คู่มือพื้นฐาน

การเรียนรู้เชิงรุก

การเรียนรู้เชิงรุกเป็นกลยุทธ์การฝึกอบรมที่ตัวแบบเลือกเองว่าตัวอย่างที่ไม่มีป้ายกำกับใดที่มนุษย์ควรติดป้ายกำกับถัดไป

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของการเรียนรู้เชิงรุก
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

It matters because labeling data is expensive, and smart selection can reach high accuracy with a fraction of the annotations.

เจาะลึก

การเรียนรู้แบบมีผู้สอนส่วนใหญ่จะถือว่าคุณมีข้อมูลที่มีป้ายกำกับจำนวนมากอยู่แล้ว การเรียนรู้เชิงรุกพลิกกลับ: คุณเริ่มต้นด้วยชุดที่มีป้ายกำกับเล็กๆ และกลุ่มตัวอย่างที่ไม่มีป้ายกำกับจำนวนมาก จากนั้นขอให้มนุษย์ ('พยากรณ์') ซ้ำๆ ให้ติดป้ายกำกับเฉพาะตัวอย่างที่ให้ข้อมูลมากที่สุดเท่านั้น แบบจำลองได้รับการฝึกฝน ใช้เพื่อให้คะแนนพูลที่ไม่มีป้ายกำกับ และส่งตัวอย่างที่มีมูลค่าสูงสุดไปติดป้ายกำกับ จากนั้นจึงวนซ้ำ กลยุทธ์การคัดเลือกทั่วไป ได้แก่ การสุ่มตัวอย่างความไม่แน่นอน (เลือกตัวอย่างที่แบบจำลองมีความมั่นใจน้อยที่สุด) การสืบค้นโดยคณะกรรมการ (เลือกจุดที่กลุ่มไม่เห็นด้วย) และการสุ่มตัวอย่างความหลากหลาย (ครอบคลุมภูมิภาคต่างๆ ของข้อมูล) เมื่อทำได้ดี การเรียนรู้เชิงรุกสามารถจับคู่ความแม่นยำของชุดข้อมูลทั้งหมดโดยใช้ฉลากน้อยกว่ามาก ซึ่งเป็นเหตุผลว่าทำไมจึงได้รับความนิยมในการถ่ายภาพทางการแพทย์, NLP และโดเมนอื่นๆ ที่คำอธิบายประกอบของผู้เชี่ยวชาญช้าหรือมีค่าใช้จ่ายสูง

การใช้งานจริงในโลกแห่งความเป็นจริง

ทีมรังสีวิทยาฝึกเครื่องตรวจจับเนื้องอกโดยให้แบบจำลองทำเครื่องหมายการสแกนที่คลุมเครือที่สุดเพื่อให้นักรังสีวิทยาผู้เชี่ยวชาญติดป้ายกำกับ ช่วยลดชั่วโมงคำอธิบายประกอบได้อย่างมาก

สแปมหรือระบบกลั่นกรองเนื้อหาจะแสดงข้อความที่เสี่ยงต่อการตรวจสอบที่เป็นมนุษย์ ซึ่งจะมีการปรับปรุงได้เร็วที่สุดในกรณีขอบแข็ง

บริษัทจดจำเสียงจะเลือกคลิปเสียงที่มีความไม่แน่นอนมากที่สุด (สำเนียง เสียง) เพื่อส่งไปถอดเสียง แทนที่จะติดป้ายกำกับคลิปแบบสุ่ม

แค็ตตาล็อกอีคอมเมิร์ซใช้การสอบถามโดยคณะกรรมการเพื่อเลือกรูปภาพผลิตภัณฑ์ที่ตัวแยกประเภทหลายรายไม่เห็นด้วย โดยจัดลำดับความสำคัญสำหรับการติดป้ายกำกับหมวดหมู่ด้วยตนเอง

อนาคตของการเรียนรู้เชิงรุก

การเรียนรู้แบบลงมือปฏิบัติถูกจับคู่กันมากขึ้นกับโมเดลที่ได้รับการฝึกฝนและพื้นฐานขนาดใหญ่ โดยที่เป้าหมายเปลี่ยนจากการติดป้ายกำกับทุกอย่างไปเป็นการปรับแต่งตัวอย่างที่มีมูลค่าสูงเพียงไม่กี่ตัวอย่างในราคาถูก คาดหวังการผสานรวมที่เข้มงวดยิ่งขึ้นกับการควบคุมดูแลที่อ่อนแอ การฝึกล่วงหน้าแบบมีการควบคุมดูแลด้วยตนเอง และเครื่องมือแบบมนุษย์ในวงที่แนะนำป้ายกำกับให้ผู้ตรวจสอบยืนยันแทนที่จะสร้าง เนื่องจากต้นทุนการติดฉลากมีอิทธิพลต่อการใช้งานจริงจำนวนมาก การเลือกอัตโนมัติและอินเทอร์เฟซคำอธิบายประกอบที่มีประสิทธิภาพจะยังคงเป็นศูนย์กลางในการสร้างโมเดลในโดเมนเฉพาะทางที่ขาดแคลนข้อมูล เช่น การแพทย์และกฎหมาย

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • การตัดสินใจที่ชัดเจนยิ่งขึ้น. ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
  • ต้นทุนและงบประมาณ. คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
  • ทีมงานและขั้นตอนการทำงาน. ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น

ระวัง

  • แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
  • เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
  • การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง

ขั้นตอนต่อไป

  1. เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
  2. เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
  3. ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
  4. เอกสารที่ Active Learning ช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Active Learning quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is Active Learning?

การเรียนรู้เชิงรุกเป็นกลยุทธ์การฝึกอบรมที่ตัวแบบเลือกเองว่าตัวอย่างที่ไม่มีป้ายกำกับใดที่มนุษย์ควรติดป้ายกำกับถัดไป เป็นเรื่องสำคัญเนื่องจากข้อมูลการติดฉลากมีราคาแพง และการเลือกอันชาญฉลาดสามารถบรรลุความแม่นยำสูงโดยใช้คำอธิบายประกอบเพียงเล็กน้อย

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.

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →