A continuaciónSiguiente guía
Linear Algebra for Machine Learning
Fundamentos
GUÍA DE FUNDAMENTOS
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.
Escuche esta guíaNarrado por IA · ~2 min
En esta pagina2 minutos de lectura
Descripción general
Importa porque etiquetar datos es caro, y una selección inteligente puede alcanzar una alta precisión con una fracción de las anotaciones.
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.
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.
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.
Poniéndolo en práctica
Por qué es importante
- 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.
cuidado con
- 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.
Próximos pasos
- 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
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Active Learning quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es el 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. Es importante porque etiquetar datos es costoso y una selección inteligente puede alcanzar una alta precisión con una fracción de las anotaciones.
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.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.