СледваСледващо ръководство
Линейна алгебра за машинно обучение
Основи
РЪКОВОДСТВО по основи
Активно учене
Активното учене е стратегия за обучение, при която моделът сам избира кои немаркирани примери човекът трябва да маркира следващия.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Има значение, тъй като данните за етикетиране са скъпи и интелигентният избор може да достигне висока точност с малка част от анотациите.
Дълбоко гмуркане
Повечето контролирано обучение предполага, че вече имате голяма купчина етикетирани данни. Активното учене обръща това: започвате с малък етикетиран набор и голям набор от немаркирани примери, след което многократно молите човек („оракула“) да маркира само най-информативните. Моделът се обучава, използва се за оценяване на немаркирания пул и примерите с най-висока стойност се изпращат за етикетиране — след това цикълът се повтаря. Обичайните стратегии за подбор включват вземане на извадки при несигурност (избиране на примери, за които моделът е най-малко уверен), запитване по комисия (избиране на случаите, в които съвкупността не е съгласна) и извадка за разнообразие (покриване на различни региони от данните). Направено добре, активното обучение може да съпостави точността на пълния набор от данни, използвайки много по-малко етикети, поради което е популярно в медицинските изображения, НЛП и всяка област, където експертната анотация е бавна или скъпа.
Внедряване в реалния свят
Рентгенологичен екип обучава детектор за тумори, като накара модела да маркира най-двусмислените сканирания за етикетиране на експерти рентгенолози, намалявайки драстично часовете за анотация.
Системата за спам или модериране на съдържание показва гранични съобщения, за които е най-малко сигурна за рецензентите, подобрявайки се най-бързо в най-трудните случаи.
Компания за разпознаване на реч избира аудио клипове, където моделът й е най-несигурен (акценти, шум), за да ги изпрати за транскрипция, вместо да етикетира произволни клипове.
Каталогът за електронна търговия използва запитване по комисия, за да избере изображения на продукти, където множество класификатори не са съгласни, като ги приоритизира за ръчно етикетиране на категории.
Бъдещето на активното учене
Активното учене все повече се съчетава с големи предварително обучени и базови модели, където целта се измества от етикетиране на всичко към евтина фина настройка на няколко примера с висока стойност. Очаквайте по-тясна интеграция със слаб надзор, самоконтролирано предварително обучение и инструментариум за работа с човек в цикъла, който предлага етикети за рецензенти, които да потвърждават, вместо да създават. Тъй като разходите за етикетиране доминират в много реални внедрявания, автоматизираният избор плюс ефективните интерфейси за пояснения ще останат централни за изграждането на модели в специализирани области с оскъдни данни като медицина и право.
Прилагайки го на практика
Защо има значение
- По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
- Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
- Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Внимавайте за
- Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
- Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
- Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Следващи стъпки
- Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
- Изберете един показател за успех и едно условие за неуспех преди тестване.
- Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
- Документирайте къде активното учене помага и къде по-простите методи са по-добри.
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Направете теста за активно обучение
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Какво е активно учене?
Активното учене е стратегия за обучение, при която моделът сам избира кои немаркирани примери човекът трябва да маркира следващия. Има значение, защото данните за етикетиране са скъпи и интелигентният избор може да достигне висока точност с малка част от анотациите.
Екипът разполага с голям набор от немаркирани данни, но има ограничено време на експертите. Какво моли активно обучение екипът да маркира следващо?
Ръководството описва запитване към оракул за избрани информативни примери, след което се използват техните етикети при обучението.
В цикъла на активно обучение в ръководството какво представлява оракулът?
Оракулът предоставя етикети за избраните примери; обикновено това е човек‑анотатор или експерт.
Два класификатора на продукти се разминават силно относно категория. Коя стратегия би приоритизирала този пример за маркиране?
Запитването от комитет избира примери, при които няколко модела се разминават.
Класификаторът присвоява почти равни вероятности на два класа за немаркиран елемент. Защо несигурностното семплиране би го запитало?
Тесен разрив между оценките на водещите класове е един от сигналите за несигурност, описани в ръководството.
Защо селекторът на партиди комбинира разнообразие с несигурност?
Ръководството предупреждава, че алчеливото преследване на несигурност може да пренебрегне други части от данните.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема