Caricamento...
Caricamento...
Caricamento...
AI7 settembre 20236.3 MINUTI DI LETTURA

Apprendimento automatico con coinvolgimento umano: migliorare i risultati dell'intelligenza artificiale

Un'immagine di una testa umana con bit e byte che fuoriescono da essa per simboleggiare l'apprendimento automatico che coinvolge l'uomo nel ciclo

Il Machine learning Human-in-the-loop, a volte chiamato HITL, è un processo in cui gli esseri umani forniscono input a un modello di Machine learning per massimizzare l'accuratezza e aumentare l'efficienza per le applicazioni che utilizzano l'Intelligenza Artificiale (IA). Ma come funziona esattamente e come possono le applicazioni di IA sfruttare questo approccio? 

Continua a leggere per scoprire quanto segue: 

  • Cos'è l'apprendimento automatico?

  • Che cosa si intende per apprendimento automatico con partecipazione umana?  

  • Vantaggi dell'apprendimento automatico con coinvolgimento umano

  • Esempi di apprendimento automatico con intervento umano in azione

Cos'è l'apprendimento automatico? 

Il machine learning (ML) è un sottocampo dell'intelligenza artificiale (IA). Descrive una tecnologia che imita il modo in cui gli esseri umani apprendono: dall'esperienza. Gli algoritmi di machine learning utilizzano metodi computazionali per "apprendere" informazioni direttamente dai dati, per individuare schemi e fare previsioni su come utilizzarli. Tutto ciò senza basarsi su un set di istruzioni esplicito. 

Come un essere umano che impara una nuova competenza, la tecnologia di solito migliorerà e aumenterà la sua precisione nel tempo. Questo perché raccoglierà più dati con cui lavorare – più dati significano maggiore precisione.

Tre sottocategorie di apprendimento automatico

In generale, esistono tre ampie sottocategorie di apprendimento automatico:

  • Algoritmo di apprendimento supervisionato

    • Gli scienziati dei dati forniscono dati di addestramento etichettati. Le macchine utilizzano i dati per prevedere i risultati.

  • Algoritmo di apprendimento non supervisionato

    • Le applicazioni cercano modelli nei dati non etichettati. 

  • Apprendimento automatico di rinforzo

    • L'algoritmo impara interagendo con l'ambiente e migliorando il comportamento in base alle risposte positive o negative alle azioni. 

Che cosa si intende per apprendimento automatico con partecipazione umana? 

L'apprendimento automatico con partecipazione umana incorpora un elemento umano che fornisce input come parte del modello di apprendimento automatico. 

HITL rende l'apprendimento automatico ancora più accurato

I modelli di apprendimento automatico convenzionali necessitano di molti dati per produrre risultati accurati. L'apprendimento automatico con coinvolgimento umano è un modo per migliorare l'accuratezza e sviluppare più rapidamente processi decisionali di livello umano. 

Probabilmente hai fatto parte di un modello umano nel ciclo

Se ti sei abbonato a un servizio di streaming di intrattenimento, probabilmente hai fatto parte di un modello di Machine Learning essendo un "human-in-the-loop". Ad esempio, molti servizi di streaming offrono un motore di raccomandazione che offre suggerimenti personalizzati e, in molti casi, piuttosto accurati su cosa potresti gradire guardare dopo. 

I dati utilizzati da questo algoritmo di apprendimento automatico potrebbero includere: 

  • Informazioni generiche su di te raccolte al momento della registrazione. Ad esempio: luogo di residenza, sesso, età, ecc.

  • Cronologia di ricerche, visualizzazioni e valutazioni (i dati raccolti nel tempo)

  • Dati da altri spettatori

  • Informazioni sul film o sullo spettacolo fornite dal creatore

In particolare, più guardi e fornisci il tuo contributo, più il motore di raccomandazione ti conosce (e altre persone come te) per offrirti suggerimenti migliori. Sei tu l'elemento umano in questo ciclo che contribuisci a migliorarne l'accuratezza! 

Un essere umano che seleziona l'intrattenimento fornisce dati per un algoritmo di apprendimento automatico del motore di raccomandazione del servizio di streaming

Approccio "human-in-the-loop"

L'approccio HITL viene comunemente utilizzato nell'apprendimento automatico supervisionato e non supervisionato quando non sono disponibili dati sufficienti. Facendo un ulteriore passo avanti, nel nostro esempio del motore di raccomandazione, se ti venissero presentate delle raccomandazioni che non fossero di tuo gradimento, potresti reinserire tali informazioni nel modello e l'algoritmo imparerebbe e migliorerebbe nel tempo. 

L'HITL può aiutare ad accelerare il Machine Learning e a minimizzare la probabilità che vengano prese decisioni errate, il che può essere piuttosto costoso. Ad esempio, se un robot prende una decisione errata, si potrebbero verificare effetti a catena indesiderati lungo la supply chain, come ad esempio un prodotto scadente che supera l'ispezione o un prodotto che viene spedito al destinatario sbagliato.

Livello o punteggio di confidenza per l'apprendimento automatico con coinvolgimento umano

Nei casi in cui le conseguenze di una decisione errata potrebbero essere sostanziali, l'utilizzo di un punteggio di confidenza è un buon approccio HITL. Supponiamo che a una macchina venga chiesto di risolvere un problema e che non sia in grado di risolverlo con un elevato grado di confidenza, un essere umano può intervenire e fornire informazioni aggiuntive. Questo feedback all'algoritmo di machine learning lo aiuta ad apprendere, migliorare le sue previsioni e aumentarne l'accuratezza.

Questo concetto di "alto grado di confidenza" menzionato sopra può presentarsi sotto forma di un punteggio che i modelli di Machine Learning forniscono insieme alle decisioni che propongono. Un metodo comunemente usato per il Livello di Confidenza è un numero tra 0 e 1, o tra 0 e 100, che rappresenta la probabilità che l'output di un modello di Machine Learning sia corretto. Più alto è il punteggio, più il ML è sicuro che la sua risposta soddisferà l'utente. 

un grafico che rappresenta un punteggio di affidabilità nell'apprendimento automatico con coinvolgimento umano.

Esempio di una soluzione di apprendimento automatico robotico con coinvolgimento umano nel ciclo

Plus One Robotics L'azienda realizza software di visione per robot utilizzati in magazzini e centri di distribuzione. Ha creato la soluzione di depallettizzazione mista PickOne per risolvere i problemi comuni dei pallet misti. Un pallet misti è un pallet impilato in modo non uniforme con una varietà di prodotti. Scopri la storia del nostro cliente in cui spieghiamo le sfide dei pallet misti, ad esempio quando oggetti familiari presentano un imballaggio diverso o sono avvolti in plastica esterna altamente riflettente.  

Come funziona il PickOne Mixed Depalletizer con l'intervento umano

  1. La visione artificiale crea un'immagine del pallet.

  2. La visione computerizzata acquisisce un'immagine di ogni articolo prelevabile e assegna a ciascuno un livello di confidenza definito dal cliente. 

  3. Se l'oggetto ha un livello di confidenza elevato, il robot riceve l'ordine di prelevarlo e posizionarlo.

  4. Se è presente un elemento con un basso livello di confidenza, la soluzione genera una richiesta di revisione. Questo operatore, solitamente un capo squadra, gestisce l'eccezione. 

  5. La risposta umana viene memorizzata insieme agli altri dati di apprendimento automatico per migliorare gli algoritmi. La prossima volta che il robot incontrerà lo stesso oggetto o uno simile, saprà cosa fare. 

Con questa soluzione di apprendimento automatico con coinvolgimento umano, il capo squadra può essere localizzato ovunque: non è necessario che si trovi nelle vicinanze o addirittura nello stesso edificio. Inoltre, un singolo supervisore può monitorare un'intera flotta di robot contemporaneamente.

Una foto che mostra una postazione di lavoro con apprendimento automatico con partecipazione umana, con una persona che gestisce un robot depallettizzatore

Vantaggi di un coinvolgimento umano nel ciclo

Sono molti i vantaggi derivanti dall'utilizzo di un approccio di apprendimento automatico HITL.

  • Crea un set di dati migliore

    • L'interazione umana assicura dati più accurati. Questo riduce gli errori, migliorando così accuratezza e produttività. 

  • Favorisce un avvio rapido

    • Le aziende non devono dedicare settimane, mesi o addirittura anni alla creazione di un set di dati prima di iniziare a utilizzare l'automazione. Possono piuttosto costruirlo man mano che procedono. Inizialmente, il livello di confidenza può essere impostato su un livello elevato. Ciò significa che il robot agirà solo se le aziende sono assolutamente sicure che la sua risposta sia corretta. Inizialmente, il robot potrebbe richiedere un notevole input umano. Col tempo, ne richiederà sempre meno. 

  • Garantisce agilità

    • I modelli possono essere modificati in base a requisiti o condizioni variabili, utilizzando l'input umano.

  • Consente di rilevare gli errori sul posto

    • Un umano nel ciclo può spesso identificare un errore più velocemente e quindi risolverlo più rapidamente prima che crei problemi a valle. 

  • Consente decisioni basate sui valori

    • L'apprendimento automatico non possiede il contesto e gli indizi sociali che gli esseri umani forniscono naturalmente. L'HITL consente agli operatori di adattare gli output laddove le norme sociali possono essere fondamentali per influenzare un output. 

Piattaforma hardware per soluzioni di apprendimento automatico con coinvolgimento umano

Per la loro soluzione, PlusOne ha selezionato il Karbon 804. Questo potente computer robusto supporta la loro GPU e offre sufficienti canali dati USB per un massimo di 20Fotocamere Intel RealSense Inoltre, il sistema li aiuta a soddisfare alcuni dei requisiti dei loro clienti in materia di certificazione UL . 

Il nostro team vanta anni di esperienza nell'aiutare i clienti con le loro piattaforme per soluzioni di intelligenza artificiale, apprendimento automatico e visione artificiale. Il nostro livello di fiducia nel machine learning è altissimo! Contattaci per rimanere aggiornato!  

Computer robusto K804 con spazio di espansione per GPU

Sarah Lavoie, creatrice di contenuti per OnLogic
Sarah Lavoie
Marketing dei contenuti / Marketing, OnLogic
Sarah Lavoie è una content creator per OnLogic. Quando non scrive, di solito la si può trovare a esplorare il paesaggio del Vermont con la sua macchina fotografica, alla ricerca di immagini straordinarie.

Rimani informato.

Ricevi in anteprima i nuovi prodotti, le innovazioni per l'Industria 4.0, gli eventi OnLogic e molto altro.