aktivní učení | AI slovník

Odborná definice

Active learning je přístup k strojovému učení, při kterém model nebo výběrová strategie určuje, které neoznačené příklady mají být předloženy člověku či jinému orákulu na doplnění správného štítku. Cílem je dosáhnout požadované kvality s menším množstvím nákladně označených dat. Výběr může vycházet z nejistoty modelu, reprezentativnosti vzorku, očekávané změny modelu nebo kombinace kritérií. Proces probíhá iterativně. Výběrová politika se musí hodnotit odděleně od modelu, protože může měnit složení novozískaných tréninkových dat.

Srozumitelné vysvětlení

Místo označení milionu snímků necháme model vybrat ty, u kterých si je nejméně jistý nebo které pokrývají dosud neznámou část dat. Odborník označí pouze tento užší výběr, model se přetrénuje a cyklus se zopakuje. Tak lze zaměřit čas lékařů, právníků či techniků na případy s nejvyšší informační hodnotou. Úspora však vznikne pouze tehdy, když výběr nezanedbá důležité skupiny a proces označování je spolehlivý. Důležitá je i cena jednoho označení, protože složité hraniční případy mohou vyžadovat více expertů nebo dodatečné měření.

Časté otázky

Co je v active learningu orákulum?

Orákulum je zdroj správného označení pro vybraný příklad. Nejčastěji jde o člověka s doménovou expertízou, může to však být laboratorní test, přesný merací proces nebo drahší referenční systém. Kvalita orákula je kritická, protože model cíleně vybírá náročné případy, při kterých může být nezhoda mezi hodnotitelmi vyšší než při běžných datech.

Jako model vybírá příklady na označení?

Při uncertainty sampling vybírá případy s najnižšou istotou nebo najmenším rozdílem mezi najpravdepodobnejšími třídami. Query-by-committee hledá případy, při kterých se nezhodnou více modely. Jiné strategie uprednostňují reprezentativní body v dátovom prostoru nebo odhadují, který štítek nejvíce sníží budúcu chybu.

Kdy active learning přináší největší úsporu?

Největší přínos má tehdy, když je neoznačených dat mnoho, označení je drahé a mezi příklady existují výrazné rozdíly v informační hodnote. Typické jsou medicínské snímky, právně dokumenty nebo priemyselné poruchy. Menší efekt lze čekat, pokud je označování lacné, model už dosiahol limit kvality nebo vybrané případy nelze spolehlivě rozhodnout.

Jaké riziko vzniká výberovým zkreslením?

Data vybrané modelem nemusí reprezentovat reálnou prevádzku. Pokud se trénuje pouze na neistých případech, může se změnit distribuce tréninkové sady a zhoršit kalibrace. Proto se uchovává náhodná kontrolní vzorek, sledují se segmenty populace a při vyhodnotení se používá nezávislá testovací sada, která nebola vytvořená výberovou politikou.

Jak se active learning ukončuje?

Cyklus se ukončí, když další označení prinášají zanedbatelné zlepšení, vyčerpá se rozpočet nebo model dosáhne předem stanovenou kvalitu a bezpečnostní limity. Rozhodnutí nemá vycházet pouze z průměrné metriky. Je třeba ověřit citlivé segmenty, stabilitu mezi iteracemi a to, či model nezačal opakovaně vyberat nerozhodnutelné či chybné případy.

Související pojmy

Zdroje a redakční stopa

Google Machine Learning Glossary
NIST AI 600-1, Generative AI Profile

Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.