Basitçe Human-in-the-loop (HITL), makine öğrenimi modelleri oluşturmak için hem insan hem de makine zekasından yararlanan bir yapay zeka dalıdır. Geleneksel bir döngü içinde kullanıcı, insan yaklaşımında, belirli bir algoritmayı eğittiği, ayarladıkları ve test ettikleri bir döngüye dürüstçe dahil olur. Human-in-the-loop makine öğrenmesi temelde şu şekilde çalışır:

  • İlk olarak, kullanıcı verileri etiketler. Bu, bir modele yüksek kalitede ve yüksek miktarlarda eğitim verisi verir. Bir makine öğrenimi algoritması, bu verilerden karar vermeyi öğrenir.
  • Ardından, kullanıcı modeli ayarlar. Bu, birkaç farklı şekilde olabilir; genellikle uç durumları vererek, modelin sunduğu verileri puanlayarak ya da uyum hesabı yaparak model ayarlanır.
  • Son olarak kullanıcı, özellikle bir algoritmanın bir yargı konusunda emin olmadığı veya yanlış bir karar konusunda aşırı emin olduğu yerlerde, çıktılarını puanlayarak bir modeli test edebilir ve doğrulayabilir.

Daha basit bir örnekle anlatmak gerekirse: Küçük bir çocukla yolda yürüdüğünüzü hayal edin. Çocuk "hav hav" sesi çıkaran hayvanı gösterip, bu bir kedi desin. Bu durumda çocuğu uyarıp, onun bir köpek olduğunu söylersiniz. Böylelikle çocuk artık "hav hav" sesi çıkaran hayvanların köpek olduğunu kabullenecektir.

Human-in-the-Loop makine öğrenmesi gücünü insanlar tarafından hazırlanan verilere dayanmasından ve makine ile insanın bu süreçte etkileşim halinde olmasından alır.

Human-in-the-loop makine öğrenimi, ayarlama ve test görevlerinin her birini alıp algoritmaya geri beslemek anlamına gelir. Böylece bu eğitim daha akıllı, daha güvenli ve daha doğru olur. Bu, özellikle model daha sonra öğrenmesi gereken şeyi seçtiğinde (aktif öğrenme olarak bilinir) etkili olabilir ve bu verileri eğitim için insan açıklayıcılara gönderirsiniz.

Gelin birkaç soru üzerinden bu makine öğrenimini daha iyi tanımaya çalışalım.

Yapay zeka oluşturmak için insanlar ve makineler nasıl bir araya gelir?

Human-in-the-loop yaklaşımı, insan zekasının en iyilerini makine zekasının en iyileriyle birleştirir. Makineler, geniş veri kümelerinden akıllı kararlar almakta harikadır. İnsanlar ise daha az bilgiyle karar vermekte çok daha iyidir. Örneğin, insanlar karmaşık bir görüntüye bakmakta ve ayrı varlıkları seçmekte harikadır. Karşınıza gelen "Robot musun?" testlerini hayal edin. Resimdeki elektrik direğini veya sadece kuyruğunu gördüğünüz bir kediyi rahatlıkla seçebilirsiniz. Bir makine ise neye benzediğini anlamak için birçok farklı sokak lambası direği ve kediyi farklı açılardan, kısmen kapatılmış, farklı renklerde vb. görmesi gerekir.

HitL, yeterli veri oluşturarak makinelerin doğru şekilde anlamasına ve çalışmasına olanak sağlamaktır.

Bu etiketlenmiş görüntülerin sağlam bir veri kümesi (yani insan zekası), bir makineye bu öğeleri (yani makine zekası) görmesini öğretir. Ve bir noktada, yeterli veri ve yeterli ayar ile, bu makine algoritmaları, insanların sürekli olarak bir kedinin (veya bir elektrik direğinin) neye benzediğini söylemelerine gerek kalmadan görüntüleri hızlı ve inanılmaz derecede doğru bir şekilde görebilir ve anlayabilir.

Human-in-the-loop makine öğrenimi ne zaman kullanılmalı?

Dediğimiz gibi HitL, model eğitimi için etiketli veriler sağlamak üzere insanlar tarafından makine eğitmek de kullanılabilir. Bu veri bilimcilerinin bir HitL yaklaşımı kullandığını göreceğiniz en yaygın yerdir.

HitL, daha yüksek doğruluk için bir modelin ayarlanmasına da yardımcı olabilir. Modelinizin belirli bir dizi karar konusunda emin olmadığını söyleyin, örneğin belirli bir görüntünün aslında bir kedi olması gibi. İnsan yorumcular, modele etkili bir şekilde "evet, bu bir kedi" veya "hayır, bu bir elektrik direği" diyerek bu kararları puanlayabilir, böylece gelecekte daha doğru olması için ayarlayabilir.

Human-in-the-loop ve aktif öğrenme arasındaki fark nedir?

Aktif öğrenme genellikle, düşük güvenirlik birimlerini ele alan ve bunları modele geri besleyen insanları ifade eder. Human-in-the-loop daha geniştir, aktif öğrenme yaklaşımlarını ve insan etiketleme yoluyla veri setlerinin oluşturulmasını kapsar. Ek olarak, HitL bazen (nadiren de olsa) bu yargıları modele geri beslemeden bir çıktıyı basitçe doğrulayan (veya geçersiz kılan) kişilere atıfta bulunabilir.
Döngüdeki insan makine öğrenimini kim kullanır?

HitL, çeşitli yapay zeka projeleri için kullanılabilir ve kullanılır. Buna NLP, bilgisayarla görme, duygu analizi, transkripsiyon ve çok sayıda başka kullanım durumu dahildir. Herhangi bir derin öğrenme AI, bir noktada döngüye eklenen bazı insan zekasından yararlanabilir.