Human-in-the-Loop sa AI: Mas Tumpak, Mas Kaunting Panganib

Kung iniisip mong pagandahin ang negosyo mo gamit ang AI, hindi ka nag-iisa. Dahil ang AI chatbots ang pinakamabilis lumalaking channel ng komunikasyon, hindi na ito luho—inaasahan na ito ngayon.

Pero nakakatakot din na bitawan ang kontrol. Ang paglipat ng mahahalagang gawain sa tinatawag na ‘black box algorithm’ ay parang malaking hakbang ng tiwala.

At totoo iyon, kaya umaasa ang mga negosyo sa interbensyon ng tao para gabayan ang AI. Halos lahat ng AI agent frameworks ay may human-in-the-loop—may pangangasiwa ng tao sa mga operasyon ng AI.

Sa artikulong ito, ipapaliwanag ko kung ano ito, paano ito gumagana, at magbibigay ng mga halimbawa kung paano ginagamit araw-araw ang interbensyon ng tao para bigyan ng mas malaking kontrol ang mga gumagamit ng AI chatbots at agents.

Ano ang human-in-the-loop?

Ang Human-in-the-loop (HITL) ay isang kolaboratibong paraan sa AI kung saan ginagamit ang input ng tao para mapabuti o mapalawak ang kakayahan ng AI. Maaaring ito ay sa anyo ng datos na in-annotate ng tao, naitama na output ng modelo, o mismong tao ang gumagawa ng buong gawain kapag hindi sigurado o hindi epektibo ang AI.

Medyo malabo ang termino. Teknikal, tumutukoy ito sa anumang partisipasyon ng tao sa lifecycle ng AI applications—mula sa paglalabel ng datos at pagsusuri ng modelo hanggang sa aktibong pagkatuto at escalations.

Sa aktwal, kapag nag-aalok ang mga AI provider ng HITL na kakayahan, kadalasan ay nangangahulugan ito ng pangangasiwa sa mga output ng AI: pagkakataong repasuhin ang mga sagot at i-escalate ang usapan sa chatbot papunta sa mga human agent.

Paano ba “kasama sa proseso” ang tao sa AI?

Ang mahusay na AI pipeline ay may ilang bahagi kung saan maaaring pumasok ang tao.

Sinanay ang AI para makita ang mga pattern sa training data, at pagkatapos ay gamitin ang mga pattern na ito sa bagong datos. Tayo ang pumipili kung anong datos ang makikita ng modelo, pero hindi kung anong pattern ang makukuha nito mula sa datos.

Sa bawat hakbang ng proseso—pagkolekta ng datos, pagsasanay, at deployment—nasa tao ang responsibilidad na tiyaking gumagana ang modelo ayon sa inaasahan.

Depende kung saan at paano nagaganap ang interbensyon ng tao, maaari itong mapabilang sa alinman sa mga sumusunod na kategorya:

Pagbibigay ng Feedback para sa Tuloy-tuloy na Pagkatuto

Alam mo yung kapag tinatanong ka ng ChatGPT kung alin sa dalawang sagot ang mas maganda? Maaaring ituring ang feedback bilang bagong datos na pagsasanayan ng modelo.

Hindi naman kailangang laging tahasan ang feedback.

Isipin mo ang mga rekomendasyon sa social media. Laging nagmumungkahi ang predictive model ng content batay sa iyong kasaysayan. Habang ginagamit mo ang platform, nagiging datos ang mga pinipili mong content para tuloy-tuloy na sanayin ang recommendation model.

Sa kasong ito, ikaw ang tao. At sa paggamit mo ng app, nagsisilbi kang gabay para sa mga susunod na rekomendasyon.

Dito umiikot ang proseso: sinasanay ang modelo sa datos, nakikipag-ugnayan ang mga user sa modelo, at ang mga interaksyon na ito ay nagiging bagong datos na muling pagsasanayan ng modelo.

Paghawak ng Mga Inieskalang Sitwasyon

Hindi palaging tungkol sa pagpapabuti ng sistema ang HITL. Minsan, tungkol ito sa paglipat ng mahihirap na kaso sa tao.

Isipin ang isang customer support chatbot. Nakakatulong ito na bawasan ang trabaho ng iyong team sa pagsagot ng 95% ng mga tanong nang malinaw, maikli, at tama.

Pero may natitirang 5%.

May mga kasong sobrang espesipiko o kakaiba na hindi na kayang sagutin ng AI. Kahit hindi nito pinapabuti ang modelo, magandang halimbawa ito kung paano puwedeng magsanib-puwersa ang tao at machine learning.

Pag-annotate ng Datos para sa Pagsasanay

Teknikal, halos lahat ng machine learning ay may HITL na mekanismo. Kaya kapag pinag-uusapan ang HITL, kadalasan ay tumutukoy tayo sa mga nabanggit na kategorya.

Gayunpaman, hindi ko puwedeng palampasin ang mahalagang papel ng tao at kaalaman sa machine learning loop.

Ang datos ang gulugod ng AI, at umaasa ito sa tao. Sinasanay ang mga modelo ng AI para hulaan ang mga label batay sa input na datos. Ang mga label ang inaasahang output ng AI, at tayo bilang tao ang gumagawa nito.

Ilan sa mga halimbawa ng paglalabel ng tao ay ang mga sumusunod:

• Manu-manong pagsulat ng mga sagot sa mga prompt para sanayin ang malalaking language model (LLM)
• Pagta-transcribe ng audio files para sa speech recognition models.
• Pag-annotate ng mga bagay sa mga larawan para sa object detection models
• Pagmarka ng mga sample na email bilang spam-o-hindi-spam para sa spam detector ng isang email client

Pagsusuri ng Performance ng Modelo

Pinakamalaking bahagi ng paggawa ng AI models ay ang pag-alam kung paano pa ito mapapabuti. Kahit may napakaraming metrics na puwedeng kalkulahin, tulad ng precision at recall, kailangan pa rin ng eksperto para matukoy kung paano talaga gumagana ang modelo, at mas mahalaga, kung ano ang dapat gawin dito.

Halimbawa, maaaring mapansin ng isang researcher na mahusay ang modelo sa pagkilala ng mga larawan ng aso, pero hindi ng hot dog. Madalas itong naaayos sa pamamagitan ng pagdagdag o pag-diversify ng mga larawan ng hot dog.

Minsan, nahihirapan ang chat model na maalala ang impormasyon mula sa mga nakaraang mensahe. Karaniwan, inaayos ito ng researcher sa pamamagitan ng pagbabago sa architecture ng modelo o paraan ng pagbuo ng sagot.

Mga Benepisyo ng Human-in-the-Loop AI

Maaaring napaka-epektibo ng AI sa pagkilala ng mga pattern, pero matalino ang tao.

Layunin ng HITL na pagsamahin ang antas ng pag-unawa ng tao at ang bilis ng AI workflow automation para maging akma ang mga sagot sa karanasang hinahanap ng mga user at provider.

1. Katumpakan at Pagiging Maaasahan

Obvious na ito. Ano ang mas maganda kaysa sa simpleng AI? AI na naitama na.

Hindi lang ito optimized para sa mga kakaibang kaso, kundi maaasahan din dahil alam ng mga user na palaging nire-review at pinapabuti ang mga output.

2. Pagbawas ng Pagkiling

Hindi perpekto ang datos, at makikita ito sa output ng modelo. Ang bias—pagkiling sa ilang output kaysa sa iba—ay problema sa buong machine learning at AI.

Mga bagay tulad ng pagbuo ng larawan na may racial bias, o pagtukoy ng kwalipikasyon sa trabaho batay sa kasarian ay halimbawa kung paano naipapasa ng AI ang bias mula sa training data.

Pinapayagan ng HITL ang tao na i-flag ang mga isyung ito at itama ang direksyon ng modelo para sa mas patas na resulta.

3. Tuloy-tuloy na Pagpapabuti at Pag-angkop

Hindi natatapos ang pagsasanay kapag nasa production na ang modelo. Pinapayagan ng HITL na magpatuloy ang pagsasanay ng modelo sa bagong datos para mas maging akma sa mga hindi pa nakikitang kaso.

Halimbawa, ang pag-edit ng generated text o pagsunod sa mga pinipiling content ng user ay nagbibigay ng dagdag na datos na magagamit ng modelo para gumaling pa.

Pero hindi sapat na gumaling lang ang modelo; dapat ay nagbabago rin ito.

Madaling balewalain kung paano tayo umaangkop sa pabago-bagong mundo. Sa AI, hindi ito awtomatiko. Pinagsasama ng HITL ang kaalaman at husay ng tao para manatiling akma sa panahon ang output ng modelo.

4. Kalinawan at Tiwala

Mas nagiging malinaw ang mga desisyon ng AI kapag may partisipasyon ng tao. Sa pagwawasto ng outputs o pagresolba ng mga hindi tiyak na kaso, mas panatag ang mga user na may matinong algorithm silang kinakausap.

Tayo pa rin ang may kontrol sa AI, hindi baliktad.

Mga Gamit ng Human-in-the-Loop

1. Self-driving

Sa market value na inaasahang aabot sa USD 3,900,000,000,000 sa susunod na dekada, maaaring self-driving ang susunod na malaking hakbang sa AI. Umaasa ito sa object detection models at mabilisang paggawa ng desisyon para tularan ang pagmamaneho ng tao.

Pero kahit parang hindi kailangan ng tao, malaki pa rin ang inaasahan nito sa mga tao. Palaging pinag-aaralan ng mga modelo ang mga gawi ng tao sa pagmamaneho, at inihahambing ang kanilang mga desisyon sa sariling prediksyon ng AI.

2. Retail

Ang isang chatbot para sa retail ay mahusay na paraan para gawing awtomatiko ang pakikipag-ugnayan sa mga customer habang nananatiling personal ang karanasan. Sa HITL, masisiguro mong maayos at akma pa rin ito sa iyong negosyo. Halimbawa, maaari mong gawin ang mga sumusunod:

• Suriin at itama ang mga rekomendasyon ng produkto ng bot
• Hayaan munang ilahad ng customer ang kanilang pangunahing pangangailangan bago i-redirect sa isang human agent

3. Pananalapi

Ang mga chatbot para sa pananalapi ay mahusay na paraan para pagsamahin ang AI automation at kaalaman ng tao.

Mahusay ang mga sistema ng pagtukoy ng panlilinlang sa paghahanap ng kahina-hinalang aktibidad sa mga transaksyon. Pero hindi lahat ng kahina-hinalang kilos ay masama, at ayaw mong maputol ang iyong card tuwing magpalit ka lang ng order ng kape.

Maaaring ipasa ng HITL sa tao ang mga kaso na mababa ang katiyakan at mababa ang panganib.

Ang pagtatasa ng panganib sa pautang ay isa pang larangan kung saan mahusay ang AI—magaling ito sa pagkalkula ng posibilidad gamit ang iba’t ibang datos na tila walang kaugnayan. Ngunit halos tiyak na may bias pa rin ang mga datos na iyon.

Kadalasang kailangan ng tunay na tao para mapanatili ang patas na proseso at mabawasan ang bias.

4. Kalusugan

Ang reddit user na naligtas ang buhay ni Claude ang unang magtatanggol sa potensyal ng AI sa kalusugan.

Ipinakita na ng mga medical AI chatbot ang ilan sa mga kakayahan nito, ngunit higit pa roon: makakatulong ang AI sa pagtukoy ng diagnosis mula sa MRI, o magmungkahi ng follow-up base sa resulta ng pagsusuri. Pero hindi pa ako handang alisin ang mga doktor.

Nagbibigay ang HITL ng pinakamainam na kumbinasyon: natutukoy ang mga kasong maaaring hindi napansin ng doktor, habang sila pa rin ang may huling desisyon.

Gamitin ang Human-Augmented AI Ngayon

Libu-libong bot na may maayos na human oversight ang na-deploy gamit ang Botpress, at ito ang pinaka-flexible na AI agent platform sa merkado.

May kasamang HITL integration ang Botpress, visual drag-and-drop builder, at deployment sa lahat ng sikat na communication channel (kasama ang Slack, Telegram, WhatsApp, web), kaya hindi mo kailangang isuko ang personal na ugnayan kapag gumagamit ng AI.

‍Simulan ang paggawa ngayon. Libre ito.

FAQs

Paano ko malalaman kung kailangan ng human-in-the-loop na partisipasyon sa aking AI system?

Malamang na kailangan ng human-in-the-loop na partisipasyon ang iyong AI system kung ito ay humahawak ng mahahalagang desisyon, madalas makatagpo ng malabo o bihirang sitwasyon, may panganib na maglabas ng may kinikilingan o mapanirang resulta, o gumagana sa mga larangan kung saan mahalaga ang ganap na katumpakan at paghuhusga ng tao para sa pagsunod sa regulasyon o tiwala ng customer.

Magagamit ba ang human-in-the-loop sa mga hindi teknikal na proseso ng negosyo, o sa mga AI model lang?

Magagamit ang human-in-the-loop sa mga hindi teknikal na proseso ng negosyo tulad ng pagsusuri ng mga reklamo ng customer o pagmo-moderate ng nilalaman, dahil ibig sabihin nito ay isinasama ang paghusga ng tao sa anumang awtomatikong daloy ng trabaho kung saan maaaring hindi sapat ang desisyon ng makina lamang.

Ibig bang sabihin ng paggamit ng human-in-the-loop na hindi na advanced ang aking AI system?

Hindi ibig sabihin na hindi advanced ang iyong AI system kapag gumagamit ka ng human-in-the-loop. Ipinapakita nitong inuuna mo ang kaligtasan at pagiging patas sa pamamagitan ng pagsasama ng bilis at kakayahang makakita ng pattern ng AI at paghusga ng tao para sa mas maselang mga desisyon, na kadalasang mahalaga.

Sulit ba ang human-in-the-loop AI para sa maliliit na negosyo, o para lang sa malalaking kumpanya?

Lalo nang nagiging sulit ang human-in-the-loop AI para sa maliliit na negosyo dahil pinapayagan ng mga makabagong kasangkapan na piliin lang ang mga kasong kailangan ng tao, kaya nababawasan ang gastos sa paggawa habang napapabuti pa rin ang katumpakan at tiwala kahit walang malaking lakas-paggawa.

Magkano ang gastos sa pagdagdag ng human-in-the-loop na proseso sa isang AI system?

Maaaring minimal lang ang gastos sa pagdagdag ng human-in-the-loop na proseso—kung paminsan-minsan lang gagamitin ang sariling staff—o malaki, umaabot ng daan-daan o libong dolyar kada buwan kung kailangan ng dedikadong tagasuri o espesyalistang kontratista, depende sa dami at komplikasyon ng mga gawaing kailangang hawakan ng tao.