Human in the Loop, czyli tak człowiek pomaga sztucznej inteligencji… mądrzeć

Jednym z najważniejszych pytań o rolę technologii w naszym życiu i rozwoju świata jest to, w jaki sposób ludzie i maszyny mogą współpracować, aby wspólnie rozwiązać problemy? Ma w tym pomóc HITL – nowa gałąź sztucznej inteligencji

Najskuteczniejszym sposobem uniknięcia błędów w projektowaniu systemów jest płynne angażowanie ludzi w dostarczanie informacji zwrotnych dostosowanych do nowych (i ciągle zmieniających się) okoliczności. W końcu nikt i nic nie rozumie ludzi, tak jak ludzie.

Human-in-the-loop (w skrócie HITL) to gałąź sztucznej inteligencji, która wymaga zarówno zaangażowania ludzi, jak i maszyn do stworzenia modeli uczenia maszynowego. Chociaż w dzisiejszych czasach wiele zadań może być wykonywanych niezależnie przez urządzenia, systemy lub maszyny, to rozwój takich maszyn wciąż nie jest możliwy bez pomocy ludzi. Tak więc w tradycyjnym modelu Human-in-the-loop, ludzie są elementem kręgu, gdzie trenują, dostosowują, testują i kontrolują dany algorytm. 

Jak wygląda proces HITL?

Prosta definicja HITL opisuje proces, w którym maszyna lub system komputerowy nie jest w stanie zaoferować odpowiedzi na problem i wymaga interwencji człowieka. W takim przypadku te dodatkowe dane włączone do procesu decyzyjnego są następnie dodawane do algorytmów komputera w celu automatycznego wykonania określonej operacji w przyszłości. 

Oprogramowanie jest opracowywane z myślą o konkretnej sytuacji biznesowej lub uogólnionym modelu biznesowym. Szacuje się, że ponad 90% aplikacji korzystających ze sztucznej inteligencji poprawiana jest dzięki informacjom zwrotnym od ludzi.

Dlaczego HITL jest ważne?

Human-in-the-loop jest procesem wykorzystywania mocy maszyny i ludzkiej inteligencji. Bo choć maszyny mogą już same się uczyć, to wciąż najistotniejsze są dane, z których powinny się uczyć. Na razie tylko człowiek jest w stanie ocenić prawdziwość, wartość i przydatność tych danych. 

Systemy uczące się nie mogą działać bez wkładu człowieka. Algorytm sam z siebie nie może nauczyć się wszystkiego, czego potrzebuje, aby dojść do prawidłowego wniosku. Na przykład model nie rozumie, co jest pokazane na obrazie, bez uprzedniego wyjaśnienia przez ludzi tego obrazu. 

Oznacza to, że etykietowanie danych musi być pierwszym krokiem w kierunku stworzenia niezawodnego algorytmu, szczególnie w przypadku danych nieustrukturyzowanych. Algorytm nie może zrozumieć danych takich jak obrazy, audio, wideo czy posty w mediach społecznościowych, które nie są odpowiednio oznaczone.

Złota zasada systemów uczenia maszynowego Human-in-the-Loop brzmi: nigdy w pełni nie ufać temu, co jest zautomatyzowane. 

Tak więc, nawet jeśli osiągniesz fazę zautomatyzowaną, nadal powinieneś wykorzystać ludzką część systemu, aby sprawdzić, czy zautomatyzowane procesy działają zgodnie z zamierzeniami. 

Dopóki maszyny się nie zbuntują i nie zechcą same sobą zarządzać, ludzki udział i nadzór jest absolutnie kluczowy. 

Cykl życia dowolnej aplikacji uczenia maszynowego Human-in-the-Loop

1. Absorpcja czyli początek. W tej fazie definiuje się cel aplikacji i koncepcję ręcznego procesu, który ma ten cel zrealizować. Wdrożenie następuję poprzez stworzenie zespołu z odpowiednim zasobem kompetencji i narzędzi.
2. Iteracja czyli powtarzanie. Przed rozpoczęciem jakichkolwiek prac związanych z automatyzacją należy zapewnić maksymalizację wydajności – kosztów, czasu, jakości oraz dokładności każdej podjętej przez człowieka decyzji. Zwiększenie wydajności pomoże w późniejszym skalowaniu w bardziej opłacalny sposób, a poprawa jakości pomoże osiągnąć lepsze wyniki i uzyskać dane o wyższej jakości.
3. Tranzycja czyli przejście. Po osiągnięciu pożądanego poziomu wydajności i jakości personelu nadszedł czas na zbudowanie mechanizmów automatyzacji. Mogą to być zestawy reguł, modele uczenia maszynowego lub jakikolwiek inny system oparty na sztucznej inteligencji.
4. Monitorowanie czyli kontrola. Nawet jeśli osiągniesz fazę zautomatyzowaną, nadal powinieneś wykorzystać ludzką część systemu, aby sprawdzić, czy zautomatyzowane procesy działają zgodnie z zamierzeniami. Takie podejście pomoże wyeliminować lub przynajmniej przewidzieć potencjalne ryzyko w przyszłości.

Human-in-the-Loop jako jeden z trendów 2020

Firmy dostrzegają ogromny potencjał sztucznej inteligencji i automatyzacji, aby praca była wydajniejsza. Według Deloitte: „W ciągu następnych trzech lat menedżerowie spodziewają się, że automatyzacja zwiększy ich zdolność do pracy o 27%” 

Sztuczna inteligencja to prosty i skuteczny sposób podnoszenia kwalifikacji pracowników i zapewnienia, że firma poradzi sobie z każdym problemem lub zapytaniem, które się pojawi. 

Sztuczna inteligencja na nowo też definiuje sposób wykonywania pracy, ale ostatecznie jest to współczesna wersja pracy zespołowej. Bez udziału człowieka modele uczenia maszynowego mogą zniekształcać zestawy danych. Jedynym sposobem na zapewnienie najlepszych wyników jest współpraca ludzi i AI.

10 korzyści z podejścia Human-in-the-Loop

Istnieje o wiele więcej aktywności, które możemy zautomatyzować, jeśli do procesu włączymy człowieka. To człowiek ocenia wartość zebranych przez maszyny danych. Korzyści jakie płyną z takiej współpracy to: 

1. Unikanie uprzedzeń w wynikach tzw. bias
2. Kreowanie nowych miejsc pracy 
3. Nadzór na poprawnością używanych danych
4. Precyzja w działaniu 
5. Udział merytorycznych ekspertów
6. Zapewnienie spójności i dokładności
7. Ułatwienie pracy 
8. Usprawnienie wydajności
9. Zapewnienie przejrzystości i transparentności 
10. Zwiększenie bezpieczeństwa

Robot pracuje. Człowiek nadzoruje, czyli jak to wygląda w praktyce

Jedną z firm stosujących to podejście jest firma Plus One Robotics, która została doceniona przez Frost & Sullivan za wyjątkowe podejście do współpracy człowiek-robot w branży logistycznej

Łącząc doskonałość techniczną z profesjonalną obsługą klienta, firma pomaga klientom w szybkiej i efektywnej kosztowo optymalizacji operacji w ich magazynach i łańcuchu dostaw. Firmowe oprogramowanie oparte na sztucznej inteligencji do automatyzacji robotów i zastosowany model HITL umożliwiają elastyczne i odporne na błędy operacje.

„W przeciwieństwie do tradycyjnych robotów, które mogą wykonywać tylko wstępnie zaprogramowane zadania, systemy Plus One Robotics mogą dostosowywać się do dynamicznych środowisk przemysłowych i do nieprzewidywalnych sytuacji, takich jak skoki objętości i opakowania o różnych typach, kształtach i rozmiarach. Proces uzupełniają eksperci, którzy monitorują wiele robotów, aby upewnić się, że zadania są wykonywane prawidłowo” – czytamy w uzasadnieniu wyboru. „W branży nieustannie analizowanej pod kątem możliwości eliminacji miejsc pracy dla ludzi, model operacyjny Plus One Robotics umożliwia pracownikom wykonywanie skomplikowanych zadań i pozostawienie przyziemnych zadań robotom”.

Jak to wygląda w praktyce można zobaczyć na tym filmie: 

Przeczytaj także: Nachodzi robo-sekretarka