Als nächstesNächster Leitfaden
Linear Algebra for Machine Learning
Grundlagen
Grundlagen-Leitfaden
Aktives Lernen
Aktives Lernen ist eine Trainingsstrategie, bei der das Modell selbst auswählt, welche unbeschrifteten Beispiele ein Mensch als nächstes kennzeichnen soll.
Hören Sie sich diesen Leitfaden anKI-erzählt · ~2 min
Auf dieser Seite2 Minuten gelesen
Übersicht
It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.
Tiefer Einblick
Bei den meisten überwachten Lernmethoden wird davon ausgegangen, dass Sie bereits über einen großen Stapel beschrifteter Daten verfügen. Aktives Lernen dreht das um: Sie beginnen mit einer kleinen beschrifteten Menge und einem großen Pool unbeschrifteter Beispiele und bitten dann wiederholt einen Menschen (das „Orakel“), nur die informativsten Beispiele zu beschriften. Das Modell wird trainiert, zur Bewertung des unbeschrifteten Pools verwendet und die Beispiele mit dem höchsten Wert werden zur Kennzeichnung gesendet – dann wird die Schleife wiederholt. Zu den gängigen Auswahlstrategien gehören Unsicherheitsstichproben (wählen Sie Beispiele aus, bei denen sich das Modell am wenigsten sicher ist), Abfragen nach Ausschuss (wählen Sie aus, wo ein Ensemble anderer Meinung ist) und Diversitätsstichproben (decken Sie verschiedene Bereiche der Daten ab). Wenn es richtig gemacht wird, kann aktives Lernen die Genauigkeit eines vollständigen Datensatzes mit weitaus weniger Etiketten erreichen, weshalb es in der medizinischen Bildgebung, im NLP und in allen Bereichen beliebt ist, in denen die Annotation durch Experten langsam oder kostspielig ist.
Reale Umsetzung
Ein Radiologieteam trainiert einen Tumordetektor, indem das Modell die mehrdeutigsten Scans markiert, damit erfahrene Radiologen sie kennzeichnen können, was die Zeit für die Kommentierung erheblich verkürzt.
Ein Spam- oder Inhaltsmoderationssystem bringt grenzwertige Nachrichten zum Vorschein, bei denen es für menschliche Prüfer am wenigsten sicher ist, und verbessert sich am schnellsten bei den Hard-Edge-Fällen.
Ein Spracherkennungsunternehmen wählt Audioclips aus, deren Modell am unsichersten ist (Akzente, Geräusche), um sie zur Transkription zu senden, anstatt zufällige Clips zu kennzeichnen.
Ein E-Commerce-Katalog verwendet eine kommissionsweise Abfrage, um Produktbilder auszuwählen, bei denen mehrere Klassifizierer uneinig sind, und sie für die manuelle Kategoriebeschriftung zu priorisieren.
Die Zukunft des aktiven Lernens
Aktives Lernen wird zunehmend mit großen vorab trainierten Modellen und Basismodellen kombiniert, bei denen sich das Ziel von der Kennzeichnung von allem hin zur kostengünstigen Feinabstimmung einiger weniger hochwertiger Beispiele verschiebt. Erwarten Sie eine engere Integration mit schwacher Aufsicht, selbstüberwachtem Vortraining und Human-in-the-Loop-Tools, die den Prüfern Etiketten vorschlagen, die sie bestätigen statt erstellen müssen. Da die Kennzeichnungskosten bei vielen realen Einsätzen dominieren, werden die automatisierte Auswahl und effiziente Annotationsschnittstellen weiterhin von zentraler Bedeutung für die Erstellung von Modellen in spezialisierten, datenarmen Bereichen wie Medizin und Recht sein.
In die Tat umsetzen
Warum es wichtig ist
- Klarere Entscheidungen. Es hilft Ihnen, klare technische Aussagen von der Marketingsprache zu trennen.
- Kosten und Budget. Sie können bessere Fragen zur Implementierung stellen, bevor Sie Geld oder Zeit investieren.
- Team und Arbeitsablauf. Teams mit gemeinsamem Verständnis treffen bessere Produkt-, Richtlinien- und Lernentscheidungen.
Achten Sie auf
- Unterschiedliche Teams verwenden denselben Begriff möglicherweise unterschiedlich. Definieren Sie daher frühzeitig den Geltungsbereich.
- Benchmarks können stark aussehen, während die tatsächliche Leistung uneinheitlich ist.
- Das Ignorieren von Datenqualität und Evaluierungsplänen führt oft zu fragilen Ergebnissen.
Nächste Schritte
- Beginnen Sie mit einer klaren Definition des gewünschten Ergebnisses.
- Wählen Sie vor dem Testen eine Erfolgsmetrik und eine Fehlerbedingung aus.
- Führen Sie ein kleines Pilotprojekt mit repräsentativen Daten durch, nicht mit einem ausgefeilten Demoset.
- Dokumentieren Sie, wo aktives Lernen hilft und wo einfachere Methoden besser sind.
Entdecken Sie weiter
Kostenloser Newsletter
Erhalten Sie die tägliche KI-Briefing
Drei verifizierte KI-Geschichten jeden Werktagmorgen, in einfachem Englisch geschrieben. Für immer kostenlos, keine Werbung.
Eine E‑Mail jeden Werktag. Abmelden mit einem Klick. Wir verkaufen oder teilen Ihre Adresse nie.
Testen Sie sich selbst
Take the Active Learning quiz
Sofortiges Feedback zu jeder Antwort und ein teilbares Zertifikat mit verifizierbarer ID, sobald Sie einen Kurs bestanden haben.
Unterstützen Sie kostenlose KI-Bildung. AI Understanding ist eine 501(c)(3) gemeinnützige Organisation – keine Werbung, keine Paywall, nie. Machen Sie eine Spende
Häufig gestellte Fragen
What is Active Learning?
Aktives Lernen ist eine Trainingsstrategie, bei der das Modell selbst auswählt, welche unbeschrifteten Beispiele ein Mensch als nächstes kennzeichnen soll. Dies ist wichtig, da das Beschriften von Daten teuer ist und eine intelligente Auswahl mit einem Bruchteil der Anmerkungen eine hohe Genauigkeit erreichen kann.
A team has a large unlabeled pool but limited expert time. What does active learning ask the team to label next?
The guide describes querying an oracle for selected informative examples, then using their labels in training.
In the guide’s active-learning loop, what is the oracle?
The oracle provides labels for selected examples; it is commonly a human annotator or expert.
Two product classifiers disagree strongly on a category. Which strategy would prioritize that example for labeling?
Query-by-committee selects examples on which several models disagree.
A classifier assigns two classes almost equal probabilities for an unlabeled item. Why might uncertainty sampling query it?
A small margin between leading class scores is one uncertainty signal described by the guide.
Why might a batch selector combine diversity with uncertainty?
The guide warns that greedily chasing uncertainty can ignore other parts of the data.
Lerne weiter
Verwandte Leitfäden
Weitere Leitfäden zu diesem Thema ausgewählt