التعلم النشط
التعلم النشط هو استراتيجية تدريب حيث يختار النموذج نفسه الأمثلة غير المسماة التي يجب على الإنسان تصنيفها بعد ذلك.
نظرة عامة
It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.
الغوص العميق
يفترض معظم التعلم الخاضع للإشراف أن لديك بالفعل كومة كبيرة من البيانات المصنفة. يقلب التعلم النشط ما يلي: تبدأ بمجموعة صغيرة مصنفة ومجموعة كبيرة من الأمثلة غير المسماة، ثم تطلب مرارًا وتكرارًا من الإنسان ("الوحي") تسمية الأمثلة الأكثر إفادة فقط. يتم تدريب النموذج واستخدامه لتسجيل المجموعة غير المسماة، ويتم إرسال الأمثلة ذات القيمة الأعلى للتسمية - ثم تتكرر الحلقة. تتضمن استراتيجيات الاختيار الشائعة أخذ عينات من عدم اليقين (اختر أمثلة يكون النموذج أقل ثقة بشأنها)، والاستعلام عن طريق اللجنة (اختر المكان الذي لا توافق فيه المجموعة)، وأخذ العينات المتنوعة (تغطية مناطق متنوعة من البيانات). إذا تم تنفيذه بشكل جيد، يمكن للتعلم النشط أن يضاهي دقة مجموعة البيانات الكاملة باستخدام عدد أقل بكثير من التسميات، ولهذا السبب يحظى بشعبية كبيرة في التصوير الطبي، والبرمجة اللغوية العصبية، وأي مجال يكون فيه شرح الخبراء بطيئًا أو مكلفًا.
البصيرة الفنية
الفكرة الأساسية هي تقدير "قيمة" كل نقطة غير مسماة قبل الدفع مقابل تصنيفها. يستخدم أخذ عينات عدم اليقين الاحتمالات الخاصة بالنموذج - على سبيل المثال اختيار النقطة التي يكون احتمال الطبقة العليا فيها هو الأقرب إلى الصدفة، أو مع أعلى إنتروبيا أو أصغر هامش بين الفئتين العلويتين. تقوم لجنة الاستعلام بتدريب العديد من النماذج واختيار النقاط التي يختلفون فيها كثيرًا. يتمثل الخطر الرئيسي في التحيز في أخذ العينات: فالمطاردة الجشعة لعدم اليقين يمكن أن تتجاهل مناطق بأكملها، لذلك غالبًا ما يتم الجمع بين أساليب التنوع أو الوعي بالدفعات.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل التعلم النشط
يقترن التعلم النشط بشكل متزايد بالنماذج الكبيرة المدربة مسبقًا والأساسية، حيث يتحول الهدف من تصنيف كل شيء إلى الضبط الدقيق لبعض الأمثلة عالية القيمة بتكلفة زهيدة. توقع تكاملًا أكثر إحكامًا مع الإشراف الضعيف، والتدريب المسبق الخاضع للإشراف الذاتي، وأدوات الإنسان في الحلقة التي تقترح تسميات للمراجعين للتأكيد بدلاً من إنشائها. وبما أن تكاليف وضع العلامات تهيمن على العديد من عمليات النشر الحقيقية، فإن الاختيار الآلي بالإضافة إلى واجهات التعليقات التوضيحية الفعالة سيظل عنصرًا أساسيًا في بناء النماذج في المجالات المتخصصة التي تعاني من ندرة البيانات مثل الطب والقانون.
التنفيذ في العالم الحقيقي
يقوم فريق الأشعة بتدريب كاشف الأورام من خلال جعل النموذج يشير إلى عمليات الفحص الأكثر غموضًا ليضعها خبراء الأشعة الخبراء، مما يقلل ساعات التعليقات التوضيحية بشكل كبير.
يعرض نظام البريد العشوائي أو نظام الإشراف على المحتوى رسائل حدودية تكون الأقل تأكيدًا بشأنها بالنسبة للمراجعين البشريين، مما يؤدي إلى التحسن بشكل أسرع في الحالات الصعبة.
تقوم إحدى شركات التعرف على الكلام باختيار المقاطع الصوتية التي يكون نموذجها فيها غير مؤكد (اللهجات والضوضاء) لإرسالها للنسخ، بدلاً من تصنيف المقاطع العشوائية.
يستخدم كتالوج التجارة الإلكترونية استعلامًا لكل لجنة لاختيار صور المنتج التي تختلف فيها المصنفات المتعددة، مع إعطاء الأولوية لها لوضع العلامات اليدوية على الفئات.
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيث يساعد التعلم النشط وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Active Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
التعلم العميق
الأسئلة المتداولة
What is Active Learning?
التعلم النشط هو استراتيجية تدريب حيث يختار النموذج نفسه الأمثلة غير المسماة التي يجب على الإنسان تصنيفها بعد ذلك. وهذا مهم لأن تصنيف البيانات باهظ الثمن، ويمكن أن يصل الاختيار الذكي إلى دقة عالية مع جزء صغير من التعليقات التوضيحية.
ما هو الهدف الرئيسي للتعلم النشط؟
يهدف التعلم النشط إلى تعظيم أداء النموذج لكل مثال مسمى عن طريق اختيار النقاط الأكثر إفادة للإنسان للتعليق عليها.
في التعلم النشط، ما هو "أوراكل"؟
أوراكل هو مصدر وضع العلامات - عادةً ما يكون خبيرًا بشريًا - الذي يستعلم عنه النموذج للحصول على تسميات الحقيقة الأرضية في أمثلة مختارة.
ما هي الإستراتيجية التي تختار الأمثلة التي يكون النموذج أقل ثقة بها؟
تختار عينات عدم اليقين النقاط التي تكون فيها الاحتمالات المتوقعة للنموذج هي الأقرب إلى التخمين، مثل الإنتروبيا العالية أو الهامش الصغير بين الفئات العليا.
كيف يقرر الاستعلام عن طريق اللجنة الأمثلة التي سيتم تصنيفها؟
تقوم لجنة الاستعلام بتدريب المجموعة وتحديد أولويات النقاط التي يختلف فيها الأعضاء، نظرًا لأن الاختلاف يشير إلى مناطق غنية بالمعلومات.
ما هو الخطر الرئيسي المتمثل في الاعتماد فقط على أخذ العينات غير المؤكدة؟
إن مطاردة النقاط غير المؤكدة بشكل جشع يمكن أن يؤدي إلى الإفراط في التركيز على منطقة واحدة وتفويت مناطق أخرى، لذلك غالبًا ما يتم إضافة أساليب التنوع أو الوعي بالدفعات.