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

Ngày nay, chúng ta có xu hướng sử dụng trí tuệ nhân tạo (AI) và học máy (ML) thường xuyên hơn chúng ta nhận ra. Các công nghệ tiên tiến này giúp tối ưu hóa các nguồn cấp dữ liệu truyền thông xã hội của chúng ta, sắp xếp các thư viện ảnh kỹ thuật số của chúng ta và giúp các bác sĩ chẩn đoán bệnh dễ dàng hơn.

Nhưng ngay cả những hệ thống AI tiên tiến nhất cũng có thể mắc lỗi. Chúng có thể bỏ qua các chi tiết quan trọng hoặc hiểu sai những gì chúng thấy. Để cải thiện kết quả, nhiều nhà phát triển và những người đam mê AI đang chuyển sang một phương pháp gọi là AI có sự tham gia của con người (HITL). Phương pháp này kết hợp khả năng phán đoán của con người với hiệu quả của máy móc. Con người tham gia vào quá trình huấn luyện, xem xét và tinh chỉnh hiệu suất của mô hình AI theo thời gian. 

Trong bài viết này, chúng ta sẽ khám phá AI có sự tham gia của con người (human-in-the-loop AI) là gì, cách nó hoạt động và nơi nó có thể được sử dụng trong thế giới thực. Hãy cùng bắt đầu!

Các khái niệm cơ bản của HITL

Trước khi chúng ta đi sâu vào tầm quan trọng của quy trình làm việc HITL, hãy xem xét kỹ hơn các nguyên tắc cơ bản của phương pháp human-in-the-loop. 

HITL là gì? Ý nghĩa cốt lõi

Mặc dù các mô hình AI nhanh và có khả năng xử lý lượng lớn dữ liệu, nhưng 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 sai một bức ảnh bị mờ hoặc bỏ lỡ một chi tiết nhỏ. 

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

Tự động hóa có sự tham gia của con người đưa con người vào quá trình huấn luyện để giúp các mô hình học hiệu quả hơn. Thay vì hoạt động hoàn toàn độc lập, các hệ thống này nhận được phản hồi thường xuyên từ con người. Mọi người xem xét kết quả, sửa lỗi và hướng dẫn mô hình khi nó cải thiện theo thời gian.

‍

Tại sao cần có sự tham gia của con người trong vòng lặp (humans-in-the-loop)?

Bạn có thể tự hỏi: liệu đầu vào của con người có thực sự cần thiết không? Điều đó có vẻ mâu thuẫn với mục tiêu chung là làm cho AI trở nên độc lập hơn không? Tuy nhiên, thực tế là các hệ thống AI học hỏi từ dữ liệu và đôi khi các bộ dữ liệu không vẽ nên một bức tranh toàn diện.

Ví dụ: đối với xe tự lái, có nhiều tình huống mà mô hình AI có thể không hiểu đầy đủ. Mô hình có thể gặp khó khăn với các điều kiện đường xá bất thường, chướng ngại vật không mong muốn hoặc các sự kiện hiếm gặp mà nó chưa từng thấy trước đây. Trong những trường hợp này, sự hướng dẫn của con người là một phần quan trọng trong việc hệ thống học hỏi và phản ứng an toàn hơn theo thời gian.

Nhìn chung, con người là một phần quan trọng của bất kỳ dự án AI nào. Họ tuyển chọn và chú thích dữ liệu, xem xét kết quả đầu ra của mô hình và cung cấp phản hồi giúp hệ thống cải thiện. Nếu không có con người tham gia vào vòng lặp, các giải pháp AI sẽ khó thích ứng với các tình huống phức tạp trong thế giới thực.

Tìm hiểu vai trò của máy trong vòng lặp

Trong khi con người cung cấp sự giám sát và phản hồi, vai trò của máy móc là học hỏi từ những thông tin đó và cải thiện theo thời gian. Các mô hình AI sử dụng những điều chỉnh của con người để tinh chỉnh các dự đoán của chúng, lấp đầy những khoảng trống khi dữ liệu bị thiếu hoặc không được gắn nhãn và dần dần đảm nhận các tác vụ ở quy mô vượt xa khả năng của con người. Chu kỳ phản hồi và tinh chỉnh hoặc tái huấn luyện này giúp các mô hình AI trở nên đáng tin cậy hơn khi chúng xử lý thông tin mới.

Cách thức hoạt động của human-in-the-loop là gì?

Trong một quy trình làm việc AI có sự tham gia của con người điển hình, một mô hình AI xử lý dữ liệu và đưa ra dự đoán. Khi không chắc chắn hoặc nhiệm vụ phức tạp, kết quả sẽ được gắn cờ để con người xem xét. Sau đó, một người sẽ kiểm tra dự đoán, thực hiện các chỉnh sửa nếu cần và những cập nhật đó được thêm trở lại vào dữ liệu huấn luyện. Mô hình tiếp tục học với mỗi chu kỳ.

Vòng lặp này giúp mô hình AI cải thiện ở những khu vực còn yếu. Thay vì chỉ dựa vào dữ liệu được gán nhãn trước, hệ thống còn 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 độ chính xác cao, chẳng hạn như phát hiện các vật thể nhỏ trong ảnh hoặc xác định lỗi trong quá trình kiểm tra bằng hình ảnh.

‍

HITL trong học có giám sát

Các ứng dụng AI sử dụng học có giám sát là một ví dụ tuyệt vời về cách tiếp cận AI có sự tham gia của con người. Các giải pháp AI này phụ thuộc vào việc gán nhãn dữ liệu, trong đó con người gắn nhãn các ví dụ để huấn luyện mô hình. 

Hầu hết các dự án thị giác máy tính đều dựa vào quy trình này, trong đó mọi người gắn thẻ các đối tượng trong hình ảnh để các mô hình thị giác máy tính như Ultralytics YOLO11 có thể học cách nhận dạng. 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 tốt.

‍

Học chủ động (Active learning) so với sự tham gia của con người (human-in-the-loop)

Học chủ động là một phương pháp được sử dụng để làm cho các hệ thống có con người tham gia hiệu quả hơn. Thay vì yêu cầu con người xem xét mọi phần dữ liệu, hệ thống AI chỉ chọn những trường hợp mà nó không chắc chắn. Sau đó, người đánh giá có thể tập trung vào những ví dụ cụ thể đó, tiết kiệm thời gian và công sức.

‍

Phương pháp này đặc biệt hiệu quả đối với các tác vụ như phân tích hình ảnh. Hãy xem xét một mô hình Vision AI được huấn luyện để phát hiện các khuyết tật trong ảnh sản phẩm. Hầu hết 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 gắn cờ những hình ảnh khó đó để một 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 với mỗi chu kỳ huấn luyện lại.

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

Quy trình làm việc HITL có thể giúp các mô hình thị giác máy tính hoạt động tốt hơn bằng cách thêm phản hồi liên tục. Khi con người can thiệp để xem xét các kết quả không chắc chắn, sửa lỗi hoặc thêm nhãn còn thiếu, mô hình sẽ học cách nhận dạng các đối tượng chính xác hơn và với độ tin cậy cao hơn. 

Quá trình này không chỉ cải thiện quá trình training mà còn làm cho việc testing, tuning và validation trở nên đáng tin cậy hơn. Theo thời gian, vòng phản hồi giúp xây dựng các giải pháp thị giác máy tính 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 (human-in-the-loop AI)

Tiếp theo, hãy xem qua một số ví dụ về AI có sự tham gia của con người ​ về cách tự động hóa HITL có thể được sử dụng để cải thiện các ứng dụng Vision AI.

Chăm sóc sức khỏe và chẩn đoán hình ảnh y tế

So với các lĩnh vực khác, AI trong chăm sóc sức khỏe đòi hỏi độ chính xác cao hơn nhiều, đó là lý do tại sao quy trình làm việc HITL AI lại rất quan trọng. Ví dụ, trong chẩn đoán hình ảnh y tế, các mô hình Vision AI như YOLO11 có thể được sử dụng để phân tích phim chụp X-quang, MRI và lam bệnh phẩm, nhưng các chuyên gia vẫn xem xét kết quả để đảm bảo chúng chính xác.

Giả sử một mô hình YOLO11 được huấn luyện tùy chỉnh được sử dụng để phát hiện một bất thường phổi có thể xảy ra trong phim chụp X-quang. Một bác sĩ радиologist có thể xem xét dự đoán, xác nhận xem nó có chính xác hay không và sửa bất kỳ sai sót nào. Phản hồi đó sau đó có thể được thêm trở lại vào quá trình huấn luyện, giúp mô hình cải thiện và giảm khả năng báo động sai hoặc bỏ sót các trường hợp trong tương lai.

Kiểm soát và đảm bảo chất lượng

Trong sản xuất, các hệ thống thị giác máy tính được sử dụng để quét các bộ phận và vật liệu để tìm lỗi, và HITL (Human-in-the-Loop) bổ sung thêm một lớp chính xác khi mô hình không chắc chắn. Ví dụ: trong sản xuất ô tô, một hệ thống có thể gắn cờ phản xạ bề mặt vô hại trên một thành phần kim loại là một vết nứt. 

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

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

Một lĩnh vực khác mà quy trình làm việc có sự tham gia của con người là rất cần thiết là khi dữ liệu huấn luyện bị hạn chế, chẳng hạn như trong khảo cổ học hoặc viễn thám. Trong những trường hợp này, các chuyên gia xem xét và gắn 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, như loại cây trồng, đặc điểm đất hoặc đồ tạo tác, ngay cả khi chỉ có một vài mẫu được gắn nhãn.

Nhược điểm của quy trình làm việc có sự tham gia của con người

Mặc dù có nhiều lợi ích của human‑in‑the‑loop (con người tham gia vào vòng lặp) đối với máy học, nhưng nó cũng đi kèm với những thách thức nhất định. Dưới đây là một vài hạn chế cần lưu ý khi triển khai quy trình làm việc HITL:

• Quy trình làm việc chậm hơn: Vì mọi người cần xem xét và gắn nhãn dữ liệu, nên việc huấn luyện và cập nhật mất nhiều thời gian hơn so với các hệ thống hoàn toàn tự động. Điều này có thể trì hoãn tốc độ sẵn sàng sử dụng của các phiên bản mô hình mới.
  ‍
• Chi phí cao hơn: Thuê người chú thích hoặc chuyên gia có kỹ năng làm tăng chi phí, đặc biệt khi làm việc với bộ dữ liệu lớn hoặc các tác vụ phức tạp.
  ‍
• Khả năng mở rộng hạn chế: Khi khối lượng dữ liệu tăng lên, việc duy trì sự tham gia của con người trở nên khó khăn hơn nếu không có các công cụ chuyên dụng hoặc hỗ trợ tự động hóa.
  ‍
• Chậm trễ 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 mô hình theo thời gian thực.

Những điều cần nhớ

Học máy có sự tham gia của con người là một cách thiết thực để huấn luyện các mô hình AI xử lý các tình huống thực tế một cách chính xác hơn. Bằng cách thêm đầu vào của con người, các mô hình cải thiện nhanh hơn, phát hiện nhiều lỗi hơn và hoạt động tốt hơn với dữ liệu phức tạp. 

Học chủ động (Active learning) làm cho quá trình này hiệu quả hơn nữa bằng cách yêu cầu mô hình trợ giúp chỉ khi nó không chắc chắn. Cùng với nhau, các phương pháp này có thể giúp xây dựng các mô hình AI đáng tin cậy và hiệu quả hơn.

Kết nối với cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub để tìm hiểu sâu hơn về AI. Xem các trang giải pháp của chúng tôi để tìm hiểu về những đổi mới như ứng dụng AI trong sản xuất và thị giác máy tính trong bán lẻ. Khám phá các tùy chọn cấp phép của chúng tôi và bắt đầu xây dựng với thị giác máy tính ngay hôm nay!