探索人在回路机器学习（HITL）。了解什么是 HITL，人类智能如何指导人工智能、提高模型准确性并推动主动学习。
Cookie 设置
点击 "接受所有 Cookie"，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
探索人在回路机器学习（HITL）。了解什么是 HITL，人类智能如何指导人工智能、提高模型准确性并推动主动学习。
如今，我们使用人工智能（AI）和机器学习（ML）的频率往往比我们意识到的还要高。这些前沿技术有助于优化我们的社交媒体推送，整理我们的数字照片库，让医生更容易诊断疾病。
但是，即使是最先进的人工智能系统也会犯错。它们可能会忽略关键细节或曲解所见内容。为了改善结果，许多开发人员和人工智能爱好者正在转向一种名为 "人在回路中"（HITL）的人工智能方法。这种方法将人类判断与机器效率相结合。随着时间的推移，人们会介入对人工智能模型性能的训练、审查和完善。
在本文中，我们将探讨什么是 "人在回路中 "人工智能、它是如何工作的，以及它在现实世界中的应用。让我们开始吧！
在深入探讨 HITL 工作流程的意义之前，让我们先仔细了解一下 "人在回路中 "方法的基本原理。
虽然人工智能模型处理海量数据的速度很快，能力也很强，但仍有可能出现混乱。例如，在计算机视觉这个专注于理解和分析图像与视频的人工智能子领域，模型可能会误读一张模糊的照片或错过一个微妙的细节。
出现这种情况是因为人工智能模型依赖的是数据中的模式，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。
人环自动化将人带入训练过程，帮助模型更有效地学习。这些系统不是完全独立运行，而是定期接受人工反馈。人工审核输出结果、纠正错误，并指导模型随着时间的推移不断改进。
你可能会想：人类的投入真的有必要吗？这不是与让人工智能更加独立的总体目标相矛盾吗？然而，现实情况是，人工智能系统从数据中学习，而有时数据集并不能描绘出一幅全面的图景。
例如，对于自动驾驶汽车，人工智能模型可能无法完全理解许多情况。它可能会在不寻常的路况、意想不到的障碍物或从未见过的罕见事件中挣扎。在这些情况下，人类的指导是系统学习和随着时间推移更安全地做出反应的重要组成部分。
总之，人类是任何人工智能项目的关键组成部分。他们对数据进行整理和注释，对模型输出进行审查，并提供有助于系统改进的反馈。如果没有人类的参与，人工智能解决方案将很难适应现实世界的复杂情况。
人类提供监督和反馈，而机器的作用则是从这些输入中学习，并随着时间的推移不断改进。人工智能模型利用人类的修正来完善其预测，填补数据缺失或未标记的空白，并逐渐承担起规模远超人类自身能力的任务。这种反馈和微调或再训练的循环使人工智能模型在处理新信息时变得更加可靠。
在典型的 "人在回路 "人工智能工作流程中，人工智能模型会处理数据并做出预测。当预测结果不确定或任务复杂时，预测结果会被标记出来供人工审核。然后，人工智能模型会检查预测结果，必要时进行修正，并将这些更新添加回训练数据中。模型在每个循环中不断学习。
这一循环可帮助人工智能模型改进其难以解决的问题。系统不再仅仅依赖预先标记的数据，还能从实时反馈中学习。随着时间的推移，模型会变得越来越自信和准确，尤其是在精度要求很高的任务中，例如检测图像中的小物体或在目视检查过程中识别缺陷。
使用监督学习的人工智能应用是人工智能 "人在回路中 "方法的典范。这些人工智能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一过程，人们在图像中标注对象，以便Ultralytics YOLO11等计算机视觉模型能够学习识别什么。如果标注不清晰或不一致，模型可能会学习到错误的模式，从而难以取得良好的效果。
主动学习是一种用于提高人工智能系统效率的方法。人工智能系统不要求人类审查每一条数据，而是只选择它不确定的案例。审核人员就可以专注于这些特定的案例，从而节省时间和精力。
这种方法尤其适用于图像分析等任务。请看一个经过训练的视觉人工智能模型，它可以检测产品照片中的缺陷。在大多数情况下，它都能做出准确的预测，但偶尔也会在不寻常的光线或不熟悉的图案上遇到困难。主动学习可用于标记这些棘手的图像，以便人工介入并进行纠正。然后，模型就能吸收这些反馈，并在每个再训练周期中不断改进。
HITL 工作流程可以通过增加持续反馈，使计算机视觉模型更容易获得更好的性能。当人们介入查看不确定的结果、纠正错误或添加缺失的标签时，模型就能学会更准确、更自信地识别物体。
这一过程不仅改进了培训。它还使测试、调整和验证更加可靠。随着时间的推移，反馈回路有助于构建在现实世界中更有效的计算机视觉解决方案。
接下来，让我们通过一些 "人在回路中 "的人工智能实例，了解如何利用 HITL 自动化来改进视觉人工智能应用。
与其他行业相比，医疗行业对人工智能的准确性要求更高，这也是 HITL 人工智能工作流程如此重要的原因。以医学影像为例，YOLO11 等视觉人工智能模型可用于分析 X 光片、核磁共振成像和病理切片，但专家仍要对结果进行审核，以确保其正确性。
比方说，定制训练的 YOLO11 模型用于检测 X 光片中可能存在的肺部异常。放射科医生可以查看预测结果，确认其是否准确，并纠正任何错误。然后，这些反馈又可以被添加到训练过程中，帮助模型得到改进，减少误报或漏报的几率。
在制造过程中，计算机视觉系统被用来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的无害表面反射标记为裂纹。
技术人员可以查看结果，纠正错误，并将反馈信息添加到循环中。随着时间的推移，这一过程会提高一致性，即使是在光线不断变化的环境中，或者在零件看起来非常相似的情况下。
在另一个领域，当训练数据有限时，例如在考古或遥感领域，人工智能工作流程是必不可少的。在这种情况下，专家会审查并标注一小部分示例，人工智能模型会利用这些示例开始学习。随着时间的推移，这种反馈会帮助模型检测出特定的模式，如作物类型、土壤特性或人工制品，即使只有少量标注样本。
尽管机器学习的 "人在回路中 "有很多好处，但也存在一些挑战。以下是实施 HITL 工作流程时需要注意的几个限制：
人在环机器学习是一种训练人工智能模型的实用方法，可以更准确地处理现实世界中的情况。通过添加人工输入，模型可以更快地改进，捕捉更多错误，并在处理复杂数据时表现得更好。
通过主动学习，模型只有在不确定时才会寻求帮助，从而使这一过程更加高效。这些方法可以帮助建立更可靠、更高效的人工智能模型。
与我们的社区联系，探索我们的GitHub 存储库，深入了解人工智能。查看我们的解决方案页面，了解制造业中的人工智能和零售业中的计算机视觉等创新。了解我们的许可选项，立即开始使用计算机视觉进行构建！
