İnsan döngüsünde makine öğrenmesi (HITL) açıklaması

Günümüzde yapay zekâ (AI) ve makine öğrenmesini (ML) fark ettiğimizden daha sık kullanıyoruz. Bu teknolojiler sosyal medya akışlarımızı optimize etmeye, dijital fotoğraf arşivlerimizi düzenlemeye ve doktorların hastalıkları teşhis etmesini kolaylaştırmaya yardımcı oluyor.

Ancak en gelişmiş yapay zekâ sistemleri bile hata yapabilir. Önemli ayrıntıları gözden kaçırabilir veya gördüklerini yanlış yorumlayabilirler. Sonuçları iyileştirmek için birçok geliştirici ve yapay zekâ meraklısı, insanın döngüde olduğu (HITL) yapay zekâ adı verilen bir yaklaşıma yöneliyor. Bu yöntem, insan yargısını makine verimliliğiyle birleştirir. İnsanlar, zaman içinde bir yapay zekâ modelinin performansını eğitmek, gözden geçirmek ve iyileştirmek için sürece dahil olur.

Bu makalede insanın döngüde olduğu yapay zekânın ne anlama geldiğini, nasıl çalıştığını ve gerçek dünyada nerelerde kullanılabileceğini inceleyeceğiz. Hadi başlayalım!

HITL'in temel kavramları#

HITL iş akışlarının önemine geçmeden önce, insanın döngüde olduğu yaklaşımın temellerine daha yakından bakalım.

HITL nedir? Temel anlamı#

Yapay zekâ modelleri hızlıdır ve çok büyük miktarda veriyi işleyebilir; ancak yine de kafaları karışabilir. Örneğin, görüntüleri ve videoları anlama ve analiz etmeye odaklanan bir yapay zekâ alt alanı olan bilgisayarlı görü alanında bir model, bulanık bir fotoğrafı yanlış yorumlayabilir veya ince bir ayrıntıyı gözden kaçırabilir.

Bunun nedeni, yapay zekâ modellerinin gerçek anlamadan ziyade verilerdeki örüntülere dayanmasıdır. Veriler belirsiz, yanlı veya eksikse modelin çıktısı hatalı olabilir.

İnsanın döngüde olduğu otomasyon, modellerin daha etkili öğrenmesine yardımcı olmak için insanları eğitim sürecine dahil eder. Tamamen kendi başlarına çalışmak yerine, bu sistemler düzenli olarak insan geri bildirimi alır. İnsanlar çıktıları inceler, hataları düzeltir ve model zaman içinde geliştikçe modele yol gösterir.

Şekil 1. İnsanın döngüde olduğu otomasyon nedir? (Kaynak)

İnsanın döngüde yer alması neden gereklidir?#

Şunu merak ediyor olabilirsin: İnsan girdileri gerçekten gerekli mi? Bu, yapay zekâyı daha bağımsız hâle getirme yönündeki genel hedefle çelişmiyor mu? Ancak gerçek şu ki yapay zekâ sistemleri verilerden öğrenir ve veri kümeleri bazen kapsamlı bir tablo sunmaz.

Örneğin, otonom araçlarda yapay zekâ modelinin tam olarak anlayamayabileceği pek çok durum vardır. Model, alışılmadık yol koşullarında, beklenmedik engellerde veya daha önce karşılaşmadığı nadir olaylarda zorlanabilir. Bu durumlarda insan rehberliği, sistemin öğrenmesinin ve zaman içinde daha güvenli tepki vermesinin önemli bir parçasıdır.

Genel olarak insanlar, her AI projesinin kritik bir parçasıdır. İnsanlar verileri düzenler ve etiketler, model çıktılarını inceler ve sistemin gelişmesine yardımcı olan geri bildirimler sağlar. Sürece dâhil olan insanlar olmadan AI çözümleri karmaşık gerçek dünya koşullarına uyum sağlamakta zorlanır.

Döngüde makinenin rolünü anlamak#

İnsanlar gözetim ve geri bildirim sağlarken makinenin rolü, bu girdilerden öğrenmek ve zaman içinde gelişmektir. Yapay zekâ modelleri, tahminlerini iyileştirmek, eksik veya etiketlenmemiş verilerin olduğu boşlukları doldurmak ve insanların tek başına üstesinden gelebileceğinin çok ötesindeki ölçekte görevleri kademeli olarak üstlenmek için insan düzeltmelerinden yararlanır. Bu geri bildirim ve ince ayar ya da yeniden eğitim döngüsü, yapay zekâ modellerinin yeni bilgileri işlerken daha güvenilir hâle gelmesini sağlar.

İnsanın döngüde olması nasıl çalışır?#

Tipik bir insanın döngüde olduğu yapay zekâ iş akışında, yapay zekâ modeli verileri işler ve bir tahminde bulunur. Model emin olmadığında veya görev karmaşık olduğunda sonuç, insan incelemesi için işaretlenir. Ardından bir kişi tahmini kontrol eder, gerekirse düzeltmeler yapar ve bu güncellemeler eğitim verilerine eklenir. Model her döngüde öğrenmeye devam eder.

Bu döngü, yapay zekâ modelinin zorlandığı alanlarda gelişmesine yardımcı olur. Sistem yalnızca önceden etiketlenmiş verilere dayanmak yerine gerçek zamanlı geri bildirimlerden de öğrenir. Zamanla model daha emin ve doğru hâle gelir; özellikle görüntülerde küçük nesneleri tespit etmek veya görsel incelemeler sırasında kusurları belirlemek gibi hassasiyetin kritik olduğu görevlerde.

Şekil 2. İnsanın döngüde olduğu yaklaşıma genel bakış (Kaynak)

Denetimli öğrenmede HITL#

Denetimli öğrenme kullanan AI uygulamaları, insanı sürece dâhil etme yaklaşımının harika bir örneğidir. Bu AI çözümleri, modeli eğitmek için insanların örnekleri etiketlediği veri etiketlemeye dayanır.

Çoğu bilgisayarlı görü projesi bu sürece dayanır; insanlar, Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin neyi tanıyacağını öğrenebilmesi için görüntülerdeki nesneleri etiketler. Açıklamalar belirsiz veya tutarsız olduğunda model yanlış örüntüleri öğrenebilir ve iyi performans göstermekte zorlanabilir.

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

Aktif öğrenme ve insanın döngüde olması#

Aktif öğrenme, insanın döngüde olduğu sistemleri daha verimli hâle getirmek için kullanılan bir yöntemdir. Yapay zekâ sistemi, insanlardan her veri öğesini incelemelerini istemek yerine yalnızca emin olmadığı durumları seçer. İnceleyenler böylece bu belirli örneklere odaklanarak zamandan ve emekten tasarruf edebilir.

Şekil 4. Aktif öğrenme nedir? Görselin sahibi: yazar.

Bu yaklaşım, görüntü analizi gibi görevlerde özellikle iyi sonuç verir. Ürün fotoğraflarındaki kusurları tespit etmek üzere eğitilmiş bir görüntü yapay zekâ modelini ele alalım. Model çoğu zaman doğru tahminler yapar, ancak bazen alışılmadık ışıklandırma veya aşina olmadığı örüntüler karşısında zorlanır. Aktif öğrenme, bu zor görüntüleri işaretleyerek bir kişinin devreye girip düzeltme yapmasını sağlayabilir. Model daha sonra bu geri bildirimi kullanarak her yeniden eğitim döngüsünde gelişebilir.

HITL, bilgisayarlı görü sonuçlarını nasıl iyileştirir?#

HITL iş akışları, sürekli geri bildirim ekleyerek bilgisayarlı görü modellerinin daha iyi performans göstermesini kolaylaştırabilir. İnsanlar emin olunmayan sonuçları incelemek, hataları düzeltmek veya eksik etiketleri eklemek için sürece dahil olduğunda model, nesneleri daha doğru ve emin biçimde tanımayı öğrenir.

Bu süreç yalnızca eğitimi iyileştirmekle kalmaz. Test, ayarlama ve doğrulamayı da daha güvenilir hâle getirir. Zaman içinde geri bildirim döngüsü, gerçek dünya koşullarında daha etkili çalışan bilgisayarlı görü çözümleri geliştirmeye yardımcı olur.

Gerçek dünyada insanın döngüde olduğu yapay zekâ örnekleri#

Şimdi, HITL otomasyonunun görüntü yapay zekâ uygulamalarını iyileştirmek için nasıl kullanılabileceğine dair bazı insanın döngüde olduğu yapay zekâ örneklerine bakalım.

Sağlık ve tıbbi görüntüleme#

Diğer sektörlerle karşılaştırıldığında, sağlık hizmetlerinde yapay zekâ çok daha yüksek doğruluk gerektirir; bu nedenle HITL yapay zekâ iş akışları kritik öneme sahiptir. Örneğin, tıbbi görüntülemede Ultralytics YOLO11 gibi görüntü yapay zekâ modelleri röntgenleri, MRI'ları ve patoloji preparatlarını analiz etmek için kullanılabilir; ancak sonuçların doğruluğundan emin olmak için uzmanlar yine de inceleme yapar.

Özel olarak eğitilmiş bir Ultralytics YOLO11 modelinin röntgende olası bir akciğer anormalliğini tespit etmek için kullanıldığını düşünelim. Bir radyolog tahmini inceleyebilir, doğru olup olmadığını doğrulayabilir ve hataları düzeltebilir. Bu geri bildirim daha sonra eğitim sürecine eklenebilir; böylece model gelişir ve gelecekte yanlış alarmların ya da gözden kaçan vakaların görülme olasılığı azalır.

Kalite kontrolü ve güvencesi#

Üretimde bilgisayarlı görü sistemleri, kusurları tespit etmek için parçaları ve malzemeleri tarar; model emin olmadığında HITL ek bir doğruluk katmanı sağlar. Örneğin, otomotiv üretiminde bir sistem, metal bir bileşendeki zararsız bir yüzey yansımasını çatlak olarak işaretleyebilir.

Bir teknisyen sonucu inceleyebilir, hatayı düzeltebilir ve bu geri bildirimi döngüye ekleyebilir. Zaman içinde bu süreç, ışıklandırmanın değiştiği ortamlarda veya parçaların birbirine çok benzediği durumlarda bile tutarlılığı artırır.

Nadir veri kümeleri ve özel görsel görevler#

İnsanın döngüde olduğu iş akışlarının gerekli olduğu bir başka alan da arkeoloji veya uzaktan algılama gibi eğitim verilerinin sınırlı olduğu durumlardır. Bu durumlarda uzmanlar, yapay zekâ modelinin öğrenmeye başlamak için kullandığı az sayıda örneği inceler ve etiketler. Zaman içinde bu geri bildirim, yalnızca birkaç etiketli örnek mevcut olsa bile modelin ürün türleri, toprak özellikleri veya eserler gibi belirli örüntüleri tespit etmesine yardımcı olur.

İnsanın döngüde olduğu iş akışlarının dezavantajları#

Makine öğrenmesinde insanın döngüde olmasının pek çok faydası olsa da bazı zorlukları da vardır. HITL iş akışlarını uygularken göz önünde bulundurman gereken birkaç sınırlama şöyle:

• Daha yavaş iş akışları: İnsanların verileri incelemesi ve etiketlemesi gerektiğinden, eğitim ve güncellemeler tamamen otomatik sistemlere kıyasla daha uzun sürer. Bu da modelin yeni sürümlerinin kullanıma hazır hâle gelmesini geciktirebilir.
• Daha yüksek maliyetler: Nitelikli etiketleme uzmanları veya alan uzmanları işe almak, özellikle büyük veri kümeleri ya da karmaşık görevlerle çalışırken giderleri artırır.
• Sınırlı ölçeklenebilirlik: Veri hacmi arttıkça özel araçlar veya otomasyon desteği olmadan insanları sürece dâhil tutmak zorlaşır.
• Dağıtım gecikmeleri: İnsanların sürekli katılımı dağıtımı geciktirebilir ve modelleri gerçek zamanlı güncellemeyi zorlaştırabilir.

Önemli çıkarımlar#

İnsanın döngüde olduğu makine öğrenmesi, yapay zekâ modellerini gerçek dünya koşullarını daha doğru biçimde ele alacak şekilde eğitmek için pratik bir yöntemdir. İnsan girdisi ekleyerek modellerin daha hızlı gelişmesini, daha fazla hatayı yakalamasını ve karmaşık verilerle daha iyi performans göstermesini sağlayabilirsin.

Aktif öğrenme, modelin yalnızca emin olmadığında yardım istemesini sağlayarak bu süreci daha da verimli hâle getirir. Bu yaklaşımlar birlikte daha güvenilir ve verimli yapay zekâ modelleri geliştirmeye yardımcı olabilir.

Yapay zekâyı daha derinlemesine keşfetmek için topluluğumuzla bağlantı kur ve GitHub depomuzu incele. Üretimde yapay zekâ ve perakendede bilgisayarlı görü gibi yenilikleri öğrenmek için çözüm sayfalarımıza göz at. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görüyle geliştirmeye başla!