Giải thích về học máy có sự tham gia của con người (HITL)

Ngày nay, chúng ta có xu hướng sử dụng artificial intelligence (AI) và machine learning (ML) thường xuyên hơn chúng ta tưởng. Các công nghệ tiên tiến này giúp tối ưu hóa nguồn cấp dữ liệu mạng xã hội, tổ chức thư viện ảnh kỹ thuật số và giúp các bác sĩ chẩn đoán bệnh dễ dàng hơn.

Nhưng ngay cả các hệ thống AI tiên tiến nhất cũng có thể mắc lỗi. Chúng có thể bỏ sót các chi tiết quan trọng hoặc diễn giải sai những gì chúng nhìn thấy. Để cải thiện kết quả, nhiều nhà phát triển và những người đam mê AI đang chuyển sang một phương pháp gọi là human-in-the-loop (HITL) AI. Phương pháp này kết hợp phán đoán của con người với hiệu quả của máy móc. Con người tham gia để huấn luyện, đánh giá và tinh chỉnh AI model’s performance theo thời gian.

Trong bài viết này, chúng ta sẽ khám phá ý nghĩa của AI có sự tham gia của con người, cách thức hoạt động và các ứng dụng thực tế của nó. Hãy cùng bắt đầu nhé!

Các khái niệm cơ bản về HITL#

Trước khi tìm hiểu sâu hơn về tầm quan trọng của các quy trình HITL, hãy cùng xem xét các kiến thức cơ bản về phương pháp này.

HITL là gì? Ý nghĩa cốt lõi#

Mặc dù các mô hình AI rất nhanh và có khả năng xử lý lượng dữ liệu khổng lồ, chúng vẫn có thể bị nhầm lẫn. Ví dụ, trong computer vision, một lĩnh vực con của AI tập trung vào việc hiểu và phân tích hình ảnh và video, một mô hình có thể đọc nhầm một bức ảnh mờ hoặc bỏ sót một chi tiết nhỏ.

Điều này xảy ra vì các model AI dựa vào các pattern trong dữ liệu thay vì sự hiểu biết thực sự. Nếu dữ liệu không rõ ràng, có sai lệch hoặc không đầy đủ, đầu ra của model có thể không chính xác.

Quy trình tự động hóa có sự tham gia của con người đưa con người vào quy trình đào tạo để giúp các model học tập hiệu quả hơn. Thay vì hoạt động hoàn toàn độc lập, các hệ thống này nhận phản hồi thường xuyên từ con người. Con người đánh giá các đầu ra, sửa lỗi và hướng dẫn model khi nó cải thiện theo thời gian.

Hình 1. Tự động hóa human-in-the-loop là gì? (Source)

Tại sao cần phải có con người tham gia vào quy trình (human-in-the-loop)?#

Bạn có thể đang tự hỏi: liệu sự can thiệp của con người có thực sự cần thiết không? Chẳng phải điều đó đi ngược lại mục tiêu chung là làm cho AI trở nên độc lập hơn sao? Tuy nhiên, thực tế là các hệ thống AI học hỏi từ dữ liệu, và đôi khi các tập dữ liệu không cung cấp một bức tranh toàn diện.

Ví dụ, với self-driving cars, có rất nhiều tình huống mà một mô hình AI có thể không hiểu hết. Nó có thể gặp khó khăn với các điều kiện đường sá bất thường, chướng ngại vật bất ngờ hoặc các sự kiện hiếm gặp chưa từng thấy trước đây. Trong những trường hợp này, sự hướng dẫn của con người là một phần quan trọng để hệ thống học hỏi và phản hồi an toàn hơn theo thời gian.

Nhìn chung, con người là một phần quan trọng trong bất kỳ dự án AI nào. Họ quản lý và chú giải dữ liệu, đánh giá đầu ra của model và cung cấp phản hồi giúp hệ thống cải thiện. Nếu không có con người tham gia (human-in-the-loop), các giải pháp AI sẽ khó lòng thích nghi với những tình huống phức tạp trong thế giới thực.

Hiểu về vai trò của máy tính trong quy trình#

Trong khi con người cung cấp sự giám sát và phản hồi, vai trò của máy móc là học hỏi từ thông tin đầu vào đó và cải thiện theo thời gian. Các mô hình AI sử dụng các bản sửa lỗi của con người để tinh chỉnh dự đoán của chúng, lấp πλή các khoảng trống dữ liệu bị thiếu hoặc chưa được dán nhãn, và dần dần đảm nhận các tác vụ ở quy mô vượt xa những gì con người có thể tự quản lý. Vòng lặp phản hồi và tinh chỉnh hoặc retraining này giúp các mô hình AI trở nên đáng tin cậy hơn khi chúng xử lý thông tin mới.

Quy trình human-in-the-loop hoạt động như thế nào?#

Trong một quy trình AI human-in-the-loop điển hình, một model AI xử lý dữ liệu và đưa ra dự đoán. Khi model không chắc chắn hoặc nhiệm vụ phức tạp, kết quả sẽ được gắn cờ để con người đánh giá. Sau đó, một người sẽ kiểm tra dự đoán, thực hiện các điều chỉnh nếu cần và các cập nhật đó sẽ được đưa trở lại dữ liệu đào tạo. Model tiếp tục học hỏi sau mỗi chu kỳ.

Vòng lặp này giúp mô hình AI cải thiện ở các lĩnh vực mà nó gặp khó khăn. Thay vì chỉ dựa vào dữ liệu được dán nhãn sẵn, hệ thống cũng học hỏi từ phản hồi theo thời gian thực. Theo thời gian, mô hình ngày càng trở nên tự tin và chính xác hơn, đặc biệt là trong các tác vụ đòi hỏi precision cao, chẳng hạn như phát hiện các vật thể nhỏ trong hình ảnh hoặc xác định lỗi trong quá trình kiểm tra trực quan.

Hình 2. Tổng quan về phương pháp human-in-the-loop (Source)

HITL trong học máy có giám sát (supervised learning)#

Các ứng dụng AI sử dụng supervised learning là một ví dụ tuyệt vời về phương pháp human-in-the-loop đối với AI. Các giải pháp AI này phụ thuộc vào việc chú thích dữ liệu, nơi con người dán nhãn các ví dụ để huấn luyện mô hình.

Hầu hết các dự án computer vision đều dựa vào quy trình này, với việc con người gắn thẻ các đối tượng trong hình ảnh để các mô hình computer vision như Ultralytics YOLO11 có thể học cách nhận diện. Khi các chú thích không rõ ràng hoặc không nhất quán, mô hình có thể học các mẫu sai và gặp khó khăn trong việc hoạt động hiệu quả.

Hình 3. Ví dụ về việc sử dụng Ultralytics YOLO11 để phát hiện đối tượng trong hình ảnh.

Active learning so với human-in-the-loop#

Active learning là một phương pháp được sử dụng để làm cho các hệ thống human-in-the-loop hiệu quả hơn. Thay vì yêu cầu con người xem xét mọi mảnh dữ liệu, hệ thống AI chỉ chọn những trường hợp mà nó không chắc chắn. Người đánh giá sau đó có thể tập trung vào các ví dụ cụ thể đó, giúp tiết kiệm thời gian và công sức.

Hình 4. Active learning là gì? Hình ảnh của tác giả.

Phương pháp này hoạt động cực kỳ hiệu quả đối với các tác vụ như phân tích hình ảnh. Hãy xem xét một vision AI model được huấn luyện để phát hiện lỗi trong ảnh sản phẩm. Phần lớn thời gian, nó đưa ra các dự đoán chính xác, nhưng đôi khi nó gặp khó khăn với ánh sáng bất thường hoặc các mẫu không quen thuộc. Active learning có thể được sử dụng để đánh dấu những hình ảnh khó đó để con người có thể can thiệp và thực hiện các chỉnh sửa. Sau đó, mô hình có thể kết hợp phản hồi đó và cải thiện qua mỗi chu kỳ retraining.

HITL cải thiện kết quả thị giác máy tính như thế nào?#

Các quy trình HITL có thể giúp các model thị giác máy tính hoạt động tốt hơn nhờ việc bổ sung phản hồi liên tục. Khi con người can thiệp để đánh giá các kết quả không chắc chắn, sửa lỗi hoặc thêm các nhãn còn thiếu, model sẽ học cách nhận diện vật thể chính xác hơn và với độ tin cậy cao hơn.

Quy trình này không chỉ cải thiện việc huấn luyện. Nó cũng làm cho việc kiểm tra, điều chỉnh và xác thực trở nên đáng tin cậy hơn. Theo thời gian, vòng lặp phản hồi giúp xây dựng các computer vision solutions hoạt động hiệu quả hơn trong các tình huống thực tế.

Các ví dụ thực tế về AI có sự tham gia của con người#

Tiếp theo, hãy cùng điểm qua một số ví dụ về cách tự động hóa HITL có thể được sử dụng để cải thiện các ứng dụng AI thị giác.

Chăm sóc sức khỏe và chẩn đoán hình ảnh y tế#

So với các lĩnh vực khác, AI trong y tế đòi hỏi độ chính xác cao hơn rất nhiều, đó là lý do tại sao các quy trình AI HITL lại quan trọng đến vậy. Chẳng hạn, trong chẩn đoán hình ảnh y tế, các model vision AI như Ultralytics YOLO11 có thể được sử dụng để phân tích phim X-quang, MRI và tiêu bản giải phẫu bệnh, nhưng các chuyên gia vẫn xem xét lại kết quả để đảm bảo chúng chính xác.

Giả sử một model Ultralytics YOLO11 được train tùy chỉnh được sử dụng để phát hiện một điểm bất thường có thể có ở phổi trên phim X-quang. Bác sĩ X-quang có thể xem xét dự đoán, xác nhận tính chính xác và sửa chữa mọi sai sót. Phản hồi đó sau đó có thể được đưa trở lại quy trình training, giúp model cải thiện và giảm thiểu khả năng cảnh báo sai hoặc bỏ sót các trường hợp trong tương lai.

Kiểm soát và đảm bảo chất lượng#

Trong ngành sản xuất, các hệ thống computer vision được sử dụng để quét các bộ phận và vật liệu tìm lỗi, và HITL bổ sung thêm một lớp độ chính xác khi mô hình không chắc chắn. Ví dụ, trong automotive production, hệ thống có thể gắn nhãn phản xạ bề mặt vô hại trên một linh kiện kim loại là vết nứt.

Một kỹ thuật viên có thể đánh giá lại kết quả, sửa sai sót và đưa phản hồi đó vào vòng lặp. Theo thời gian, quy trình này cải thiện tính nhất quán, ngay cả trong các môi trường có ánh sáng thay đổi hoặc khi các bộ phận trông rất giống nhau.

Các tập dữ liệu hiếm và các nhiệm vụ thị giác chuyên biệt#

Một lĩnh vực khác mà các quy trình làm việc human-in-the-loop là thiết yếu là khi dữ liệu huấn luyện bị hạn chế, chẳng hạn như trong archaeology hoặc viễn thám. Trong những trường hợp này, các chuyên gia xem xét và dán nhãn một tập hợp nhỏ các ví dụ, mà mô hình AI sử dụng để bắt đầu học. Theo thời gian, phản hồi này giúp mô hình phát hiện các mẫu cụ thể, chẳng hạn như loại cây trồng, đặc điểm đất hoặc cổ vật, ngay cả khi chỉ có một vài mẫu được dán nhãn.

Những nhược điểm của quy trình human-in-the-loop#

Mặc dù học máy có sự tham gia của con người mang lại nhiều lợi ích, nhưng nó cũng đi kèm với một số thách thức nhất định. Dưới đây là một vài hạn chế cần lưu ý khi triển khai quy trình HITL:

• Quy trình chậm hơn: Vì con người cần đánh giá và dán nhãn dữ liệu, việc đào tạo và cập nhật sẽ mất nhiều thời gian hơn so với các hệ thống tự động hoàn toàn. Điều này có thể làm chậm tốc độ sẵn sàng của các phiên bản model mới.
• Chi phí cao hơn: Việc thuê các chuyên gia dán nhãn hoặc chuyên gia chuyên môn sẽ làm tăng chi phí, đặc biệt là khi làm việc với các tập dữ liệu lớn hoặc các nhiệm vụ phức tạp.
• Scalability hạn chế: Khi khối lượng dữ liệu tăng lên, việc duy trì sự tham gia của con người mà không có các công cụ chuyên dụng hoặc hỗ trợ tự động hóa trở nên khó khăn hơn.
• Trì hoãn triển khai: Sự tham gia liên tục của con người có thể làm chậm quá trình triển khai và gây khó khăn cho việc cập nhật model trong thời gian thực.

Các điểm chính cần lưu ý#

Học máy có sự tham gia của con người là một cách thực tế để đào tạo các model AI nhằm xử lý các tình huống thực tế chính xác hơn. Bằng cách bổ sung thông tin từ con người, các model cải thiện nhanh hơn, phát hiện được nhiều lỗi hơn và hoạt động tốt hơn với dữ liệu phức tạp.

Active learning làm cho quy trình này trở nên hiệu quả hơn nữa bằng cách yêu cầu model chỉ hỏi sự trợ giúp khi nó không chắc chắn. Cùng với nhau, các phương pháp này giúp xây dựng các model AI đáng tin cậy và hiệu quả hơn.

Kết nối với community của chúng tôi và khám phá GitHub repository của chúng tôi để tìm hiểu sâu hơn về AI. Hãy xem các trang giải pháp của chúng tôi để tìm hiểu về các đổi mới như AI in manufacturing và computer vision in retail. Khám phá các licensing options của chúng tôi và bắt đầu xây dựng với computer vision ngay hôm nay!