Tổng quan
Học tập tích cực là một chiến lược đào tạo trong đó mô hình tự chọn những ví dụ chưa được gắn nhãn mà con người sẽ gắn nhãn tiếp theo. Điều này quan trọng vì dữ liệu ghi nhãn rất tốn kém và lựa chọn thông minh có thể đạt độ chính xác cao chỉ với một phần chú thích.
Active Learning nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh.
Lặn sâu
Hầu hết việc học có giám sát đều giả định rằng bạn đã có một lượng lớn dữ liệu được dán nhãn. Học tập tích cực đảo ngược điều đó: bạn bắt đầu với một tập hợp nhỏ được gắn nhãn và một nhóm lớn các ví dụ chưa được gắn nhãn, sau đó liên tục yêu cầu con người ("nhà tiên tri") chỉ gắn nhãn cho những ví dụ có nhiều thông tin nhất. Mô hình được huấn luyện, sử dụng để chấm điểm nhóm không được gắn nhãn và các mẫu có giá trị cao nhất được gửi để gắn nhãn — sau đó vòng lặp sẽ lặp lại. Các chiến lược lựa chọn phổ biến bao gồm lấy mẫu không chắc chắn (chọn các ví dụ mà mô hình ít tin cậy nhất), truy vấn theo ủy ban (chọn nơi tập hợp không đồng ý) và lấy mẫu đa dạng (bao gồm các vùng khác nhau của dữ liệu). Hoàn thành tốt, học tập tích cực có thể phù hợp với độ chính xác của toàn bộ dữ liệu bằng cách sử dụng ít nhãn hơn nhiều, đó là lý do tại sao nó phổ biến trong hình ảnh y tế, NLP và bất kỳ lĩnh vực nào mà chú thích của chuyên gia chậm hoặc tốn kém.
Hiểu biết kỹ thuật
Ý tưởng cốt lõi là ước tính 'giá trị' của từng điểm chưa được gắn nhãn trước khi trả tiền để gắn nhãn cho nó. Lấy mẫu không chắc chắn sử dụng xác suất của chính mô hình - ví dụ: chọn điểm có xác suất hạng cao nhất gần với cơ hội nhất hoặc có entropy cao nhất hoặc biên độ nhỏ nhất giữa hai hạng cao nhất. Ủy ban truy vấn huấn luyện một số mô hình và chọn ra những điểm mà họ không đồng ý nhất. Rủi ro chính là sai lệch lấy mẫu: việc theo đuổi sự không chắc chắn một cách tham lam có thể bỏ qua toàn bộ khu vực, do đó, các phương pháp nhận biết đa dạng hoặc theo đợt thường được kết hợp.
Làm chủ phương pháp học tập tích cực
Học tập tích cực là một chiến lược đào tạo trong đó mô hình tự chọn những ví dụ chưa được gắn nhãn mà con người sẽ gắn nhãn tiếp theo. Điều này quan trọng vì dữ liệu ghi nhãn rất tốn kém và lựa chọn thông minh có thể đạt độ chính xác cao chỉ với một phần chú thích. Active Learning nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh. Để xây dựng sự hiểu biết sâu sắc, hãy coi Active Learning như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Active Learning trước tiên sẽ xây dựng các mô hình khái niệm mạnh mẽ, sau đó ánh xạ các mô hình đó tới các ràng buộc sản xuất thực tế. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Đồng thời, các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Một nhóm X quang đào tạo máy phát hiện khối u bằng cách gắn cờ mô hình cho các bản quét mơ hồ nhất để các bác sĩ X quang chuyên nghiệp gắn nhãn, cắt giảm đáng kể số giờ chú thích.
Hệ thống kiểm duyệt nội dung hoặc spam sẽ hiển thị các thông báo ở ranh giới mà con người đánh giá ít chắc chắn nhất, cải thiện nhanh nhất trong các trường hợp khó khăn.
Một công ty nhận dạng giọng nói chọn các đoạn âm thanh có mô hình không chắc chắn nhất (giọng, tiếng ồn) để gửi đi phiên âm, thay vì dán nhãn các đoạn âm thanh ngẫu nhiên.
Danh mục thương mại điện tử sử dụng truy vấn theo ủy ban để chọn hình ảnh sản phẩm trong đó nhiều bộ phân loại không đồng ý, ưu tiên chúng để ghi nhãn danh mục thủ công.
Các mẫu triển khai
Học tập tích cực trong thực tế
Một nhóm X quang đào tạo máy phát hiện khối u bằng cách gắn cờ mô hình cho các bản quét mơ hồ nhất để các bác sĩ X quang chuyên nghiệp gắn nhãn, cắt giảm đáng kể số giờ chú thích.
Nhóm X quang đào tạo máy phát hiện khối u bằng cách gắn cờ mô hình cho các bản quét mơ hồ nhất để các bác sĩ X quang chuyên nghiệp dán nhãn, cắt giảm đáng kể số giờ chú thích. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Học tập tích cực trong thực tế
Hệ thống kiểm duyệt nội dung hoặc spam sẽ hiển thị các thông báo ở ranh giới mà con người đánh giá ít chắc chắn nhất, cải thiện nhanh nhất trong các trường hợp khó khăn.
Hệ thống kiểm duyệt nội dung hoặc thư rác sẽ hiển thị các thông báo ở ranh giới ít chắc chắn nhất đối với người đánh giá, cải thiện nhanh nhất trong các trường hợp khó. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Học tập tích cực trong thực tế
Một công ty nhận dạng giọng nói chọn các đoạn âm thanh có mô hình không chắc chắn nhất (giọng, tiếng ồn) để gửi đi phiên âm, thay vì dán nhãn các đoạn âm thanh ngẫu nhiên.
Một công ty nhận dạng giọng nói chọn các clip âm thanh có mô hình không chắc chắn nhất (giọng, tiếng ồn) để gửi đi phiên âm, thay vì gắn nhãn các clip ngẫu nhiên. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Học tập tích cực trong thực tế
Danh mục thương mại điện tử sử dụng truy vấn theo ủy ban để chọn hình ảnh sản phẩm trong đó nhiều bộ phân loại không đồng ý, ưu tiên chúng để ghi nhãn danh mục thủ công.
Danh mục thương mại điện tử sử dụng truy vấn theo ủy ban để chọn hình ảnh sản phẩm trong đó nhiều bộ phân loại không đồng ý, ưu tiên chúng để gắn nhãn danh mục thủ công. Các nhóm thường nhận được kết quả tốt hơn khi xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Ghi lại những chỗ mà Học tập Tích cực giúp ích và những chỗ mà các phương pháp đơn giản hơn sẽ tốt hơn.
Ghi lại những chỗ mà Học tập Tích cực giúp ích và những chỗ mà các phương pháp đơn giản hơn sẽ tốt hơn. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.