アクティブ・ラーニングがコンピューター・ビジョンの開発を加速

コンピュータ・ビジョン・モデルのトレーニングは、子供に色を教えるのと似ている。まず、色のついたオブジェクトのコレクションが必要だ。次に、子供がそれぞれの色を正しく識別できるように指導するのだが、この作業は時間がかかり、繰り返し行われることが多い。

子供が学習するために多くの例を必要とするように、視覚モデルも画像中のパターンやオブジェクトを認識するために、ラベル付けされた大量のデータセットを必要とする。しかし、膨大なデータのラベル付けには、リソースはもちろん、多くの時間と労力がかかる。能動学習のような技術は、このプロセスを簡素化するのに役立つ。

能動学習は、大規模なデータセットから最も重要なデータを選択し、ラベル付けする段階的なプロセスである。モデルはこのラベル付けされたデータから学習し、より正確で効果的なものにする。最も価値のあるデータのみに焦点を当てることで、必要なラベル付けの量を減らし、モデルの開発をスピードアップすることができる。

この記事では、能動学習がモデルのトレーニングにどのように役立ち、ラベル付けコストを削減し、モデル全体の精度を向上させるかを見ていく。

画像データセットの構築は容易ではない

データセットは、コンピュータ・ビジョンとディープラーニング・モデルの基盤である。ImageNetのような人気のあるデータセットは、多様なオブジェクトカテゴリを持つ数百万の画像を提供している。しかし、このような膨大な量の高品質データセットを作成・維持するには、様々な課題が伴います。 

例えば、データの収集とラベリングには、時間とリソース、熟練したアノテーターが必要であり、特定のアプリケーションによってはプロセスが困難となる。画像データセットの需要の増加に対応するためには、革新的でより効率的なソリューションが必要であり、それこそが能動学習が解決しようとしていることなのです。 

能動学習は、データのラベリングプロセスを最適化することで、完璧なソリューションを提供する。アノテーションのために最も情報量の多いデータポイントを戦略的に選択することで、能動学習はラベリングの労力を最小限に抑えながらモデルの性能を最大化する。 

アクティブ・ラーニングとは何か？

能動学習は反復的な機械学習手法であり、モデルはラベル付けされていない大規模なデータ・プールから、ラベル付けすべき最も重要なデータ・ポイントを選び出す。これらの選択されたデータ点は手動でラベル付けされ、学習データセットに追加される。 

その後、モデルは更新されたデータセットで再学習され、ラベル付けする次のデータ点セットを選択する。このプロセスが繰り返され、最も情報量の多いデータ点に焦点を当てることで、モデルは継続的に改善される。このサイクルは、モデルが望ましい精度に達するか、あらかじめ設定されたラベリング基準を満たすまで続けられる。

‍

アクティブ・ラーニングの仕組みを理解する

能動学習技法が、どのデータ・ポイントに手作業によるラベル付けが必要か、また次にどのデータ・ポイントにラベル付けをすべきかをどのように決定するのか、不思議に思うかもしれない。アクティブ・ラーニングがどのように機能するのか、テスト勉強に例えて理解しよう-わからないトピックに集中し、様々な科目をカバーして万全の準備をする。

データ選択プロセスの初期セットに対して、能動学習は不確実性サンプリングや多様性ベースのサンプリングのような戦略を用いる。不確実性サンプリングは、モデルが予測に最も自信のないデータ点を優先し、困難なケースでの精度向上を目指す。多様性に基づくサンプリングは、幅広い特性をカバーするデータポイントを選択し、モデルを多様な例にさらすことで、モデルが未知のデータに対してうまく汎化することを保証する。

最初のデータ選択の後、アクティブ・ラーニングはラベリングのために2つの主要なアプローチを使う：プール・ベース・サンプリングとストリーム・ベース・サンプリング。 

プールベースサンプリングでは、モデルはラベル付けされていないデータの大きなプールをスキャンし、最も困難または有益な例をラベル付けするために選択します。ストリームベースサンプリングに関しては、モデルは到着したデータを処理し、ラベルを付けるかスキップするかを決定する。どちらの場合も、ラベル付けされたデータはトレーニングセットに追加され、モデルはそれ自体を再学習し、反復ごとに着実に改善する。

アクティブ・ラーニングの応用を探る

能動学習は、モデルの精度を向上させ、データラベリングプロセスを合理化することにより、医療画像や自律走行などのコンピュータビジョンアプリケーションにおいて重要な役割を果たしている。この興味深い例として、低照度や霧の中で歩行者や物体を検出するために自動運転車に使用されるコンピュータビジョンモデルがある。アクティブラーニングは、多様で困難な運転シナリオに焦点を当てることで、精度を高めることができる。 

具体的には、能動学習は、選択的ラベリングのために、そのようなシナリオから不確実なデータまたはフレームを識別するために使用することができる。これらのラベル付けされた例をトレーニングセットに追加することで、悪天候や夜間の運転など、困難な環境における歩行者や物体の認識をより良くすることができる。

例えば、NVIDIA 、自動運転モデルにおける夜間の歩行者検知を改善するためにアクティブラーニングを使用している。特に困難なシナリオにおいて、最も有益なデータを戦略的に選択してトレーニングすることで、モデルの性能は大幅に向上する。

‍

アクティブ・ラーニングはラベリング・コストを削減できる

能動学習のもう一つの重要な側面は、ラベリングコストを削減できる可能性があることだ。これは、データセット全体のアノテーションを必要とする代わりに、最も重要なデータポイントのみに焦点を当てることによって実現される。この的を絞ったアプローチは、時間、労力、コストを節約する。不確実なサンプルや多様なサンプルに焦点を絞ることで、能動学習は高いモデル精度を維持しながら、必要なアノテーションの数を削減する。

実際、アクティブ・ラーニングによって、パフォーマンスを犠牲にすることなく、ラベリング・コストを40～60％削減できることが調査によって示されている。これは、データのラベリングにコストがかかるヘルスケアや製造業などの業界で特に役立ちます。アノテーション・プロセスを簡素化することで、アクティブ・ラーニングは、精度を維持しながら、より迅速にモデルを開発し、より効率的に展開することができます。

アクティブ・ラーニングの利点

アクティブ・ラーニングがもたらすその他の主な利点をいくつか挙げてみよう：

• クラスの不均衡に対処する：能動学習は、少数データクラスからのインスタンスにラベル付けすることで、クラスの不均衡問題に対処するのに役立つ。このモデルは、データが限られた稀なシナリオでより良いパフォーマンスを発揮することができる。
• 開発サイクルの高速化：より少ないデータを間接的にラベリングすることは、機械学習やコンピュータビジョンモデルの開発プロセスを加速することを意味し、さらなる反復や実験のためのより多くの時間とリソースを可能にします。
• 適応性：不確実なサンプルやエッジケースのサンプルを反復することで、学習データを継続的に改善することができるため、動的なデータセットや進化するデータセットに適している。

アクティブラーニングとAutoMLは連携できる

自動機械学習（AutoML）は、機械学習モデルの構築と導入に関わる時間のかかる反復作業の自動化に重点を置いています。モデルの選択や性能評価などのタスクを自動化することで、機械学習ワークフローを簡素化し、手作業の必要性を低減します。 

AutoMLを能動学習と統合することで、モデル開発のライフサイクルをスピードアップし、最適化することができる。能動学習コンポーネントは、ラベリングのために最も有益なデータ・ポイントを戦略的に選択し、AutoMLはアーキテクチャ、パラメータ、チューニングの選択を自動化することでモデルを改良します。

‍

この技術の組み合わせを例で理解しよう。 

例えば、医療画像において稀な状態を検出しようとしているとしよう（ラベル付きデータセットが限られており、入手にコストがかかるユースケース）。能動学習は、X線画像の微妙な変化など、モデルが分類に失敗した不確実なデータを識別し、選択することができる。そして、モデルの理解を向上させるために、不確実なデータを優先的に手動でアノテーションすることができる。 

注釈付きデータを使って、AutoMLは様々なアーキテクチャ、ハイパーパラメータ、その他のデータ補強技術を探索し、モデルを最適化することができます。この反復プロセスにより、医療従事者が正確な診断を下せるような、信頼性の高い視覚モデルの開発がスピードアップします。 Ultralytics YOLO11医療従事者の正確な診断に役立ちます。

アクティブ・ラーニングの課題

アクティブ・ラーニングとそのテクニックには多くの利点があるが、これらの戦略を実施する際には、留意すべき点がいくつかある：

• クエリー戦略の選択：アクティブ・ラーニングには多くの手法があり、最適な手法を選択することがモデルの有効性に大きく影響する。不適切なストラテジーを選択すると、特定のアプリケーションに対するモデルのパフォーマンスが低下する可能性がある。
• 再学習コスト：能動学習の反復的な性質は、特に大規模なデータセットの場合、高価な計算資源を必要とする。各ラベリングラウンドの後にモデルは再学習され、複雑さが増す。
• 初期モデルの質：能動学習の有効性は初期モデルの品質に依存する。初期モデルの性能が低いと、有益なデータ点を正確に識別できず、標準以下のラベル要求となり、全体的な性能が低下する可能性がある。

アクティブ・ラーニングとAutoMLの前途

最近のAIとコンピューター・ビジョンの進歩に伴い、能動学習はより複雑な課題に取り組み、機械学習ワークフローを合理化するよう設定されている。能動学習を連合学習や自己教師あり学習のような技術と組み合わせることで、ビジョンモデルの効率性と拡張性をさらに高めることができる。 

連携学習は、データが元の場所から離れることなく、分散フレームワークで複数のデバイスやサーバーにまたがってモデルを学習することを可能にする。データのプライバシーが重要視されるヘルスケアのような業界を考慮すると、連携学習によって、機密性の高いローカルデータを安全に保ちながら直接学習することが可能になる。生データを共有する代わりに、モデルの更新や洞察のみが共有されるため、個人情報が保護されたまま学習プロセスに貢献する。

一方、自己教師あり学習は、ラベル付けされていないデータでモデルを事前学習することで、ラベル付けされたデータの必要性を減らすのに役立つ。このプロセスにより、モデルの強力なベースが構築される。アクティブ・ラーニングは、人によるアノテーションのために最も重要なデータ・ポイントを特定・選択することで、これをベースにモデルをさらに洗練させることができる。

アクティブ・ラーニングからアクティブ・インパクトへ

能動学習は、データ注釈にかかる高いコストや、より正確なモデルの必要性など、コンピュータ・ビジョンにおける主要な課題に取り組む実用的な方法を提供する。最も価値のあるデータポイントのみにラベルを付けることに集中することで、モデルの性能を向上させながら、人間が必要とする労力を削減する。

AutoMLのような技術と組み合わせることで、能動学習は時間のかかる作業を自動化し、モデル開発を効率化します。進歩が進むにつれて、能動学習は、よりスマートで効率的なコンピュータ・ビジョン・システムを構築するために不可欠なツールになると考えられています。

GitHubリポジトリを探索し、AIとコンピュータビジョンモデルについてもっと学ぶために私たちのコミュニティに参加してください。製造業と ヘルスケアにおける コンピュータビジョンのアプリケーションについては、ソリューションページをご覧ください。また、ビジョンAIの旅を始めるためのライセンスオプションもご覧いただけます。