À suivreGuide suivant
Algèbre linéaire pour l'apprentissage automatique
Fondamentaux
GUIDE des fondamentaux
Apprentissage actif
L'apprentissage actif est une stratégie de formation dans laquelle le modèle lui-même choisit les exemples non étiquetés qu'un humain doit ensuite étiqueter.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
C’est important car l’étiquetage des données coûte cher et une sélection intelligente peut atteindre une grande précision avec une fraction des annotations.
Plongée profonde
La plupart des apprentissages supervisés supposent que vous disposez déjà d’une grande quantité de données étiquetées. L'apprentissage actif inverse cela : vous commencez avec un petit ensemble étiqueté et un grand nombre d'exemples non étiquetés, puis demandez à plusieurs reprises à un humain (l'« oracle ») d'étiqueter uniquement les plus informatifs. Le modèle est entraîné, utilisé pour évaluer le pool non étiqueté, et les exemples de valeur la plus élevée sont envoyés pour étiquetage, puis la boucle se répète. Les stratégies de sélection courantes incluent l'échantillonnage d'incertitude (choisissez les exemples sur lesquels le modèle est le moins sûr), la requête par comité (choisissez les points où un ensemble n'est pas d'accord) et l'échantillonnage de diversité (couvrez diverses régions des données). Bien réalisé, l’apprentissage actif peut correspondre à la précision d’un ensemble de données complet en utilisant beaucoup moins d’étiquettes, c’est pourquoi il est populaire dans l’imagerie médicale, la PNL et tout domaine où l’annotation par des experts est lente ou coûteuse.
Mise en œuvre dans le monde réel
Une équipe de radiologie forme un détecteur de tumeur en demandant au modèle de signaler les analyses les plus ambiguës pour que les radiologues experts puissent les étiqueter, réduisant ainsi considérablement les heures d'annotation.
Un système de spam ou de modération de contenu fait apparaître des messages limites dont il est le moins sûr pour les évaluateurs humains, s'améliorant plus rapidement dans les cas extrêmes.
Une entreprise de reconnaissance vocale sélectionne les clips audio dont le modèle est le plus incertain (accents, bruit) pour les envoyer à la transcription, plutôt que d'étiqueter les clips au hasard.
Un catalogue de commerce électronique utilise la requête par comité pour sélectionner les images de produits sur lesquelles plusieurs classificateurs ne sont pas d'accord, en les priorisant pour un étiquetage manuel des catégories.
L'avenir de l'apprentissage actif
L'apprentissage actif est de plus en plus associé à de grands modèles de pré-entraînement et de base, où l'objectif passe de l'étiquetage de tout à l'ajustement à moindre coût de quelques exemples de grande valeur. Attendez-vous à une intégration plus étroite avec une supervision faible, une pré-formation auto-supervisée et des outils humains dans la boucle qui suggèrent des étiquettes que les évaluateurs doivent confirmer plutôt que créer. Alors que les coûts d’étiquetage dominent de nombreux déploiements réels, la sélection automatisée et les interfaces d’annotation efficaces resteront essentielles à la création de modèles dans des domaines spécialisés et rares en données comme la médecine et le droit.
Le mettre en pratique
Pourquoi c'est important
- Décisions plus claires. Il vous aide à séparer les affirmations techniques claires du langage marketing.
- Coût et budget. Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
- Équipe et flux de travail. Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
Attention à
- Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
- Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
- Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Prochaines étapes
- Commencez par une définition en langage simple du résultat dont vous avez besoin.
- Choisissez une mesure de réussite et une condition d’échec avant de tester.
- Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
- Documentez les domaines dans lesquels l'apprentissage actif est utile et les domaines dans lesquels les méthodes plus simples sont préférables.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Active Learning quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que l’apprentissage actif ?
L'apprentissage actif est une stratégie de formation dans laquelle le modèle lui-même choisit les exemples non étiquetés qu'un humain doit ensuite étiqueter. C’est important car l’étiquetage des données coûte cher et une sélection intelligente peut atteindre une grande précision avec une fraction des annotations.
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.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet