人在环(HITL)是人工智能的一个分支，利用人类和机器智能来创建机器学习模型。在传统的人在环方法中，人们参与到一个良性循环中，他们训练、调整和测试一个特定的算法。一般来说，它是这样工作的:
首先，人类给数据贴上标签。这给了一个模型高质量(和高数量)训练数据．一个机器学习算法从这些数据中学会做决定。
接下来，人类调整模型。这可能以几种不同的方式发生，但通常情况下，人类会对数据进行评分，以解释过拟合，教分类器关于边缘情况，或在模型的范围内的新类别。
最后，人们可以通过对输出打分来测试和验证一个模型，特别是在算法对一个判断不自信或对一个错误决定过度自信的地方。
现在，需要注意的是，每一个动作都包含一个持续的反馈循环。人在循环的机器学习意味着把每一个训练、调整和测试任务反馈给算法，这样算法就会变得更聪明、更自信、更准确。当模型选择下一步需要学习的内容(即主动学习)并将该数据发送给人类注释器进行训练时，这种方法尤其有效。
“人在循环”是我们Appen多年来一直倡导的一种方法。我们已经看到它有助于改善每条条纹的模型，无论是文本分类器，计算机视觉算法，还是搜索和信息检索模型。我们可以为您独特的用例创建大量高度精确的训练数据，然后根据人类的洞察力调整您的模型，并测试它以确保其决策是准确的和可操作的。如果你想了解更多，请随时联系我。
Human-in-the-loop常见问题
如何将人和机器结合起来创造人工智能?
- 人在回路的方法结合了人类智能和机器智能的优点。机器善于从庞大的数据集中做出明智的决定，而人更善于在信息较少的情况下做出决定。例如，人们很擅长在看复杂的图像时挑选出离散的实体:“这是一根灯柱”或“这是一只猫，但你只能看到它的尾巴”。这正是一台机器需要了解灯柱或猫长什么样的信息。事实上，一台机器需要从不同的角度、部分遮挡、不同的颜色等角度看到许多不同的灯柱和猫，才能理解一个人的样子。一个由这些标签图像(即人类智能)组成的健壮数据集可以教会机器看到这些图像(即机器智能)。在某种程度上，有了足够的数据和足够的调整，这些机器算法可以快速地看到和理解图像，而且非常准确，而不需要人们不断地告诉它猫(或灯柱)到底长什么样。
什么时候应该使用人在循环的机器学习?
- 培训:正如我们上面讨论的，人类可以用来为模型训练提供标记数据。这可能是你看到数据科学家使用HitL方法最常见的地方。
- 用于调优或测试:人类也可以帮助调整模型以获得更高的准确性。假设你的模特对一组特定的决定不自信，比如某张图片是否真的是一只猫。人类注释者可以给这些决策打分，有效地告诉模型，“是的，这是一只猫”或“不，这是一个路灯”，从而调整它，使其在未来更准确。
人在循环和主动学习之间有什么区别?
- 主动学习通常是指人类处理低信心单元并将其反馈到模型中。“人在环”的范围更广，包括主动学习方法，以及通过人类标记创建数据集。此外，HitL有时(尽管很少)会引用人们简单地验证(或无效)输出，而不将这些判断反馈给模型。
谁在使用循环中人的机器学习?
- HitL可以用于多种AI项目。这包括NLP、计算机视觉、情感分析、转录和大量其他用例。任何深度学习的人工智能都可以从某些插入循环的人类智能中受益。
找出可靠的训练数据如何能给你部署人工智能的信心。
联系我们与专家交谈。
