आगेअगली गाइड
मशीन लर्निंग के लिए रैखिक बीजगणित
बुनियादी बातें
बुनियादी गाइड
सक्रिय सीखना
सक्रिय शिक्षण एक प्रशिक्षण रणनीति है जहां मॉडल स्वयं चुनता है कि मानव को आगे कौन से गैर-लेबल वाले उदाहरणों को लेबल करना चाहिए।
इस गाइड को सुनेंएआई-नैरेटेड · ~2 min
इस पृष्ठ पर2 मिनट लाल
सिंहावलोकन
यह मायने रखता है क्योंकि डेटा को लेबल करना महंगा है, और स्मार्ट चयन एनोटेशन के एक अंश के साथ उच्च सटीकता तक पहुंच सकता है।
गहरा गोता
अधिकांश पर्यवेक्षित शिक्षण यह मानता है कि आपके पास पहले से ही लेबल किए गए डेटा का एक बड़ा ढेर है। सक्रिय शिक्षण इसे उलट देता है: आप एक छोटे लेबल वाले सेट और बिना लेबल वाले उदाहरणों के एक बड़े पूल से शुरू करते हैं, फिर बार-बार एक मानव ('ओरेकल') से केवल सबसे अधिक जानकारीपूर्ण उदाहरणों को लेबल करने के लिए कहते हैं। मॉडल को प्रशिक्षित किया जाता है, बिना लेबल वाले पूल को स्कोर करने के लिए उपयोग किया जाता है, और उच्चतम-मूल्य वाले उदाहरण लेबलिंग के लिए भेजे जाते हैं - फिर लूप दोहराता है। आम चयन रणनीतियों में अनिश्चितता नमूनाकरण (ऐसे उदाहरण चुनें जिनके बारे में मॉडल कम से कम आश्वस्त हो), क्वेरी-दर-कमेटी (वह चुनें जहां कोई समूह असहमत हो), और विविधता नमूनाकरण (डेटा के विभिन्न क्षेत्रों को कवर करें) शामिल हैं। अच्छी तरह से किया गया, सक्रिय शिक्षण बहुत कम लेबल का उपयोग करके पूर्ण-डेटासेट सटीकता से मेल खा सकता है, यही कारण है कि यह मेडिकल इमेजिंग, एनएलपी और किसी भी डोमेन में लोकप्रिय है जहां विशेषज्ञ एनोटेशन धीमा या महंगा है।
वास्तविक विश्व कार्यान्वयन
एक रेडियोलॉजी टीम एक ट्यूमर डिटेक्टर को प्रशिक्षित करती है, जिसमें विशेषज्ञ रेडियोलॉजिस्ट के लेबल के लिए सबसे अस्पष्ट स्कैन मॉडल ध्वज होता है, जिससे एनोटेशन घंटों में नाटकीय रूप से कटौती होती है।
एक स्पैम या सामग्री-मॉडरेशन प्रणाली सीमावर्ती संदेशों को सामने लाती है जिसके बारे में मानव समीक्षकों को कम से कम यकीन होता है, जिससे हार्ड एज मामलों में सबसे तेजी से सुधार होता है।
एक वाक्-पहचान कंपनी यादृच्छिक क्लिप को लेबल करने के बजाय, प्रतिलेखन के लिए भेजने के लिए उन ऑडियो क्लिप का चयन करती है जहां उसका मॉडल सबसे अधिक अनिश्चित (उच्चारण, शोर) होता है।
एक ई-कॉमर्स कैटलॉग उत्पाद छवियों को चुनने के लिए क्वेरी-दर-कमेटी का उपयोग करता है जहां कई क्लासिफायर असहमत होते हैं, उन्हें मैन्युअल श्रेणी लेबलिंग के लिए प्राथमिकता दी जाती है।
सक्रिय शिक्षण का भविष्य
सक्रिय शिक्षण को तेजी से बड़े पूर्व-प्रशिक्षित और बुनियादी मॉडल के साथ जोड़ा जा रहा है, जहां लक्ष्य हर चीज को लेबल करने से लेकर कुछ उच्च-मूल्य वाले उदाहरणों पर सस्ते में फाइन-ट्यूनिंग करने में बदल जाता है। कमजोर पर्यवेक्षण, स्व-पर्यवेक्षित पूर्व-प्रशिक्षण और मानव-इन-द-लूप टूलिंग के साथ सख्त एकीकरण की अपेक्षा करें जो समीक्षकों को बनाने के बजाय पुष्टि करने के लिए लेबल सुझाता है। चूंकि लेबलिंग लागत कई वास्तविक तैनाती पर हावी है, स्वचालित चयन और कुशल एनोटेशन इंटरफेस चिकित्सा और कानून जैसे विशेष, डेटा-दुर्लभ डोमेन में मॉडल बनाने के लिए केंद्रीय बने रहेंगे।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- स्पष्ट निर्णय. यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
- लागत और बजट. आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
- टीम और वर्कफ़्लो. साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
का ध्यान रखें
- अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
- बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
- डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
अगले चरण
- आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
- परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
- प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
- दस्तावेज़ जहां सक्रिय शिक्षण मदद करता है और जहां सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the Active Learning quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
एक्टिव लर्निंग क्या है?
सक्रिय शिक्षण एक प्रशिक्षण रणनीति है जहां मॉडल स्वयं चुनता है कि मानव को आगे कौन से गैर-लेबल वाले उदाहरणों को लेबल करना चाहिए। यह मायने रखता है क्योंकि डेटा को लेबल करना महंगा है, और स्मार्ट चयन एनोटेशन के एक अंश के साथ उच्च सटीकता तक पहुंच सकता है।
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.
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं