Intervention Humaine Dans La Boucle (HITL)

Human-in-the-loop (HITL, également traduit par « collaboration homme-machine », « humain dans la boucle », « humain dans le cycle » ou « interaction homme-machine », etc.) est une branche de l'intelligence artificielle qui utilise l'intelligence humaine et l'intelligence artificielle pour créer des modèles d'apprentissage automatique.

HITL est un processus de rétroaction itératif par lequel une personne (ou une équipe) interagit avec un système généré par algorithme (par exemple, la vision par ordinateur, l'apprentissage automatique ou l'intelligence artificielle).

Chaque fois qu’un humain fournit un retour d’information, le modèle de vision par ordinateur met à jour et ajuste sa vision du monde. Plus le feedback est collaboratif et efficace, plus le modèle se met à jour rapidement et produit des résultats plus précis à partir des ensembles de données fournis pendant le processus de formation. Tout comme les parents guident la croissance de leurs enfants, en leur expliquant que les chats miaulent et les chiens aboient jusqu'à ce que leurs enfants comprennent la différence entre les chats et les chiens. 

HITL Comment ça marche ?

HITL vise à atteindre des objectifs que les algorithmes et les humains ne peuvent pas atteindre seuls. En particulier lors de la formation d'algorithmes, tels que des modèles de vision par ordinateur, il est souvent utile que des annotateurs humains ou des scientifiques des données fournissent des commentaires afin que le modèle puisse mieux comprendre ce qui lui est montré. 

Dans la plupart des cas, le processus HITL peut être déployé dans le cadre d’un apprentissage supervisé ou non supervisé.

Dans le développement de modèles d'apprentissage supervisé HITL, les annotateurs ou les scientifiques des données fournissent des ensembles de données étiquetés et annotés aux modèles de vision par ordinateur. L'entrée HITL permet ensuite au modèle de cartographier de nouvelles classifications pour les données non étiquetées, comblant les lacunes avec une précision supérieure à celle des équipes humaines. HITL améliore la précision et le rendement de ce processus, garantissant que les modèles de vision par ordinateur apprennent plus rapidement et avec plus de succès que sans intervention humaine. 

Dans l'apprentissage non supervisé, les modèles de vision par ordinateur reçoivent de grands ensembles de données non étiquetés, les obligeant à apprendre à structurer et à étiqueter des images ou des vidéos en conséquence. Les entrées HITL sont généralement plus larges et entrent dans la catégorie des exercices d’apprentissage en profondeur. 

Comment cette stratégie améliore-t-elle les résultats de l’apprentissage automatique ?

L’objectif global des contributions et des commentaires HITL est d’améliorer les résultats de l’apprentissage automatique. Rendre les modèles d’apprentissage automatique ou de vision par ordinateur plus intelligents grâce à un retour d’information et des contributions humaines continus. Avec l’aide humaine continue, le modèle peut produire de meilleurs résultats, augmenter la précision et identifier avec plus de confiance les objets dans les images ou les vidéos. 

Au fil du temps, le modèle devient plus efficacement formé et produit les résultats dont les chefs de projet ont besoin grâce au retour d’information homme-machine. De cette façon, les algorithmes d’apprentissage automatique peuvent être formés, testés, réglés et validés plus efficacement. 

Inconvénients du flux de travail HITL

Bien que les systèmes d’interaction homme-machine présentent de nombreux avantages, ils présentent également des inconvénients.  

L’utilisation des processus HITL peut être lente et fastidieuse, et les systèmes basés sur l’IA peuvent commettre des erreurs, tout comme les humains. Dans ce processus, les erreurs humaines peuvent passer inaperçues et avoir un impact négatif sur les performances et les résultats du modèle.

Des machines sont donc nécessaires pour annoter l’ensemble de données. Cependant, une fois que les humains sont plus profondément impliqués dans le processus de formation d’un modèle d’apprentissage automatique, cela peut prendre plus de temps que lorsque les humains ne sont pas impliqués. 

HITL Exemple de formation d'IA

Dans le domaine médical, il existe un exemple d’ensemble de données d’images et de vidéos basé sur les soins de santé. Une étude de l'Université de Stanford de 2018 a révélé que les modèles d'IA fonctionnaient mieux avec les entrées et les commentaires HITL que lorsque les modèles d'IA fonctionnaient sans supervision humaine ou lorsque les scientifiques des données humains traitaient les mêmes ensembles de données sans le soutien de l'automatisation basée sur l'IA. 

Les humains et les machines peuvent mieux travailler et produire de meilleurs résultats ensemble. Le domaine médical n’est qu’un des nombreux exemples d’utilisation de modèles d’apprentissage automatique pour l’interaction homme-machine. 

Les systèmes automatisés basés sur l’IA sont extrêmement utiles pour effectuer des contrôles de qualité et d’assurance sur des composants critiques de véhicules ou d’aéronefs ; Cependant, pour la tranquillité d’esprit, la surveillance humaine est essentielle. 

L'entrée HITL est utile lorsque l'ensemble de données est petit et est introduit dans le modèle. Par exemple, avec des ensembles de données contenant des langues ou des artefacts rares, les modèles d’apprentissage automatique peuvent ne pas disposer de suffisamment de données pour apprendre, et l’apport humain est inestimable pour former le modèle généré par l’algorithme.  

Références

【1】https://encord.com/glossary/what-is-human-in-the-loop-ai/