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) 的频率远超我们的想象。这些前沿技术有助于优化我们的社交媒体信息流、整理数码照片库，并让医生能更轻松地诊断疾病。

但即使是最先进的 AI 系统也难免出错。它们可能会忽略关键细节或误解所见内容。为了提升结果，许多开发者和 AI 爱好者开始转向一种称为“人在回路” (HITL) 的 AI 方法。这种方法结合了人类的判断力和机器的效率。人们介入其中，对 AI 模型性能 进行持续的训练、评估和优化。

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！

Link to this sectionHITL 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。

Link to this section什么是 HITL？其核心含义#

虽然 AI 模型速度快且能够处理海量数据，但它们仍可能感到困惑。例如，在 计算机视觉（AI 的一个专注于理解和分析图像与视频的子领域）中，模型可能会误读模糊的照片或漏掉细微的细节。

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)

Link to this section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，对于 自动驾驶汽车，有许多情况是 AI 模型可能无法完全理解的。它可能难以应对不寻常的路况、突发的障碍物或从未见过的罕见事件。在这些情况下，人类的指导是系统随着时间推移更安全地学习和响应的重要组成部分。

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。

Link to this section理解机器在回路中的角色#

虽然人类负责监督和反馈，但机器的角色是从这些输入中学习并随时间进步。AI 模型利用人类的纠正来优化预测，填补数据缺失或未标注的空白，并逐渐处理远超人力所及的任务。这种反馈与微调或 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。

Link to this section“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。

这一循环有助于 AI 模型在那些难以处理的领域进行改进。系统不再仅依赖预先标注的数据，还能从实时反馈中学习。久而久之，模型会变得更加自信和准确，特别是在 精度 至关重要的任务中，例如检测图像中的微小物体或在目视检查中识别缺陷。

图 2. “人在回路”方法概览 (来源)

Link to this section监督学习中的 HITL#

使用 监督学习 的 AI 应用是 AI 中“人在回路”方法的绝佳示例。这些 AI 解决方案依赖于数据标注，即由人类标记示例来训练模型。

大多数计算机视觉项目都依赖此过程，人们通过标记图像中的物体，让诸如 Ultralytics YOLO11 之类的计算机视觉模型学习识别内容。当标注不清晰或不一致时，模型可能会学习到错误的模式，从而难以达到良好的表现。

图 3. 使用 YOLO11 检测图像中物体的示例。

Link to this section主动学习与人在回路#

主动学习 是一种使“人在回路”系统更高效的方法。AI 系统不再要求人工审核每一条数据，而是只选择其不确定的案例。审核人员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。

这种方法在图像分析等任务中特别有效。考虑一个旨在检测产品照片缺陷的 视觉 AI 模型。大多数情况下，它能做出准确的预测，但偶尔会受到不寻常光线或陌生模式的困扰。利用主动学习，可以将那些棘手的图像标记出来，以便人工介入并进行纠正。随后，模型可以整合这些反馈，并在每次重新训练循环中得到改善。

Link to this sectionHITL 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。

这一过程不仅改进了训练，还使测试、调优和验证更加可靠。随着时间的推移，这种反馈循环有助于构建在现实场景中更有效的 计算机视觉解决方案。

Link to this section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。

Link to this section医疗保健与医学影像#

与其他行业相比，医疗保健领域的 AI 需要更高的准确度，这就是为什么 HITL AI 工作流程如此重要。例如，在医学影像中，像 YOLO11 这样的视觉 AI 模型可用于分析 X 光片、MRI 和病理切片，但专家仍会审核结果以确保其正确性。

假设一个定制训练的 YOLO11 模型被用于检测 X 光片中可能的肺部异常。放射科医生可以审核该预测，确认其是否准确，并纠正任何错误。随后，这些反馈会被添加回训练过程中，从而帮助模型改进，并减少未来出现误报或漏诊的可能性。

Link to this section质量控制与保证#

在制造业中，计算机视觉系统被用于扫描零部件和材料以查找缺陷，当模型不确定时，HITL 增加了一层额外的准确性。例如，在 汽车生产 中，系统可能会将金属零件表面无害的反射误判为裂纹。

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。

Link to this section罕见数据集与专业视觉任务#

在训练数据有限的情况下（如 考古学 或遥感），“人在回路”工作流程也至关重要。在这种情况下，专家会审核并标记一小部分示例，AI 模型利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模式，如作物类型、土壤特征或文物，即使在只有少量标注样本的情况下也能实现。

Link to this section“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。
• 可扩展性 受限： 随着数据量的增长，若没有专门的工具或自动化支持，继续保持人工参与会变得更加困难。
• 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。

Link to this section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。

加入我们的 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 AI 和 零售业计算机视觉 等创新成果。了解我们的 许可选项，立即开始构建计算机视觉应用吧！