Human-in-the-Loop ใน AI: ความแม่นยำที่ดีกว่า ลดความเสี่ยง

ถ้าคุณกำลังคิดจะยกระดับธุรกิจด้วย AI คุณไม่ได้อยู่คนเดียว เพราะแชทบอท AI คือ ช่องทางการสื่อสารที่เติบโตเร็วที่สุด ตอนนี้ พวกมันไม่ใช่แค่ของฟุ่มเฟือยอีกต่อไป—แต่กลายเป็นสิ่งที่ลูกค้าคาดหวัง

แต่การปล่อยให้ AI ควบคุมทุกอย่างอาจทำให้รู้สึกไม่มั่นใจ การมอบหมายงานสำคัญให้กับ 'อัลกอริทึมกล่องดำ' อาจดูเหมือนเป็นการเสี่ยงโชคครั้งใหญ่

และมันก็เป็นเช่นนั้นจริง ๆ นี่จึงเป็นเหตุผลที่ธุรกิจต่าง ๆ ยังต้องพึ่งพาการแทรกแซงของมนุษย์เพื่อควบคุม AI แทบทุก เฟรมเวิร์ก AI agent จะมี human-in-the-loop หรือการดูแลของมนุษย์ในกระบวนการ AI อยู่เสมอ

ในบทความนี้ ผมจะอธิบายว่า human-in-the-loop คืออะไร ทำงานอย่างไร และยกตัวอย่างการใช้การแทรกแซงของมนุษย์ในชีวิตประจำวัน เพื่อให้ผู้ใช้ควบคุม AI chatbots และเอเจนต์ได้มากขึ้น

Human-in-the-loop คืออะไร?

Human-in-the-loop (HITL) คือแนวทางการทำงานร่วมกันระหว่างมนุษย์กับ AI โดยมนุษย์จะเข้ามาช่วยปรับปรุงหรือขยายขีดความสามารถของ AI อาจเป็นการใส่คำอธิบายข้อมูล แก้ไขผลลัพธ์ของโมเดล หรือแม้แต่ทำงานแทน AI ในกรณีที่ AI ไม่มั่นใจหรือทำงานไม่ได้ผล

คำนี้อาจฟังดูคลุมเครือ โดยทางเทคนิคแล้วหมายถึง การมีส่วนร่วมของมนุษย์ใด ๆ ในวงจรชีวิตของแอปพลิเคชัน AI ตั้งแต่ การติดป้ายกำกับข้อมูล การประเมินโมเดล ไปจนถึง active learning และ การส่งต่อกรณี

ในทางปฏิบัติ เมื่อผู้ให้บริการ AI เสนอฟีเจอร์ HITL โดยทั่วไปหมายถึงการตรวจสอบผลลัพธ์ของ AI: โอกาสในการทบทวนคำตอบและส่งต่อการสนทนาในแชทบอทให้กับเจ้าหน้าที่มนุษย์

มนุษย์มีบทบาท “ในลูป” ของ AI อย่างไรบ้าง?

กระบวนการ AI ที่ดีจะมีจุดให้มนุษย์เข้ามามีส่วนร่วมหลายจุด

AI ถูกฝึกให้ค้นหารูปแบบจากข้อมูลที่ได้รับการฝึก และนำรูปแบบเหล่านั้นไปใช้กับข้อมูลใหม่ ๆ ที่ไม่เคยเห็นมาก่อน เราเลือกได้ว่าโมเดลจะเห็นข้อมูลอะไร แต่เราไม่สามารถควบคุมได้ว่ามันจะดึงรูปแบบไหนจากข้อมูล

ในทุกขั้นตอน—ตั้งแต่การเก็บข้อมูล การฝึกโมเดล ไปจนถึงการนำไปใช้งาน—เป็นหน้าที่ของมนุษย์ที่จะต้องตรวจสอบให้แน่ใจว่าโมเดลทำงานได้ตามที่คาดหวัง

ขึ้นอยู่กับว่าการแทรกแซงของมนุษย์เกิดขึ้นที่ไหนและอย่างไร อาจแบ่งได้เป็นหมวดหมู่ดังนี้:

ให้ข้อเสนอแนะเพื่อการเรียนรู้อย่างต่อเนื่อง

คุณเคยเห็น ChatGPT ถามว่าคำตอบไหนดีกว่ากันไหม? ข้อเสนอแนะเหล่านี้สามารถนำไปใช้เป็นข้อมูลใหม่ในการฝึกโมเดลได้

แต่ข้อเสนอแนะไม่จำเป็นต้องเป็นทางการเสมอไป

ลองนึกถึงระบบแนะนำเนื้อหาในโซเชียลมีเดีย โมเดลทำนายจะคอยแนะนำเนื้อหาตามประวัติการใช้งานของคุณ ขณะที่คุณใช้งาน แพลตฟอร์มจะนำการเลือกเนื้อหาของคุณไปใช้เป็นข้อมูลฝึกโมเดลแนะนำเนื้อหาอย่างต่อเนื่อง

ในกรณีนี้ คุณเอง คือมนุษย์ในลูป และการใช้งานแอปของคุณก็เป็นการชี้นำการแนะนำเนื้อหาในอนาคต

นี่คือวงจรที่สมบูรณ์: โมเดลถูกฝึกด้วยข้อมูล ผู้ใช้โต้ตอบกับโมเดล และการโต้ตอบเหล่านี้ก็กลายเป็นข้อมูลใหม่ให้โมเดลฝึกซ้ำอีกครั้ง

จัดการกรณีที่ต้องส่งต่อ

HITL ไม่ได้มีไว้เพื่อปรับปรุงระบบเสมอไป บางครั้งก็เพื่อส่งต่อกรณีที่ยากให้มนุษย์รับมือแทน

ลองนึกถึง แชทบอทบริการลูกค้า ที่ช่วยแบ่งเบาภาระทีมงานของคุณด้วยการตอบคำถาม 95% ได้อย่างชัดเจน กระชับ และถูกต้อง

แต่ก็ยังมีอีก 5% ที่เหลือ

บางกรณีอาจเฉพาะเจาะจงหรือซับซ้อนเกินไปสำหรับ AI แม้การแทรกแซงของมนุษย์จะไม่ได้ช่วยให้โมเดลดีขึ้นในกรณีนี้ แต่นี่คือตัวอย่างที่ดีของการทำงานร่วมกันระหว่างมนุษย์กับ machine learning

การใส่คำอธิบายประกอบข้อมูลสำหรับการฝึกโมเดล

ในทางเทคนิคแล้ว แทบทุกระบบ machine learning ล้วนมี HITL อยู่ในกระบวนการ ดังนั้นเมื่อพูดถึง HITL เรามักจะหมายถึงหมวดหมู่ข้างต้น

แต่ก็ต้องยอมรับว่าการใช้แรงงานและความเชี่ยวชาญของมนุษย์ในวงจร machine learning มีความสำคัญมาก

ข้อมูลคือหัวใจของ AI และต้องอาศัยมนุษย์ โมเดล AI ถูกฝึกให้ทำนาย ป้ายกำกับ จาก ข้อมูลอินพุต ป้ายกำกับ คือผลลัพธ์ที่คาดหวังจาก AI ซึ่งมนุษย์เป็นผู้กำหนด

ตัวอย่างการติดป้ายกำกับโดยมนุษย์ เช่น

• เขียน คำตอบ ให้กับ คำถาม เพื่อฝึก large language models (LLMs)
• ถอดเสียงไฟล์เสียง สำหรับโมเดล รู้จำเสียงพูด
• ใส่คำอธิบายประกอบ วัตถุ ใน ภาพ สำหรับโมเดล ตรวจจับวัตถุ
• ระบุ อีเมล ตัวอย่างว่าเป็น สแปมหรือไม่สแปม สำหรับ ตัวตรวจจับสแปม ของอีเมลไคลเอนต์

ประเมินประสิทธิภาพของโมเดล

เวลาส่วนใหญ่ในการสร้างโมเดล AI คือการหาวิธีทำให้มันดีขึ้น แม้ว่าจะมีตัวชี้วัดมากมาย เช่น precision และ recall แต่ก็ต้องอาศัยผู้เชี่ยวชาญในการวิเคราะห์ว่าโมเดลทำงานอย่างไร และที่สำคัญกว่านั้น ควรปรับปรุงอย่างไร

เช่น นักวิจัยอาจสังเกตว่าโมเดลแยกแยะภาพสุนัขได้ดี แต่ไม่แม่นยำกับ ฮอตด็อก วิธีแก้ไขโดยทั่วไปคือเพิ่มหรือกระจายภาพฮอตด็อกให้หลากหลายขึ้น

บางครั้งโมเดลแชทอาจมีปัญหาในการจดจำข้อมูลจากข้อความก่อนหน้า นักวิจัยมักจะแก้ไขโดยปรับโครงสร้างหรือวิธีสร้างข้อความของโมเดลในระดับลึก

ข้อดีของ AI แบบ Human-in-the-Loop

AI อาจเก่งในการจับรูปแบบที่ซับซ้อน แต่คนเราก็ ฉลาด

HITL คือการผสมผสานความละเอียดอ่อนของมนุษย์เข้ากับประสิทธิภาพของ AI workflow automation เพื่อให้คำตอบตรงกับประสบการณ์ที่ผู้ใช้และผู้ให้บริการต้องการ

1. ความแม่นยำและความน่าเชื่อถือ

ข้อนี้ชัดเจนมาก อะไรจะดีกว่า AI ธรรมดา? ก็ AI ที่ผ่านการแก้ไขโดยมนุษย์นั่นเอง

ไม่เพียงแต่จะรับมือกับกรณีขอบเขตได้ดีขึ้น แต่ยัง น่าเชื่อถือ เพราะผู้ใช้มั่นใจได้ว่าผลลัพธ์จะถูกตรวจสอบและปรับปรุงอย่างต่อเนื่อง

2. ลดอคติ

ข้อมูลไม่สมบูรณ์แบบ ผลลัพธ์ของโมเดลก็จะสะท้อนสิ่งนั้น อคติ—การโน้มเอียงไปทางผลลัพธ์บางอย่าง—เป็นปัญหาทั่วไปใน machine learning และ AI

เช่น การสร้างภาพที่มีอคติทางเชื้อชาติ หรือการคัดเลือกงานโดยดูจากเพศ เป็นตัวอย่างที่ AI สะท้อนอคติในข้อมูลฝึก

HITL ช่วยให้มนุษย์สามารถแจ้งปัญหาเหล่านี้และนำโมเดลไปสู่ผลลัพธ์ที่ยุติธรรมขึ้น

3. การปรับปรุงอย่างต่อเนื่องและความยืดหยุ่น

การฝึกโมเดลไม่ได้จบแค่ตอนนำไปใช้งานจริง HITL เปิดโอกาสให้โมเดลฝึกกับข้อมูลใหม่ ๆ เพื่อให้เข้าใจกรณีที่ไม่เคยเจอมาก่อน

ตัวอย่างเช่น การแก้ไขข้อความที่ AI สร้างขึ้น หรือ ติดตามการเลือกเนื้อหาของผู้ใช้ จะเพิ่มข้อมูลใหม่ให้โมเดลนำไปปรับปรุง

แต่แค่ปรับปรุงโมเดลอย่างเดียวไม่พอ มันควรเปลี่ยนแปลงได้ด้วย

เรามักมองข้ามว่ามนุษย์ปรับตัวกับโลกที่เปลี่ยนแปลงตลอดเวลาได้อย่างไร แต่กับ AI เรื่องนี้ไม่ใช่เรื่องปกติ HITL ผสมผสานความเชี่ยวชาญและวิจารณญาณเพื่อให้ผลลัพธ์ของโมเดลสอดคล้องกับยุคสมัย

4. ความโปร่งใสและความไว้วางใจ

การมีมนุษย์เข้ามาเกี่ยวข้องทำให้การตัดสินใจของ AI โปร่งใสมากขึ้น เมื่อมีคนคอยแก้ไขผลลัพธ์หรือจัดการกรณีที่ AI ไม่มั่นใจ ผู้ใช้ก็สบายใจได้ว่ากำลังโต้ตอบกับอัลกอริทึมที่มีเหตุผล

มันทำให้เรายังคงควบคุม AI ได้ ไม่ใช่ถูก AI ควบคุม

กรณีการใช้ Human-in-the-Loop

1. รถยนต์ไร้คนขับ

ด้วยมูลค่าตลาดที่คาดว่าจะสูงถึง 3.9 ล้านล้านดอลลาร์สหรัฐ ในทศวรรษหน้า รถยนต์ไร้คนขับอาจเป็นก้าวสำคัญถัดไปของ AI โดยใช้โมเดลตรวจจับวัตถุและการตัดสินใจแบบเรียลไทม์เพื่อจำลองการขับขี่ของมนุษย์

แต่สำหรับสิ่งที่ดูเหมือนจะไม่ต้องใช้มือเข้าไปยุ่ง กลับต้องพึ่งพามนุษย์อยู่มาก โมเดลเหล่านี้คอยสังเกตพฤติกรรมการขับขี่ของมนุษย์อยู่ตลอดเวลา และเปรียบเทียบการตัดสินใจของตัวเองกับการคาดการณ์ของตัวเอง

2. ค้าปลีก

แชทบอทสำหรับค้าปลีก เป็นวิธีที่ยอดเยี่ยมในการทำให้การสื่อสารกับลูกค้าเป็นอัตโนมัติ พร้อมกับยังคงมอบประสบการณ์ที่เป็นส่วนตัว HITL ช่วยให้คุณรักษาความราบรื่นและสอดคล้องกับธุรกิจของคุณ ตัวอย่างเช่น คุณสามารถ:

• ตรวจสอบและแก้ไขคำแนะนำสินค้าโดยบอท
• ให้ลูกค้าแจ้งความต้องการเบื้องต้นก่อนส่งต่อไปยังเจ้าหน้าที่มนุษย์

3. การเงิน

แชทบอทด้านการเงิน เป็นวิธีที่ดีในการผสานระหว่างระบบอัตโนมัติของ AI และความเชี่ยวชาญของมนุษย์

ระบบตรวจจับการฉ้อโกงนั้นเก่งในการค้นหากิจกรรมที่น่าสงสัยในการทำธุรกรรม แต่ไม่ใช่ทุกกิจกรรมที่น่าสงสัยจะเป็นอันตราย และคุณก็คงไม่อยากให้บัตรของคุณถูกระงับทุกครั้งที่เปลี่ยนเมนูกาแฟ

HITL สามารถส่งต่อกรณีที่ไม่แน่ใจและมีความเสี่ยงต่ำให้มนุษย์ตรวจสอบได้

การประเมินความเสี่ยงของเงินกู้ก็เป็นอีกด้านที่ AI ทำได้ดี—เพราะสามารถคำนวณความน่าจะเป็นจากข้อมูลที่ดูเหมือนไม่เกี่ยวข้องกันได้มากมาย แต่ข้อมูลเหล่านั้นก็มักจะมีอคติแฝงอยู่ด้วย

การรักษาความเป็นธรรมและลดอคติมักต้องอาศัยมนุษย์เข้ามาช่วย

4. การดูแลสุขภาพ

ผู้ใช้ reddit ที่รอดชีวิตเพราะ Claude จะเป็นคนแรกที่ยืนยันถึงศักยภาพของ AI ในวงการแพทย์

แชทบอททางการแพทย์ได้แสดงให้เห็นถึงศักยภาพบางส่วนของ AI แต่จริง ๆ แล้วมันไปได้ไกลกว่านั้น เช่น ช่วยวินิจฉัยจากผล MRI หรือแนะนำการติดตามผลจากผลตรวจต่าง ๆ แต่ฉันยังไม่พร้อมจะไว้ใจให้ AI แทนแพทย์ทั้งหมด

HITL ช่วยผสมผสานข้อดีทั้งสองด้าน: ตรวจจับกรณีที่แพทย์อาจพลาด ขณะเดียวกันก็ยังให้แพทย์เป็นผู้ตัดสินใจขั้นสุดท้าย

เริ่มใช้ AI ที่ผสมผสานมนุษย์ได้แล้ววันนี้

Botpress มีบอทนับพันที่ถูกใช้งานพร้อมระบบดูแลโดยมนุษย์อย่างไร้รอยต่อ และเป็นแพลตฟอร์มเอเจนต์ AI ที่ยืดหยุ่นที่สุดในตลาด

Botpress มาพร้อมกับการเชื่อมต่อ HITL, เครื่องมือสร้างแบบลากวาง และรองรับการใช้งานในทุกช่องทางสื่อสารยอดนิยม (รวมถึง Slack, Telegram, WhatsApp, เว็บ) ดังนั้นการใช้ AI จึงไม่จำเป็นต้องเสียความเป็นมนุษย์ไป

เริ่มสร้างได้เลยวันนี้ ฟรี!

คำถามที่พบบ่อย

จะรู้ได้อย่างไรว่าระบบ AI ของฉันต้องมีมนุษย์เข้ามามีส่วนร่วมด้วยหรือไม่?

ระบบ AI ของคุณอาจต้องมีมนุษย์เข้ามามีส่วนร่วม หากต้องตัดสินใจที่มีความเสี่ยงสูง เจอสถานการณ์ที่คลุมเครือหรือเกิดขึ้นไม่บ่อย มีโอกาสสร้างผลลัพธ์ที่มีอคติหรือเป็นอันตราย หรือทำงานในบริเวณที่ต้องการความแม่นยำและวิจารณญาณของมนุษย์เพื่อความถูกต้องตามกฎหมายหรือความไว้วางใจจากลูกค้า

Human-in-the-loop สามารถใช้ในกระบวนการทางธุรกิจที่ไม่ใช่ด้านเทคนิคได้หรือไม่ หรือใช้ได้เฉพาะกับโมเดล AI เท่านั้น?

Human-in-the-loop สามารถนำไปใช้กับกระบวนการทางธุรกิจที่ไม่ใช่ด้านเทคนิค เช่น การตรวจสอบข้อร้องเรียนของลูกค้าหรือการกลั่นกรองเนื้อหา เพราะหมายถึงการนำวิจารณญาณของมนุษย์มาเสริมในกระบวนการอัตโนมัติที่การตัดสินใจของเครื่องจักรอาจยังไม่เพียงพอ

การใช้ human-in-the-loop หมายความว่าระบบ AI ของฉันล้าสมัยหรือไม่?

การใช้ human-in-the-loop ไม่ได้หมายความว่าระบบ AI ของคุณล้าสมัย แต่แสดงว่าคุณให้ความสำคัญกับความปลอดภัยและความเป็นธรรม โดยผสมผสานความเร็วและการรู้จำรูปแบบของ AI เข้ากับวิจารณญาณของมนุษย์สำหรับการตัดสินใจที่ซับซ้อน ซึ่งมักเป็นสิ่งจำเป็น

AI แบบ human-in-the-loop คุ้มค่าสำหรับธุรกิจขนาดเล็กหรือเหมาะกับองค์กรขนาดใหญ่เท่านั้น?

AI แบบ human-in-the-loop มีความคุ้มค่ามากขึ้นสำหรับธุรกิจขนาดเล็ก เพราะเครื่องมือสมัยใหม่ช่วยให้คุณเลือกใช้มนุษย์เฉพาะในกรณีที่ซับซ้อน ลดต้นทุนแรงงานแต่ยังเพิ่มความแม่นยำและความน่าเชื่อถือโดยไม่ต้องมีทีมงานขนาดใหญ่

การเพิ่มกระบวนการ human-in-the-loop ในระบบ AI มีค่าใช้จ่ายเท่าไหร่?

การเพิ่มกระบวนการ human-in-the-loop อาจมีค่าใช้จ่ายตั้งแต่เล็กน้อย—หากใช้พนักงานภายในเป็นครั้งคราว—ไปจนถึงสูงมาก หากต้องการผู้ตรวจสอบเฉพาะทางหรือผู้รับจ้างพิเศษ โดยค่าใช้จ่ายขึ้นอยู่กับปริมาณและความซับซ้อนของงานที่มนุษย์ต้องรับผิดชอบ