Waarom is dit belangrijk?
Besluiten over geld of werk kunnen zorgvuldiger worden als een mens het voorstel van een algoritme kan corrigeren voordat het vaststaat. Banken en werkgevers passen human-in-the-loop toe bij kredietaanvragen en sollicitaties, zodat iemand niet alleen door een model wordt afgewezen. Voor burgers en werknemers blijft zo een persoon aanspreekbaar op het besluit, al helpt die stap weinig wanneer de controleur het systeem niet begrijpt of het advies zonder nadenken volgt.
Zo werkt het in de praktijk
Verkeersleiders van de Federal Aviation Administration testen nieuwe automatische procedures met gesimuleerd vliegverkeer. Aankomende piloten sturen in een vluchtsimulator de afloop van de oefening. Bij NIST labelen mensen technische documenten, terwijl de software lastige stukken aanwijst.
Het National Institute of Standards and Technology onderzoekt in hoeverre machine learning een mens helpt bij inhoudsanalyse. De proefopstelling combineert actief leren met topic modeling, een groepering van teksten op thema. Gebruikersstudies toetsen of die machinehulp nuttig is.
Human-in-the-loop werkt bij modelbouw zo: mensen kiezen de belangrijkste gegevens. Die keuze is gerichter dan een willekeurige selectie. Actief leren is de werkwijze waarbij het systeem de voorbeelden zoekt die een mens moet beoordelen.




