Human-in-the-loop machine learning: AI-resultaten verbeteren
Human-in-the-loop machine learning, ook wel HITL genoemd, is een proces waarbij mensen input leveren aan een machine learning-model om de nauwkeurigheid te maximaliseren en de efficiëntie te verhogen voor toepassingen die kunstmatige intelligentie (AI) gebruiken. Maar hoe werkt het precies en hoe kunnen AI-toepassingen profiteren van deze aanpak?
Lees verder en leer de volgende dingen:
Wat is machine learning?
Wat is human-in-the-loop machine learning?
Voordelen van human-in-the-loop machine learning
Voorbeelden van human-in-the-loop machine learning in actie
Wat is machine learning?
Machine learning (ML) is een deelgebied van kunstmatige intelligentie (AI). Het is technologie die de manier imiteert waarop mensen leren: uit ervaring. Algoritmen voor machine learning gebruiken computermethoden om informatie rechtstreeks uit gegevens te ‘leren’, patronen te vinden en voorspellingen te doen over wat er met de gegevens moet gebeuren. Het doet dit allemaal zonder te vertrouwen op een expliciete set instructies.
Net zoals een mens een nieuwe vaardigheid leert, zal de technologie in de loop van de tijd meestal beter en nauwkeuriger worden. Dit komt omdat er steeds meer gegevens worden verzameld om mee te werken – meer gegevens betekent meer nauwkeurigheid.
Drie subcategorieën van machine learning
Over het algemeen zijn er drie brede subcategorieën van machine learning:
Supervised learning algorithm
Datawetenschappers leveren gelabelde trainingsdata. Machines gebruiken de gegevens om uitkomsten te voorspellen.
Unsupervised learning algorithm
Toepassingen zoeken naar patronen in ongelabelde gegevens.
Reinforcement machine learning
Het algoritme leert door interactie met zijn omgeving en verbetert gedrag op basis van positieve of negatieve reacties op acties.
Wat is human-in-the-loop machine learning?
Bij human-in-the-loop machine learning is er een menselijk element dat input levert als onderdeel van het machine learning-model.
HITL maakt machine learning nog nauwkeuriger
Conventionele machine learning-modellen hebben veel gegevens nodig om nauwkeurige resultaten te produceren. Human-in-the-loop machine learning is een manier om de nauwkeurigheid te verbeteren en besluitvorming op menselijk niveau sneller te ontwikkelen.
Misschien maak je al deel uit van een human-in-the-loop-model
Als je je hebt geabonneerd op een streamingdienst voor entertainment, maak je waarschijnlijk al als ‘human-in-de-loop’ deel uit van een machine learning-model. Veel streamingdiensten werken bijvoorbeeld met een service die aanbevelingen doet die gepersonaliseerde en, in veel gevallen, behoorlijk nauwkeurige suggesties biedt voor wat jij mogelijk leuk vindt om te kijken.
De data die door dit machine learning-algoritme worden gebruikt, kunnen het volgende omvatten:
Algemene informatie over jou die werd verzameld toen je registreerde. Dit kan zijn: waar je woont, geslacht, leeftijd enzovoort;
Zoek-, kijk- en beoordelingsgeschiedenis (data die in de loop van de tijd wordt verzameld);
Gegevens van andere kijkers;
Door de maker verstrekte informatie over de film of serie.
Concreet geldt dat hoe meer je kijkt en input geeft, hoe beter de service jou (en andere mensen zoals jij) leert kennen om betere suggesties te kunnen doen. Jij bent de ‘human’ in die ‘loop’ en helpt de nauwkeurigheid ervan te verbeteren!
Human-in-the-loop-benadering
Over het algemeen wordt de HITL-aanpak bij supervised en unsupervised machine learning gebruikt wanneer er niet voldoende bestaande gegevens beschikbaar zijn. Een stapje verder, in ons voorbeeld van de aanbeveling service: als je enkele aanbevelingen te zien krijgt die je niet bevallen, wordt die informatie weer in het model ingevoerd, waardoor het algoritme leert en in de loop van de tijd beter wordt.
HITL kan helpen machine learning te versnellen en de waarschijnlijkheid minimaliseren dat er onjuiste beslissingen worden genomen, wat behoorlijk kostbaar kan zijn. Als een robot bijvoorbeeld een onjuiste beslissing neemt, kunnen er ongewenste rimpeleffecten optreden in de supply chain, zoals een inferieur product dat door de inspectie komt of een product dat naar de verkeerde ontvanger wordt verzonden.
Betrouwbaarheidsniveau of score voor human-in-the-loop machine learning
In die gevallen waarin de gevolgen van een onjuiste beslissing aanzienlijk kunnen zijn, is het gebruik van een betrouwbaarheidsscore een goede HITL-aanpak. Stel dat een machine wordt gevraagd een probleem op te lossen, maar deze kan het probleem niet met een hoge mate van betrouwbaarheid oplossen. Dan kunnen mensen tussenbeide komen en aanvullende informatie verstrekken. Deze feedback aan het ML-algoritme helpt het te leren, zijn voorspellingen te verbeteren en de nauwkeurigheid ervan te vergroten.
Dit hierboven genoemde concept van ‘hoge mate van betrouwbaarheid’ kan de vorm aannemen van een score die machine learning-modellen leveren naast hun voorgestelde beslissingen. Een veelgebruikte methode om het betrouwbaarheidsniveau aan te duiden, is met een getal tussen 0 en 1, of tussen 0 en 100, dat de waarschijnlijkheid weergeeft dat de uitvoer van een machine learning-model correct is. Hoe hoger de score, hoe meer vertrouwen de ML heeft dat zijn reactie de gebruiker tevreden zal stellen.
Voorbeeld van een human-in-the-loop machine learning-oplossing bij robotica
Plus One Robotics maakt visionsoftware voor robots die worden gebruikt in magazijnen en distributiecentra. Ze creëerden de PickOne Mixed Depalletizing Solution om veelvoorkomende problemen van een gemengde pallet aan te pakken. Een gemengd pallet is een pallet die niet-uniform is gestapeld met een verscheidenheid aan producten. Bekijk onze klantcase waar we de uitdagingen van een gemengde pallet uitleggen, ook wanneer bekende objecten een verpakkingsverandering ondergaan of verpakt worden in sterk reflecterend buitenplastic.
Hoe PickOne Mixed Depalletizer werkt met een human-in-de-loop
Computer vision brengt de pallet in beeld.
Computer vision visualiseert elk te picken item en kent aan elk item een betrouwbaarheidsniveau toe zoals gedefinieerd door de klant.
Als het item een hoog betrouwbaarheidsniveau heeft, krijgt de robot de opdracht om de items op te pakken en te plaatsen.
Voor een item met een laag betrouwbaarheidsniveau genereert de oplossing een verzoek om een beoordeling. Deze human-in-the-loop, meestal een teamleider, handelt de uitzondering af.
De menselijke reactie wordt samen met de andere machine learning-gegevens opgeslagen om de algoritmen te verbeteren. De volgende keer dat de robot hetzelfde of een soortgelijk object tegenkomt, weet hij wat hij moet doen.
Met deze human-in-the-loop machine learning-oplossing kan de teamleider zich overal bevinden – hij of zij hoeft zich niet in of zelfs maar in de buurt van het betreffende gebouw te vinden. Bovendien kan één teamleider tegelijkertijd een hele vloot robots monitoren.
Voordelen van een human-in-de-loop
Er zijn veel voordelen verbonden aan het gebruik van een HITL machine learning-aanpak.
Creëert een betere dataset
Menselijke interactie zorgt voor een nauwkeurigere dataset. Dit verkleint de kans op fouten en verbetert daarmee de nauwkeurigheid en productiviteit.
Bevordert een snelle start
Bedrijven hoeven geen weken, maanden of zelfs jaren te besteden aan het creëren van een dataset voordat ze aan de slag gaan met automatisering. In plaats daarvan kunnen ze de dataset gaandeweg opbouwen. In eerste instantie kan het betrouwbaarheidsniveau hoog worden ingesteld. Dat betekent dat de robot alleen actie onderneemt als hij er zeker van is dat zijn reactie juist is. In eerste instantie heeft de robot mogelijk veel menselijke input nodig. Na verloop van tijd zal er minder nodig zijn.
Zorgt voor wendbaarheid
Modellen kunnen worden aangepast op basis van veranderende eisen of omstandigheden met behulp van de menselijke inbreng.
Maakt in-situ foutdetectie mogelijk
Een human-in-the-loop kan een fout vaak sneller identificeren en daardoor sneller oplossen voordat deze te ver doordringt.
Maakt op waarden gebaseerde beslissingen mogelijk.
Machine learning mist de context en sociale signalen die mensen van nature bieden. HITL stelt operators in staat de output aan te passen waar maatschappelijke normen van cruciaal belang kunnen zijn voor het informeren van een output.
Hardwareplatform voor human-in-the-loop machine learning-oplossing
Voor hun oplossing heeft PlusOne gekozen voor de Karbon 804. Deze krachtige rugged computer ondersteunt hun GPU en biedt voldoende USB-data lanes voor maximaal 20 Intel RealSense-camera’s. Bovendien helpt het systeem hen om te voldoen aan de eisen van een aantal klanten die een UL-certificering vereisen.
Ons team heeft jarenlange ervaring met het helpen van klanten met hun platforms voor hun AI-, machine learning- en computer vision-oplossingen. Ons ML-betrouwbaarheidsniveau is erg hoog! Neem contact met ons op en breng ons in de ‘loop’!