Pengarang: Supriya Ghosh
Pembelajaran mesin
Mengintegrasikan Human-in-the-Loop (HITL) dalam pembelajaran mesin adalah kebutuhan, bukan pilihan. Inilah alasannya?
Sumber — Gambar oleh Andy Kelly di Unsplash
Untuk mengintegrasikan, Human-in-the-Loop (HITL) dalam Machine Learning, pertama dan terpenting adalah memahami HITL, kebutuhan, manfaat, dan pendekatannya.
Apa itu Human-in-the-Loop (HITL)?
Human-in-the-Loop (HITL) dengan segala cara menyatukan input manusia dan umpan balik mereka dalam arsitektur otomatisasi pembelajaran mesin.
Dimulai dengan mengintegrasikan data berlabel/beranotasi manusia ke dalam model pembelajaran mesin dan melewati siklus umpan balik untuk melatih model agar menghasilkan output yang diinginkan melalui dukungan manusia secara terus-menerus.
Gambar oleh Penulis
Umpan balik memicu peningkatan model untuk prediksi jika kinerja turun di bawah tingkat kepercayaan tertentu.
Dalam praktiknya, selalu diinginkan untuk mengatur tingkat kepercayaan yang dapat diterima untuk model sebelumnya.
Itu berarti, ambang batas dapat diatur agak rendah, jika tidak apa-apa untuk memiliki beberapa prediksi yang salah “masuk”, yang pada gilirannya, membutuhkan lebih sedikit intervensi manusia (manual).
Di sisi lain, jika diperlukan prediksi tingkat tinggi yang akurat, tingkat intervensi manusia (manual) meningkat.
Dengan kata sederhana, pendekatan Human-in-the-Loop (HITL) menggabungkan kecerdasan manusia terbaik dengan kecerdasan mesin terbaik.
Bagaimana desain HITL diintegrasikan ke dalam aplikasi Machine Learning?
Mesin hebat dalam membuat keputusan cerdas dari kumpulan data yang besar, sedangkan orang lebih baik dalam membuat keputusan yang tepat bahkan dengan informasi yang kurang tersedia, terkadang berdasarkan pengalaman dan intuisi mereka sehingga desain harus mencakup keputusan komputasi cerdas kedua mesin dan hak manusia/keputusan etis .
Human-in-the-loop (HITL) dalam pembelajaran mesin dirancang sedemikian rupa sehingga memungkinkan kedua belah pihak (mesin dan manusia) untuk berinteraksi terus menerus dan termasuk loop umpan balik berkelanjutan yang memungkinkan umpan balik dari pelatihan, penyetelan parameter, dan tugas pengujian untuk dimasukkan kembali ke dalam algoritma sehingga menjadi lebih pintar, lebih percaya diri, dan lebih akurat.
Gambar oleh Penulis
Ini sangat efektif untuk sistem yang memilih sendiri apa yang perlu dipelajari selanjutnya dan mengirimkan data tersebut ke manusia untuk pelabelan dan pelatihan. Proses pembelajaran dan peningkatan mesin ini dikenal sebagai Pembelajaran Aktif.
Pembelajaran Aktif adalah cara untuk memastikan bahwa model mempelajari sesuatu yang berguna dari setiap titik data berlabel/beranotasi baru yang dibuat oleh manusia yang terus ditemuinya saat bergerak maju dalam proses.
Pembelajaran aktif adalah salah satu aspek terpenting dari model pembelajaran mesin dan ketika dikombinasikan dengan Human-in-the-loop (HITL) memberikan hasil yang optimal.
Beberapa contoh bagus adalah –
Perangkat pintar menjadi lebih pintar karena mereka mendengar lebih banyak sinyal suara dan perintah. Mesin pencari menjadi lebih baik dengan mengamati situs web mana yang diklik orang untuk istilah pencarian tertentu. Kendaraan otonom menjadi lebih pintar, dengan mengamati semakin banyak pengemudi dan pengendara manusia.
Manfaat apa yang ditawarkan HITL untuk aplikasi Machine Learning?
1. Sering kali data tidak lengkap dan tidak ambigu. Manusia membubuhi keterangan/label data mentah untuk memberikan konteks yang bermakna sehingga model pembelajaran mesin dapat belajar untuk menghasilkan hasil yang diinginkan, mengidentifikasi pola, dan membuat keputusan yang benar.
2. Manusia memeriksa model untuk over-fitting. Mereka mengajarkan model tentang kasus ekstrim atau skenario tak terduga.
3. Manusia mengevaluasi apakah algoritme terlalu percaya diri atau kurang percaya diri untuk menentukan keputusan yang benar. Jika akurasinya rendah, mesin melewati siklus pembelajaran aktif di mana manusia memberikan umpan balik kepada mesin untuk mencapai hasil yang benar dan meningkatkan prediktabilitasnya.
4. Ini menawarkan peningkatan yang signifikan dalam transparansi karena aplikasi tidak lagi muncul sebagai kotak Hitam dengan manusia yang terlibat dalam setiap langkah dalam proses.
5. Ini menggabungkan penilaian manusia dengan cara yang paling efektif dan mengalihkan tekanan dari membangun algoritme “100% sempurna mesin” ke model optimal yang menawarkan manfaat bisnis maksimum. Ini pada gilirannya menawarkan aplikasi yang lebih kuat dan berguna.
Strategi HITL apa yang harus digunakan dalam Pembelajaran Mesin untuk manfaat maksimal?
1. Sertakan semua orang yang bekerja dengan data yang terlibat dalam aplikasi, termasuk orang yang mengumpulkan, memberi label, melatih, dan melakukan kontrol kualitas pada data.
2. Menyebarkan orang secara strategis di setiap tahap dalam proses untuk meningkatkan dan mengoptimalkan model dan hasil mereka.
3. Menyebarkan sumber daya manusia yang terlatih dan terkelola yang dapat mempercepat waktu pemasaran dan mengurangi beban pengerjaan ulang data.
4. Pertimbangkan untuk memasukkan sumber daya di awal siklus hidup, jika memungkinkan sebelum pengembangan model dimulai, karena model pembelajaran mesin terancam usang lebih cepat daripada sistem perangkat lunak standar karena kinerjanya sangat bergantung pada data yang terus berkembang.
5. Menahan diri dari pemanfaatan orang yang buruk di seluruh siklus hidup karena dapat menyebabkan kualitas data yang buruk, biaya yang lebih tinggi, dan kegagalan model.
6. Otomatisasi penuh tidak boleh menjadi target akhir karena terkadang hasil terbaik hanya diperoleh melalui manusia (mereka yang memiliki pengetahuan dan keahlian yang tepat) serta kerja sama dan koordinasi mesin.
7. Otomasi harus mencapai keseimbangan yang tepat antara aspek-aspek yang menurut kami berguna untuk diotomatisasi, versus tugas-tugas di mana partisipasi manusia tetap bermakna. Untuk merangkul ekstrem yaitu, terburu-buru untuk mengotomatisasi segala sesuatu atau bersikeras mengotomatisasi tidak pernah merupakan situasi win-win. Sebaliknya, solusi ideal sering kali ada di antara keduanya.
8. Kapan pun, ada pengambilan keputusan etis yang dipertanyakan, misalnya dalam kasus di mana tidak ada jawaban benar atau salah yang jelas atau ada bahaya kegagalan mesin karena sifat keputusan yang kompleks, pemberdayaan manusia harus didahulukan .
9. Untuk memecahkan masalah pengelolaan lingkungan yang kompleks, kerangka kerja pengambilan keputusan yang dipimpin oleh manusia yang bergantung pada konteks harus digunakan dengan penilaian risiko yang tepat. Pos pemeriksaan manusia tidak boleh dikesampingkan dalam kasus seperti itu.
10. Seseorang harus bertanggung jawab atas hasil keputusan aplikasi ML dan AI, dan itu tentu saja tidak dapat direkayasa. Itu harus manusia karena taruhannya dan risikonya terlalu tinggi bahkan untuk satu putaran yang salah.
Rasio Keterlibatan Manusia — Mesin menurut ilmuwan dan peneliti
Gambar oleh Penulis
Meskipun sejumlah besar domain dan organisasi yang berbeda menggunakan Machine Learning, pendekatan terhadap Human-in-the-Loop (HITL) belum dimanfaatkan sampai batas yang diperlukan. Ini masih merupakan bidang baru dan perlu dipikirkan dengan cermat, untuk diintegrasikan dengan semua aplikasi pembelajaran mesin.
Namun kabar baiknya adalah — sebagian besar pakar industri kini telah menyadari nilainya dan telah bersiap untuk menyertakan HITL dalam setiap aplikasi ML dan AI.
Terima kasih sudah membaca !!!
Anda dapat mengikuti saya di media juga
LinkedIn: Supriya Ghosh
Twitter: @isupriyaghosh
Mengintegrasikan Human-in-the-Loop (HITL) dalam aplikasi pembelajaran mesin adalah keharusan bukan pilihan. awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.
Diterbitkan melalui Menuju AI