Aprendizagem ativa

Como funciona a aprendizagem ativa

O processo de aprendizagem ativa é cíclico e é muitas vezes descrito como um fluxo de trabalho humano no circuito. Normalmente, segue as seguintes etapas:

1. Treino inicial do modelo: Um modelo, como um detetor Ultralytics YOLO11, é primeiro treinado num pequeno conjunto de dados inicialmente rotulado.
2. Consulta de dados não rotulados: O modelo parcialmente treinado é então utilizado para fazer previsões num grande conjunto de dados não rotulados. Com base nestas previsões, o modelo seleciona um subconjunto de amostras sobre o qual tem mais "incertezas".
3. Anotação humana: Estas amostras incertas são apresentadas a um perito humano (o oráculo), que fornece as etiquetas corretas.
4. Aumento do conjunto de dados: As amostras recém-rotuladas são adicionadas ao conjunto de treino.
5. Retreinamento: O modelo é treinado novamente com o conjunto de dados atualizado e maior. Este ciclo repete-se até que o desempenho do modelo atinja um limiar desejado ou o orçamento de rotulagem se esgote.

A chave para este processo reside na estratégia de consulta. As estratégias comuns incluem a amostragem de incertezas (selecionando instâncias em que o modelo está menos confiante), a consulta por comité (utilizando vários modelos e selecionando instâncias em que não estão de acordo) ou a estimativa da alteração esperada do modelo. Uma boa visão geral destas estratégias pode ser encontrada neste inquérito sobre Aprendizagem Ativa.

Aplicações no mundo real

A aprendizagem ativa é altamente eficaz em domínios especializados em que a anotação por peritos é um obstáculo.

• Análise de imagens médicas: Quando se treina uma IA para detetar doenças como o cancro a partir de exames médicos, pode haver milhões de imagens disponíveis mas apenas uma quantidade limitada do tempo de um radiologista. Em vez de os colocar a etiquetar imagens aleatórias, um sistema de aprendizagem ativa pode identificar os casos mais ambíguos ou raros para análise. Isto concentra o esforço do especialista onde é mais necessário, acelerando o desenvolvimento de um modelo altamente preciso para tarefas como a deteção de tumores cerebrais. A investigação nesta área mostra reduções significativas no esforço de rotulagem, conforme detalhado em estudos como este sobre segmentação de imagens biomédicas.
• Condução autónoma: Os sistemas de perceção em veículos autónomos devem ser treinados em conjuntos de dados vastos e diversificados que abrangem inúmeros cenários de condução. A aprendizagem ativa pode identificar "casos extremos" a partir de dados de condução recolhidos - como um peão parcialmente escondido por um obstáculo ou condições meteorológicas invulgares - com os quais o modelo atual de deteção de objectos tem dificuldades. Ao dar prioridade a estas cenas difíceis para anotação, os programadores podem melhorar mais eficazmente a robustez e a segurança do modelo.

Aprendizagem Ativa vs. Conceitos Relacionados

É importante distinguir a Aprendizagem Ativa de outros paradigmas de aprendizagem que também utilizam dados não rotulados:

• Aprendizagem Semi-Supervisionada: Utiliza simultaneamente dados rotulados e não rotulados durante a formação. Ao contrário da Aprendizagem Ativa, normalmente utiliza todos os dados não rotulados disponíveis de forma passiva, em vez de consultar seletivamente instâncias específicas para obter rótulos.
• Aprendizagem auto-supervisionada: Aprende representações a partir de dados não rotulados, criando tarefas pré-textuais (por exemplo, prever uma parte mascarada de uma imagem). Não requer anotação humana durante a sua fase de pré-treino, enquanto a Aprendizagem Ativa depende de um oráculo para as etiquetas. A DeepMind explorou extensivamente esta área.
• Aprendizagem por reforço: Aprende por tentativa e erro através de interações com um ambiente, recebendo recompensas ou penalizações por acções. Não envolve a consulta de rótulos explícitos como a Aprendizagem Ativa.
• Aprendizagem federada: Centra-se na formação de modelos em dispositivos descentralizados, mantendo os dados a nível local, abordando principalmente as preocupações com a privacidade dos dados. A aprendizagem ativa centra-se na aquisição eficiente de etiquetas. Por vezes, estas técnicas podem ser combinadas.

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 dos dados. Estruturas como o scikit-learn oferecem algumas funcionalidades, enquanto existem bibliotecas especializadas para tarefas específicas. O software de anotação, como o Label Studio, pode ser integrado em pipelines de aprendizagem ativa, permitindo que os anotadores forneçam etiquetas para amostras consultadas. A gestão eficaz de conjuntos de dados em evolução e de modelos treinados é crucial, e plataformas como o Ultralytics HUB fornecem infra-estruturas para organizar estes activos ao longo do ciclo de vida do desenvolvimento. Explore o repositório Ultralytics GitHub para obter mais informações sobre a implementação de técnicas avançadas de ML.