AI 및 ML의 인간 참여형(HITL)이란 무엇인가요?

인간은 다음과 같은 다양한 방식으로 HITL 시스템과 상호작용할 수 있습니다.

• 학습 데이터에 라벨 제공 지도 학습에서 ML 모델은 라벨이 지정된 데이터를 학습합니다. 이 데이터에는 사람이 직접 또는 도구를 사용하여 라벨을 지정할 수 있습니다.
• ML 모델의 성능 평가하기 모델의 예측에 대한 피드백을 제공하여 사람이 ML 모델 성능을 평가할 수도 있습니다. 이를 통해 모델을 개선할 수 있는 영역을 파악할 수 있습니다.
• ML 모델에 피드백 제공 또한 사람은 ML 모델에 피드백을 제공할 수 있으며, 이는 모델이 학습하고 개선하는 데 도움이 될 수 있습니다. 다음과 같은 다양한 방법을 통해 이 작업을 수행할 수 있습니다.
• 능동적 학습: 능동적 학습에서 ML 모델은 사람이 라벨을 지정할 데이터를 선택합니다. 이렇게 하면 라벨 지정 프로세스의 효율성을 높이는 데 도움이 될 수 있습니다.
• 강화 학습: 강화 학습에서 ML 모델은 시행착오를 통해 학습합니다. 사람이 모델에 대한 피드백을 제공하여 모델이 보다 효과적으로 학습하는 데 도움을 줄 수 있습니다.

ML 모델은 뛰어난 역량을 갖추고 있지만 판단, 컨텍스트 이해, 불완전한 정보 처리가 필요한 분야에서 인간의 전문성을 활용할 수 있습니다. HITL은 사람의 입력과 피드백을 ML 파이프라인에 통합하여 이러한 간극을 보완합니다. 

이렇게 사람이 협업하면 적응성이 향상되고 모델은 변화하는 사용자 선호도와 실제 시나리오에 맞게 진화할 수 있습니다. 사람 요소를 통합하여 ML 시스템이 알고리즘 방식만으로 해결할 수 없는 복잡성과 미묘한 차이를 탐색할 수 있도록 지원합니다.

HITL을 사용하면 다음과 같은 여러 이점이 있습니다.

• 정확성 및 신뢰성 향상: 사람의 개입과 감독이 ML 모델의 정확성과 신뢰성에 크게 기여합니다.
• 편향 완화: 사람의 개입은 데이터와 알고리즘의 잠재적인 편향을 식별하고 완화하는 데 도움이 되며 ML 시스템의 공정성과 형평성을 촉진합니다.
• 투명성 및 설명 가능성 향상: 사람이 제공하는 유용한 정보는 모델 결정의 이면을 설명하는 데 도움이 되므로 투명성과 해석 가능성이 향상됩니다.
• 사용자 신뢰 향상: 사람의 의견과 공동작업을 수용하면 최종 사용자 간의 신뢰가 향상되고 ML 시스템에 대한 신뢰도가 높아집니다.
• 지속적인 적응 및 개선: HITL 중에 수집된 의견은 모델을 지속적으로 개선하고 진화하는 실제 상황에 적응하는 데 중요한 역할을 합니다.

인간 참여형(Human-In-The-Loop)의 사용 사례는 무엇인가요?

HITL은 다음과 같은 다양한 애플리케이션에서 사용할 수 있습니다.

HITL은 이미지를 분류하는 ML 모델 학습을 위해 이미지에 라벨을 지정하는 데 사용할 수 있습니다. 이는 다음과 같은 다양한 애플리케이션에 사용할 수 있습니다.

• 객체 감지
• 얼굴 인식
• 의료 영상

HITL은 자연어를 이해하는 ML 모델 학습을 위해 텍스트에 라벨을 지정하는 데 사용할 수 있습니다. 이는 다음과 같은 다양한 애플리케이션에 사용할 수 있습니다.

• 기계 번역
• 감정 분석
• 스팸 필터링

음성을 인식하는 ML 모델을 학습시키기 위해 오디오 데이터에 라벨을 지정하는 데 사용할 수 있습니다. 이는 다음과 같은 다양한 애플리케이션에 사용할 수 있습니다.

• 음성 제어
• 음성기록
• 고객 서비스