Mens-in-de-lus

Definitie

Human-in-the-loop (HITL) verwijst naar systemen waarbij menselijk oordeel is geïntegreerd in AI-workflows voor taken zoals training, evaluatie of besluitvorming.

Doel

Het doel is om menselijke expertise te combineren met de efficiëntie van AI. Dit garandeert kwaliteit, ethisch toezicht en veiligheid in gevoelige toepassingen.

Belang

• Vermindert fouten in domeinen met een hoog risico (bijv. gezondheidszorg, defensie).
• Verbetert de training door menselijke feedback.
• Zorgt voor verantwoording in geautomatiseerde systemen.
• Langzamer en duurder vergeleken met volledige automatisering.

Hoe het werkt

1. Definieer de gebieden waar menselijk toezicht nodig is.
2. Verzamel AI-uitkomsten of suggesties.
3. Mensen valideren, corrigeren en geven feedback.
4. Feedback wordt geïntegreerd om modellen opnieuw te trainen of te verfijnen.
5. Houd toezicht op de systeemprestaties met voortdurende menselijke controle.

Voorbeelden (echte wereld)

• Moderatie van inhoud: mensen beoordelen de door AI gemarkeerde berichten.
• Medische AI: artsen valideren door AI gegenereerde diagnoses.
• Reinforcement Learning from Human Feedback (RLHF): traint taalmodellen zoals ChatGPT.

Referenties / Verder lezen

• Amershi et al. “Macht aan het volk: de rol van mensen in interactief machinaal leren.” AI Magazine.
• NIST AI-risicomanagementkader.
• IEEE-normen voor Human-in-the-Loop-systemen.
• Inzicht in de menselijke in-de-lus