visuais.

Fig 2. Uma visão geral da abordagem human-in-the-loop (Source)

HITL em aprendizado supervisionado#

As aplicações de IA que usam supervised learning são um ótimo exemplo da abordagem human-in-the-loop para a IA. Essas soluções de IA dependem de anotação de dados, onde humanos rotulam exemplos para treinar o modelo.

A maioria dos projetos de computer vision depende desse processo, com pessoas marcando objetos em imagens para que modelos de computer vision como Ultralytics YOLO11 possam aprender o que reconhecer. Quando as anotações são pouco claras ou inconsistentes, o modelo pode aprender os padrões errados e ter dificuldades para ter um bom desempenho.

Fig 3. Um exemplo de uso do Ultralytics YOLO11 para detectar objetos em uma imagem.

Aprendizado ativo vs. humano no ciclo#

Active learning é um método usado para tornar os sistemas human-in-the-loop mais eficientes. Em vez de pedir aos humanos que revisem cada pedaço de dados, o sistema de IA seleciona apenas os casos sobre os quais tem incerteza. Os revisores podem então se concentrar nesses exemplos específicos, economizando tempo e esforço.

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

Esta abordagem funciona especialmente bem para tarefas como análise de imagem. Considere um vision AI model treinado para detectar defeitos em fotos de produtos. Na maioria das vezes, ele faz previsões precisas, mas ocasionalmente ele luta com iluminação incomum ou padrões desconhecidos. O active learning pode ser usado para sinalizar essas imagens difíceis para que uma pessoa possa intervir e fazer correções. O modelo pode então incorporar esse feedback e melhorar a cada ciclo de retraining.

Como o HITL melhora os resultados da visão computacional?#

Os fluxos de trabalho de HITL podem facilitar que os modelos de visão computacional tenham 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 com maior confiança.

Este processo não apenas melhora o treinamento. Ele também torna os testes, ajustes e validação mais confiáveis. Com o tempo, o loop de feedback ajuda a construir computer vision solutions que funcionam de forma mais eficaz em situações do mundo real.

Exemplos reais de IA com humano no ciclo#

A seguir, vamos percorrer alguns exemplos de IA com humano no ciclo de como a automação HITL pode ser usada para melhorar as aplicações de visão de IA.

Saúde e imagens médicas#

Comparada com outros setores, a IA na saúde exige uma precisão muito maior, razão pela qual os fluxos de trabalho de IA HITL são tão cruciais. Na imagem médica, por exemplo, modelos de visão de IA como o Ultralytics YOLO11 podem ser usados para analisar raios-X, ressonâncias magnéticas e lâminas de patologia, mas os especialistas ainda revisam os resultados para garantir que estejam corretos.

Digamos que um modelo do Ultralytics YOLO11 treinado de forma personalizada seja usado para detectar uma possível anomalia pulmonar em um raio-X. Um radiologista pode revisar a previsão, confirmar se ela é precisa e corrigir quaisquer erros. Esse feedback pode então ser adicionado de volta ao processo de treinamento, ajudando o modelo a melhorar e reduzindo as chances de falsos alarmes ou casos perdidos no futuro.

Controle de qualidade e garantia#

Na fabricação, os sistemas de computer vision são usados para escanear peças e materiais em busca de defeitos, e o HITL adiciona uma camada extra de precisão quando o modelo é incerto. Por exemplo, em automotive production, um sistema pode sinalizar um reflexo de superfície inofensivo em um componente de metal como uma rachadura.

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

Conjuntos de dados raros e tarefas visuais especializadas#

Outra área onde os fluxos de trabalho human-in-the-loop são essenciais é quando os dados de treinamento são limitados, como em archaeology ou sensoriamento remoto. Nesses casos, os 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 apenas algumas amostras rotuladas estão disponíveis.

Desvantagens dos fluxos de trabalho com humano no ciclo#

Embora existam muitos benefícios do humano no ciclo para o aprendizado de máquina, ele também traz certos desafios. Aqui estão algumas limitações a serem consideradas ao implementar fluxos de trabalho de HITL:

• Fluxos de trabalho mais lentos: Como as pessoas precisam revisar e rotular os dados, o treinamento e as atualizações levam mais tempo do que em sistemas totalmente automatizados. Isso pode atrasar a rapidez com que novas versões de um modelo ficam prontas para uso.
• Custos mais altos: Contratar anotadores ou especialistas qualificados aumenta as despesas, especialmente ao trabalhar com grandes conjuntos de dados ou tarefas complicadas.
• Limited scalability: À medida que os volumes de dados crescem, torna-se mais difícil manter os humanos envolvidos sem ferramentas dedicadas ou suporte de automação.
• Atrasos na implementação: O envolvimento humano constante pode atrasar a implementação e tornar mais difícil a atualização dos modelos em tempo real.

Principais pontos#

O aprendizado de máquina com humano no ciclo é uma maneira prática de treinar modelos de IA para lidar com situações do mundo real com mais precisão. Ao adicionar a contribuição humana, os modelos melhoram mais rapidamente, detectam mais erros e têm um desempenho melhor com dados complexos.

O aprendizado ativo torna esse processo ainda mais eficiente, fazendo com que o modelo peça ajuda apenas quando não tem certeza. Juntas, essas abordagens podem ajudar a criar modelos de IA que são mais confiáveis e eficientes.

Conecte-se com nossa community e explore nosso GitHub repository para mergulhar mais fundo na IA. Confira nossas páginas de soluções para aprender sobre inovações como AI in manufacturing e computer vision in retail. Descubra nossas licensing options e comece a construir com computer vision hoje mesmo!