Pruebe nuestro LLM Masker
Pruebe nuestro LLM Masker
Featured Image

3 minutos de lectura

08/04/2022

Human-in-the-loop (HITL) aprovechando la inteligencia humana y de las máquinas

La traducción automática (TA) ha dado un vuelco tecnológico con la incorporación de la inteligencia artificial. Para ello, utiliza un sistema neuronal que simula las traducciones realizadas por humanos a través del aprendizaje automático.

De esta forma, se han resuelto diversas deficiencias de la traducción automática, más aún en el procesamiento del lenguaje natural (PLN).

Sin embargo, el problema no está resuelto del todo. Realmente, el aprendizaje automático en el PLN continúa teniendo un rendimiento inferior al de las personas.

En este contexto, en los procesos de traducción automática neuronales sigue siendo necesaria la supervisión humana para obtener la máxima calidad. Y una de las mejores formas de colaboración hombre-máquina es bajo el modelo human-in-the-loop (HITL).

 

 

El significado de HITL (Human-in-the-loop)

 

Human-in-the-loop es una metodología o proceso utilizado por la inteligencia artificial para la creación de un aprendizaje automático basado en la mejora continua.

El modelo se basa en conjugar la capacidad de la máquina con la inteligencia humana a través de interacciones que ayudan a retroalimentar al modelo de aprendizaje automatizado.

El significado de human in the loop es “humano en el circuito”. De una forma simple, se trata de que la inteligencia humana intervenga cuando una máquina tiene dificultad para resolver un problema. En esta situación, la persona ajusta y nutre los datos de alimentación inicial del algoritmo de aprendizaje. Con esta retroalimentación sistemática, el algoritmo mejorará sus predicciones y toma de decisiones, de forma que sus resultados serán cada vez mejores.

 

¿Cuándo usar el aprendizaje automatizado human-in-the-loop?

Human-in-the-loop es un modelo en bucle basado en la retroalimentación constante para que el algoritmo tenga nuevas herramientas al realizar su trabajo. Como ejemplo de estos algoritmos están los modelos de traducción de documentos y clasificadores de texto, los algoritmos para recuperar y buscar información, etc.

En cada caso específico debe crearse un conjunto de datos de entrenamiento (iniciales) lo suficientemente grande, para después probar y ajustar el modelo según la inteligencia humana. De este modo el algoritmo tomará decisiones con mayor precisión.

Por lo tanto, la interacción humano-máquina, en el enfoque del aprendizaje automático human in the loop, se emplea en dos fases:

  • En la fase de entrenamiento. El humano genera los datos iniciales en los que se basará el algoritmo para resolver los problemas.
  • En la fase de ajuste y prueba. El humano interviene para la mejora continua de la precisión del algoritmo y para corregir cualquier predicción errónea que arroje el sistema, siguiendo este ciclo:
    • 1º. Ajusta los datos.
    • 2º. Prueba el sistema para comprobar la mejora en la precisión.





Human-in-the-loop: combinando personas y máquinas para crear IA (inteligencia artificial)

 

Los algoritmos de inteligencia artificial se basan en la estadística para la resolución de problemas, así que su confiabilidad no es total.

Esta falta de certeza en la inteligencia artificial, también denominada incertidumbre algorítmica, hace necesaria la interacción directa del sistema con los humanos. Se trata de la mejor forma de crear un aprendizaje continuo, relevante y que incida en la mejora de la calidad de la traducción.

La retroalimentación que realizan los humanos a la IA permite que los algoritmos de traducción se adapten cada vez mejor al pensamiento lógico de las personas y puedan razonar, actuar y traducir los textos de manera fiable.

Dentro de este enfoque, el modelo human-in-the-loop y la IA buscan combinar las grandes potencialidades de la máquina y del ser humano: la toma de decisiones en base a un conjunto de datos y la lógica humana que es insuperable.

Así, cuanto mayor sea esta interacción, el algoritmo de IA tendrá menos errores. 

 

 

Características que debe tener un sistema HITL bien diseñado

 

En el contexto de la traducción automática, un sistema human-in-the-loop bien diseñado presenta características como las siguientes:

  • Cuenta con una gran cantidad de datos iniciales y de calidad, que los humanos deben supervisar para su mejora constante.
  • Efectúa una retroalimentación humana continua, con una periodicidad de minutos, horas, días o semanas. Esto mejora la comprensión y la respuesta del sistema de TA.
  • Realiza una retroalimentación correctiva rápida, para que el impacto se note en tiempo real.
  • Mantiene una colaboración activa entre los traductores y el departamento de investigación y desarrollo de la traducción automática, con el fin de abordar los problemas de traducción.
  • Evalúa con base en la revisión y comentarios humanos. Las métricas de sistemas automatizados se dejan para sus propias constataciones. 
  • Incentiva la colaboración a través de la creación de diversos puntos para la retroalimentación.

Una de las mejores formas de implementar un sistema de aprendizaje automático human in the loop bien diseñado es fomentar entre los traductores el uso de la automatización para incrementar la productividad y la competitividad.

Así, se logra la interacción humana con el sistema y, en consecuencia, la mejora continua de los algoritmos para alcanzar la máxima calidad en las traducciones.





Reciba el asesoramiento de expertos en HITL

 

En Pangeanic estamos especializados en la inteligencia artificial y su aplicación a los servicios de traducciones técnicas y especializadas.

Somos expertos en el modelo de retroalimentación human-in-the-loop, con la continua interacción entre nuestro sistema de traducción automática y nuestros profesionales de la traducción, pues nuestro objetivo es siempre proporcionar la máxima calidad y fiabilidad en las traducciones de documentos, páginas web y tiendas en línea.

En Pangeanic le asesoramos en los servicios de traducción que realmente se ajustan a las necesidades de su empresa.

 

cta demo