الإنسان في الحلقة (HITL)

الإنسان في الحلقة (HITL، يُترجم أيضًا إلى "التعاون بين الإنسان والحاسوب"، أو "الإنسان في الحلقة"، أو "الإنسان في الدورة" أو "التفاعل بين الإنسان والحاسوب"، وما إلى ذلك) هو فرع من فروع الذكاء الاصطناعي الذي يستخدم الذكاء البشري والآلي لإنشاء نماذج التعلم الآلي.

HITL هي عملية ردود فعل تكرارية يتفاعل من خلالها الشخص (أو الفريق) مع نظام تم إنشاؤه خوارزميًا (على سبيل المثال، الرؤية الحاسوبية، أو التعلم الآلي، أو الذكاء الاصطناعي).

في كل مرة يقدم فيها الإنسان تعليقات، يقوم نموذج الرؤية الحاسوبية بتحديث وتعديل رؤيته للعالم. كلما كانت الملاحظات أكثر تعاونًا وفعالية، زادت سرعة تحديث النموذج وإنتاج نتائج أكثر دقة من مجموعات البيانات المقدمة أثناء عملية التدريب. تمامًا كما يرشد الآباء نمو أطفالهم، ويشرحون لهم أن القطط تموء والكلاب تنبح حتى يفهم أطفالهم الفرق بين القطط والكلاب. 

هيتل كيف يعمل؟

تهدف HITL إلى تحقيق أهداف لا تستطيع الخوارزميات والبشر إدارتها بمفردهم. وخاصةً عند تدريب الخوارزميات، مثل نماذج الرؤية الحاسوبية، غالبًا ما يكون من المفيد للمعلقين البشريين أو علماء البيانات تقديم ملاحظات حتى يتمكن النموذج من فهم ما يتم عرضه بشكل أفضل. 

في معظم الحالات، يمكن نشر عملية HITL في التعلم الخاضع للإشراف أو غير الخاضع للإشراف.

في تطوير نموذج التعلم الخاضع للإشراف HITL، يقدم المعلقون أو علماء البيانات مجموعات بيانات مُسمّاة ومُعلّق عليها لنماذج الرؤية الحاسوبية. بعد ذلك، يسمح مدخل HITL للنموذج برسم تصنيفات جديدة للبيانات غير المصنفة، وملء الفجوات بدقة أعلى من الفرق البشرية. تعمل HITL على تحسين دقة ومخرجات هذه العملية، مما يضمن أن نماذج الرؤية الحاسوبية تتعلم بشكل أسرع وأكثر نجاحًا من دون تدخل بشري. 

في التعلم غير الخاضع للإشراف، يتم منح نماذج الرؤية الحاسوبية مجموعات بيانات كبيرة غير مصنفة، مما يجبرها على تعلم كيفية هيكلة الصور أو مقاطع الفيديو ووضع علامات عليها وفقًا لذلك. تكون مدخلات HITL عادةً أوسع وتندرج ضمن فئة تمارين التعلم العميق. 

كيف تعمل هذه الاستراتيجية على تحسين نتائج التعلم الآلي؟

الهدف العام من مدخلات HITL وردود الفعل هو تحسين نتائج التعلم الآلي. جعل نماذج التعلم الآلي أو رؤية الكمبيوتر أكثر ذكاءً من خلال التغذية الراجعة والمدخلات البشرية المستمرة. بفضل المساعدة البشرية المستمرة، يمكن للنموذج إنتاج نتائج أفضل، مما يزيد من الدقة ويزيد من الثقة في تحديد الكائنات في الصور أو مقاطع الفيديو. 

بمرور الوقت، يصبح النموذج مدربًا بشكل أكثر فعالية وينتج النتائج التي يحتاجها قادة المشروع من خلال ردود الفعل البشرية والآلية. بهذه الطريقة، يمكن تدريب خوارزميات التعلم الآلي واختبارها وضبطها والتحقق من صحتها بكفاءة أكبر. 

عيوب سير عمل HITL

على الرغم من أن أنظمة التفاعل بين الإنسان والحاسوب لها العديد من المزايا، إلا أنها لها أيضًا عيوب.  

قد يكون استخدام عمليات HITL بطيئًا ومعقدًا، كما أن الأنظمة القائمة على الذكاء الاصطناعي قد ترتكب أخطاء، كما هو الحال مع البشر. في هذه العملية، قد تمر الأخطاء البشرية دون أن نلاحظها وتؤثر سلبًا عن غير قصد على أداء النموذج ومخرجاته.

لذلك، هناك حاجة إلى الآلات لشرح مجموعة البيانات. ومع ذلك، بمجرد أن يشارك البشر بشكل أعمق في عملية تدريب نموذج التعلم الآلي، فقد يستغرق الأمر وقتًا أطول مما يستغرقه الأمر عندما لا يشارك البشر. 

هيتل مثال على تدريب الذكاء الاصطناعي

في المجال الطبي يوجد مثال لمجموعة بيانات الصور والفيديو المتعلقة بالرعاية الصحية. توصلت دراسة أجرتها جامعة ستانفورد عام 2018 إلى أن نماذج الذكاء الاصطناعي حققت أداءً أفضل مع مدخلات HITL وردود الفعل مقارنةً بالعمل مع نماذج الذكاء الاصطناعي دون إشراف بشري أو عندما قام علماء البيانات البشرية بمعالجة نفس مجموعات البيانات دون دعم من الأتمتة القائمة على الذكاء الاصطناعي. 

يمكن للبشر والآلات العمل بشكل أفضل وإنتاج نتائج أفضل معًا. ويعد المجال الطبي مجرد مثال واحد من بين العديد من الأمثلة على استخدام نماذج التعلم الآلي للتفاعل بين الإنسان والحاسوب. 

تُعد الأنظمة الآلية القائمة على الذكاء الاصطناعي مفيدة للغاية عند إجراء عمليات مراقبة الجودة وضمانها على المكونات المهمة للمركبات أو الطائرات؛ ومع ذلك، من أجل راحة البال، فإن الرقابة البشرية ضرورية. 

تعتبر مدخلات HITL ذات قيمة عندما تكون مجموعة البيانات صغيرة ويتم إدخالها في النموذج. على سبيل المثال، مع مجموعات البيانات التي تحتوي على لغات نادرة أو قطع أثرية، قد لا تحتوي نماذج التعلم الآلي على بيانات كافية للتعلم منها، والمدخلات البشرية لا تقدر بثمن لتدريب النموذج الذي تولدها الخوارزمية.  

مراجع

【1】https://encord.com/glossary/ما هو الإنسان في الحلقة-ai/