AI と ML における人間参加型（HITL）とは

人間は、次のようなさまざまな方法で HITL システムとやり取りできます。

• トレーニング データにラベルを指定する。教師あり学習では、ML モデルはラベル付きデータでトレーニングされます。このデータには、手動またはツールを使用して、人間がラベルを付けることができます。
• ML モデルのパフォーマンスを評価する。人間は、モデルの予測に関するフィードバックを提供することで、ML モデルのパフォーマンスを評価するためにも使用できます。これにより、モデルを改善できる領域を特定できます。
• ML モデルにフィードバックを提供する。人間は ML モデルにフィードバックを提供することもでき、モデルの学習と改善に役立ちます。これには、次のようなさまざまな方法があります。
• 能動的学習: 能動的学習では、人間がラベル付けしたいデータを ML モデルが選択します。これにより、ラベル付けプロセスの効率を向上させることができます。
• 強化学習: 強化学習では、ML モデルが試行錯誤を繰り返しながら学習します。人間はモデルの行動に対してフィードバックを提供できるため、モデルはより効果的に学習できます。

ML モデルは優れた能力を備えていますが、判断、コンテキストの理解、不完全な情報の処理を必要とする領域では、人間の専門知識が役立ちます。HITL は、人間による入力とフィードバックを ML パイプラインに組み込むことで、このギャップを埋めます。

この人間とのコラボレーションによって適応性が向上し、ユーザーの好みや現実のシナリオの変化に合わせてモデルを進化させることができます。人間的要素を統合することで、純粋なアルゴリズム アプローチでは対応が難しい複雑さやニュアンスを ML システムが処理できるようになります。

HITL を使用すると、次のような多くのメリットがあります。

• 精度と信頼性の向上: 人間の入力と監督は、ML モデルの精度と信頼性に大きく貢献します。
• バイアスの軽減: 人間が関与することで、データやアルゴリズムの潜在的なバイアスを特定して軽減し、ML システムの公平性と公正性を促進できます。
• 透明性と説明可能性の向上: 人間が提供する分析情報は、モデル決定の背後にある説明に役立ち、透明性と解釈可能性を高めます。
• ユーザーの信頼の向上: 人間によるフィードバックや共同作業を取り入れることで、エンドユーザー間の信頼が促進され、ML システムに対する信頼度が高まります。
• 継続的な適応と改善: HITL の過程で収集されたフィードバックは、モデルの継続的な改善と、進化する現実世界の状態への適応のための貴重な情報源となります。

人間参加型のユースケース

HITL は、次のようなさまざまなアプリケーションで使用できます。

HITL を使用して画像にラベルを付けると、画像の分類ができる ML モデルをトレーニングできます。これは、次のようなさまざまな用途で使用できます。

• オブジェクト検出
• 顔認識
• 医用画像

HITL は、自然言語を理解できる ML モデルをトレーニングするためのテキストのラベル付けに使用できます。これは、次のようなさまざまな用途で使用できます。

• 機械翻訳
• 感情分析
• 迷惑メールフィルタ

音声認識が可能な ML モデルをトレーニングするために、音声データにラベルを付けるために使用できます。これは、次のようなさまざまな用途で使用できます。

• 音声操作
• 音声入力
• カスタマー サービス