ДаліНаступний посібник
Лінійна алгебра для машинного навчання
основи
ПОСІБНИК З ОСНОВ
Активне навчання
Активне навчання — це стратегія навчання, коли модель сама вибирає, які непомічені приклади людина має позначити наступним.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
Це важливо, оскільки дані про маркування дорогі, а розумний вибір може досягти високої точності з невеликою частиною анотацій.
Глибоке занурення
Більшість контрольованого навчання передбачає, що у вас уже є велика купа позначених даних. Активне навчання перевертає це: ви починаєте з невеликого позначеного набору прикладів і великої групи непозначених прикладів, а потім неодноразово просите людину («оракула») позначити лише найбільш інформативні. Модель навчається, використовується для оцінки непозначеного пулу, а найцінніші приклади надсилаються для маркування — потім цикл повторюється. Загальні стратегії відбору включають вибірку на основі невизначеності (вибір прикладів, щодо яких модель є найменш впевненою), запит комітету (вибір випадків, коли група не погоджується) і вибірку різноманітності (охоплення різноманітних областей даних). Добре виконане активне навчання може відповідати точності повного набору даних, використовуючи набагато менше міток, тому воно популярне в медичній візуалізації, НЛП та будь-якій іншій області, де експертні анотації повільні або дорогі.
Реалізація в реальному світі
Команда радіологів тренує детектор пухлин, показуючи модель найневизначеніші сканування для позначення експертами-рентгенологами, що значно скорочує години анотацій.
Система спаму або модерації вмісту виводить на поверхню граничні повідомлення, у яких вона найменше впевнена для рецензентів, покращуючись найшвидше у складних випадках.
Компанія, яка займається розпізнаванням мовлення, відбирає аудіозаписи, де їх модель є найбільш невизначеною (акценти, шуми), щоб надіслати їх на транскрипцію, замість того, щоб позначати випадкові кліпи.
Каталог електронної комерції використовує запит комісії для вибору зображень продукту, де кілька класифікаторів не узгоджуються, встановлюючи їм пріоритет для маркування категорії вручну.
Майбутнє активного навчання
Активне навчання все частіше поєднується з великими попередньо підготовленими та основними моделями, де мета зміщується від маркування всього до дешевого тонкого налаштування на кількох цінних прикладах. Очікуйте тіснішої інтеграції зі слабким наглядом, самоконтрольованим попереднім навчанням і інструментами, що працюють із людиною в циклі, які пропонують рецензентам мітки для підтвердження, а не створення. Оскільки витрати на маркування домінують у багатьох реальних розгортаннях, автоматизований вибір і ефективні інтерфейси анотацій залишатимуться центральними для побудови моделей у спеціалізованих сферах з дефіцитом даних, таких як медицина та право.
Застосування на практиці
Чому це важливо
- Чіткіші рішення. Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови.
- Вартість і бюджет. Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію.
- Команда та робочий процес. Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання.
Зверніть увагу на
- Різні команди можуть використовувати той самий термін по-різному, тому визначте обсяг завчасно.
- Порівняльні показники можуть виглядати сильними, тоді як продуктивність у реальному світі нерівномірна.
- Ігнорування якості даних і планів оцінки часто призводить до нестабільних результатів.
Наступні кроки
- Почніть із простого визначення необхідного результату.
- Перед тестуванням виберіть одну метрику успіху та одну умову невдачі.
- Запустіть невеликий пілот із репрезентативними даними, а не відшліфованим демонстраційним набором.
- Задокументуйте, де активне навчання допомагає, а де простіші методи кращі.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Active Learning quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке активне навчання?
Активне навчання — це стратегія навчання, коли модель сама вибирає, які непомічені приклади людина має позначити наступним. Це важливо, оскільки дані про маркування дорогі, а розумний вибір може досягти високої точності з невеликою частиною анотацій.
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.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми