SelanjutnyaPanduan berikutnya
Aljabar Linier untuk Pembelajaran Mesin
Dasar-dasar
PANDUAN Dasar
Giat belajar
Pembelajaran aktif adalah strategi pelatihan di mana model itu sendiri memilih contoh tak berlabel mana yang selanjutnya harus diberi label oleh manusia.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Hal ini penting karena pelabelan data itu mahal, dan pemilihan cerdas dapat mencapai akurasi tinggi dengan sedikit anotasi.
Menyelam Lebih Dalam
Sebagian besar pembelajaran yang diawasi mengasumsikan Anda sudah memiliki banyak data berlabel. Pembelajaran aktif membalik hal tersebut: Anda memulai dengan kumpulan kecil berlabel dan kumpulan besar contoh tak berlabel, kemudian berulang kali meminta manusia (“oracle”) untuk memberi label hanya pada contoh yang paling informatif. Model dilatih, digunakan untuk menilai kumpulan yang tidak berlabel, dan contoh dengan nilai tertinggi dikirim untuk diberi label — kemudian perulangan diulang. Strategi seleksi yang umum mencakup pengambilan sampel ketidakpastian (pilih contoh yang paling tidak diyakini oleh model), kueri per komite (pilih jika kelompok tidak setuju), dan pengambilan sampel keragaman (mencakup berbagai wilayah data). Jika dilakukan dengan baik, pembelajaran aktif dapat menyamai keakuratan kumpulan data lengkap menggunakan label yang jauh lebih sedikit, itulah sebabnya pembelajaran aktif populer dalam pencitraan medis, NLP, dan domain mana pun yang anotasi pakarnya lambat atau mahal.
Implementasi Dunia Nyata
Sebuah tim radiologi melatih detektor tumor dengan meminta model tersebut menandai pemindaian yang paling ambigu untuk diberi label oleh ahli radiologi ahli, sehingga mengurangi jam anotasi secara drastis.
Sistem spam atau moderasi konten memunculkan pesan-pesan yang kurang pasti bagi peninjau manusia, dan mengalami peningkatan tercepat dalam kasus-kasus sulit.
Sebuah perusahaan pengenalan suara memilih klip audio yang modelnya paling tidak pasti (aksen, kebisingan) untuk dikirim untuk transkripsi, daripada memberi label pada klip acak.
Katalog e-niaga menggunakan kueri per komite untuk memilih gambar produk yang tidak disetujui oleh beberapa pengklasifikasi, dan memprioritaskannya untuk pelabelan kategori manual.
Masa Depan Pembelajaran Aktif
Pembelajaran aktif semakin banyak dipadukan dengan model-model besar yang telah dilatih sebelumnya dan model dasar, yang tujuannya beralih dari memberi label pada segala sesuatu menjadi menyempurnakan beberapa contoh bernilai tinggi dengan biaya murah. Harapkan integrasi yang lebih erat dengan pengawasan yang lemah, pra-pelatihan yang diawasi sendiri, dan perangkat yang bersifat human-in-the-loop yang menyarankan label untuk dikonfirmasi oleh peninjau, bukan dibuat. Karena biaya pelabelan mendominasi banyak penerapan di dunia nyata, pemilihan otomatis dan antarmuka anotasi yang efisien akan tetap menjadi hal yang penting dalam membangun model di bidang yang terspesialisasi dan kekurangan data seperti kedokteran dan hukum.
Mempraktikkannya
Mengapa itu penting
- Keputusan yang lebih jelas. Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
- Biaya dan anggaran. Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
- Tim dan alur kerja. Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Hati-hati
- Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
- Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
- Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Langkah selanjutnya
- Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
- Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
- Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
- Dokumentasikan di mana Pembelajaran Aktif membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Active Learning quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Pembelajaran Aktif?
Pembelajaran aktif adalah strategi pelatihan di mana model itu sendiri memilih contoh tak berlabel mana yang selanjutnya harus diberi label oleh manusia. Hal ini penting karena pelabelan data itu mahal, dan pemilihan cerdas dapat mencapai akurasi tinggi dengan sedikit anotasi.
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.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini