Chargement...
Chargement...
Chargement...
IA7 septembre 20236.3 MIN. DE LECTURE

Apprentissage Automatique avec Humain dans la Boucle : Améliorer les Résultats de l'IA

Une image d'une tête humaine avec des bits et des octets en projection pour symboliser l'apprentissage automatique avec l'humain dans la boucle.

L'apprentissage automatique avec humain dans la boucle, parfois appelé HITL, est un processus où les humains fournissent des données à un modèle d'apprentissage automatique pour maximiser la précision et augmenter l'efficacité des applications utilisant l'intelligence artificielle (IA). Mais comment cela fonctionne-t-il exactement et comment les applications IA peuvent-elles tirer parti de cette approche ? 

Continuez à lire pour découvrir les éléments suivants : 

  • Qu'est-ce que l'apprentissage automatique ?

  • Qu'est-ce que l'apprentissage automatique avec humain dans la boucle ?  

  • Avantages de l'apprentissage automatique avec l'humain dans la boucle

  • Exemples d'apprentissage automatique avec humain dans la boucle en action

Qu'est-ce que l'apprentissage automatique ? 

L'apprentissage automatique (ML) est un sous-domaine de l'intelligence artificielle (IA). Il décrit une technologie qui imite la façon dont les humains apprennent - par l'expérience. Les algorithmes d'apprentissage automatique utilisent des méthodes de calcul pour "apprendre" des informations directement à partir des données, afin de trouver des motifs et de faire des prédictions sur ce qu'il faut faire avec les données. Il fait tout cela sans s'appuyer sur un ensemble d'instructions explicites. 

Comme un humain apprenant une nouvelle compétence, la technologie s'améliore généralement et augmente son exactitude avec le temps. C'est parce que cela recueillera plus de données avec lesquelles travailler – plus de données signifie plus de précision.

Trois sous-catégories de l'apprentissage automatique

En général, il existe trois grandes sous-catégories d'apprentissage automatique :

  • algorithme-dapprentissage-supervise

    • Les data scientists fournissent des données d'entraînement étiquetées. Les machines utilisent les données pour prédire les résultats.

  • algorithme-dapprentissage-non-supervise

    • Les applications recherchent des motifs dans les données non étiquetées. 

  • apprentissage par renforcement machine

    • L'algorithme apprend en interagissant avec son environnement et en améliorant son comportement en fonction des réponses positives ou négatives aux actions. 

Qu'est-ce que l'apprentissage automatique avec humain dans la boucle ? 

L'apprentissage automatique avec humain dans la boucle intègre un élément humain qui fournit des données dans le modèle d'apprentissage automatique. 

HITL rend l'apprentissage automatique encore plus précis

Les modèles d'apprentissage automatique conventionnels nécessitent beaucoup de données pour produire des résultats précis. L'apprentissage automatique avec l'humain dans la boucle est un moyen d'améliorer la précision et de développer plus rapidement une prise de décision au niveau humain. 

Vous avez probablement fait partie d'un modèle humain-dans-la-boucle.

Si vous vous êtes abonné à un service de streaming de divertissement, vous avez probablement fait partie d'un modèle d'apprentissage automatique en étant un humain dans la boucle. Par exemple, de nombreux services de streaming proposent un moteur de recommandation qui offre des suggestions personnalisées et, dans de nombreux cas, assez précises sur ce que vous pourriez aimer regarder ensuite. 

Les données utilisées par cet algorithme d'apprentissage automatique pourraient inclure : 

  • Informations générales vous concernant recueillies lors de votre inscription. Par exemple : où vous vivez, sexe, âge, etc.

  • Historique de recherche, de visualisation et d'évaluation (vos données collectées au fil du temps)

  • Données d'autres spectateurs

  • Informations sur le film ou l'émission fournies par le créateur

Plus vous regardez et donnez votre avis, plus le moteur de recommandation apprend à vous connaître (et d'autres personnes comme vous) pour offrir de meilleures suggestions. Vous êtes l'humain dans cette boucle aidant à améliorer son exactitude ! 

un humain choisissant un divertissement fournit des données pour un algorithme d'apprentissage automatique d'ingénieur de recommandation de service de streaming

Approche humaine dans la boucle

L'approche HITL est couramment utilisée dans l'apprentissage supervisé et non supervisé lorsqu'il n'y a pas suffisamment de données existantes disponibles. En allant plus loin, dans notre exemple de moteur de recommandation, si certaines recommandations ne vous plaisaient pas, vous pourriez renvoyer cette information au modèle et l'algorithme apprendrait et s'améliorerait avec le temps. 

L'intervention humaine dans la boucle (HITL) peut accélérer l'apprentissage automatique et réduire la probabilité de prendre des décisions incorrectes, ce qui peut être très coûteux. Par exemple, si un robot prend une mauvaise décision, cela pourrait entraîner des effets indésirables en chaîne d'approvisionnement, comme un produit de qualité inférieure passant l'inspection ou un produit expédié au mauvais destinataire.

Niveau de confiance ou score pour l'apprentissage automatique avec intervention humaine

Dans les cas où les conséquences d'une décision incorrecte pourraient être importantes, utiliser un score de confiance est une bonne approche HITL. Si une machine doit résoudre un problème et n'y parvient pas avec un haut degré de confiance, les humains peuvent intervenir et fournir des informations supplémentaires. Ce retour d'information à l'algorithme ML l'aide à apprendre, améliorer ses prédictions et augmenter sa précision.

Ce concept de "haut degré de confiance" mentionné ci-dessus peut se présenter sous la forme d'un score que les modèles d'apprentissage automatique fournissent avec leurs décisions proposées. Une méthode couramment utilisée pour le niveau de confiance est un nombre entre 0 et 1, ou entre 0 et 100, qui représente la probabilité que le résultat d'un modèle d'apprentissage automatique soit correct. Plus le score est élevé, plus le ML est confiant que sa réponse satisfera l'utilisateur. 

une infographie représentant un score de confiance dans l'apprentissage automatique avec intervention humaine.

Exemple d'une solution d'apprentissage automatique avec un humain dans la boucle

Plus One Robotics crée des logiciels de vision pour les robots utilisés dans les entrepôts et les centres de distribution. Ils ont créé la solution de dépalettisation mixte PickOne pour résoudre les problèmes courants d'une palette mixte. Une palette mixte est une palette empilée de manière non uniforme avec une variété de produits. Découvrez notre client où nous expliquons les défis d'une palette mixte, notamment lorsque des objets familiers ont un changement d'emballage ou sont enveloppés dans un plastique extérieur très réfléchissant.  

Comment fonctionne le dépalettiseur mixte PickOne avec un humain dans la boucle

  1. La vision par ordinateur calcule la palette.

  2. La vision par ordinateur capture chaque article sélectionnable et attribue à chacun un niveau de confiance tel que défini par le client. 

  3. Si l'article a un niveau de confiance élevé, le robot est chargé de prendre et placer les articles.

  4. Si un article a un faible niveau de confiance, la solution génère une demande de révision. Ce processus humain, généralement un chef d'équipe, gère l'exception. 

  5. La réponse humaine est stockée avec les autres données d'apprentissage automatique pour améliorer les algorithmes. La prochaine fois que le robot rencontrera le même objet ou un objet similaire, il saura quoi faire. 

Avec cette solution d'apprentissage automatique avec intervention humaine, le chef d'équipe peut être situé n'importe où – il n'a pas besoin d'être à proximité ou même dans le même bâtiment. Et, un seul superviseur peut surveiller toute une flotte de robots simultanément.

Une photo montrant un poste de travail d'apprentissage automatique avec un humain dans la boucle, où une personne gère un robot dépalettiseur.

Avantages d'un humain dans la boucle

Il y a de nombreux avantages à utiliser une approche d'apprentissage automatique HITL.

  • Crée un meilleur ensemble de données

    • L'interaction humaine garantit un ensemble de données plus précis. Cela réduit le risque d'erreurs, améliorant ainsi la précision et la productivité. 

  • Favorise un démarrage rapide

    • Les entreprises n'ont pas besoin de passer des semaines, des mois ou même des années à créer un ensemble de données avant de commencer l'automatisation. Plutôt, ils peuvent construire le jeu de données au fur et à mesure. Initialement, le niveau de confiance peut être réglé haut. Cela signifie que le robot n'agira que s'il est très sûr que sa réponse est correcte. Au début, le robot peut nécessiter beaucoup d'intervention humaine. Avec le temps, cela nécessitera moins. 

  • Assure l'agilité

    • Les modèles peuvent être ajustés en fonction des exigences ou des conditions changeantes grâce à l'intervention humaine.

  • Permet la détection d'erreurs in situ

    • Un humain dans la boucle peut souvent identifier une erreur plus rapidement et donc la résoudre plus vite avant qu'elle ne progresse trop. 

  • Permet des décisions basées sur des valeurs

    • L'apprentissage automatique manque du contexte et des indices sociaux que les humains fournissent naturellement. HITL permet aux opérateurs d'ajuster les résultats lorsque les normes sociétales peuvent être essentielles pour informer un résultat. 

Plateforme materielle pour solution d'apprentissage automatique avec humain dans la boucle

Pour leur solution, PlusOne a choisi . Cet ordinateur robuste puissant prend en charge leur GPU et offre suffisamment de réseaux de données USB pour jusqu'à 20caméras Intel RealSense. De plus, le système les aide à répondre à certaines exigences de leurs clients concernant une certificationUL. 

Notre équipe a des années d'expérience à aider les clients avec leurs plateformes pour leurs solutions d'IA, d'apprentissage automatique et de vision par calcul. Notre niveau de confiance en ML est très élevé ! pour nous tenir informés !  

Ordinateur robuste K804 avec espace d'extension pour GPU

Sarah Lavoie Créatrice de Contenu pour OnLogic
Sarah Lavoie
Marketing de contenu / Marketing, OnLogic
Sarah Lavoie est créatrice de contenu pour OnLogic. Quand elle n'écrit pas, elle explore généralement le paysage du Vermont avec son appareil photo à la recherche de quelque chose d'incroyable à photographier.

Restez informé.

Soyez le premier à découvrir en exclusivité les derniers produits, les innovations de l'Industrie 4.0 et les événements OnLogic.