Aprendizaje activo
El aprendizaje activo es una estrategia de entrenamiento en la que el propio modelo elige qué ejemplos sin etiquetar debe etiquetar un humano a continuación.
Descripción general
It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.
Buceo profundo
La mayor parte del aprendizaje supervisado supone que ya tienes una gran cantidad de datos etiquetados. El aprendizaje activo cambia eso: se comienza con un pequeño conjunto etiquetado y un gran conjunto de ejemplos sin etiquetar, luego se le pide repetidamente a un humano (el 'oráculo') que etiquete solo los más informativos. El modelo se entrena, se utiliza para calificar el grupo sin etiquetar y los ejemplos de mayor valor se envían para etiquetar; luego, el ciclo se repite. Las estrategias de selección comunes incluyen muestreo de incertidumbre (elegir ejemplos en los que el modelo tiene menos confianza), consulta por comité (elegir cuando un conjunto no está de acuerdo) y muestreo de diversidad (cubrir diversas regiones de los datos). Bien hecho, el aprendizaje activo puede igualar la precisión de todo el conjunto de datos utilizando muchas menos etiquetas, razón por la cual es popular en imágenes médicas, PNL y cualquier dominio donde la anotación de expertos es lenta o costosa.
Información técnica
La idea central es estimar el "valor" de cada punto sin etiquetar antes de pagar para etiquetarlo. El muestreo de incertidumbre utiliza las propias probabilidades del modelo; por ejemplo, selecciona el punto cuya probabilidad de clase superior es la más cercana al azar, o con la entropía más alta o el margen más pequeño entre las dos clases superiores. La consulta por comité entrena varios modelos y selecciona los puntos en los que no están de acuerdo. Un riesgo clave es el sesgo de muestreo: perseguir con avidez la incertidumbre puede ignorar regiones enteras, por lo que a menudo se combinan métodos de diversidad o de lotes.
Impacto Estratégico
Decisiones más claras
Le ayuda a separar las afirmaciones técnicas claras del lenguaje de marketing.
Costo y presupuesto
Puede hacer mejores preguntas sobre implementación antes de gastar dinero o tiempo.
Equipo y flujo de trabajo
Los equipos con conocimientos compartidos toman mejores decisiones sobre productos, políticas y aprendizaje.
El futuro del aprendizaje activo
El aprendizaje activo se combina cada vez más con grandes modelos básicos y previamente entrenados, donde el objetivo pasa de etiquetar todo a realizar ajustes económicos en algunos ejemplos de alto valor. Espere una integración más estrecha con una supervisión débil, capacitación previa autosupervisada y herramientas humanas involucradas que sugieren etiquetas para que los revisores las confirmen en lugar de crearlas. Dado que los costos de etiquetado dominan muchas implementaciones reales, la selección automatizada más las interfaces de anotación eficientes seguirán siendo fundamentales para construir modelos en dominios especializados y escasos de datos, como la medicina y el derecho.
Implementación en el mundo real
Un equipo de radiología entrena un detector de tumores haciendo que el modelo marque las exploraciones más ambiguas para que los radiólogos expertos las etiqueten, lo que reduce drásticamente las horas de anotación.
Un sistema de moderación de contenido o spam muestra mensajes dudosos de los que los revisores humanos no están tan seguros, y mejora más rápidamente en los casos más difíciles.
Una empresa de reconocimiento de voz selecciona clips de audio cuyo modelo es más incierto (acentos, ruido) para enviarlos a transcripción, en lugar de etiquetar clips aleatorios.
Un catálogo de comercio electrónico utiliza la consulta por comité para seleccionar imágenes de productos en las que varios clasificadores no están de acuerdo, priorizándolas para el etiquetado manual de categorías.
Riesgos y barandillas
Diferentes equipos pueden usar el mismo término de manera diferente, por lo tanto, defina el alcance con anticipación.
Los puntos de referencia pueden parecer sólidos, mientras que el desempeño en el mundo real es desigual.
Ignorar la calidad de los datos y los planes de evaluación a menudo genera resultados frágiles.
Hoja de ruta de implementación
Comience con una definición en lenguaje sencillo del resultado que necesita.
Elija una métrica de éxito y una condición de fracaso antes de realizar la prueba.
Ejecute un pequeño piloto con datos representativos, no un conjunto de demostración pulido.
Documente dónde ayuda el aprendizaje activo y dónde son mejores los métodos más simples.
Sigue explorando
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
Siguiente guía
Aprendizaje profundo
Preguntas frecuentes
What is Active Learning?
El aprendizaje activo es una estrategia de entrenamiento en la que el propio modelo elige qué ejemplos sin etiquetar debe etiquetar un humano a continuación. Es importante porque etiquetar datos es costoso y una selección inteligente puede alcanzar una alta precisión con una fracción de las anotaciones.
¿Cuál es el objetivo principal del aprendizaje activo?
El aprendizaje activo tiene como objetivo maximizar el rendimiento del modelo por ejemplo etiquetado eligiendo los puntos más informativos para que un humano los anote.
En el aprendizaje activo, ¿qué es el 'oráculo'?
El oráculo es la fuente de etiquetado, generalmente un experto humano, a quien el modelo consulta para obtener etiquetas de verdad sobre el terreno en ejemplos seleccionados.
¿Qué estrategia selecciona ejemplos en los que el modelo tiene menos confianza?
El muestreo de incertidumbre selecciona puntos donde las probabilidades predichas del modelo son más cercanas a una suposición, como una entropía alta o un margen pequeño entre las clases principales.
¿Cómo decide la consulta por comité qué ejemplos etiquetar?
La consulta por comité entrena a un conjunto y prioriza los puntos en los que los miembros no están de acuerdo, ya que el desacuerdo señala regiones informativas.
¿Cuál es un riesgo clave de depender únicamente del muestreo de incertidumbre?
Perseguir con avidez puntos inciertos puede centrarse demasiado en una región y pasar por alto otras, por lo que a menudo se agregan métodos de diversidad o de lotes.