İnsan destekli makine öğrenimi (HITL) açıklandı

Günümüzde yapay zeka (AI) ve makine öğrenimi (ML) teknolojilerini fark ettiğimizden çok daha sık kullanma eğilimindeyiz. Bu son teknoloji, sosyal medya akışlarımızı optimize etmeye, dijital fotoğraflarımızı organize etmeye ve doktorların hastalıkları teşhis etmesini kolaylaştırmaya yardımcı olur.

Ancak en gelişmiş AI sistemleri bile hata yapabilir. Önemli detayları gözden kaçırabilir veya gördüklerini yanlış yorumlayabilirler. Sonuçları iyileştirmek için birçok geliştirici ve AI meraklısı, insan döngülü (HITL) AI adı verilen bir yaklaşıma yöneliyor. Bu yöntem, insan muhakemesini makine verimliliğiyle birleştirir. İnsanlar, zaman içinde bir AI modelinin performansını eğitmek, incelemek ve iyileştirmek için devreye girer.

Bu makalede, insan döngülü AI'nın neyi temsil ettiğini, nasıl çalıştığını ve gerçek dünyada nerede kullanılabileceğini keşfedeceğiz. Hadi başlayalım!

HITL'in temel kavramları#

HITL iş akışlarının önemine dalmadan önce, insan döngülü yaklaşımın temellerine daha yakından bakalım.

HITL nedir? Temel anlamı#

AI modelleri hızlıdır ve devasa veri miktarlarını işleme kapasitesine sahip olsa da yine de kafaları karışabilir. Örneğin, görüntüleri ve videoları anlamaya ve analiz etmeye odaklanan bir AI alt alanı olan computer vision alanında, bir model bulanık bir fotoğraflı yanlış okuyabilir veya küçük bir detayı kaçırabilir.

Bu durum, AI modellerinin gerçek bir anlayıştan ziyade verideki kalıplara güvenmesinden kaynaklanır. Veri belirsiz, yanlı veya eksikse, modelin çıktısı hatalı olabilir.

İnsan döngülü otomasyon, modellerin daha etkili bir şekilde öğrenmesine yardımcı olmak için insanları eğitim sürecine dahil eder. Bu sistemler tamamen kendi başlarına çalışmak yerine düzenli insan geri bildirimi alırlar. İnsanlar çıktıları gözden geçirir, hataları düzeltir ve model zaman içinde gelişirken ona rehberlik ederler.

Şekil 1. İnsan döngülü otomasyon nedir? (Kaynak)

İnsanları döngüye dahil etmek neden gereklidir?#

Şunu merak ediyor olabilirsin: İnsan girdileri gerçekten gerekli mi? Bu, AI'yı daha bağımsız hale getirme genel hedefine aykırı görünmüyor mu? Ancak gerçek şu ki, AI sistemleri veriden öğrenir ve bazen veri kümeleri kapsamlı bir resim sunmaz.

Örneğin otonom araçlarda, bir AI modelinin tam olarak anlayamayacağı birçok durum vardır. Olağandışı yol koşullarıyla, beklenmeyen engellerle veya daha önce görmediği nadir olaylarla mücadele edebilir. Bu gibi durumlarda insan rehberliği, sistemin zaman içinde daha güvenli bir şekilde öğrenmesi ve yanıt vermesinin önemli bir parçasıdır.

Genel olarak insanlar, her AI projesinin kritik bir parçasıdır. Verileri düzenler ve etiketler, model çıktılarını gözden geçirir ve sistemin iyileşmesine yardımcı olan geri bildirimler sağlarlar. İnsanlar döngüye dahil edilmeden, AI çözümleri karmaşık, gerçek dünya durumlarına uyum sağlamakta zorlanırdı.

Döngüde makinenin rolünü anlamak#

İnsanlar gözetim ve geri bildirim sağlarken, makinenin rolü bu girdiden öğrenmek ve zaman içinde gelişmektir. AI modelleri, tahminlerini iyileştirmek, eksik veya etiketlenmemiş verilerdeki boşlukları doldurmak ve insanların kendi başlarına yönetebileceğinden çok daha büyük ölçekte görevleri kademeli olarak üstlenmek için insan düzeltmelerini kullanır. Bu geri bildirim ve ince ayar veya yeniden eğitme döngüsü, AI modellerinin yeni bilgileri işlerken daha güvenilir hale gelmesini sağlar.

İnsan döngülü bir sistem nasıl çalışır?#

Tipik bir insan döngülü AI iş akışında, bir AI modeli veriyi işler ve bir tahmin yapar. Belirsiz olduğunda veya görev karmaşık olduğunda, sonuç insan incelemesi için işaretlenir. Bir kişi daha sonra tahmini kontrol eder, gerekirse düzeltmeler yapar ve bu güncellemeler eğitim verilerine geri eklenir. Model her döngüde öğrenmeye devam eder.

Bu döngü, AI modelinin zorlandığı alanlarda gelişmesine yardımcı olur. Sistem, yalnızca önceden etiketlenmiş verilere güvenmek yerine gerçek zamanlı geri bildirimlerden de öğrenir. Zaman içinde model, özellikle görüntülerdeki küçük nesneleri tespit etme veya görsel denetimler sırasında kusurları belirleme gibi hassasiyetin kritik olduğu görevlerde daha özgüvenli ve doğru hale gelir.

Şekil 2. İnsan döngülü yaklaşıma genel bakış (Kaynak)

Denetimli öğrenmede HITL#

Denetimli öğrenme kullanan AI uygulamaları, AI'a insan döngülü yaklaşımın harika bir örneğidir. Bu AI çözümleri, insanların modeli eğitmek için örnekleri etiketlediği veri açıklama sürecine dayanır.

Ultralytics YOLO11 gibi computer vision modellerinin neleri tanımayı öğrenmesi için insanların görüntülerdeki nesneleri etiketlemesiyle birlikte çoğu computer vision projesi bu sürece dayanır. Etiketlemeler belirsiz veya tutarsız olduğunda model yanlış kalıpları öğrenebilir ve iyi performans göstermekte zorlanabilir.

Şekil 3. Bir görüntüdeki nesneleri tespit etmek için Ultralytics YOLO11 kullanımına bir örnek.

Aktif öğrenme ile insan döngülü karşılaştırması#

Aktif öğrenme, insan döngülü sistemleri daha verimli hale getirmek için kullanılan bir yöntemdir. İnsanlardan her veri parçasını incelemesini istemek yerine AI sistemi yalnızca emin olmadığı durumları seçer. İnceleyenler daha sonra zaman ve emek tasarrufu sağlayarak bu belirli örneklere odaklanabilir.

Şekil 4. Aktif öğrenme nedir? Görsel yazar tarafından hazırlanmıştır.

Bu yaklaşım özellikle görüntü analizi gibi görevler için çok iyi çalışır. Ürün fotoğraflarındaki kusurları tespit etmek üzere eğitilmiş bir görüntü AI modelini düşün. Çoğu zaman doğru tahminler yapar ancak zaman zaman olağandışı aydınlatma veya tanıdık olmayan kalıplarla mücadele eder. Aktif öğrenme, bir kişinin devreye girip düzeltmeler yapabilmesi için bu zorlu görüntüleri işaretlemek üzere kullanılabilir. Model daha sonra bu geri bildirimi entegre edebilir ve her yeniden eğitim döngüsüyle gelişebilir.

HITL, bilgisayarlı görü sonuçlarını nasıl iyileştirir?#

HITL iş akışları, sürekli geri bildirim ekleyerek bilgisayarlı görü modellerinin daha iyi performans göstermesini kolaylaştırabilir. İnsanlar belirsiz sonuçları gözden geçirmek, hataları düzeltmek veya eksik etiketleri eklemek için devreye girdiğinde, model nesneleri daha doğru ve daha büyük bir güvenle tanımayı öğrenir.

Bu süreç yalnızca eğitimi iyileştirmez. Aynı zamanda test etmeyi, ayarlamayı ve doğrulamayı daha güvenilir hale getirir. Zaman içinde geri bildirim döngüsü, gerçek dünya durumlarında daha etkili çalışan computer vision çözümleri oluşturmaya yardımcı olur.

Gerçek dünyadan insan döngülü AI örnekleri#

Sırada, HITL otomasyonunun görüntü AI uygulamalarını iyileştirmek için nasıl kullanılabileceğine dair bazı insan döngülü AI örneklerine göz atalım.

Sağlık hizmetleri ve tıbbi görüntüleme#

Diğer sektörlerle karşılaştırıldığında, AI in healthcare çok daha yüksek doğruluk gerektirir; bu nedenle HITL AI iş akışları bu kadar hayati önem taşır. Örneğin tıbbi görüntülemede, Ultralytics YOLO11 gibi görme AI modelleri röntgenleri, MR'ları ve patoloji slaytlarını analiz etmek için kullanılabilir, ancak uzmanlar yine de doğru olduklarından emin olmak için sonuçları gözden geçirir.

Özel olarak eğitilmiş bir Ultralytics YOLO11 modelinin bir röntgende olası bir akciğer anormalliğini tespit etmek için kullanıldığını varsayalım. Bir radyolog tahmini inceleyebilir, doğru olup olmadığını onaylayabilir ve olası hataları düzeltebilir. Bu geri bildirim daha sonra eğitim sürecine geri eklenebilir, modelin gelişmesine yardımcı olur ve gelecekte yanlış alarm veya kaçırılan vaka olasılığını azaltır.

Kalite kontrol ve güvence#

İmalatta, computer vision sistemleri parça ve malzemelerde kusur taraması yapmak için kullanılır ve model belirsiz olduğunda HITL ekstra bir doğruluk katmanı ekler. Örneğin otomotiv üretiminde, bir sistem metal bir bileşen üzerindeki zararsız bir yüzey yansımasını çatlak olarak işaretleyebilir.

Bir teknisyen sonucu inceleyebilir, hatayı düzeltebilir ve bu geri bildirimi döngüye ekleyebilir. Zamanla bu süreç, değişen ışıklandırma olan ortamlarda veya parçalar birbirine çok benzediğinde bile tutarlılığı artırır.

Nadir veri kümeleri ve özel görsel görevler#

İnsan döngülü iş akışlarının vazgeçilmez olduğu bir diğer alan da arkeoloji veya uzaktan algılama gibi eğitim verilerinin sınırlı olduğu durumlardır. Bu gibi durumlarda uzmanlar, AI modelinin öğrenmeye başlamak için kullandığı küçük bir örnek kümesini inceler ve etiketler. Zaman içinde bu geri bildirim, yalnızca birkaç etiketli örnek mevcut olsa bile modelin mahsul türleri, toprak özellikleri veya eserler gibi belirli kalıpları tespit etmesine yardımcı olur.

İnsan döngülü iş akışlarının dezavantajları#

İnsan döngülü makine öğreniminin birçok faydası olsa da, belirli zorlukları da beraberinde getirir. HITL iş akışlarını uygularken akılda tutulması gereken birkaç sınırlama şunlardır:

• Daha yavaş iş akışları: İnsanların verileri incelemesi ve etiketlemesi gerektiğinden, eğitim ve güncellemeler tam otomatik sistemlerden daha uzun sürer. Bu, bir modelin yeni sürümlerinin kullanıma hazır olma hızını geciktirebilir.
• Daha yüksek maliyetler: Nitelikli etiketleyiciler veya uzmanlar tutmak, özellikle büyük veri kümeleriyle veya karmaşık görevlerle çalışırken masrafları artırır.
• Sınırlı ölçeklenebilirlik: Veri hacimleri büyüdükçe özel araçlar veya otomasyon desteği olmadan insanları işin içinde tutmak zorlaşır.
• Dağıtım gecikmeleri: Sürekli insan katılımı, dağıtımı geciktirebilir ve modelleri gerçek zamanlı olarak güncellemeyi zorlaştırabilir.

Öne çıkanlar#

İnsan döngülü makine öğrenimi, AI modellerini gerçek dünya durumlarını daha doğru bir şekilde ele alacak şekilde eğitmek için pratik bir yoldur. İnsan girdisi ekleyerek, modeller daha hızlı iyileşir, daha fazla hata yakalar ve karmaşık verilerle daha iyi performans gösterir.

Aktif öğrenme, modelin yalnızca emin olmadığı durumlarda yardım istemesini sağlayarak bu süreci daha da verimli hale getirir. Bu yaklaşımlar birlikte, daha güvenilir ve verimli AI modelleri oluşturmaya yardımcı olabilir.

AI dünyasının derinliklerine dalmak için topluluğumuzla bağlantı kurun ve GitHub depomuzu keşfedin. İmalatta AI ve perakendede computer vision gibi yenilikler hakkında bilgi edinmek için çözüm sayfalarımıza göz atın. Lisanslama seçeneklerimizi keşfedin ve computer vision ile hemen geliştirmeye başlayın!