İnsan-döngüde makine öğrenmesi (HITL) açıklaması

Günümüzde yapay zekâ (AI) ve makine öğrenimini (ML) fark ettiğimizden daha sık kullanıyoruz. Bu son teknoloji ürünleri, sosyal medya akışlarımızı optimize etmeye, dijital fotoğraf kütüphanelerimizi 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, insan döngüde (HITL) yapay zekâ adı verilen bir yaklaşıma yöneliyor. Bu yöntem, insan muhakemesini makine verimliliğiyle birleştirir. İnsanlar, zaman içinde bir yapay zekâ modelinin performansını eğitmek, incelemek ve iyileştirmek için sürece dahil olur.

Bu makalede, insan döngüde yapay zekânın neyi ifade ettiğini, nasıl çalıştığını ve gerçek dünyada nerelerde kullanılabileceğini inceleyeceğiz. Hadi başlayalım!

HITL'nin temel kavramları#

HITL iş akışlarının önemine geçmeden önce, insan döngüde yaklaşımının temellerine daha yakından bakalım.

HITL nedir? Temel anlamı#

Yapay zekâ modelleri hızlıdır ve büyük miktarda veriyi işleyebilir; ancak yine de kafaları karışabilir. Örneğin, görüntüleri ve videoları anlamaya ve analiz etmeye odaklanan bir yapay zekâ alt alanı olan bilgisayarlı görüde 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.

İnsan döngüde otomasyonu, 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 iyileşirken ona rehberlik eder.

Şekil 1. İnsan döngüde otomasyonu nedir? (Kaynak)

İnsanların döngüde bulunması neden gerekli?#

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

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

Genel olarak insanlar, her yapay zekâ projesinin kritik bir parçasıdır. Verileri seçer ve etiketler, model çıktılarını inceler ve sistemin iyileşmesine yardımcı olan geri bildirimler sağlarlar. İnsanlar döngüde olmadan yapay zekâ çözümleri karmaşık, gerçek dünya koşullarına uyum sağlamakta zorlanırdı.

Döngüde makinenin rolünü anlamak#

İnsanlar gözetim ve geri bildirim sağlarken makinenin rolü, bu girdilerden öğrenmek ve zaman içinde iyileşmektir. Yapay zekâ modelleri, tahminlerini geliştirmek, verilerin eksik veya etiketsiz olduğu boşlukları doldurmak ve insanların tek başına yönetebileceğinin çok ötesinde bir ölçekte görevleri kademeli olarak üstlenmek için insan düzeltmelerini kullanır. Bu geri bildirim ve ince ayar veya yeniden eğitim döngüsü, yapay zekâ modellerinin yeni bilgileri işlerken daha güvenilir hâle gelmesini sağlar.

İnsan döngüde yaklaşımı nasıl çalışır?#

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

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

Şekil 2. İnsan döngüde yaklaşımına genel bakış (Kaynak)

Denetimli öğrenmede HITL#

Denetimli öğrenme kullanan yapay zekâ uygulamaları, insan döngüde yapay zekâ yaklaşımının harika bir örneğidir. Bu yapay zekâ çözümleri, insanların modeli eğitmek için örnekleri etiketlediği veri açıklamaya 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 görüntüde nesneleri tespit etmek için Ultralytics YOLO11 kullanımına örnek.

Aktif öğrenme ve insan döngüde yaklaşımı karşılaştırması#

Aktif öğrenme, insan döngüde sistemlerini daha verimli hâle getirmek için kullanılan bir yöntemdir. Yapay zekâ sistemi, insanlardan her veri parçasını incelemelerini istemek yerine yalnızca emin olmadığı durumları seçer. Böylece inceleyenler belirli örneklere odaklanarak zamandan ve emekten tasarruf edebilir.

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

Bu yaklaşım, görüntü analizi gibi görevlerde özellikle iyi çalışır. Ürün fotoğraflarındaki kusurları tespit etmek üzere eğitilmiş bir görsel yapay zekâ modelini ele alalım. Çoğu zaman doğru tahminler yapar; ancak bazen alışılmadık aydınlatma veya tanımadığı örüntüler karşısında zorlanır. Aktif öğrenme, bir kişinin sürece dahil olup düzeltmeler yapabilmesi için bu zorlu görüntüleri işaretlemek amacıyla kullanılabilir. Model daha sonra bu geri bildirimi dahil ederek her yeniden eğitim döngüsünde iyileşebilir.

HITL, bilgisayarlı görü sonuçlarını nasıl iyileştirir?#

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

Bu süreç yalnızca eğitimi iyileştirmez. Ayrıca test, ayarlama ve doğrulamayı da daha güvenilir hâle getirir. Zamanla geri bildirim döngüsü, gerçek dünya koşullarında daha etkili çalışan bilgisayarlı görü çözümleri geliştirmeye yardımcı olur.

Gerçek dünyadan insan döngüde yapay zekâ örnekleri#

Şimdi, HITL otomasyonunun görsel yapay zekâ uygulamalarını iyileştirmek için nasıl kullanılabileceğini gösteren bazı insan döngüde yapay zekâ örneklerini inceleyelim.

Sağlık ve tıbbi görüntüleme#

Diğer sektörlerle karşılaştırıldığında sağlıkta yapay zekâ çok daha yüksek doğruluk gerektirir; bu nedenle HITL yapay zekâ iş akışları hayati önem taşır. Örneğin tıbbi görüntülemede, Ultralytics YOLO11 gibi görsel yapay zekâ modelleri röntgenleri, MR görüntülerini ve patoloji kesitlerini analiz etmek için kullanılabilir; ancak uzmanlar sonuçların doğru olduğundan emin olmak için sonuçları yine de inceler.

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 geri eklenerek modelin iyileşmesine yardımcı olabilir ve gelecekteki yanlış alarmların veya gözden kaçan vakaların olasılığını azaltabilir.

Kalite kontrolü ve güvencesi#

Üretimde bilgisayarlı görü sistemleri, parça ve malzemeleri kusurlara karşı taramak için kullanılır; HITL ise model emin olmadığında ek bir doğruluk katmanı sağlar. Örneğin otomotiv üretiminde bir sistem, metal bir bileşendeki zararsız yüzey yansımasını çatlak olarak işaretleyebilir.

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

Nadir veri kümeleri ve özel görsel görevler#

İnsan döngüde iş akışlarının gerekli olduğu bir diğer alan, arkeoloji veya uzaktan algılama gibi eğitim verilerinin sınırlı olduğu durumlardır. Bu durumlarda uzmanlar küçük bir örnek kümesini inceler ve etiketler; yapay zekâ modeli de öğrenmeye başlamak için bu kümeyi kullanır. Zamanla bu geri bildirim, yalnızca birkaç etiketli örnek mevcut olsa bile modelin ürün türleri, toprak özellikleri veya arkeolojik buluntular gibi belirli örüntüleri tespit etmesine yardımcı olur.

İnsan döngüde iş akışlarının dezavantajları#

Makine öğrenimi için insan döngüde yaklaşımının birçok faydası olsa da bazı zorlukları da vardır. HITL iş akışlarını uygularken göz önünde bulundurman gereken birkaç sınırlama şunlardır:

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

Önemli çıkarımlar#

İnsan döngüde makine öğrenimi, yapay zekâ modellerini gerçek dünya koşullarını daha doğru şekilde ele alacak biçimde eğitmenin pratik bir yoludur. İnsan girdisi ekleyerek modeller daha hızlı iyileşir, daha fazla hatayı yakalar ve karmaşık verilerle daha iyi performans gösterir.

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 zekâ hakkında daha derinlemesine bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu incele. Üretimde yapay zekâ ve perakendede bilgisayarlı görü gibi yenilikler hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Lisanslama seçeneklerimizi keşfet ve bugün bilgisayarlı görü ile geliştirmeye başla!