Giat belajar
Pembelajaran aktif adalah strategi pelatihan di mana model itu sendiri memilih contoh tak berlabel mana yang selanjutnya harus diberi label oleh manusia.
Ikhtisar
It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.
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.
Wawasan Teknis
Ide intinya adalah memperkirakan 'nilai' setiap titik yang tidak diberi label sebelum membayar untuk memberi label. Pengambilan sampel ketidakpastian menggunakan probabilitas model itu sendiri — misalnya memilih titik yang probabilitas kelas teratasnya paling dekat dengan peluang, atau dengan entropi tertinggi atau margin terkecil antara dua kelas teratas. Kueri per komite melatih beberapa model dan memilih poin yang paling tidak disetujui. Risiko utamanya adalah bias pengambilan sampel: keserakahan mengejar ketidakpastian dapat mengabaikan seluruh wilayah, sehingga keragaman atau metode yang sadar akan kelompok sering kali digabungkan.
Dampak Strategis
Clearer decisions
Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
Cost and budget
Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
Team and workflow
Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
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.
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.
Risiko & Pagar Pembatas
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.
Peta Jalan Implementasi
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
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
Next guide
Pembelajaran Mendalam
Pertanyaan yang sering diajukan
What is Active Learning?
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.
Apa tujuan utama pembelajaran aktif?
Pembelajaran aktif bertujuan untuk memaksimalkan performa model per contoh berlabel dengan memilih poin paling informatif untuk diberi anotasi oleh manusia.
Dalam pembelajaran aktif, apa yang dimaksud dengan 'oracle'?
Oracle adalah sumber pelabelan — biasanya seorang pakar manusia — yang modelnya menanyakan label kebenaran dasar pada contoh yang dipilih.
Strategi manakah yang memilih contoh yang paling tidak diyakini oleh model?
Pengambilan sampel ketidakpastian mengambil titik-titik yang prediksi probabilitas modelnya paling mendekati perkiraan, misalnya entropi tinggi atau margin kecil antar kelas atas.
Bagaimana cara kueri per komite memutuskan contoh mana yang akan diberi label?
Kueri per komite melatih ansambel dan memprioritaskan poin-poin yang tidak disetujui oleh anggota, karena ketidaksepakatan menandakan wilayah yang informatif.
Apa risiko utama jika hanya mengandalkan pengambilan sampel ketidakpastian?
Terlalu rakus mengejar titik-titik yang tidak pasti dapat membuat Anda terlalu fokus pada satu wilayah dan mengabaikan wilayah lain, sehingga keberagaman atau metode yang sadar akan kelompok sering kali ditambahkan.