AI と ML における人間参加型（HITL）とは

人間は、次のようなさまざまな方法で HITL システムとやり取りできます。

• トレーニング データにラベルを指定する。教師あり学習では、ラベル付きデータで ML モデルをトレーニングします。このデータには、手作業またはツールを使用して人間がラベル付けできます。
• ML モデルのパフォーマンスを評価する。また、モデルの予測に対するフィードバックを人間が提供することで、ML モデルのパフォーマンスを評価することもできます。これは、モデルを改善できる領域を特定するのに役立ちます。
• ML モデルにフィードバックを提供する。また、人間が ML モデルにフィードバックを提供することもできます。これは、モデルの学習と改善に役立ちます。これには、次のようなさまざまな方法があります。
• 能動的学習: 能動的学習では、人間がラベル付けしたいデータを ML モデルが選択します。これは、ラベル付けプロセスの効率向上に役立ちます。
• 強化学習: 強化学習では、ML モデルが試行錯誤を繰り返しながら学習します。人間はモデルの動作に関するフィードバックをモデルに提供できるため、より効果的な学習が可能になります。

ML モデルは非常に優れた機能を備えていますが、判断、コンテキストの理解、不完全な情報の処理が必要な分野では、人間の専門知識を活用できます。HITL は、人間によるインプットとフィードバックを ML パイプラインに組み込むことで、このギャップを埋めます。

この人間とのコラボレーションによって適応性が向上し、ユーザーの好みや現実のシナリオの変化に合わせてモデルを進化させることができます。人的要素を統合することで、純粋なアルゴリズムによるアプローチでは課題となることが多い複雑さやニュアンスに ML システムが対応できるようになります。

HITL を使用すると、次のような多くのメリットがあります。

• 精度と信頼性の向上: 人間による入力と監視は、ML モデルの精度と信頼性に大きく貢献します。
• バイアスの軽減: 人間が関与することで、データやアルゴリズムの潜在的なバイアスを特定して軽減し、ML システムの公平性と公正性を促進できます。
• 透明性と説明可能性の向上: 人間が提供する分析情報は、モデル決定の背後にある説明に役立ち、透明性と解釈可能性を高めます。
• ユーザーの信頼の向上: 人間によるフィードバックや共同作業を取り入れることで、エンドユーザー間の信頼が促進され、ML システムに対する信頼度が高まります。
• 継続的な適応と改善: HITL 中に収集されたフィードバックは、継続的なモデルの改善と、進化する現実の状況への適応の貴重なソースとして機能します。

人間参加型のユースケースにはどのようなものがありますか？

HITL は、次のようなさまざまなアプリケーションで使用できます。

HITL を使用して画像にラベルを付けると、画像の分類ができる ML モデルをトレーニングできます。これは、次のようなさまざまな用途で使用できます。

• オブジェクト検出
• 顔認識
• 医用画像

HITL は、自然言語を理解できる ML モデルをトレーニングするためのテキストのラベル付けに使用できます。これは、次のようなさまざまな用途で使用できます。

• 機械翻訳
• 感情分析
• 迷惑メールフィルタ

音声を認識できる ML モデルをトレーニングするための音声データのラベル付けに使用できます。これは、次のようなさまざまな用途で使用できます。

• 音声コントロール
• 音声入力
• カスタマー サービス