Apprentissage actif (algorithme d’apprentissage actif)

Dans un contexte d'IA, l'apprentissage actif est la capacité des algorithmes d'apprentissage automatique à demander plus d'informations aux humains. Essentiellement, l'apprentissage actif permet à un programme d'IA ayant reçu une formation minimale d'identifier les données dont il a besoin pour s'améliorer. L'algorithme identifie le sous-ensemble de données qui devrait donner les meilleurs résultats pour une catégorie particulière et demande à quelqu'un d'étiqueter les données de ce sous-ensemble. Les données d'apprentissage requises pour les algorithmes d'apprentissage actif sont minimes, ce qui les rend particulièrement utiles lorsque peu d'informations étiquetées sont disponibles. Cet algorithme est utile pour l'analyse de texte et la recherche d'informations, ainsi que pour la reconnaissance de la parole et des images. Apprentissage actif vs. apprentissage supervisé vs. apprentissage non supervisé Les algorithmes d'apprentissage actif sont une forme simple d'IA curieuse semi-supervisée. Cet algorithme mélange des aspects de l'apprentissage supervisé et non supervisé. L'apprentissage supervisé, qui utilise des données historiques pour faire des prévisions sur les nouvelles données, nécessite un humain pour créer des données d'entrée et de sortie souhaitées pour la formation. Cette approche peut s'avérer coûteuse car elle nécessite des frais humains importants. Les systèmes d'IA à apprentissage non supervisé, en revanche, ne nécessitent qu'un minimum de ressources humaines, car ils recherchent des modèles dans des données non étiquetées. Ce type de ML est rentable, mais il peut ne pas être aussi significatif que les autres types. L'apprentissage actif est capable d'utiliser des données structurées et non structurées de manière rentable. Pour ce faire, il faut donner la priorité aux données avec lesquelles les modèles sont le plus désorientés et demander des étiquettes. Le modèle utilisera une quantité relativement faible de données étiquetées pour la formation et demandera plus d'étiquettes ultérieurement si nécessaire. Cette approche itérative de l'apprentissage automatique permet non seulement au modèle d'apprentissage automatique d'apprendre plus rapidement, mais aussi de réduire les coûts en permettant aux humains de ne pas étiqueter les données qui ne sont pas utiles au modèle. Regardez ce tutoriel d'introduction à l'apprentissage actif pour en savoir plus.