ह्यूमन इन द लूप क्या है? लोग AI वर्कफ़्लो को कैसे बेहतर बनाते हैं

ह्यूमन इन द लूप (HITL) AI मॉडल्स में इस्तेमाल होने वाला एक वर्कफ़्लो है, जो स्पष्ट ऑपरेशनल सीमाओं के आधार पर कामों को ऑटोमेटेड सिस्टम्स और मानव विशेषज्ञों के बीच बांटता है। HITL सिस्टम में AI अनुमानित, नियम-आधारित काम संभालता है, जबकि जटिल फैसलों, अनुपालन आवश्यकताओं और विशेष मामलों की जिम्मेदारी मानव विशेषज्ञों के पास रहती है।

व्यवसायों के लिए, HITL रोज़मर्रा के काम ऑटोमेट करने का व्यावहारिक तरीका देता है, साथ ही जहाँ लोगों के निर्णय की ज़रूरत हो, उन्हें शामिल रखता है। एक AI एजेंट अकाउंट की जानकारी देख सकता है, क्लेम की जानकारी जुटा सकता है, ऑनबोर्डिंग फ़ॉर्म भेज सकता है या अपॉइंटमेंट बुक कर सकता है। फिर वह अनिश्चित या संवेदनशील मामले को किसी व्यक्ति के रिव्यू, मंज़ूरी, सुधार या संभालने के लिए फ़्लैग कर सकता है। 

लाइव वर्कफ़्लो के अलावा, HITL मशीन लर्निंग डेवलपमेंट में भी लागू होता है। लोग ट्रेनिंग डेटा को लेबल कर सकते हैं, मॉडल आउटपुट का मूल्यांकन कर सकते हैं, गलतियाँ सुधार सकते हैं या मॉडल की परफॉर्मेंस बेहतर बनाने वाला फ़ीडबैक दे सकते हैं। इस संदर्भ में, व्यक्ति लाइव बिज़नेस वर्कफ़्लो के बजाय मॉडल की ट्रेनिंग या सुधार प्रक्रिया का हिस्सा होता है। 

इस लेख में हम बताएंगे कि AI सिस्टम्स और वर्कफ़्लो में मानवीय भागीदारी कहाँ होनी चाहिए, यह क्यों मायने रखती है और व्यवहार में प्रभावी HITL कैसा दिखता है। 

सारांश

• ह्यूमन-इन-द-लूप AI पहले से तय जिम्मेदारियों के आधार पर वर्कफ़्लो को AI और लोगों के बीच बांटता है।
• टीमें वर्कफ़्लो में मानवीय रिव्यू, मंज़ूरियां, हैंडऑफ़ और एक्सेप्शन पाथ शामिल करती हैं, फिर डिप्लॉयमेंट के बाद ज़रूरत के अनुसार इन नियमों को बेहतर बनाती हैं।
• HITL ऑटोमेशन को ज़रूरत के अनुसार मानवीय निर्णय के साथ जोड़कर सटीकता, दक्षता और जोखिम प्रबंधन बेहतर कर सकता है।

ह्यूमन इन द लूप क्या है?

ह्यूमन इन द लूप एक ऐसा सिस्टम है जिसमें कोई व्यक्ति मैन्युअली फैसले लेने या AI वर्कफ़्लो की निगरानी करने के लिए प्रक्रिया में सक्रिय रूप से शामिल होता है। यह ऑटोमेटेड टास्क हैंडलिंग को ऐसे बिल्ट-इन नियमों के साथ जोड़ता है, जो तय शर्तें पूरी होने पर वर्कफ़्लो को रोक देते हैं या किसी व्यक्ति को सौंप देते हैं।

मानवीय भागीदारी वर्कफ़्लो का पहले से तय हिस्सा हो सकती है या ऐसी स्थितियों की प्रतिक्रिया हो सकती है जिन्हें AI को खुद नहीं संभालना चाहिए। टीमें नीति, जोखिम, ग्राहक अनुभव और शामिल निर्णय के प्रकार के आधार पर इन मानवीय टचपॉइंट्स को पहले से तय करती हैं। 

आम मानवीय टचपॉइंट्स में शामिल हैं: 

• ज़रूरी रिव्यू और मंज़ूरियां: कोई व्यक्ति उन फैसलों की समीक्षा करता है या उन्हें मंज़ूरी देता है जिनमें वित्तीय, कानूनी, अनुपालन या ऑपरेशनल जिम्मेदारी होती है।
• नियंत्रित चरण: एजेंटिक वर्कफ़्लो फैसलों या दस्तावेज़ों को योग्य कर्मचारियों तक भेजते हैं, जब कानून, नीतियां या पेशेवर मानक मानवीय भागीदारी की मांग करते हैं।
• संवेदनशील या उच्च-मूल्य संवाद: लोग उन बातचीत को संभालते हैं जहाँ बातचीत, आश्वासन, संबंध प्रबंधन या सावधानीपूर्ण निर्णय मायने रखते हैं।
• भूमिका की सीमाएं और अपवाद: ऐसे अनुरोध जो AI की निर्धारित भूमिका से बाहर हों, असामान्य परिस्थितियों से जुड़े हों या जिनके लिए कोई तय जवाब न हो, किसी व्यक्ति को भेजे जाते हैं।
• ग्राहक के अनुरोध पर हैंडऑफ़: ग्राहक किसी से बात करने के लिए कहे तो उसे लाइव टीम सदस्य के पास ट्रांसफर किया जा सकता है।
  
  

वर्कफ़्लो के दौरान स्थिति बदलने पर लोग डायनामिक रूप से भी लूप में आ सकते हैं। विरोधाभासी जानकारी, ग्राहक की नई चिंता या ऐसी परिस्थितियाँ जिनका अनुमान मूल नियमों में नहीं था, हैंडऑफ़ शुरू कर सकती हैं, भले ही काम शुरुआत में सामान्य रास्ते पर चल रहा हो।

किसी व्यक्ति के बीच में आने का यह मतलब नहीं कि ऑटोमेटेड प्रक्रिया को फिर से शुरुआत से शुरू करना होगा। टीम सदस्य के फैसला लेने या समस्या सुलझाने के बाद, AI अपडेट को रिकॉर्ड में सेव करता है, अगला ज़रूरी संवाद भेजता है और बाकी वर्कफ़्लो जारी रखता है।

मशीन लर्निंग में ह्यूमन-इन-द-लूप का क्या मतलब है?

ह्यूमन-इन-द-लूप मशीन लर्निंग HITL के समान सिद्धांत का उपयोग करती है, लेकिन डेवलपमेंट चरण के दौरान। लाइव वर्कफ़्लो में शामिल होने के बजाय, लोग मॉडल-डेवलपमेंट प्रक्रिया में तय बिंदुओं पर भाग लेते हैं। 

रिसर्चर ट्रेनिंग डेटा लेबल कर सकते हैं, मॉडल के जवाबों का मूल्यांकन कर सकते हैं, गलतियां सुधार सकते हैं या डिप्लॉयमेंट से पहले मॉडल के व्यवहार को बेहतर बनाने वाला फ़ीडबैक दे सकते हैं। जब सटीकता विशेष ज्ञान या निर्णय पर निर्भर हो, तो डोमेन एक्सपर्ट्स भी आउटपुट की समीक्षा कर सकते हैं। 

AI वर्कफ़्लो में लोगों को शामिल करने के मुख्य फ़ायदे

व्यवसायों के लिए, HITL का मतलब कम महंगी गलतियां, संवेदनशील या नियंत्रित मामलों को अधिक एकरूप ढंग से संभालना और उच्च-जोखिम वाले फैसलों पर AI को अनियंत्रित नियंत्रण दिए बिना रोज़मर्रा के काम को तेज़ी से पूरा करना हो सकता है।

यहाँ HITL सिस्टम्स के इस्तेमाल के कुछ मुख्य फ़ायदे और इस्तेमाल के मामले दिए गए हैं।

सटीकता और निर्णय की गुणवत्ता बेहतर बनाएं

HITL, संरचित कामों में AI की एकरूपता को उन हिस्सों में मानवीय निर्णय के साथ जोड़कर सटीकता और निर्णय की गुणवत्ता बेहतर करता है जिन्हें मॉडल अकेले भरोसेमंद ढंग से नहीं संभाल सकता। AI संरचित काम लगातार संभाल सकता है, फैसले के लिए ज़रूरी जानकारी जुटा सकता है और सामान्य जवाब या सुझाव तैयार कर सकता है।

Valiant का आफ्टर-आवर्स एजेंट, Sophia, संरचित जानकारी लेता है और ज़रूरत पड़ने पर मामलों को मानव ब्रोकर को सौंपता है। ElevenAgents पर बने Valiant के एजेंट ने कमर्शियल लोन इंटेंट में $1.5M से ज़्यादा की पहचान की, और Sophia ने आफ्टर-आवर्स कॉल्स में से लगभग 29% संभालीं।

जब जानकारी यह हो, तो मानवीय इनपुट निर्णय की गुणवत्ता बेहतर करता है:

• अधूरी या विरोधाभासी
• संदर्भ या व्याख्या पर निर्भर
• जिसमें बातचीत और संबंध बनाने
• विशेषज्ञता पर निर्भर

बेहतर नतीजे महंगी गलतियों और टाले जा सकने वाले दोबारा काम को कम कर सकते हैं, खासकर उन स्थितियों में जिनके वित्तीय, नियामकीय या ग्राहक-संबंधी परिणाम होते हैं।

जोखिम कम करें और अनुपालन में मदद करें

HITL संगठनों को अनुपालन जोखिम कम करने में मदद कर सकता है, क्योंकि यह सुनिश्चित करता है कि नियंत्रित या बड़े परिणाम वाले फैसले आगे बढ़ने से पहले सही व्यक्ति तक पहुंचें। 

AI प्रक्रियात्मक अनुपालन में इन तरीकों से मदद करता है:

• ज़रूरी दस्तावेज़ भेजकर।
• जानकारी इकट्ठा करके।
• यह जांचकर कि ज़रूरी फ़ील्ड पूरे हैं या नहीं।
• नीतियां या डिस्क्लोज़र प्राप्त करके।
• पूरे किए गए चरणों को रिकॉर्ड करके।
• मामलों को सही व्यक्ति तक भेजकर।

जब नियमों में व्याख्या की जरूरत हो, किसी अपवाद को सुलझाना हो या कानूनी रूप से जवाबदेह फैसला लेना हो, तब जिम्मेदारी लोगों की ही रहती है।

उदाहरण के लिए, UK की बीमा कंपनी Admiral ने अपने ग्राहक वॉइस एजेंट्स के लिए जानबूझकर दायरे की सीमाएं तय की हैं। Admiral संवेदनशीलता और बकाया भुगतान वाले मामलों को लोगों तक भेजता है और लॉन्च से पहले नियंत्रित AI वर्कफ़्लो को कड़े वैलिडेशन मानक पर जांचता है।

मानवीय विशेषज्ञता बचाते हुए दक्षता बढ़ाएं

AI दोहराए जाने वाले प्रशासनिक काम संभाल सकता है, जानकारी जुटा सकता है, रिकॉर्ड तैयार कर सकता है और हर चरण में व्यक्ति की जरूरत के बिना सामान्य मामलों को आगे बढ़ा सकता है। व्यवसायों के लिए, इसका परिणाम कम टर्नअराउंड समय, कम प्रशासनिक बैकलॉग और कर्मचारियों के लिए ग्राहकों, राजस्व या जोखिम पर सीधे असर डालने वाले काम संभालने की ज़्यादा क्षमता हो सकता है। 

Finch Legal ने ElevenAgents की मदद से कॉल सफलता दर 59% से बढ़ाकर 93% की और हर महीने 15k+ कॉल्स तक स्केल किया। इन प्रक्रियाओं को संभालने के लिए एजेंट लागू करने से मानव एजेंट्स ने पिछले डिप्लॉयमेंट्स की तुलना में फ़ोन पर लगभग छठा हिस्सा समय बिताया। लोगों को सिर्फ़ वहीं हस्तक्षेप करना पड़ा जहाँ मामले में उनकी विशेषज्ञता की ज़रूरत थी, जिससे वे उच्च-मूल्य वाले पलों के लिए उपलब्ध रहे।

ह्यूमन-इन-द-लूप सिस्टम्स की चुनौतियां और विचार

अच्छी तरह डिज़ाइन किया गया ह्यूमन-इन-द-लूप सिस्टम भी खराब हैंडऑफ़ या काम संभालने वाले व्यक्ति के पास कार्रवाई के लिए पर्याप्त संदर्भ न होने पर टूट सकता है। ऑटोमेटेड गति और मानवीय निगरानी में संतुलन वर्कफ़्लो डिज़ाइन पर निर्भर करता है। 

जब ह्यूमन-इन-द-लूप सिस्टम अपेक्षित रूप से काम नहीं करता, तो समस्या अक्सर उन नियमों में होती है जो तय करते हैं कि लोग प्रक्रिया में कब आएंगे और उन्हें कौन-सी जानकारी मिलेगी।

ह्यूमन-इन-द-लूप सिस्टम्स की कुछ मुख्य चुनौतियां ये हैं।

1. अस्पष्ट हैंडऑफ़ ट्रिगर्स

AI एजेंट्स को “मुश्किल मामले ट्रांसफर करें” या “असामान्य अनुरोध मानव एजेंट को भेजें” जैसे व्यक्तिपरक निर्देशों के साथ प्रोग्राम करने से अनावश्यक हैंडऑफ़ हो सकते हैं या AI ऐसी स्थिति में काम जारी रख सकता है जिसमें किसी व्यक्ति को शामिल होना चाहिए।

उदाहरण के लिए, किसी AI कस्टमर सर्विस एजेंट को “जटिल बिलिंग सवाल ट्रांसफर करें” कहने के बजाय, टीम ऐसा नियम बना सकती है: “जब ग्राहक किसी शुल्क पर विवाद करे और अकाउंट रिकॉर्ड मेल न खाएं, तो मामला हैंडऑफ़ करें।” विस्तृत गार्डरेल्स AI एजेंट्स को पालन करने के लिए स्पष्ट शर्तें देते हैं, जिससे अनावश्यक हैंडऑफ़ कम हो सकते हैं और AI द्वारा ऐसे मामले को जारी रखने का जोखिम घटता है जिसमें मानवीय भागीदारी चाहिए। 

टीमें AI एजेंट की भूमिका से बाहर के अनुरोधों के लिए भी इतने ही स्पष्ट हैंडऑफ़ नियम बना सकती हैं, जैसे विरोधाभासी या गायब जानकारी, मानव एजेंट के लिए ग्राहक का अनुरोध और अन्य स्थितियां जिनमें मानवीय भागीदारी चाहिए। 

2. हैंडऑफ़ के दौरान संदर्भ खोना

जब AI एजेंट सेशन हिस्ट्री साथ ले जाए बिना लाइव ग्राहक बातचीत को मानव प्रतिनिधि को सौंपता है, तो कर्मचारी को कॉलर से शुरुआत से फिर सवाल पूछने पड़ते हैं। यह अव्यवस्थित ट्रांसफर तुरंत परेशानी पैदा करता है, ग्राहक को निराश करता है और बातचीत का समय बढ़ाता है।

किसी समस्या में मानव एजेंट की जरूरत पड़ने से पहले, ग्राहक AI एजेंट को बिलिंग समस्या समझाने और अपना अकाउंट सत्यापित करने में कई मिनट लगा सकता है। लेकिन अगर ट्रांसक्रिप्ट, अकाउंट की जानकारी और पहले की गई कार्रवाइयां कॉल के साथ ट्रांसफर नहीं होतीं, तो ग्राहक को पूरी प्रक्रिया दोहरानी पड़ती है। 

हैंडऑफ़ के दौरान संदर्भ खोने से बचने के लिए, सुनिश्चित करें कि सिस्टम AI एजेंट द्वारा पहले से जुटाई गई जानकारी हैंडऑफ़ के साथ सीधे मानव प्रतिनिधि को भेजे।

3. बहुत ज़्यादा मंज़ूरी चरण

रोज़मर्रा के, कम-जोखिम वाले कामों में मानवीय मंज़ूरी की मांग करने से वह काम धीमा हो सकता है जिसे AI एजेंट सुरक्षित ढंग से संभाल सकता है। अगर किसी कर्मचारी को हर सामान्य अपॉइंटमेंट बदलाव, बेसिक इंटेक फ़ॉर्म या सामान्य स्टेटस जांच को मंज़ूरी देनी पड़े, तो मानवीय रिव्यू टीम को उच्च-जोखिम वाले मामले संभालने में मदद करने के बजाय काम बढ़ाने लगता है। 

टीमें पहले से तय कर सकती हैं कि किन कार्रवाइयों में वास्तव में मानवीय रिव्यू चाहिए और कम-जोखिम वाले कामों को अपने आप आगे बढ़ने दे सकती हैं। उदाहरण के लिए, सामान्य अपॉइंटमेंट बदलाव या स्टैंडर्ड स्टेटस अनुरोध मंज़ूरी के बिना पूरे हो सकते हैं, जबकि बिलिंग विवाद या नीति अपवाद फिर भी किसी व्यक्ति तक भेजे जा सकते हैं। 

4. ऐसे नियम जो कभी अपडेट नहीं होते

लॉन्च से पहले सही लगने वाले हैंडऑफ़ नियमों को AI एजेंट के वास्तविक बातचीत संभालना शुरू करने के बाद बदलने की जरूरत पड़ सकती है। बार-बार होने वाले हैंडऑफ़ बता सकते हैं कि मूल वर्कफ़्लो कहाँ जरूरत से ज़्यादा सतर्क है, AI एजेंट के पास कहाँ जानकारी की कमी है या किस नए तरह के अनुरोध को अपने नियम की जरूरत है। 

उदाहरण के लिए, अगर कोई AI एजेंट सामान्य शिपिंग सवालों को बार-बार हैंडऑफ़ करता है क्योंकि ग्राहक उन्हें ऐसे ढंग से कहते हैं जिसका अनुमान मूल वर्कफ़्लो ने नहीं लगाया था, तो टीम AI एजेंट के ज्ञान या हैंडऑफ़ नियम को अपडेट कर सकती है ताकि ये अनुरोध ऑटोमेटेड रहें। 

ह्यूमन-इन-द-लूप नियमों को लचीला मानने से टीमें असली विशेष मामलों पर मानवीय निगरानी केंद्रित रखते हुए ज़्यादा सामान्य काम सुरक्षित रूप से ऑटोमेट कर सकती हैं। 

ह्यूमन इन द लूप और ह्यूमन ऑन द लूप की तुलना

HITL और ह्यूमन ऑन द लूप (HOTL), AI पर मानवीय निगरानी के दो अलग मॉडल हैं।

HITL में कुछ फैसलों या कार्रवाइयों के आगे बढ़ने से पहले व्यक्ति की भागीदारी जरूरी होती है। यह उच्च-जोखिम या जटिल काम के लिए सबसे उपयुक्त है, जहाँ अनुपालन, वित्तीय जिम्मेदारी, क्लिनिकल निर्णय या नीति अपवादों के लिए वर्कफ़्लो आगे बढ़ने से पहले मानवीय रिव्यू या मंज़ूरी चाहिए।

HOTL में AI मानवीय मंज़ूरी का इंतज़ार किए बिना काम करता है, लेकिन कोई व्यक्ति सिस्टम की निगरानी करता है और जरूरत पड़ने पर हस्तक्षेप कर सकता है। यह ऐसे कम-जोखिम वाले काम के लिए उपयुक्त है जिसे देखा जा सकता है और पलटा जा सकता है, जैसे सामान्य जानकारी के सवाल, ऑर्डर स्टेटस अपडेट या अन्य कम-जोखिम इंटरैक्शन जिनमें परिणाम को मंज़ूरी देने के लिए व्यक्ति की जरूरत नहीं होती। 

एक सुपरवाइज़र पूरी गतिविधि देख सकता है और सिर्फ़ तब जवाब दे सकता है जब किसी चीज़ पर ध्यान देने की जरूरत हो। HITL और HOTL के मुख्य अंतर ये हैं।

ह्यूमन-इन-द-लूप AI के उदाहरण

किस फैसले, मंज़ूरी या बातचीत में मानवीय भागीदारी चाहिए, इसके आधार पर HITL के अलग-अलग रूप हो सकते हैं। 

बैंकिंग

Customers Bank ElevenAgents लागू कर रहा है अकाउंट संबंधी सवालों, कार्ड सेवाओं, ट्रांसफर, ऑनबोर्डिंग और कर्मचारी कोचिंग के लिए, जिसमें हर एजेंट में मानव हैंडऑफ़ पाथ शामिल हैं। AI एजेंट्स सामान्य बैंकिंग सहायता संभाल सकते हैं, जबकि बातचीत में व्यक्तिगत ध्यान या एजेंट की भूमिका से बाहर का फैसला चाहिए होने पर मानव बैंकर उपलब्ध रहते हैं।

बीमा

Insurely AI वॉइस एजेंट्स का इस्तेमाल करता है बीमा बिक्री और ग्राहक सेवा के लिए, जिसमें सवालों के जवाब देना और ग्राहकों को कोट पूरे करने में मदद करना शामिल है। ग्राहक को व्यक्ति की जरूरत होने पर AI एजेंट कॉल हैंडऑफ़ करता है या कॉलबैक शेड्यूल करता है।

हेल्थकेयर

व्यवहारिक स्वास्थ्य प्लेटफ़ॉर्म mdhub, मरीज़ों के एडमिशन के लिए ElevenAgents का इस्तेमाल करता है और सहायता देता है। AI एजेंट्स मरीज़ों की जानकारी लेते हैं, बीमा सत्यापित करते हैं, मरीज़ों को प्रदाताओं से मिलाते हैं और अपॉइंटमेंट शेड्यूल करते हैं, जबकि स्वास्थ्य विशेषज्ञ उपचार तय करते हैं और ऐसे फैसले लेते हैं जिनमें क्लिनिकल निर्णय चाहिए।

फिनटेक

ग्लोबल डिजिटल बैंक और पेमेंट्स प्रदाता Klarna, ElevenAgents वॉइस AI एजेंट का इस्तेमाल U.S. ग्राहकों के लिए फ़ोन सहायता के पहले स्तर के रूप में करता है। AI एजेंट जानकारी से जुड़े अनुरोध संभालता है और प्रासंगिक संदर्भ जुटाता है, फिर समस्या के अधिक जटिल या संवेदनशील होने पर, या ग्राहक के किसी व्यक्ति से बात करने की इच्छा पर, बातचीत को मानव एजेंट को सौंप देता है।

क्रिएटिव

कंटेंट और क्रिएटिव काम के लिए, ElevenProductions HITL तरीके का इस्तेमाल करता है मानव एडिटिंग के साथ AI-सहायित प्रोडक्शन के लिए। AI ट्रांसक्रिप्शन और AI-जनरेटेड ऑडियोबुक प्रोडक्शन जैसे काम संभालता है, जबकि मानव एडिटर्स काम की समीक्षा करते हैं, सुधार करते हैं और अंतिम नतीजे को मंज़ूरी देते हैं। 

मानव-AI सहयोग के एक अलग रूप में, कंपोज़र और गायक Patrick Darling, जिन्होंने गाने की क्षमता खो दी थी, ने ElevenLabs वॉइस टेक्नोलॉजी का इस्तेमाल करके फिर से अपना संगीत प्रस्तुत किया। 

ElevenAgents के साथ शुरुआत करें

ElevenAgents व्यवसायों को यह तय करने के कई तरीके देता है कि AI एजेंट क्या संभाल सकता है और लोगों को वर्कफ़्लो का हिस्सा कहाँ रहना चाहिए। एजेंट कंपनी के ज्ञान और बिज़नेस टूल्स का उपयोग कर सकते हैं, तय वर्कफ़्लो का पालन कर सकते हैं और गार्डरेल्स के भीतर काम कर सकते हैं। मानव हैंडऑफ़ बातचीत और उसके संदर्भ को लाइव व्यक्ति तक ट्रांसफर कर सकता है, जबकि सिम्युलेशन टीमों को लॉन्च से पहले व्यवहार जांचने में मदद करते हैं।

स्पष्ट वर्कफ़्लो सीमाओं, मानव हैंडऑफ़ और टेस्टिंग व निगरानी के कंट्रोल्स वाले AI एजेंट्स बनाने के लिए ElevenAgents के साथ शुरुआत करें। सेल्स टीम से बात करें अपने इम्प्लीमेंटेशन की योजना बनाने के लिए, या साइन अप करें और खुद आज़माने के लिए एक एजेंट बनाएं।

ह्यूमन-इन-द-लूप FAQ