AI for Everyone
자동화·노코드

Human-in-the-Loop

휴먼 인 더 루프

자동화·노코드 분야에서 쓰이는 Human-in-the-loop(사람이 개입하는 순환 구조)의 약자로, AI나 자동화가 혼자 끝내지 않고 중요한 길목마다 사람이 검토·승인·교정하도록 사람을 작업 순환 안에 두는 방식입니다. AWS 공식 문서는 자동화 과정의 결정적 지점에 사람의 판단을 끼워 넣는 것이라고 설명합니다. 사람은 학습 데이터 라벨링, 모델 출력 평가, 확신이 낮은 사례 처리 같은 여러 지점에서 개입합니다. 목표는 정확성과 신뢰성을 높이되 사람 개입 비용을 최소화하는 균형입니다.

쉽게 말하면?

휴먼 인 더 루프는 AI나 자동화가 혼자 다 처리하지 않고, 중간중간 사람이 끼어들어 확인하고 바로잡는 구조예요. 줄여서 HITL이라고 부릅니다. 인턴이 초안을 만들면 선배가 중요한 대목만 골라 검토하고 승인하는 조별 과제 협업을 떠올리면 가깝습니다. AI가 자신 있는 부분은 알아서 처리하고, 애매하거나 위험한 판단은 사람에게 넘겨 최종 결정을 맡겨요. 의료 영상에서 이상이 의심되는 부분을 AI가 먼저 짚어 주고, 의사가 그 부분까지 살펴 최종 진단을 내리는 방식이 대표적입니다.

한 줄로 비유하면?

위험 결재만 팀장 승인을 거치게 하는 전자결재 라인입니다.

어디에 쓰이나?

케이스 1루닛 — 유방촬영 판독 보조, 의사가 최종 판단 [한국]

한국 의료 AI 기업 루닛은 자사 AI를 방사선전문의의 판독 보조도구로 쓰는 대규모 전향적 연구를 수행했습니다 [3]. 국내 6개 대학병원에서 2021년 2월부터 2022년 12월까지 40세 이상 여성 24,543명을 대상으로 했고, 결과는 Nature Communications에 실렸습니다 [3]. AI는 보조일 뿐 최종 진단은 방사선전문의가 내렸습니다 [3]. 재소환율은 통계적으로 변하지 않아, 불필요한 재검사를 늘리지 않고 검출을 높였습니다 [3].
도입효과: 유방영상 전문의 암검출률 1,000명당 5.01→5.70 (AI 보조 시 +13.8%, 재소환율 불변) [3]

케이스 2뷰노 — 흉부 X선 판독 보조로 판독 시간 단축 [한국]

한국 의료 AI 기업 뷰노는 흉부 X선 AI를 진단 보조도구로 쓴 임상연구 결과를 2021년 4월 발표했습니다 [4]. 전공의와 전문의가 AI 유무 조건에서 교차 판독하는 설계였습니다 [4]. AI는 사람 판독을 대체하지 않고 보조했습니다 [4]. 결과는 Radiology에 실렸습니다 [4].
도입효과: 흉부 X선 평균 판독 시간 50% 단축 (AI 보조, 미사용 대비 / 뷰노 보도자료) [4]

케이스 3AWS — SageMaker Ground Truth의 사람+기계 라벨링

AWS는 2018년 관리형 라벨링 서비스 SageMaker Ground Truth를 공개했습니다 [5]. 능동학습으로 기계가 라벨할 수 있는 데이터는 자동 처리하고, 확신이 낮은 데이터만 사람이 라벨링하는 방식입니다 [5]. 사람 작업자는 공개 인력·사내 팀·외주 중에서 고릅니다 [5]. 사람 개입 지점을 어려운 사례로 좁힌 대표 구성입니다.
도입효과: 자동 라벨링으로 라벨링 비용 최대 70% 절감 (사람이 전량 라벨링하는 경우 대비) [5]

케이스 4웨이모 — 자율주행의 원격 사람 지원

웨이모는 2024년 5월 자율주행차의 원격 지원 방식 fleet response를 소개했습니다 [6]. 차가 애매한 상황에서 질문을 보내면 사람이 카메라 피드를 보고 답을 주는 구성입니다 [6]. 공식 블로그는 차량이 항상 주행 통제권을 유지한다고 밝혔습니다 [6]. 사람 개입이 자율 시스템을 대체가 아니라 보완하는 사례입니다 [6].
도입효과: 원격 사람이 질의응답으로 개입, 차량이 항상 통제권 유지 (정량 수치 비공개) [6]

주의할 점은?

오늘 바로 해보기
01. 자사 자동화 흐름을 그림으로 그리고, 사람 승인이 반드시 필요한 지점 세 곳을 표시합니다.
02. 그 세 지점에서 사람이 무엇을 보고 어떤 기준으로 판단하는지 한 줄씩 적습니다.
03. AWS 공식 문서에서 사람 검토가 붙는 HITL 태스크 구조를 확인합니다 [1].
04. 최근 자동 승인 100건을 표본으로, 사람이 뒤집었어야 할 사례가 있었는지 되짚어 봅니다.
05. 에이전트가 민감 작업을 실행하기 전 사람 승인 게이트를 넣을 지점을 정합니다 [8].

사람 개입이 늘 옳게 작동하지는 않습니다. 루닛이 참여한 2025년 스톡홀름 임상은 신뢰 격차를 보고했습니다 [7]. AI만 표시한 사례는 방사선의가 4.6%만 재소환했는데, 이 사례들이 실제로는 암일 확률이 더 높았습니다 [7]. 반대로 사람만 표시한 사례는 14.2%를 재소환했습니다 [7]. 사람이 옳은 AI 신호를 과소평가할 수 있다는 뜻이고, 자동화를 무조건 따르는 편향과는 반대 방향의 문제입니다 [7]. 재소환율이 변하지 않았다는 루닛 결과는, 사람 개입이 과잉 검사를 늘리지 않고도 검출을 높일 수 있음을 보여줍니다 [3]. 개입하는 사람의 숙련도와 피로도 결과를 좌우합니다 [2]. 또 사람 개입은 비싸고 병목이 됩니다 [2]. 학술 서베이도 HITL의 목표를 최소 비용으로 정확한 모델을 만드는 것으로 정의하며, 사람 노동의 비용과 규모 확장을 근본 제약으로 짚습니다 [2].

진화 방향은 두 갈래입니다.

  1. 능동학습으로 사람 개입을 어려운 사례에만 집중시켜 효율을 높이는 흐름입니다 [2]. 기계가 처리할 수 있는 것은 자동화하고 사람은 판단이 필요한 곳에만 붙습니다 [2]. AWS Ground Truth가 사람이 라벨할 데이터를 기계가 선별해 비용을 최대 70%까지 줄인 사례가 여기 해당합니다 [5].
  2. 자율 에이전트로 HITL이 확장되고 있습니다 [8]. AWS는 에이전트가 민감한 행동을 실행하기 전에 사람이 멈추고 검증하는 승인 기능을 공식 문서로 제공합니다 [8]. 국내에서는 루닛과 뷰노가 의료 영상 판독에서 AI 보조와 의사 최종 판단을 결합해 이 구조를 임상으로 입증했습니다 [3][4]. 웨이모의 원격 지원처럼 사람이 최종 통제권을 쥔 채 개입하는 설계도 확산되고 있습니다 [6]. 핵심은 사람 개입을 없애는 것이 아니라, 꼭 필요한 지점에 정확히 배치하는 것입니다 [2]. 현재 시점에서는 완전 자동과 사람 승인 게이트를 섞는 구성이 늘고 있습니다.

참고 자료

  1. Human-in-the-loop task center — 공식 문서·AWS·2025 — https://docs.aws.amazon.com/quick/latest/userguide/hitl-task-center.html
  2. A Survey of Human-in-the-loop for Machine Learning — 학술 논문·arXiv(Wu 등)·2022 — https://arxiv.org/abs/2108.00941
  3. World's First Large-Scale Prospective Study (Nature Communications) — 공식 자료·루닛·2025 — https://www.lunit.io/en/media-hub/worlds-first-large-scale-multicenter-prospective-study-in-single-reading-mammography-confirms-lunit-ai-boosts-cancer-detection/
  4. VUNO Chest X-ray Clinical Value (Radiology) — 공식 자료·뷰노·2021 — https://www.vuno.co/en/news/view/736
  5. Amazon SageMaker Ground Truth — Reduce Labeling Costs by up to 70% — 공식 블로그·AWS·2018 — https://aws.amazon.com/blogs/aws/amazon-sagemaker-ground-truth-build-highly-accurate-datasets-and-reduce-labeling-costs-by-up-to-70/
  6. Fleet response — 공식 블로그·Waymo·2024 — https://waymo.com/blog/2024/05/fleet-response/
  7. Lunit Study Highlights Trust Gap (Radiology) — 공식 자료·루닛·2025 — https://www.lunit.io/en/media-hub/lunit-study-in-radiology-highlights-trust-gap-between-radiologists-and-ai-in-breast-cancer-screening/
  8. Implement human-in-the-loop confirmation with Amazon Bedrock Agents — 공식 블로그·AWS·2025 — https://aws.amazon.com/blogs/machine-learning/implement-human-in-the-loop-confirmation-with-amazon-bedrock-agents/

대표 출처

AWS·Google Cloud·루닛·뷰노·웨이모 공식 (2018~2025) — HITL 정의·의료 판독 임상·라벨링·원격 지원
카드뉴스로 공유하기 다른 AI 용어 보기