Human-in-the-loop maschinelles Lernen

Wenn Sie einen ausreichend großen Datensatz haben, kann ein Algorithmus basierend auf diesen Daten genaue Entscheidungen treffen. Zuerst muss das Programm jedoch lernen, relevante Kriterien zu identifizieren, um zur richtigen Schlussfolgerung zu kommen. An dieser Stelle kommt menschliche Intelligenz ins Spiel: Human–in–the–loop (HITL) maschinelles Lernen vereint menschliche und maschinelle Intelligenz, um einen kontinuierlichen Kreislauf zu erzeugen, in dem der Algorithmus trainiert, getestet und optimiert wird. Mit jedem Kreislauf wird das Programm schlauer, selbstbewusster und akkurater.

Human–in–the–loop: Menschliche Einblicke nutzen, um KI zu verbessern

Der erste Schritt bei dem Human–in–the–loop Ansatz ist das Kennzeichnen von Daten sog. data labeling. Wenn Sie dem Programm zum Beispiel beibringen, Katzen und Hunde auf verschiedenen Bildern zu erkennen, brauchen Sie einen großen Datensatz an markierten Bildern, auf denen die Tiere – aus verschiedenen Blickwinkeln, in unterschiedlichen Größen, Formen, Farben, nur halbsichtbar etc. – identifiziert wurden. Das Kennzeichnen von Daten erfordert menschlichen Input, da das Programm noch nicht in der Lage ist, die Tiere zu identifizieren. Personen kennzeichnen jedes Bild, um anzuzeigen, ob eine Katze oder ein Hund abgebildet ist. Der Algorithmus benutzt diese Daten, um zu lernen, welche Form wie gekennzeichnet wurde.

Testen und Optimieren für mehr Zuverlässigkeit

Einfach nur alle Daten ein Mal zu kennzeichnen ist jedoch nicht genug, um ein zuverlässiges Level an Programm–Intelligenz zu erreichen. Stattdessen müssen die anfänglichen Entscheidungen, die das Programm trifft, immer wieder von Personen getestet und optimiert werden, bis die Ergebnisse letztendlich so genau wie möglich sind. Bei jedem Kreislauf ist menschlicher Input erforderlich, um KI zu verbessern. Das ist darauf zurückzuführen, dass menschliche Intelligenz auch Zusammenhänge versteht, wenn weniger Informationen zur Verfügung stehen, während Programme nur schnell, intelligent und genau sind, wenn ausreichend viele Datensätze vorliegen. Wenn man diesen Input nutzt, um maschinelles Lernen zu verbessern, wird KI zuverlässiger.

Wann sollte HITL – maschinelles Lernen verwendet werden?

Es gibt eine Menge potenzieller Anwendungsmöglichkeiten für die Human–in–the–loop Methode. Unter anderem kann sie genutzt werden, um Gesichtserkennung-Software zu verbessern, bei Spracherkennung und -übertragung in Text zu helfen und um in Kamera Systemen besser Gründe für verschiedene Bewegungen nachzuvollziehen. Besonders wenn das Programm irgendwann fehlerfrei funktionieren muss, wie zum Beispiel bei selbstfahrenden Autos, ist es essenziell, dass maschinelles Lernen verwendet wird. Zudem ist Human–in–the–loop nützlich, wenn noch nicht viele Datensätze vorliegen, da zu diesem Zeitpunkt Personen bessere Entscheidungen treffen können als Programme.

Human–in–the–loop Dienstleistungen bei clickworker

clickworker bietet eine große Bandbreite an Dienstleistungen für Human–in–the–loop maschinelles Lernen – von Bildannotationen mithilfe von Bounding-Boxen, semantische Segmentierungen und mehr bis zur Setzung von Markierungspunkten auf Gesichtern, um Gesichtserkennungs-Softwares zu verbessern, sowie Text- und Sentimentanalysen. Jede große Aufgabe wird in kleinere Jobs unterteilt, die von Millionen Clickworkern auf der ganzen Welt bearbeitet werden. Möchten Sie mehr über die Möglichkeiten, die dieser Ansatz für maschinelles Lernen bietet, erfahren? – Dann kontaktieren Sie unser Sales-Team – Wir bieten Ihnen großartige Lösungen für Ihre Anforderungen.