人在回路中的机器学习（HITL）详解

如今，我们使用人工智能（AI）和机器学习（ML）的频率往往超出自己的意识。这些前沿技术有助于优化我们的社交媒体信息流、整理数字照片库，并让医生更轻松地诊断疾病。

但即使是最先进的 AI 系统也可能出错。它们可能会忽略关键细节，或误解所看到的内容。为了改善结果，许多开发者和 AI 爱好者开始采用一种称为人在回路中的 AI（HITL）的方案。这种方法将人的判断力与机器的效率相结合。人们会随着时间推移介入训练、审查和改进AI 模型的性能。

在本文中，我们将探讨人在回路中的 AI 代表什么、它如何工作，以及它可以在哪些现实场景中使用。让我们开始吧！

HITL 的基本概念#

在深入了解 HITL 工作流的重要性之前，让我们先仔细看看人在回路中这一方案的基础知识。

什么是 HITL？核心含义#

虽然 AI 模型速度快，能够处理海量数据，但仍然可能产生混淆。例如，在计算机视觉领域——这是 AI 的一个子领域，专注于理解和分析图像与视频——模型可能会误读模糊的照片，或遗漏细微的细节。

这是因为 AI 模型依赖数据中的模式，而不是真正的理解。如果数据不清晰、有偏差或不完整，模型的输出就可能不准确。

人在回路中的自动化会将人们纳入训练过程，帮助模型更有效地学习。这些系统并非完全自主运行，而是定期接收人的反馈。人们会审查输出、纠正错误，并在模型不断改进的过程中为其提供指导。

图 1. 什么是人在回路中的自动化？（来源）

为什么必须让人在回路中？#

你可能会想：人的输入真的有必要吗？这难道不会与让 AI 更加独立这一总体目标相矛盾吗？然而，现实是 AI 系统从数据中学习，而数据集有时无法呈现完整的信息。

例如，对于自动驾驶汽车来说，AI 模型可能无法完全理解许多情况。它可能难以应对异常道路状况、意外障碍物或此前从未见过的罕见事件。在这些情况下，人的指导是系统不断学习并更安全地做出响应的重要组成部分。

总的来说，人是任何 AI 项目的关键组成部分。他们负责整理和标注数据、审查模型输出，并提供帮助系统改进的反馈。如果没有人在回路中，AI 解决方案将难以适应复杂的现实场景。

了解机器在回路中的作用#

人负责监督和提供反馈，而机器的作用则是从这些输入中学习并不断改进。AI 模型利用人的纠正来优化预测，在数据缺失或未标注的地方填补空白，并逐渐承担远超人力所能独立管理规模的任务。这种反馈与微调或重新训练的循环，使 AI 模型能够在处理新信息时变得更加可靠。

人在回路中是如何工作的？#

在典型的在回路中的 AI 工作流中，AI 模型会处理数据并做出预测。当模型不确定或任务较为复杂时，结果会被标记出来，等待人工审查。随后，由人员检查预测结果，在必要时进行纠正，并将这些更新重新加入训练数据。模型在每个循环中持续学习。

这一循环有助于 AI 模型改进其薄弱环节。系统不再只依赖预先标注的数据，还会从实时反馈中学习。随着时间推移，模型会变得更加自信和准确，尤其是在精确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. 人在回路中这一方案的概览（来源）

监督学习中的 HITL#

使用监督学习的 AI 应用，是人在回路中这一 AI 方案的典型例子。这些 AI 解决方案依赖数据标注，由人们标记示例来训练模型。

大多数计算机视觉项目都依赖这一过程：人们在图像中标记对象，使Ultralytics YOLO11等计算机视觉模型能够学习需要识别的内容。当标注不清晰或不一致时，模型可能会学到错误的模式，难以取得良好表现。

图 3. 使用 Ultralytics YOLO11 检测图像中对象的示例。

主动学习与人在回路中#

主动学习是一种用于提高人在回路中系统效率的方法。AI 系统不会要求人们审查每一条数据，而只会选择自身不确定的案例。这样，审查人员就能专注于这些特定示例，从而节省时间和精力。

图 4. 什么是主动学习？图片由作者提供。

这种方法尤其适用于图像分析等任务。想象一下，一个经过训练、用于检测产品照片中缺陷的视觉 AI 模型。大多数时候，它都能做出准确预测，但偶尔会难以应对异常光照或陌生模式。主动学习可以标记这些棘手的图像，让人员介入并进行纠正。随后，模型可以纳入这些反馈，并在每个重新训练循环中不断改进。

HITL 如何改善计算机视觉结果？#

HITL 工作流通过加入持续反馈，可以帮助计算机视觉模型更轻松地取得更好表现。当人们介入审查不确定的结果、纠正错误或补充缺失的标签时，模型就能更准确、更有把握地学习识别对象。

这一过程不仅能改善训练效果，还能让测试、调优和验证更加可靠。随着时间推移，反馈循环有助于构建在现实场景中运行更有效的计算机视觉解决方案。

现实中的人在回路中 AI 示例#

接下来，让我们通过一些人在回路中的 AI 示例，了解 HITL 自动化如何用于改进视觉 AI 应用。

医疗保健与医学影像#

与其他行业相比，医疗保健领域的 AI需要高得多的准确性，这也是 HITL AI 工作流如此重要的原因。例如，在医学影像领域，Ultralytics YOLO11 等视觉 AI 模型可以用于分析 X 射线、MRI 和病理切片，但专家仍然需要审查结果，以确保其准确无误。

假设一个经过定制训练的 Ultralytics YOLO11 模型用于检测 X 射线中的疑似肺部异常。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。随后，这些反馈可以重新加入训练过程，帮助模型改进，并降低未来出现误报或漏检的可能性。

质量控制与质量保证#

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，而当模型不确定时，HITL 可以增加一层额外的准确性。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光误标为裂纹。

技术人员可以审查结果、纠正错误，并将反馈加入这一循环。随着时间推移，即使在光照不断变化或零件外观非常相似的环境中，这一过程也能提高一致性。

罕见数据集与专业视觉任务#

当训练数据有限时，例如在考古学或遥感领域，人在回路中的工作流也必不可少。在这些情况下，专家会审查并标注一小组示例，供 AI 模型开始学习。随着时间推移，即使只有少量已标注样本，这些反馈也能帮助模型检测特定模式，例如作物类型、土壤特征或文物。

人在回路中工作流的缺点#

虽然人在回路中的机器学习有许多优势，但也伴随着一些挑战。实施 HITL 工作流时，需要注意以下几个局限：

• **工作流速度更慢：**由于人员需要审查和标注数据，训练和更新所需的时间比全自动系统更长。这可能会延迟模型新版本准备就绪的速度。
• **成本更高：**雇用熟练的标注人员或专家会增加开支，尤其是在处理大型数据集或复杂任务时。
• **可扩展性有限：**随着数据量增长，如果没有专用工具或自动化支持，就会更难让人员持续参与。
• **部署延迟：**持续的人工参与可能会延迟部署，并使模型难以实时更新。

要点总结#

人在回路中的机器学习是一种实用方法，可以训练 AI 模型，使其更准确地应对现实场景。通过加入人的输入，模型能够更快改进、发现更多错误，并更好地处理复杂数据。

主动学习通过让模型仅在不确定时寻求帮助，使这一过程更加高效。结合使用这两种方法，可以帮助构建更加可靠、高效的 AI 模型。

加入我们的社区，并探索我们的GitHub 代码仓库，深入了解 AI。查看我们的解决方案页面，了解制造业中的 AI和零售业中的计算机视觉等创新应用。了解我们的许可选项，立即开始使用计算机视觉进行构建！