Машинное обучение с участием человека (HITL): объяснение

Сегодня мы используем искусственный интеллект (AI) и машинное обучение (ML) чаще, чем осознаём. Эти передовые технологии помогают оптимизировать наши ленты в социальных сетях, организовывать цифровые фотоархивы и упрощать диагностику заболеваний для врачей.

Но даже самые продвинутые системы AI могут ошибаться. Они могут упускать важные детали или неправильно интерпретировать увиденное. Чтобы улучшить результаты, многие разработчики и энтузиасты AI обращаются к подходу под названием AI с участием человека в контуре (HITL). Этот метод объединяет человеческое суждение и эффективность машин. Люди со временем подключаются к обучению, проверке и совершенствованию работы модели AI.

В этой статье мы рассмотрим, что представляет собой AI с участием человека в контуре, как он работает и где его можно применять в реальном мире. Давай начнём!

Основные понятия HITL#

Прежде чем подробно разбирать значение рабочих процессов HITL, давай внимательнее рассмотрим основы подхода с участием человека в контуре.

Что такое HITL? Основной смысл#

Модели AI работают быстро и способны обрабатывать огромные объёмы данных, но они всё равно могут запутаться. Например, в области компьютерного зрения — подразделе AI, посвящённом пониманию и анализу изображений и видео, — модель может неправильно распознать размытое фото или не заметить малозаметную деталь.

Это происходит потому, что модели AI опираются на закономерности в данных, а не на настоящее понимание. Если данные неясны, содержат смещения или неполны, результат работы модели может быть неточным.

Автоматизация с участием человека в контуре привлекает людей к процессу обучения, чтобы помочь моделям учиться эффективнее. Вместо полностью автономной работы такие системы регулярно получают обратную связь от людей. Люди проверяют результаты, исправляют ошибки и направляют модель по мере её совершенствования.

Рис. 1. Что такое автоматизация с участием человека в контуре? (Источник)

Зачем нужно участие человека в контуре?#

Возможно, ты задаёшься вопросом: действительно ли участие человека необходимо? Разве это не противоречит общей цели сделать AI более автономным? Однако на практике системы AI обучаются на данных, а наборы данных иногда не дают полной картины.

Например, в случае с беспилотными автомобилями есть множество ситуаций, которые модель AI может понимать не полностью. Ей может быть сложно справляться с необычными дорожными условиями, неожиданными препятствиями или редкими событиями, с которыми она раньше не сталкивалась. В таких случаях руководство со стороны человека помогает системе со временем учиться и безопаснее реагировать.

В целом люди — важнейшая часть любого проекта AI. Они отбирают и аннотируют данные, проверяют результаты работы модели и предоставляют обратную связь, которая помогает системе совершенствоваться. Без участия человека в контуре решения AI с трудом адаптировались бы к сложным ситуациям реального мира.

Понимание роли машины в контуре#

Люди обеспечивают контроль и обратную связь, а задача машины — учиться на этих данных и со временем совершенствоваться. Модели AI используют исправления, внесённые людьми, чтобы уточнять предсказания, восполнять пробелы в отсутствующих или неразмеченных данных и постепенно брать на себя задачи в масштабе, намного превосходящем возможности человека. Этот цикл обратной связи, донастройки или повторного обучения позволяет моделям AI становиться надёжнее по мере обработки новой информации.

Как работает участие человека в контуре?#

В типичном рабочем процессе AI с участием человека в контуре модель AI обрабатывает данные и делает предсказание. Если модель не уверена в результате или задача сложная, результат отмечается для проверки человеком. Затем человек проверяет предсказание, при необходимости вносит исправления, и эти обновления добавляются обратно в обучающие данные. Модель продолжает учиться в каждом цикле.

Этот контур помогает модели AI совершенствоваться в областях, где она испытывает трудности. Вместо того чтобы полагаться только на заранее размеченные данные, система также учится на обратной связи в реальном времени. Со временем модель становится увереннее и точнее, особенно в задачах, где критически важна точность, например при обнаружении небольших объектов на изображениях или выявлении дефектов во время визуального контроля.

Рис. 2. Обзор подхода с участием человека в контуре (Источник)

HITL в обучении с учителем#

Приложения AI, использующие обучение с учителем, — отличный пример подхода AI с участием человека в контуре. Такие решения AI зависят от аннотирования данных, при котором люди размечают примеры для обучения модели.

Большинство проектов в области компьютерного зрения опираются на этот процесс: люди отмечают объекты на изображениях, чтобы модели компьютерного зрения, такие как Ultralytics YOLO11, могли научиться распознавать нужные объекты. Если аннотации неясны или непоследовательны, модель может выучить неправильные закономерности и плохо справляться с задачей.

Рис. 3. Пример использования Ultralytics YOLO11 для обнаружения объектов на изображении.

Активное обучение и участие человека в контуре#

Активное обучение — это метод, который делает системы с участием человека в контуре эффективнее. Вместо того чтобы просить людей проверять каждый фрагмент данных, система AI выбирает только те случаи, в которых она не уверена. Затем проверяющие могут сосредоточиться на конкретных примерах, экономя время и силы.

Рис. 4. Что такое активное обучение? Изображение автора.

Этот подход особенно хорошо работает для таких задач, как анализ изображений. Рассмотрим модель AI для компьютерного зрения, обученную обнаруживать дефекты на фотографиях продукции. В большинстве случаев она делает точные предсказания, но иногда испытывает трудности с необычным освещением или незнакомыми закономерностями. Активное обучение позволяет отмечать такие сложные изображения, чтобы человек мог вмешаться и внести исправления. Затем модель может учесть эту обратную связь и совершенствоваться в каждом цикле повторного обучения.

Как HITL улучшает результаты компьютерного зрения?#

Рабочие процессы HITL помогают моделям компьютерного зрения работать лучше благодаря постоянной обратной связи. Когда люди проверяют неопределённые результаты, исправляют ошибки или добавляют недостающие метки, модель учится распознавать объекты точнее и увереннее.

Этот процесс улучшает не только обучение. Он также делает тестирование, настройку и валидацию надёжнее. Со временем контур обратной связи помогает создавать решения для компьютерного зрения, которые эффективнее работают в реальных ситуациях.

Примеры AI с участием человека в контуре из реального мира#

Далее рассмотрим несколько примеров использования AI с участием человека в контуре, показывающих, как автоматизация HITL может улучшить приложения AI для компьютерного зрения.

Здравоохранение и медицинская визуализация#

По сравнению с другими отраслями, AI в здравоохранении требует гораздо более высокой точности, поэтому рабочие процессы AI с участием человека в контуре так важны. Например, в медицинской визуализации модели AI для компьютерного зрения, такие как Ultralytics YOLO11, можно использовать для анализа рентгеновских снимков, МРТ и гистологических препаратов, но эксперты всё равно проверяют результаты, чтобы убедиться в их корректности.

Представим, что специально обученная модель Ultralytics YOLO11 используется для обнаружения возможной аномалии лёгких на рентгеновском снимке. Радиолог может проверить предсказание, подтвердить его точность и исправить ошибки. Затем эта обратная связь добавляется обратно в процесс обучения, помогая модели совершенствоваться и снижая вероятность ложных тревог или пропущенных случаев в будущем.

Контроль и обеспечение качества#

В производстве системы компьютерного зрения используются для сканирования деталей и материалов на наличие дефектов, а HITL добавляет дополнительный уровень точности, когда модель не уверена в результате. Например, в автомобильном производстве система может принять безобидное отражение света на металлической детали за трещину.

Технический специалист может проверить результат, исправить ошибку и добавить эту обратную связь в контур. Со временем этот процесс повышает стабильность результатов даже в условиях меняющегося освещения или когда детали очень похожи друг на друга.

Редкие наборы данных и специализированные задачи компьютерного зрения#

Ещё одна область, где рабочие процессы с участием человека в контуре необходимы, — обучение на ограниченных данных, например в археологии или дистанционном зондировании. В таких случаях эксперты проверяют и размечают небольшой набор примеров, который модель AI использует для начала обучения. Со временем эта обратная связь помогает модели обнаруживать определённые закономерности, такие как типы сельскохозяйственных культур, характеристики почвы или артефакты, даже при наличии лишь нескольких размеченных образцов.

Недостатки рабочих процессов с участием человека в контуре#

Несмотря на многочисленные преимущества участия человека в контуре для машинного обучения, такой подход связан и с определёнными сложностями. При внедрении рабочих процессов HITL нужно учитывать следующие ограничения:

• Более медленные рабочие процессы: поскольку людям нужно проверять и размечать данные, обучение и обновления занимают больше времени, чем в полностью автоматизированных системах. Это может замедлить подготовку новых версий модели к использованию.
• Более высокие затраты: найм квалифицированных аннотаторов или экспертов увеличивает расходы, особенно при работе с большими наборами данных или сложными задачами.
• Ограниченная масштабируемость: по мере роста объёма данных становится сложнее сохранять участие людей без специализированных инструментов или поддержки автоматизации.
• Задержки при развёртывании: постоянное участие людей может замедлять развёртывание и усложнять обновление моделей в реальном времени.

Основные выводы#

Машинное обучение с участием человека в контуре — практичный способ обучать модели AI точнее справляться с ситуациями реального мира. Благодаря участию людей модели быстрее совершенствуются, обнаруживают больше ошибок и лучше работают со сложными данными.

Активное обучение делает этот процесс ещё эффективнее: модель просит о помощи только тогда, когда не уверена в результате. Вместе эти подходы помогают создавать более надёжные и эффективные модели AI.

Присоединяйся к нашему сообществу и изучай наш репозиторий GitHub, чтобы глубже погрузиться в AI. Посети страницы наших решений, чтобы узнать об инновациях, таких как AI в производстве и компьютерное зрение в розничной торговле. Изучи наши варианты лицензирования и начни создавать решения на основе компьютерного зрения уже сегодня!