人在环 (HITL) 是一种交互式计算方法，它将人类智能与人工智能 (AI) 系统相集成，以更高效、更准确地完成任务。
人在环的起源
人在环的概念起源于控制工程，该术语用于描述需要人类交互才能成功运行的系统。它的第一次重要提及可以追溯到 20 世纪 40 年代，当时控制论兴起，该领域研究机器和生物体固有的通信和控制系统。
然而，随着技术进步证明了人类认知能力与机器驱动操作相结合的潜力，HITL 在人工智能领域的全面应用在 21 世纪初开始发展。
揭开“人在环”的面纱
人机循环的核心是一种机器学习方法，人类积极参与机器学习模型生命周期的不同阶段。从数据预处理、特征提取、模型训练到测试和部署后反馈，人工干预增强了人工智能系统的功能。
HITL 从根本上建立在这样的理念之上：虽然人工智能可以轻松处理重复性和计算密集型任务，但人类却带来了人工智能难以模仿的独特属性，例如创造力、情境理解和直觉。
人在环的运作
HITL 系统通过协作框架运行，在该框架中，人和机器都为解决问题的过程做出贡献。以下是其功能的简化视图：
- 预处理： 人类的参与确保了数据集的质量和相关性，包括标签和注释。
- 训练： 清理并标记的数据集用于训练 ML 模型。
- 推理： 经过训练的模型根据输入进行预测。
- 审查： 如有必要，人类会审查并纠正模型的输出。
- 反馈： 校正后的输出会反馈到系统中，从而提高模型的未来性能。
此反馈循环持续进行，直到模型的预测达到所需的准确度。
人在环的主要特点
人机交互作为一种概念和实践，具有几个显著的特点：
- 协作智能： HITL 将机器的计算能力与人类的认知技能结合起来。
- 互动学习： 该系统不断从人类反馈中学习，随着时间的推移不断提高其性能。
- 提高准确性： 人为干预有助于减少人工智能系统本身可能犯的错误。
- 多功能性： HITL 可应用于从自动驾驶汽车到医疗诊断等广泛领域。
- 信任与透明度： 通过让人类参与决策过程，HITL 提高了人工智能系统的透明度和信任度。
人在环系统的类型
HITL 系统有多种类型，根据人为干预的水平和性质进行分类：
| 类型 | 描述 |
|---|---|
| 被动HITL | 人工输入仅用于初始训练或定期更新。 |
| 主动HITL | 人类不断参与，实时验证和纠正人工智能的预测。 |
| 混合HITL | 被动和主动的结合，人类参与初始训练并在不确定的情况下被召唤。 |
利用人在环：挑战和解决方案
HITL 在医疗保健、自动驾驶汽车、航空航天、客户服务等众多领域都有应用。然而，这并非没有挑战。可能存在与人类参与的可扩展性、数据隐私以及人类反馈中的潜在偏差相关的问题。
尽管如此，这些挑战是可以缓解的。对于可扩展性而言，主动学习等技术可以通过仅在必要时参与来帮助减少人力。可以通过匿名化个人数据和实施严格的数据治理实践来维护隐私。最后，为了管理偏见，可以雇用不同的人类审阅者群体。
将人在环与类似概念进行比较
下表将 HITL 与类似术语进行了比较：
| 概念 | 描述 |
|---|---|
| 人机交互 | 在机器学习模型的整个生命周期中涉及人类反馈。 |
| 人在环路 | 人类监督人工智能的运行并仅在必要时进行干预。 |
| 人为脱离循环 | 人工智能完全独立运行，无需人工干预。 |
人在环的未来展望
HITL 的未来似乎充满希望，潜在的进步集中在人类认知与人工智能的更深层次整合上。脑机接口和情感计算等技术可能是关键贡献者。这个想法是让人工智能更具同理心、道德和适应性，促进人类和人工智能之间的无缝协作。
代理服务器和人在环
代理服务器（例如 OneProxy 提供的代理服务器）可以在 HITL 系统中发挥重要作用。它们可以为正在使用的数据提供一层安全保护，确保隐私和合规性。此外，它们还可用于为机器学习模型创建更真实、更多样化的测试环境。这可以显着提高模型的鲁棒性和通用性。
