Human-in-the-Loop bezeichnet einen Ansatz in der Künstlichen Intelligenz und dem maschinellen Lernen, bei dem Menschen aktiv in den Lernprozess von Modellen eingebunden sind. Durch die Einbindung menschlicher Expertise können Maschinen besser auf komplexe Aufgaben abgestimmt und in ihrer Genauigkeit verbessert werden. HITL umfasst verschiedene Interaktionsformen, in denen Menschen beispielsweise Daten annotieren (Active Learning), gezielt Wissen vermitteln (Machine Teaching), oder den Lernprozess interaktiv unterstützen (Interactive Machine Learning). Zusätzlich zur Verbesserung der Modellgenauigkeit fördert HITL auch das Verständnis und die Transparenz von Modellen, da es Menschen Einsicht in die Entscheidungsprozesse des Modells gibt.

Quelle:

Wu, X., Xiao, L., Sun, Y., Zhang, J., Ma, T., & He, L. (2022). A survey of human-in-the-loop for machine learning. Future Generation Computer Systems, 135, 364-381.

Mosqueira-Rey, E., Hernández-Pereira, E., Alonso-Ríos, D., Bobes-Bascarán, J., & Fernández-Leal, Á. (2023). Human-in-the-loop machine learning: a state of the art. Artificial Intelligence Review, 56(4), 3005-3054.