VolgendeVolgende gids
Lineaire algebra voor machinaal leren
Grondbeginselen
Basisprincipes GIDS
Actief leren is een trainingsstrategie waarbij het model zelf kiest welke ongelabelde voorbeelden een mens vervolgens moet labelen.
Luister naar deze gidsAI-verteld · ~2 min
Het is belangrijk omdat het labelen van gegevens duur is en slimme selectie een hoge nauwkeurigheid kan bereiken met een fractie van de annotaties.
Bij het meeste begeleid leren wordt ervan uitgegaan dat je al een grote stapel gelabelde gegevens hebt. Actief leren draait dat om: je begint met een kleine gelabelde set en een grote verzameling ongelabelde voorbeelden, en vraagt vervolgens herhaaldelijk aan een mens (het 'orakel') om alleen de meest informatieve voorbeelden te labelen. Het model wordt getraind, gebruikt om de ongelabelde pool te scoren, en de voorbeelden met de hoogste waarde worden ter labeling verzonden, waarna de lus zich herhaalt. Gebruikelijke selectiestrategieën zijn onder meer onzekerheidssteekproeven (kies voorbeelden waar het model het minst vertrouwen in heeft), zoekopdrachten per commissie (kies waar een ensemble het niet mee eens is) en diversiteitssteekproeven (bestrijk uiteenlopende gebieden van de gegevens). Als het goed wordt gedaan, kan actief leren de nauwkeurigheid van de volledige dataset evenaren met behulp van veel minder labels. Daarom is het populair in medische beeldvorming, NLP en elk domein waar annotatie door experts traag of kostbaar is.
Een radiologieteam traint een tumordetector door het model de meest dubbelzinnige scans te laten markeren zodat deskundige radiologen deze kunnen labelen, waardoor het aantal annotatie-uren dramatisch wordt verminderd.
Een spam- of inhoudsmoderatiesysteem brengt grensoverschrijdende berichten naar voren waar menselijke beoordelaars het minst zeker van zijn, en verbetert het snelst in de moeilijke gevallen.
Een spraakherkenningsbedrijf selecteert audiofragmenten waarvan het model het meest onzeker is (accenten, ruis) om te verzenden voor transcriptie, in plaats van willekeurige fragmenten te labelen.
Een e-commercecatalogus maakt gebruik van zoekopdrachten per commissie om productafbeeldingen te kiezen waar meerdere classificaties het niet mee eens zijn, en geeft prioriteit aan deze voor handmatige categorielabeling.
Actief leren wordt steeds vaker gecombineerd met grote, vooraf getrainde en basismodellen, waarbij het doel verschuift van het labelen van alles naar het goedkoop afstemmen op een paar waardevolle voorbeelden. Verwacht een nauwere integratie met zwak toezicht, zelfgecontroleerde voortraining en mens-in-de-loop-tools die labels voorstellen die reviewers moeten bevestigen in plaats van creëren. Omdat labelingkosten veel echte implementaties domineren, zullen geautomatiseerde selectie en efficiënte annotatie-interfaces centraal blijven staan bij het bouwen van modellen in gespecialiseerde, dataschaarse domeinen zoals de geneeskunde en de wet.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Actief leren is een trainingsstrategie waarbij het model zelf kiest welke ongelabelde voorbeelden een mens vervolgens moet labelen. Het is van belang omdat het labelen van gegevens duur is en slimme selectie een hoge nauwkeurigheid kan bereiken met een fractie van de annotaties.
The guide describes querying an oracle for selected informative examples, then using their labels in training.
The oracle provides labels for selected examples; it is commonly a human annotator or expert.
Query-by-committee selects examples on which several models disagree.
A small margin between leading class scores is one uncertainty signal described by the guide.
The guide warns that greedily chasing uncertainty can ignore other parts of the data.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Lineaire algebra voor machinaal leren
Grondbeginselen