J'ai essayé d'implémenter Human In The Loop - Partie ① Tableau de bord -

introduction

Human in the loop (HITL) consiste à intervenir dans les opérations humaines dans le jugement et le contrôle de l'IA, et est considéré comme l'un des moyens de mise en œuvre sociale de l'IA où le contrôle qualité est difficile. [Référence 1] Dans cet article, j'aimerais implémenter un modèle d'apprentissage automatique, un tableau de bord pour la surveillance et un outil de vérification avec une simple application WEB afin de pouvoir saisir l'image de HITL. (Programmé 3 fois au total) Dans HITL, un tableau de bord qui vous permet de vérifier les données réelles et le comportement de l'IA en même temps est efficace pour la surveillance, donc cette fois dans la partie 1, nous allons fixer des objectifs, introduire les données d'utilisation et mettre en œuvre un tableau de bord de surveillance.

Table des matières de l'implémentation HITL
Partie ① Tableau de bord ← Cette fois Outil de vérification de la pièce Partie ③ HITL (① et ② + mécanisme de réapprentissage des modèles)

■ Résultat de la mise en œuvre ■ Environnement

Python 3.7.7 dash 1.16.1 dash-bootstrap-components 0.10.7 dash-core-components 1.12.1 dash-html-components 1.1.1 dash-renderer 1.8.1 dash-table 4.10.1 plotly 4.10.0 Flask 1.1.2 lightgbm 3.0.0

fixation de l'objectif

Différentes constructions de HITL sont attendues en fonction de la tâche, mais dans cette série, nous adopterons celle basée sur la détection d'anomalies.

■ Implémentez les éléments suivants dans l'application WEB

--Surveillance

Tableau de bord (graphique) --Modèle d'apprentissage automatique
Détection d'anomalie connue avec modèle supervisé
Modèle de détection
Détection inconnue sans modèle d'enseignant (inconnu sans vérification de normal ou anormal)
Vérification d'expert
Mis en œuvre avec la connaissance des outils d'annotation --Vérifiez si le vérificateur est normal ou anormal pour la partie de détection inconnue --Scénario
Le modèle de détection est inconnu (le modèle d'apprentissage automatique est jugé anormal)
Le vérificateur vérifie la partie de détection inconnue et détermine qu'elle est normale. --Recevoir le jugement et recycler la partie concernée afin que le modèle le juge normal.

Données d'utilisation

L'implémentation a utilisé les données de Kaggle's Credit Card Fraud Detection. [Référence 2]

Ces données sont des données déséquilibrées avec la variable objective d'utilisation frauduleuse de cartes de crédit, et sont souvent utilisées pour essayer des modèles de détection d'anomalies.

Les données d'origine incluent les données PCA de V1 à V28. Puisque le but de cette fois est une démonstration pour saisir l'image, la quantité de caractéristique d'entrée est fixée à 2 variables (V4, V14) * afin qu'elle soit facile à comprendre une fois visualisée.

Nous avons confirmé à l'avance que certaines utilisations non autorisées ne peuvent être détectées qu'avec V4 et V14.

Dans la démo, nous surveillerons, vérifierons et réapprendrons artificiellement les données ci-dessus ainsi que les données normales inconnues. Les données normales inconnues créées artificiellement doivent satisfaire aux conditions suivantes dans le scénario.

① Le modèle supervisé détecte à tort (détermine à tort qu'il est anormal) (2) Le modèle de détection peut être détecté (c'est-à-dire que les données artificielles sont clairement différentes des données d'apprentissage d'origine) ③ Même en cas de réapprentissage, le modèle supervisé peut conserver le jugement d'anomalie existant

Sur la base de ce qui précède, nous avons créé les données de démonstration. (Moins que) (1 à 8s: connu (anormal à 3s), 9 à 11s: inconnu, répété deux fois)

Technologie utilisée

Décrit le cadre et le modèle utilisés pour la mise en œuvre.

■ Partie visualisation

flask
Framework d'application Web léger --Transfert entre l'application WEB et le serveur par fonction de routage
Dash
Framework d'application Web spécialisé dans la visualisation [Référence 5] --Une extension de flacon avec une sensation de codage similaire
plotly
Cadre de visualisation interactif [Référence 6] --Avec Bokeh parmi les frameworks similaires en Python

■ Modèle d'apprentissage automatique, modèle de détection

--Modèle d'apprentissage automatique - LightGBM --Afficher le score de la classification binaire (normal: 0, invalide: 1)

Dans un premier temps, utilisez ce que vous avez appris à l'avance
Modèle de détection
- KNN
La distance de proximité est définie comme le degré d'anomalie, et le seuil est coupé et binarisé (normal: 0, inconnu: -1).
Dans un premier temps, utilisez ce que vous avez appris à l'avance

la mise en oeuvre

Nous allons l'implémenter séparément ci-dessous.

1. Tableau de bord ← cette fois
Outil de vérification
1. HITL ((1) et (2) + mécanisme de réapprentissage du modèle)

1. 1. Tableau de bord

■ Détails de mise en œuvre

--Objectif: tableau de bord simple (graphique + α) --Entrée: données de table (fichier csv)

Sortie: données de vérification avec un score d'anomalie élevé (observé)
Jugement d'anomalie: affichez le score d'anomalie du modèle côte à côte avec les données réelles --Autre: mise à jour en temps réel
- Α: En plus des graphiques, des graphiques circulaires, des distplots, des graphiques à barres et des tableaux sont implémentés ici.

■ Image de mise en œuvre

■ Résultat de la mise en œuvre

Sommaire

Cette fois, nous avons implémenté un tableau de bord à utiliser pour la surveillance dans Human In The Loop. Le tableau de bord visualise les informations de données réelles et le score de l'IA en temps réel, ce qui permet de mieux comprendre où l'IA se concentre sur les données réelles. (Dans ces données, AI semble juger qu'il est invalide lorsque V4 est positif et V14 est négatif) En utilisant Dash et de manière intrigue, j'ai trouvé qu'il était relativement facile de coder les parties HTML et CSS. Surtout, j'aimerais que vous éprouviez le sentiment que vous pouvez facilement implémenter une telle application WEB qui fonctionne en temps réel.

Si vous avez des améliorations ou des questions, je vous serais reconnaissant de bien vouloir commenter.

référence

Une IA humaine dans la boucle qui crée une entreprise, une société et un avenir meilleurs https://note.com/masayamori/n/n2764e3cecc05
Kaggle - Credit Card Fraud Detection https://www.kaggle.com/mlg-ulb/creditcardfraud
Créez une application Web qui permet l'apprentissage automatique avec Dash [Étape 1] https://wimper-1996.hatenablog.com/entry/2019/10/28/dash_machine_learning1

Je l'ai utilisé comme référence lors du traitement des données de table dans Dash.

Code publié http://github.com/utmoto
Dash https://dash.plotly.com/
plotly https://plotly.com/