Ga naar de hoofdinhoud
BVDNET
Arnhem · websites & automatiseringBVDNET
Veiligheid & Ethiek

Human-in-the-Loop (HITL)

Human-in-the-Loop integreert menselijk oordeel in AI-workflows voor validatie, correctie en feedback — essentieel voor AI-toepassingen met hoge inzet.

Ook bekend als: HITL, mens-in-de-lus, human oversight, human review

Wat is Human-in-the-Loop?

Human-in-the-loop (HITL) is een AI-ontwerppatroon waarbij menselijk toezicht, feedback of goedkeuring is ingebouwd in het AI-beslissingsproces. In plaats van het model volledig autonoom te laten opereren, behoudt een mens controle op kritieke punten — van het labelen van trainingsdata tot het goedkeuren van acties in productie.

Waarom het ertoe doet

AI-modellen zijn krachtig maar niet onfeilbaar. Bij hoog-risicobeslissingen — medische diagnoses, kredietbeoordelingen, juridische analyses — is menselijk toezicht essentieel. HITL is ook de kern van RLHF (Reinforcement Learning from Human Feedback), de techniek waarmee ChatGPT en Claude zijn afgestemd op menselijke voorkeuren.

Hoe het werkt

Drie fasen van HITL:

1. Training (data-labeling):

  • Mensen labelen trainingsdata (correct/incorrect, categorie, kwaliteit)
  • Active learning: het model selecteert de meest informatieve voorbeelden voor menselijke beoordeling
  • RLHF: mensen rangschikken modeloutputs op kwaliteit

2. Validatie (quality assurance):

  • Menselijke reviewers controleren modeloutput voor deployment
  • Red teaming: experts proberen het model te breken
  • A/B-testen met menselijke evaluatie

3. Productie (runtime toezicht):

  • Model genereert voorstel, mens keurt goed of wijst af
  • Escalatie naar mens bij lage confidence of hoog-risicobeslissingen
  • Menselijke override-mogelijkheid bij alle AI-beslissingen

Autonomieniveaus:

  • Volledig menselijk — AI doet suggesties, mens besluit altijd
  • Human-in-the-loop — AI besluit, mens controleert bij risico
  • Human-on-the-loop — AI opereert autonoom, mens monitort en grijpt in bij problemen
  • Volledig autonoom — geen menselijk toezicht

Best practices:

  • Definieer duidelijke escalatiecriteria
  • Zorg dat menselijke reviewers de AI-beslissing kunnen begrijpen (explainability)
  • Monitor menselijke override-rates als kwaliteitsmetriek

Voorbeeld

Een medisch AI-systeem analyseert röntgenfoto's en markeert mogelijke fracturen. Bij hoge zekerheid (>95%) wordt de diagnose automatisch doorgestuurd naar het dossier met de markering "AI-ondersteund." Bij lagere zekerheid verschijnt de scan in de wachtrij van een radioloog voor menselijke beoordeling. De arts behoudt altijd het laatste woord.