Aprendizagem ativa

Como funciona a aprendizagem ativa

O processo de Aprendizagem Ativa segue normalmente um ciclo iterativo:

1. Formação inicial: Um modelo, como um Ultralytics YOLO da Ultralytics para deteção de objectos, é treinado num pequeno conjunto de dados inicialmente rotulado.
2. Consulta: O modelo atualmente treinado analisa um conjunto de dados não rotulados e utiliza uma estratégia de consulta específica para selecionar os pontos de dados que considera mais informativos ou incertos.
3. Anotação: Estes pontos de dados selecionados são apresentados a um anotador humano (o oráculo) para rotulagem. As práticas eficazes de recolha e anotação de dados são cruciais aqui.
4. Treina novamente: As instâncias recém-rotuladas são adicionadas ao conjunto de treino.
5. Iteração: O modelo é treinado novamente com o conjunto de dados rotulado expandido, e o ciclo (passos 2-5) repete-se até que um critério de paragem seja cumprido, tal como atingir um nível de precisão desejado, esgotar o orçamento de rotulagem ou observar retornos decrescentes na melhoria do desempenho.

Estratégias de consulta

O núcleo da Aprendizagem Ativa reside na sua estratégia de consulta - o método utilizado para selecionar quais os pontos de dados não rotulados a consultar a seguir. As estratégias comuns incluem:

• Amostragem de incerteza: Seleciona as instâncias em que o modelo está menos confiante na sua previsão. Esta é talvez a estratégia mais comum. Mais detalhes podem ser encontrados em pesquisas acadêmicas como esta de Burr Settles.
• Consulta por comité (QBC): Treina vários modelos (um comité) e seleciona as instâncias em que os membros do comité discordam mais da previsão.
• Mudança esperada do modelo: Seleciona as instâncias que causariam a maior mudança nos parâmetros do modelo se seus rótulos fossem conhecidos.

Relevância e benefícios

A Aprendizagem Ativa reduz significativamente o peso da etiquetagem de dados, que é frequentemente um grande obstáculo no desenvolvimento de modelos de ML. Ao concentrar os esforços de anotação nos pontos de dados com maior impacto, permite às equipas

• Obtém um desempenho de modelo comparável ou mesmo melhor com um número significativamente menor de etiquetas.
• Reduzir os custos associados à anotação de especialistas.
• Acelera o ciclo de vida do desenvolvimento do modelo.
• Constrói modelos mais robustos, concentrando-se em exemplos desafiantes ou ambíguos.

Aplicações no mundo real

A aprendizagem ativa encontra aplicações em vários domínios:

1. Análise de imagens médicas: Em tarefas como a deteção de tumores em imagens médicas, um sistema de Aprendizagem Ativa pode apresentar aos radiologistas as radiografias ou os exames de ressonância magnética mais ambíguos, maximizando o valor do seu tempo de especialista e acelerando o desenvolvimento da IA de diagnóstico. Isto é crucial para melhorar as soluções de IA para os cuidados de saúde.
2. Processamento de linguagem natural (NLP): Para tarefas como a análise de sentimentos ou o reconhecimento de entidades nomeadas, a Aprendizagem Ativa pode selecionar trechos de texto incertos (por exemplo, publicações nas redes sociais, críticas de clientes) para revisão humana, melhorando rapidamente o desempenho do modelo com menos rotulagem manual em comparação com dados de amostragem aleatória.

Aprendizagem Ativa vs. Conceitos Relacionados

• Aprendizagem supervisionada: Depende inteiramente de um conjunto de dados pré-existente e totalmente rotulado. Não seleciona interactivamente os dados para etiquetagem durante o treino.
• Aprendizagem semi-supervisionada: Também usa dados rotulados e não rotulados, mas normalmente aproveita os dados não rotulados automaticamente com base em suposições sobre a estrutura dos dados (por exemplo, agrupamento, suposições múltiplas), em vez de consultar ativamente rótulos específicos. Consulta a entrada do glossário sobre Aprendizagem Semi-Supervisionada para mais informações.
• Aprendizagem por reforço: Aprende através de interações de tentativa e erro com um ambiente, recebendo recompensas ou penalizações. Concentra-se na aprendizagem de acções óptimas e não na rotulagem eficiente de dados, como a Aprendizagem Ativa. Explora mais a Aprendizagem por Reforço no nosso glossário.

Ferramentas e implementação

A implementação da aprendizagem ativa envolve frequentemente a integração de modelos de aprendizagem ativa com ferramentas de anotação e a gestão do fluxo de trabalho de dados. Plataformas como DagsHub oferecem ferramentas para a construção de condutas de aprendizagem ativa, tal como discutido na sua palestraYOLO VISION 2023. O software de anotação, como o Label Studio, pode ser integrado nestas condutas. Gerir eficazmente conjuntos de dados e modelos treinados é crucial, e plataformas como o Ultralytics HUB fornecem infra-estruturas para organizar conjuntos de dados e modelos ao longo do ciclo de desenvolvimento.