개요
라벨링 데이터는 비용이 많이 들고 현명한 선택은 주석의 일부만으로 높은 정확도에 도달할 수 있기 때문에 중요합니다.
심층 분석
대부분의 지도 학습에서는 이미 레이블이 지정된 데이터가 많이 있다고 가정합니다. 능동적 학습은 이를 뒤집습니다. 작은 레이블이 있는 세트와 레이블이 없는 대규모 예제 풀로 시작한 다음 인간('오라클')에게 가장 유용한 항목에만 레이블을 지정하도록 반복적으로 요청합니다. 모델은 훈련되어 레이블이 지정되지 않은 풀의 점수를 매기는 데 사용되며 레이블 지정을 위해 가장 높은 값의 예가 전송됩니다. 그런 다음 루프가 반복됩니다. 일반적인 선택 전략에는 불확실성 샘플링(모델의 신뢰도가 가장 낮은 사례 선택), 위원회별 쿼리(앙상블이 동의하지 않는 부분 선택), 다양성 샘플링(데이터의 다양한 영역 포함)이 포함됩니다. 잘 수행되면 능동 학습은 훨씬 적은 수의 레이블을 사용하여 전체 데이터 세트 정확도를 일치시킬 수 있으므로 의료 영상, NLP 및 전문가 주석이 느리거나 비용이 많이 드는 모든 도메인에서 널리 사용됩니다.
실제 구현
방사선과 팀은 모델이 전문 방사선과 전문의가 라벨을 지정하도록 가장 모호한 스캔에 플래그를 지정하여 주석 시간을 대폭 단축함으로써 종양 탐지기를 훈련시킵니다.
스팸 또는 콘텐츠 조정 시스템은 인간 검토자에게 가장 확실하지 않은 경계선 메시지를 표시하여 하드 엣지 케이스에서 가장 빠르게 개선됩니다.
음성 인식 회사는 임의의 클립에 레이블을 지정하는 대신 모델이 가장 불확실한(악센트, 소음) 오디오 클립을 선택하여 텍스트 변환을 위해 보냅니다.
전자상거래 카탈로그는 위원회별 쿼리를 사용하여 여러 분류 기준이 일치하지 않는 제품 이미지를 선택하고 수동 카테고리 라벨링을 위해 우선순위를 지정합니다.
능동적 학습의 미래
능동 학습은 점점 더 큰 규모의 사전 학습된 기본 모델과 결합되어 목표가 모든 것에 라벨을 붙이는 것에서 몇 가지 고가치 사례에 대해 저렴하게 미세 조정되는 것으로 바뀌고 있습니다. 약한 감독, 자체 감독 사전 훈련, 검토자가 생성보다는 확인을 위해 레이블을 제안하는 인간 참여형 도구와의 긴밀한 통합을 기대합니다. 라벨링 비용이 많은 실제 배포를 지배하므로 자동화된 선택과 효율적인 주석 인터페이스는 의학 및 법률과 같이 전문적이고 데이터가 부족한 영역에서 모델을 구축하는 데 핵심으로 남을 것입니다.
실천에 옮기기
왜 중요한가요?
- 더 명확한 결정들. 이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
- 비용 및 예산. 돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
- 팀과 워크플로우. 이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
조심하세요
- 팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
- 벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
- 데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
다음 단계
- 필요한 결과에 대한 일반 언어 정의부터 시작하세요.
- 테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
- 세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
- 능동적 학습이 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Active Learning quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
능동적 학습이란 무엇입니까?
능동 학습은 모델 자체가 사람이 다음에 라벨을 지정해야 하는 라벨이 지정되지 않은 예시를 선택하는 학습 전략입니다. 라벨링 데이터는 비용이 많이 들고 현명한 선택은 주석의 일부만으로 높은 정확도에 도달할 수 있기 때문에 중요합니다.
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.