Объяснение машинного обучения с участием человека (HITL)

В настоящее время мы склонны использовать artificial intelligence (AI) и машинное обучение (ML) чаще, чем мы думаем. Эти передовые технологии помогают оптимизировать ленты в социальных сетях, упорядочивать цифровые фотобиблиотеки и облегчают врачам диагностику заболеваний.

Но даже самые продвинутые системы AI могут совершать ошибки. Они могут упускать из виду ключевые детали или неверно интерпретировать то, что видят. Чтобы улучшить результаты, многие разработчики и энтузиасты AI обращаются к подходу под названием human-in-the-loop (HITL) AI. Этот метод сочетает человеческое суждение с машинной эффективностью. Люди подключаются к обучению, проверке и доработке производительности модели AI с течением времени.

В этой статье мы рассмотрим, что представляет собой ИИ с участием человека, как он работает и где его можно использовать в реальных условиях. Давай начнем!

Фундаментальные концепции HITL#

Прежде чем мы погрузимся в значимость рабочих процессов HITL, давай подробнее рассмотрим основы подхода «человек в контуре».

Что такое HITL? Основной смысл#

Хотя модели AI работают быстро и способны обрабатывать огромные объемы данных, они все равно могут путаться. Например, в computer vision, подразделе AI, сосредоточенном на понимании и анализе изображений и видео, модель может неверно прочитать размытую фотографию или упустить тонкую деталь.

Это происходит потому, что модели ИИ полагаются на закономерности в данных, а не на истинное понимание. Если данные неясны, предвзяты или неполны, результат модели может быть неточным.

Автоматизация с участием человека вовлекает людей в процесс обучения, чтобы помочь моделям обучаться более эффективно. Вместо того чтобы работать полностью самостоятельно, эти системы получают регулярную обратную связь от людей. Люди просматривают результаты, исправляют ошибки и направляют модель по мере ее улучшения со временем.

Рис. 1. Что такое автоматизация human-in-the-loop? (Источник)

Почему необходимо присутствие человека в контуре?#

Возможно, ты задаешься вопросом: действительно ли нужен ввод данных человеком? Разве это не противоречит общей цели сделать ИИ более независимым? Однако реальность такова, что системы ИИ учатся на данных, а иногда наборы данных не дают полной картины.

Например, в случае с self-driving cars существует множество ситуаций, которые модель AI может не до конца понимать. 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 является важной частью обучения системы и ее более безопасной реакции с течением времени.

В целом, люди — критически важная часть любого ИИ-проекта. Они курируют и аннотируют данные, проверяют результаты работы модели и предоставляют обратную связь, которая помогает системе совершенствоваться. Без участия человека ИИ-решениям было бы трудно адаптироваться к сложным реальным ситуациям.

Понимание роли машины в контуре#

В то время как люди обеспечивают надзор и обратную связь, роль машины заключается в том, чтобы учиться на этих входных данных и совершенствоваться со временем. Модели AI используют исправления человека для уточнения своих прогнозов, заполнения пробелов в случаях, когда данные отсутствуют или не размечены, и постепенно берут на себя задачи в масштабах, далеко превосходящих то, с чем люди могли бы справиться самостоятельно. Этот цикл обратной связи и тонкой настройки или retraining позволяет моделям AI становиться более надежными по мере обработки новой информации.

Как работает наличие человека в контуре?#

В типичном рабочем процессе ИИ с участием человека модель ИИ обрабатывает данные и делает предсказание. Когда она не уверена или задача сложна, результат помечается для проверки человеком. Затем человек проверяет предсказание, при необходимости вносит исправления, и эти обновления добавляются обратно в обучающие данные. Модель продолжает учиться с каждым циклом.

Этот цикл помогает модели AI улучшаться в тех областях, где она испытывает трудности. Вместо того чтобы полагаться только на заранее размеченные данные, система также учится на основе обратной связи в реальном времени. Со временем модель становится более уверенной и точной, особенно в задачах, где критически важна precision, таких как обнаружение мелких объектов на изображениях или выявление дефектов при визуальном осмотре.

Рис. 2. Обзор подхода human-in-the-loop (Источник)

HITL в обучении с учителем#

Приложения AI, использующие supervised learning, представляют собой прекрасный пример подхода human-in-the-loop к AI. Эти решения AI зависят от аннотирования данных, когда люди размечают примеры для обучения модели.

Большинство проектов computer vision опираются на этот процесс: люди тегируют объекты на изображениях, чтобы модели computer vision, такие как Ultralytics YOLO11, могли научиться тому, что нужно распознавать. Если аннотации нечеткие или противоречивые, модель может усвоить неправильные закономерности и испытывать трудности с эффективной работой.

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

Активное обучение vs. человек в контуре#

Active learning — это метод, используемый для повышения эффективности систем human-in-the-loop. Вместо того чтобы просить людей проверять каждый фрагмент данных, система AI выбирает только те случаи, в которых она не уверена. Затем рецензенты могут сосредоточиться именно на этих конкретных примерах, экономя время и усилия.

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

Этот подход особенно хорошо работает для таких задач, как анализ изображений. Представь себе vision AI model, обученную обнаруживать дефекты на фотографиях продуктов. Большую часть времени она делает точные прогнозы, но иногда испытывает трудности при необычном освещении или незнакомых узорах. Active learning можно использовать для выделения таких сложных изображений, чтобы человек мог вмешаться и внести исправления. Затем модель может включить эту обратную связь и совершенствоваться с каждым циклом retraining.

Как HITL улучшает результаты computer vision?#

Рабочие процессы HITL могут упростить повышение производительности моделей computer vision за счет добавления постоянной обратной связи. Когда люди подключаются для проверки сомнительных результатов, исправления ошибок или добавления недостающих меток, модель учится распознавать объекты более точно и с большей уверенностью.

Этот процесс не просто улучшает обучение. Он также делает тестирование, настройку и валидацию более надежными. Со временем цикл обратной связи помогает создавать computer vision solutions, которые более эффективно работают в реальных условиях.

Реальные примеры ИИ с участием человека#

Далее давай рассмотрим несколько примеров того, как автоматизация HITL может быть использована для улучшения приложений vision AI.

Здравоохранение и медицинская визуализация#

По сравнению с другими секторами, ИИ в здравоохранении требует гораздо более высокой точности, поэтому рабочие процессы HITL AI имеют такое жизненно важное значение. Например, в медицинской визуализации модели компьютерного зрения, такие как Ultralytics YOLO11, могут использоваться для анализа рентгенограмм, МРТ и патологических слайдов, однако эксперты все равно проверяют результаты, чтобы убедиться в их правильности.

Допустим, кастомная модель Ultralytics YOLO11 используется для обнаружения возможной патологии легких на рентгенограмме. Радиолог может проверить предсказание, подтвердить его точность и исправить любые ошибки. Затем этот отзыв можно добавить обратно в процесс обучения, помогая модели совершенствоваться и снижая вероятность ложных срабатываний или пропущенных случаев в будущем.

Контроль качества и обеспечение качества#

В производстве системы computer vision используются для сканирования деталей и материалов на предмет дефектов, а HITL добавляет дополнительный уровень точности, когда модель не уверена в себе. Например, в automotive production система может принять безобидный поверхностный блик на металлическом компоненте за трещину.

Техник может проверить результат, исправить ошибку и добавить эту обратную связь в цикл. Со временем этот процесс улучшает согласованность даже в средах с меняющимся освещением или когда детали очень похожи друг на друга.

Редкие наборы данных и специализированные визуальные задачи#

Еще одна область, где рабочие процессы human-in-the-loop необходимы — это случаи, когда обучающие данные ограничены, например, в archaeology 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 специфические паттерны, такие как типы сельскохозяйственных культур, особенности почвы или артефакты, даже когда доступно лишь несколько размеченных образцов.

Недостатки рабочих процессов с участием человека#

Хотя у машинного обучения с участием человека много преимуществ, оно также связано с определенными проблемами. Вот несколько ограничений, о которых стоит помнить при внедрении рабочих процессов HITL:

• Более медленные рабочие процессы: Поскольку людям нужно проверять и помечать данные, обучение и обновления занимают больше времени, чем в полностью автоматизированных системах. Это может замедлить готовность новых версий модели к использованию.
• Более высокие расходы: Найм квалифицированных аннотаторов или экспертов увеличивает расходы, особенно при работе с большими наборами данных или сложными задачами.
• Ограниченная scalability: по мере роста объемов данных становится все труднее поддерживать вовлеченность людей без специализированных инструментов или автоматизированной поддержки.
• Задержки развертывания: Постоянное участие человека может задержать развертывание и усложнить обновление моделей в реальном времени.

Основные выводы#

Машинное обучение с участием человека — это практический способ обучения моделей ИИ для более точной обработки реальных ситуаций. Благодаря добавлению человеческого вклада модели быстрее совершенствуются, улавливают больше ошибок и лучше работают со сложными данными.

Активное обучение делает этот процесс еще более эффективным, заставляя модель просить о помощи только тогда, когда она не уверена. Вместе эти подходы могут помочь создать модели ИИ, которые будут более надежными и эффективными.

Присоединяйся к нашему community и изучай наш GitHub repository, чтобы глубже погрузиться в AI. Ознакомься со страницами наших решений, чтобы узнать об инновациях, таких как AI in manufacturing и computer vision in retail. Открой для себя наши licensing options и начинай создавать приложения с помощью computer vision уже сегодня!