Kecerdasan buatan dapat memproses jumlah data yang sangat besar dengan kecepatan luar biasa, tetapi sering kali mengalami kesulitan dengan ambigu, bias, dan kasus tepi yang berada di luar data pelatihannya [S1, S2]. Human-in-the-Loop (HITL) adalah pendekatan strategis yang mengintegrasikan kecerdasan manusia secara langsung ke dalam alur kerja AI untuk mengatasi kesenjangan ini [S3, S5]. Alih-alih menggantikan manusia, HITL memperlakukan AI sebagai alat untuk memperkuat kemampuan manusia [5]. Dengan menciptakan loop umpan balik yang kontinu, organisasi dapat menggabungkan skala otomatisasi dengan penalaran etik manusia dan pemahaman kontekstual [S1, S6].
Bagaimana Alur Kerja HITL Bekerja
Sistem HITL beroperasi melalui siklus interaksi di mana manusia memandu, meninjau, dan menyempurnakan output AI [3]. Proses ini biasanya terjadi dalam tiga fase utama [1]. Pertama, selama fase pelatihan, manusia memberi label atau mengannotasi data mentah untuk membuat dataset dasar, seperti menandai email sebagai spam atau bukan spam [1]. Kedua, dalam fase inferensi, model yang telah dilatih memprediksi hasil untuk data baru [1]. Ketiga, dalam fase umpan balik, manusia meninjau prediksi ini dan memberikan koreksi yang digunakan untuk melatih ulang atau menyesuaikan model [1]. Mekanisme teknis berbeda menggerakkan pembelajaran ini. Pembelajaran terawasan bergantung pada manusia untuk memberi label contoh agar model dapat mengenali pola [1]. Pembelajaran Penguatan dari Umpan Balik Manusia (RLHF) menggunakan penilaian manusia untuk menyelaraskan perilaku AI dengan nilai dan preferensi manusia [1]. Selain itu, pembelajaran aktif memungkinkan AI untuk menandai hanya kasus yang paling ambigu untuk ditinjau manusia, sehingga proses pembelajaran menjadi lebih efisien [1].
Model Implementasi Praktis
TerGantung pada urgensi dan risiko tugas, HITL diimplementasikan menggunakan pola operasional yang berbeda [5]. Intervensi waktu nyata terjadi ketika sistem jeda atau mengeskalasi tugas ke operator manusia segera [5]. Hal ini umum terjadi dalam skenario berisiko tinggi seperti deteksi penipuan dalam transaksi keuangan atau bantuan diagnosis medis [5]. Dalam kasus ini, AI mungkin memicu peringatan ketika skor kepercayaannya jatuh di bawah ambang tertentu [5]. Pengolahan batch melibatkan manusia meninjau dan memvalidasi keputusan AI setelah dibuat tetapi sebelum resmi dilaksanakan [5]. Ini lebih cocok untuk tugas yang tidak memerlukan respons langsung, seperti peninjauan dokumen hukum atau pemastrian kualitas dalam manufaktur [5].
Kompromi Pengawasan Manusia
Mengintegrasikan manusia ke dalam loop memberikan jaringan keamanan kritis, tetapi juga memperkenalkan tantangan operasional baru [2]. Dari sisi positif, HITL meningkatkan akurasi dan keandalan dengan menangkap kesalahan model dalam situasi langka atau tidak terduga [S1, S2]. Ia juga menyediakan lapisan penalaran etik yang diperlukan untuk dilemma kompleks dalam perawatan kesehatan atau keadilan yang tidak dapat diselesaikan oleh mesin [S1, S2]. Selain itu, ia membuat jejak audit mengapa keputusan dibatalkan, yang mendukung kepatuhan hukum dan transparansi [2]. Namun, manfaat ini datang dengan biaya. Anotasi manusia dapat lambat dan mahal, potensial menjadi bottleneck seiring peningkatan volume data [2]. Ada juga risiko kesalahan manusia; anotator dapat lelah atau teralihkan perhatian, dan berbagai orang dapat menginterpretasikan data subjektif secara tidak konsisten [2].
Aplikasi Berisiko Tinggi dan Regulasi
Karena risiko yang terkait dengan sistem otonom penuh, beberapa industri dan hukum kini mewajibkan pengawasan manusia [S2, S3]. Di sektor seperti keuangan dan kedokteran, HITL mengurangi efek “kotak hitam” dengan membuat penalaran di balik output AI lebih jelas [2]. Ini esensial untuk mempertahankan kepercayaan dan memastikan bahwa AI tidak memperkuat bias yang tertanam dalam data pelatihan [S2, S5]. Kerangka regulasi juga mencodifikasi persyaratan ini. Sebagai contoh, Undang-Undang AI Uni Eropa menentukan bahwa sistem AI berisiko tinggi harus dirancang agar dapat diawasi secara efektif oleh orang alamiah [2]. Pengawasan ini mencakup kemampuan untuk berintervensi, mengganti, atau memantau sistem secara real-time guna mencegah risiko terhadap kesehatan, keamanan, atau hak fundamental [2]. Jika Anda menerapkan AI di lingkungan yang terregulasi, evaluasi tahap mana dalam alur kerja Anda yang memerlukan titik kontrol manusia yang wajib untuk memastikan kepatuhan dan keselamatan.
Sumber
- Manusia dalam Loop (HITL) - GeeksforGeeks
- Apa itu Pendekatan Manusia dalam Loop: Panduan Komprehensif tentang HITL …
- Apa Itu Manusia dalam Loop (HITL)? | IBM
- AI Manusia dalam Loop (HITL) - Panduan Lengkap tentang Manfaat, Praktik Terbaik …
- Manusia dalam loop - Wikipedia
- Manusia dalam Loop | Springer Nature Link
