AI 與機器學習中的人機迴圈 (HITL) 是什麼？

人類可透過多種方式與人機迴圈系統互動，包括：

• 為訓練資料提供標籤：在監督式學習中，您可以使用加上標籤的資料，來訓練機器學習模型。資料標籤可手動或透過工具加上。
• 評估機器學習模型成效： 此外，人類還可以對機器學習模型的預測結果提供意見回饋，來評估模型成效，找出模型需改善的部分。
• 對機器學習模型提供意見回饋： 使用者也可以對機器學習模型提供意見回饋，協助模型學習及改進。模型會透過多種方法學習，例如：
• 主動學習：這個方法可讓機器學習模型選取人類加上標籤的資料，提高標籤設定效率。
• 強化學習：這個方法會讓機器學習模型從試驗和錯誤中學習。人類可以針對模型動作提供意見回饋，提升學習效率。

雖然機器學習模型擁有出色能力，但面對必須判斷、掌握脈絡及處理不完整資訊的情況，仍需要人類專業知識的協助。人機迴圈會將人類輸入內容和意見回饋融入機器學習管道，來消弭這個落差。

模型可透過這種人機合作強化適應能力，隨著使用者偏好和實際情境變動而進化。在人類協助下，機器學習系統將能辨別無法僅靠演算法找出的複雜性和細微差異。

使用人機迴圈的好處很多，包括：

• 提高準確率和可靠性：人工輸入和監督有助於提高機器學習模型的準確率和可靠性。
• 消除偏誤：人為介入有助於找出並消除資料和演算法的潛在偏誤，提升機器學習系統的公平性與平等性。
• 提高資訊透明度和 可解釋性：人類深入分析可解釋模型決定背後的意義，提升資訊透明度和可解釋性。
• 提升使用者信任：與人類合作並納入人類意見，可提升使用者對機器學習系統的信任和信心。
• 持續調整及改善：在人機迴圈過程中收集到的意見，可做為持續改善模型的寶貴資源，讓模型能配合實際發展狀況而調整。

人機迴圈有哪些用途？

人機迴圈適用於各種應用程式，包括：

人機迴圈可用來為圖片加上標籤，以訓練機器學習模型分類圖片，因此適用於各種應用程式，例如：

• 物件偵測
• 臉部辨識
• 醫學影像

人機迴圈可用來為文字加上標籤，以訓練機器學習模型理解自然語言，因此適用於各種應用程式，例如：

• 機器翻譯
• 情緒分析
• 垃圾郵件過濾

人機迴圈可用來為音訊資料加上標籤，以訓練機器學習模型辨識語音，因此適用於各種應用程式，例如：

• 語音控制
• 語音輸入
• 客戶服務