Apa yang dimaksud dengan Human-in-the-Loop (HITL) dalam AI & ML?

Machine learning human-in-the-loop (HITL) adalah pendekatan kolaboratif yang mengintegrasikan input dan keahlian manusia ke dalam siklus proses machine learning (ML) dan sistem kecerdasan buatan. Manusia secara aktif berpartisipasi dalam pelatihan, evaluasi, atau pengoperasian model ML, dengan memberikan panduan, masukan, dan anotasi yang berharga. Melalui kolaborasi ini, HITL bertujuan untuk meningkatkan akurasi, keandalan, dan kemampuan adaptasi sistem ML, dengan memanfaatkan kemampuan unik yang dimiliki manusia dan mesin.

Mulai secara gratis

Bagaimana cara kerja human-in-the-loop?

Manusia dapat berinteraksi dengan sistem HITL dalam berbagai cara, termasuk:

Menyediakan label untuk data pelatihan. Dalam supervised learning, model ML dilatih pada data berlabel. Data ini dapat diberi label oleh manusia, baik secara manual maupun melalui penggunaan alat.
Mengevaluasi performa model ML. Manusia juga dapat digunakan untuk mengevaluasi performa model ML, dengan memberikan masukan tentang prediksi model. Hal ini dapat membantu mengidentifikasi aspek yang perlu diperbaiki pada model.
Memberikan masukan ke model ML. Manusia juga dapat memberikan masukan ke model ML, yang dapat membantu model untuk belajar dan berkembang. Hal ini dapat dilakukan melalui berbagai metode, seperti:
Pembelajaran aktif: Pada pembelajaran aktif, model ML memilih data yang ingin diberi label oleh manusia. Hal ini dapat membantu meningkatkan efisiensi proses pelabelan.
Reinforcement learning: Dalam reinforcement learning, model ML belajar melalui proses uji coba. Manusia dapat memberikan masukan kepada model tentang tindakannya, yang dapat membantu model tersebut belajar secara lebih efektif.

Pentingnya machine learning human-in-the-loop (HITL)

Meskipun model ML memiliki kemampuan yang luar biasa, model ini dapat memanfaatkan keahlian manusia di berbagai bidang yang memerlukan penilaian, pemahaman kontekstual, dan penanganan informasi yang tidak lengkap. HITL menjembatani kesenjangan ini dengan menggabungkan input dan masukan manual ke dalam pipeline ML.

Kolaborasi manual ini meningkatkan kemampuan adaptasi dan memungkinkan model berkembang seiring dengan perubahan preferensi pengguna dan skenario dunia nyata. Dengan mengintegrasikan elemen manusia, kami mendorong sistem ML untuk menavigasi kompleksitas dan perbedaan yang sering kali menantang pendekatan yang murni secara algoritma.

Manfaat human-in-the-loop (HITL)

Ada sejumlah manfaat menggunakan HITL, antara lain:

Akurasi dan keandalan yang lebih baik: Input dan pengawasan manusia berkontribusi secara signifikan terhadap akurasi dan keandalan model ML.
Mitigasi bias: Interaksi manusia membantu mengidentifikasi dan mengurangi potensi bias dalam data dan algoritma, sehingga mendukung keadilan dan kesetaraan dalam sistem ML.
Peningkatan transparansi dan penjelasan: Insight yang disediakan oleh manusia membantu menjelaskan alasan di balik keputusan model, sehingga meningkatkan transparansi dan penafsiran.
Peningkatan kepercayaan pengguna: Penyertaan masukan dan kolaborasi manusia akan menumbuhkan kepercayaan di antara pengguna akhir, sehingga meningkatkan kepercayaan mereka pada sistem ML.
Adaptasi dan peningkatan berkelanjutan: Masukan yang dikumpulkan selama HITL berfungsi sebagai sumber berharga untuk peningkatan dan adaptasi model yang berkelanjutan terhadap kondisi dunia nyata yang terus berkembang.

Contoh machine learning human-in-the-loop (HITL)

Apa saja kasus penggunaan human-in-the-loop?

HITL dapat digunakan di berbagai aplikasi, termasuk:

Klasifikasi gambar

HITL dapat digunakan untuk memberi label pada gambar guna melatih model ML yang dapat mengklasifikasikan gambar. Alat ini dapat digunakan di berbagai aplikasi, seperti:

Deteksi objek
Pengenalan wajah
Medical imaging

Natural language processing

HITL dapat digunakan untuk memberi label pada teks guna melatih model ML yang dapat memahami natural language. Alat ini dapat digunakan di berbagai aplikasi, seperti:

Terjemahan mesin
Analisis sentimen
Pemfilteran spam

Pengenalan ucapan

Alat ini dapat digunakan untuk melabeli data audio untuk pelatihan model ML yang dapat mengenali ucapan. Alat ini dapat digunakan di berbagai aplikasi, seperti: