人在回路机器学习（HITL）详解

如今，我们使用人工智能（AI）和机器学习（ML）的频率往往比自己意识到的还要高。这些技术可以优化我们的社交媒体信息流、整理数字照片库，还能帮助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。为了提升效果，许多开发者和 AI 爱好者开始采用一种称为人在回路 AI (HITL) 的方法。这种方法将人类判断与机器效率结合起来。人们会介入训练、审查并逐步改进 AI 模型的性能。

本文将介绍人在回路 AI 的含义、工作原理，以及它在现实世界中的应用。现在就开始吧！

HITL 的基本概念#

在深入探讨 HITL 工作流的重要性之前，我们先来仔细了解人在回路方法的基础知识。

什么是 HITL？核心含义#

AI 模型速度快，能够处理海量数据，但仍然可能出错。例如，在 计算机视觉这一专注于理解和分析图像与视频的 AI 子领域中，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。如果数据含糊不清、有偏差或不完整，模型的输出就可能不准确。

人在回路自动化将人纳入训练流程，帮助模型更有效地学习。这些系统不会完全自行运行，而是定期接收人工反馈。人们会审查输出、纠正错误，并在模型逐步改进的过程中为其提供指导。

图 1. 什么是人在回路自动化？(来源)

为什么需要让人参与回路？#

你可能会想：人工输入真的有必要吗？这难道不与让 AI 更加自主这一总体目标相矛盾吗？但现实是，AI 系统通过数据学习，而数据集有时无法全面呈现实际情况。

例如，对于自动驾驶汽车，AI 模型可能无法充分理解许多情况。它可能难以应对特殊路况、意外障碍物，或以前从未见过的罕见事件。在这些情况下，人类指导是系统逐步学习并更安全地作出响应的重要组成部分。

总的来说，人类是任何 AI 项目中的关键部分。人们整理并标注数据、审查模型输出，并提供有助于系统改进的反馈。如果没有人在环，AI 解决方案就难以适应复杂的现实场景。

理解回路中机器的作用#

人类负责监督并提供反馈，而机器的作用是从这些输入中学习并逐步改进。AI 模型利用人工纠正来优化预测、填补数据缺失或未标注的空白，并逐步承担远超人力所及规模的任务。这种反馈和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。

人在回路是如何运作的？#

在典型的人在回路 AI 工作流中，AI 模型会处理数据并作出预测。当模型不确定或任务复杂时，系统会将结果标记出来，交由人工审查。随后，人工检查预测结果，并在需要时进行修正；这些更新会被加入训练数据。模型在每一轮循环中持续学习。

这一循环有助于 AI 模型改进其表现欠佳的部分。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，模型会变得更有把握、更加准确，尤其是在精度至关重要的任务中，例如检测图像中的小物体，或在目视检查期间识别缺陷。

图 2. 人在回路方法概览（来源）

监督学习中的 HITL#

使用监督学习的 AI 应用是 AI 人在环方法的绝佳示例。这些 AI 解决方案依赖数据标注，由人工为示例添加标签来训练模型。

大多数计算机视觉项目都依赖这一流程：人们为图像中的物体添加标签，让 Ultralytics YOLO11 等计算机视觉模型学习需要识别的内容。如果标注含糊不清或不一致，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 检测图像中物体的示例。

主动学习与人在回路的比较#

主动学习是一种提高人在回路系统效率的方法。AI 系统不会要求人审查每一条数据，而是只挑出自己不确定的案例。审查人员随后可以专注于这些特定样本，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。设想一个经过训练、用于检测产品照片中缺陷的视觉 AI 模型。大多数时候，它都能准确预测，但偶尔会在光线异常或遇到陌生模式时表现不佳。主动学习可以标记这些棘手的图像，让人介入并进行修正。随后，模型可以吸收这些反馈，并在每一轮重新训练后不断改进。

HITL 如何改善计算机视觉效果？#

HITL 工作流通过加入持续反馈，可以帮助计算机视觉模型取得更好的表现。人们介入审查不确定的结果、纠正错误或补充缺失的标签后，模型就能更准确、更有把握地识别物体。

这一流程不仅能改进训练，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能够更有效应对现实场景的计算机视觉解决方案。

人在回路 AI 的现实应用示例#

接下来，我们通过一些人在回路 AI 的示例，了解如何利用 HITL 自动化改进视觉 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对准确性的要求要高得多，因此 HITL AI 工作流至关重要。例如，在医学影像领域，可以使用 Ultralytics YOLO11 等视觉 AI 模型分析 X 射线、MRI 和病理切片，但仍需要专家审查结果以确保准确无误。

假设使用一个经过定制训练的 Ultralytics YOLO11 模型来检测 X 射线中的疑似肺部异常。放射科医生可以审查预测结果，确认是否准确，并纠正错误。随后，这些反馈可以加入训练流程，帮助模型改进，并降低未来误报或漏诊的可能性。

质量控制与保证#

在制造业中，计算机视觉系统用于扫描零部件和材料以查找缺陷；当模型不确定时，HITL 能进一步提高准确性。例如，在汽车生产中，系统可能会把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，并将反馈加入回路。随着时间推移，即使光线不断变化，或零部件彼此十分相似，这一流程也能提高一致性。

稀缺数据集与专业视觉任务#

另一个需要采用人在回路工作流的领域是训练数据有限的场景，例如考古学或遥感。在这些情况下，专家会审查并标注少量样本，供 AI 模型据此开始学习。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。

人在回路工作流的缺点#

尽管人在回路机器学习有许多优点，但也面临一些挑战。实施 HITL 工作流时，需要注意以下几项局限：

• 工作流速度较慢：由于需要人工审查和标注数据，训练和更新所需时间会比全自动系统更长。这可能会延迟模型新版本的就绪时间。
• 成本较高：聘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，让人工持续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，并使实时更新模型更加困难。

要点#

人在回路机器学习是一种实用方法，可以训练 AI 模型更准确地应对现实场景。通过加入人工输入，模型可以更快改进、发现更多错误，并更好地处理复杂数据。

主动学习让这一流程更加高效，因为只有在模型不确定时，它才会请求帮助。结合使用这两种方法，有助于构建更可靠、更高效的 AI 模型。

加入我们的社区，并浏览我们的 GitHub 代码库，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成果。了解我们的许可选项，立即开始构建计算机视觉应用！