Human-in-the-Loop Machine Learning bindet menschliche Expertise in KI-Trainings- und Entscheidungsprozesse ein, um Ergebnisse robuster und nachvollziehbarer zu machen. Der Ansatz wird vor allem in sicherheitskritischen Bereichen wie Medizin, Industrie und autonomer Mobilität eingesetzt.

Human-in-the-Loop Machine Learning (HITL-ML) bezeichnet einen Ansatz des maschinellen Lernens, bei dem menschliche Expertise gezielt in den Trainings- und Einsatzprozess Künstlicher Intelligenz (KI) integriert wird. Im Gegensatz zu vollständig autonomen KI-Systemen, die ausschließlich datengetrieben operieren, ermöglicht HITL-ML eine kontinuierliche Interaktion zwischen Mensch und Maschine. Menschliche Nutzer können Modelle korrigieren, Feedback geben, Unsicherheiten bewerten oder Entscheidungen validieren. Dadurch lassen sich insbesondere bei unvollständigen, verrauschten oder mehrdeutigen Daten robustere und nachvollziehbarere Ergebnisse erzielen.

Grafik: KI-Bild via FKIE

Technisch basiert HITL-ML auf iterativen Lernprozessen, bei denen menschliche Rückmeldungen gezielt dort eingebunden werden, wo KI-Modelle hohe Unsicherheit aufweisen. Verfahren des Active Machine Learning ermöglichen es, menschliche Eingriffe auf besonders informationsreiche Datenpunkte zu fokussieren und so den Aufwand für Annotationen zu minimieren. Ein prominentes Beispiel ist das sogenannte Reinforcement Learning from Human Feedback, das beim Training großer Sprachmodelle breite Anwendung findet. HITL-ML verbindet damit die Skalierbarkeit datengetriebener Verfahren mit menschlichem Kontextverständnis, Intuition und normativen Bewertungen.