人机协同（HITL）机器学习详解

如今，我们使用人工智能 (AI) 和机器学习 (ML) 的频率往往超出我们的想象。这些尖端技术有助于优化我们的社交媒体动态、整理我们的数码相册，并让医生更轻松地诊断疾病。

但即使是最先进的 AI 系统也可能犯错。它们可能会忽视关键细节或误解所看到的内容。为了改善结果，许多开发者和 AI 爱好者正转向一种称为“人在回路”(HITL) AI 的方法。这种方法将人类的判断与机器的效率结合起来。人们介入以随着时间训练、审查和完善 AI 模型的性能。

在本文中，我们将探索什么是“人在回路” AI，它是如何工作的，以及它在现实世界中的应用场景。让我们开始吧！

HITL 的基本概念#

在深入了解 HITL 工作流程的重要性之前，让我们先仔细看看“人在回路”方法的基础知识。

什么是 HITL？其核心含义#

虽然 AI 模型速度快且能够处理大量数据，但它们仍然可能会感到困惑。例如，在专注于理解和分析图像及视频的 AI 子领域计算机视觉中，模型可能会误读模糊的照片或错过微妙的细节。

之所以出现这种情况，是因为 AI 模型依赖于数据模式，而非真正的理解。如果数据不清晰、有偏差或不完整，模型的输出结果就可能不准确。

“人在回路”自动化将人类引入训练过程，帮助模型更有效地学习。这些系统并非完全独立运行，而是定期接收人类反馈。人们会审查输出、纠正错误，并在模型不断进化的过程中提供指导。

图 1. 什么是人在回路自动化？(来源)

为什么需要“人在回路”？#

你可能在想：人类的输入真的有必要吗？这难道不违背让 AI 更独立的总体目标吗？然而，现实情况是 AI 系统从数据中学习，而有时数据集并不能勾勒出全貌。

例如，在自动驾驶汽车中，存在许多 AI 模型可能无法完全理解的情况。它可能会在不寻常的道路状况、意外障碍物或以前未见过的罕见事件前遇到困难。在这些情况下，人类的指导是系统随着时间推移更好地学习和响应的重要部分。

总而言之，人类是任何 AI 项目的关键部分。他们整理并标注数据，审查模型输出，并提供有助于系统改进的反馈。如果没有“人在回路”，AI 解决方案将难以适应复杂的现实情况。

理解机器在回路中的角色#

虽然人类提供监督和反馈，但机器的角色是从该输入中学习并随着时间不断改进。AI 模型利用人类的纠正来完善其预测，填补数据缺失或未标注的空白，并逐渐承担起远超人类独自处理规模的任务。这种反馈和微调或重新训练的循环使得 AI 模型在处理新信息时变得更加可靠。

“人在回路”是如何工作的？#

在典型的人在回路 AI 工作流程中，AI 模型处理数据并做出预测。当模型不确定或任务复杂时，结果会被标记出来供人工审核。随后，人工会检查预测结果，必要时进行纠正，并将这些更新添加回训练数据中。模型在每个周期中持续学习。

这个循环帮助 AI 模型在它不擅长的领域进行改进。系统不仅依赖预先标注的数据，还从实时反馈中学习。随着时间的推移，模型变得更加自信和准确，特别是在精度至关重要的任务中，例如检测图像中的小物体或在视觉检查期间识别缺陷。

图 2. 人在回路方法概述 (来源)

监督学习中的 HITL#

使用监督学习的 AI 应用是人在回路 AI 方法的绝佳例子。这些 AI 解决方案依赖于数据标注，即人类标注示例来训练模型。

大多数计算机视觉项目都依赖于这个过程，人们在图像中标记对象，以便像 Ultralytics YOLO11 这样的计算机视觉模型可以学习识别什么。当标注不清晰或不一致时，模型可能会学到错误的模式，并难以取得良好的性能。

图 3. 使用 Ultralytics YOLO11 检测图像中物体的示例。

主动学习与人在回路#

主动学习是一种用于提高人在回路系统效率的方法。AI 系统不是要求人类审查每一条数据，而是只选择它不确定的情况。然后，审阅者可以专注于这些特定的示例，从而节省时间和精力。

图 4. 什么是主动学习？图片作者提供。

这种方法对于图像分析等任务特别有效。考虑一个经过训练以检测产品照片中缺陷的视觉 AI 模型。大多数时候，它能做出准确的预测，但有时它会在异常光照或不熟悉的模式下遇到困难。可以使用主动学习来标记这些棘手的图像，以便人工介入并进行纠正。然后，模型可以整合该反馈并在每个重新训练周期中不断改进。

HITL 如何改善计算机视觉成果？#

HITL 工作流程通过持续的反馈，让计算机视觉模型更容易提升性能。当人们介入审查不确定的结果、纠正错误或添加缺失的标签时，模型学会了以更高的准确性和自信度识别物体。

这个过程不仅改善了训练。它还使测试、调优和验证更加可靠。随着时间的推移，反馈循环有助于建立在现实世界情况中工作得更有效的计算机视觉解决方案。

现实中“人在回路” AI 的示例#

接下来，让我们浏览一些“人在回路” AI 的示例，看看 HITL 自动化如何用于改进视觉 AI 应用。

医疗保健与医学影像#

医疗领域的 AI 与其他行业相比，需要更高的准确率，这也是 HITL AI 工作流如此重要的原因。例如，在医学影像中，诸如 Ultralytics YOLO11 的视觉 AI 模型可用于分析 X 光片、MRI 和病理切片，但专家仍需审查结果以确保其准确无误。

假设使用一个自定义训练的 Ultralytics YOLO11 模型来检测 X 光片中可能的肺部异常。放射科医生可以审查预测结果、确认其是否准确并纠正任何错误。然后可以将该反馈添加回训练过程中，帮助模型改进并减少未来出现误报或漏诊的机会。

质量控制与保证#

在制造业中，计算机视觉系统用于扫描零件和材料以查找缺陷，当模型不确定时，HITL 会增加一层额外的准确度。例如，在汽车生产中，系统可能会将金属部件上无害的表面反射标记为裂纹。

技术人员可以审核该结果，纠正错误，并将反馈添加回回路中。久而久之，即使在光线多变或零件外观极其相似的环境下，此过程也能提高一致性。

罕见数据集与专业视觉任务#

人在回路工作流至关重要的另一个领域是训练数据有限的情况，例如在考古学或遥感中。在这些情况下，专家会审查并标注一小部分示例，AI 模型会使用这些示例开始学习。随着时间的推移，这种反馈有助于模型检测特定的模式，例如作物类型、土壤特征或人工制品，即使只有少数带标签的样本可用也是如此。

“人在回路”工作流程的弊端#

尽管“人在回路”对于机器学习有许多好处，但它也存在一些挑战。以下是实施 HITL 工作流程时需要牢记的几点局限性：

• 工作流程较慢： 由于需要人工审核和标注数据，训练和更新的时间比全自动系统更长。这可能会延迟新版本模型上线的时间。
• 成本更高： 聘请熟练的标注员或专家增加了支出，特别是在处理大数据集或复杂任务时。
• 有限的可扩展性： 随着数据量的增长，在没有专用工具或自动化支持的情况下，保持人类参与变得更加困难。
• 部署延迟： 持续的人工参与可能会延迟部署，并增加实时更新模型的难度。

关键要点#

“人在回路”机器学习是一种实用的训练 AI 模型的方法，能够更准确地处理现实情况。通过加入人类输入，模型能够更快地改进，发现更多错误，并以更复杂的数据表现出更好的性能。

主动学习通过让模型仅在不确定时寻求帮助，使这一过程变得更加高效。这些方法相结合，有助于构建更可靠、更高效的 AI 模型。

连接我们的社区并探索我们的GitHub 仓库以深入了解 AI。查看我们的解决方案页面，了解诸如制造业中的 AI 和零售业中的计算机视觉等创新。发现我们的许可选项并立即使用计算机视觉进行构建！