Active Learning

Aktives Lernen ist ein strategischer Ansatz im maschinellen Lernen (ML), bei dem der Algorithmus proaktiv die informativsten Datenpunkte zur Beschriftung auswählt, anstatt passiv einen vorab beschrifteten Datensatz zu akzeptieren. Beim herkömmlichen überwachten Lernen benötigen Modelle häufig riesige Mengen annotierter Daten, deren Erstellung teuer und zeitaufwendig sein kann. Aktives Lernen optimiert diesen Prozess, indem es „unsichere“ oder „schwierige“ Beispiele identifiziert – also Beispiele nahe der Entscheidungsgrenze oder solche, bei denen das Modell wenig Vertrauen hat – und menschliche Annotatoren auffordert, nur diese spezifischen Instanzen zu beschriften. Durch diese iterative Schleife können Modelle mit deutlich weniger beschrifteten Stichproben eine hohe Genauigkeit erreichen, wodurch sich der Ansatz besonders für Projekte mit begrenztem Budget oder engen Zeitvorgaben eignet.

So funktioniert der Zyklus des aktiven Lernens#

Das zentrale Element des aktiven Lernens ist eine Rückkopplungsschleife, die häufig als Human-in-the-Loop bezeichnet wird. Statt einmalig mit einem statischen Datensatz trainiert zu werden, entwickelt sich das Modell durch Abfrage- und Aktualisierungszyklen weiter.

1. Initialisierung: Der Prozess beginnt mit einer kleinen Menge beschrifteter Trainingsdaten, die zum Trainieren eines ersten Modells verwendet wird, beispielsweise Ultralytics YOLO26.

2. Auswahl der Abfragen: Das Modell bewertet einen großen Pool unbeschrifteter Daten. Mithilfe einer Abfragestrategie – am häufigsten durch Unsicherheitsstichproben – wählt es die Bilder oder Texte aus, bei denen seine Vorhersagen am wenigsten zuverlässig sind.

3. Annotation: Diese Stichproben mit hoher Priorität werden zur [Datenbeschriftung](https://ultralytics-translation-1.invalid an einen menschlichen Experten gesendet, der in der Fachliteratur zum aktiven Lernen häufig als „Orakel“ bezeichnet wird.

4. Nachtraining: Die neu beschrifteten Daten werden dem Trainingssatz hinzugefügt und das Modell wird erneut trainiert. Dieses aktualisierte Modell kann anschließend die nächste Gruppe schwer einzuordnender Stichproben besser auswählen.

Anwendungen in der Praxis#

Aktives Lernen ist in Branchen unverzichtbar, in denen große Datenmengen verfügbar sind, die Beschriftung jedoch spezialisiertes Wissen erfordert oder hohe Kosten verursacht.

• Medizinische Bildanalyse: In Bereichen wie der Radiologie muss die Beschriftung von zugelassenen Fachärzten vorgenommen werden, deren Zeit äußerst wertvoll ist. Statt einen Arzt Tausende eindeutiger Aufnahmen annotieren zu lassen, kann ein System für aktives Lernen mehrdeutige Fälle herausfiltern – etwa Tumoren im Frühstadium oder seltene Anomalien –, sodass sich der Experte auf die Bilder konzentrieren kann, die die diagnostischen Fähigkeiten des Modells tatsächlich verbessern.
• Autonome Fahrzeuge: Selbstfahrende Autos erzeugen Petabytes an Videodaten. Jedes Einzelbild zu beschriften, ist unmöglich. Aktives Lernen hilft Ingenieuren, Randfälle zu identifizieren, etwa Fußgänger in Kostümen oder Fahrten bei starkem Schneefall, die herkömmliche Modelle zur Objekterkennung möglicherweise übersehen. Indem Unternehmen diese seltenen Szenarien priorisieren, erhöhen sie die Sicherheit, ohne Ressourcen für sich wiederholende Aufnahmen von Autobahnfahrten zu verschwenden.

Python-Beispiel: Unsichere Vorhersagen filtern#

Das folgende Beispiel zeigt eine einfache Logik für „Unsicherheitsstichproben“ mit Ultralytics YOLO26. Wir laden ein Modell, führen Inferenz auf Bildern aus und markieren diejenigen, deren Konfidenzwert unter einem bestimmten Schwellenwert liegt, zur manuellen Überprüfung.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# List of unlabeled image paths
unlabeled_images = ["https://ultralytics.com/images/bus.jpg", "https://ultralytics.com/images/zidane.jpg"]

# Run inference
results = model(unlabeled_images)

# Identify samples with low confidence for active learning
uncertain_threshold = 0.6
for result in results:
    # Check if any detection confidence is below the threshold
    if result.boxes.conf.numel() > 0 and result.boxes.conf.min() < uncertain_threshold:
        print(f"Active Learning Query: {result.path} needs human labeling.")

Verwandte Konzepte unterscheiden#

Es ist wichtig, aktives Lernen von ähnlichen Trainingsparadigmen zu unterscheiden:

• Semisupervised Learning: Beide Methoden nutzen unbeschriftete Daten, beim semisupervised Learning werden den Daten jedoch automatisch Pseudolabels auf Grundlage der Vorhersagen des Modells mit hoher Konfidenz zugewiesen. Aktives Lernen fordert dagegen ausdrücklich menschliche Eingaben zu Vorhersagen mit geringer Konfidenz an.
• Transferlernen: Dabei wird ein vortrainiertes Modell – etwa eines, das auf ImageNet trainiert wurde – für eine neue Aufgabe angepasst. Beim aktiven Lernen steht im Mittelpunkt, welche Daten beschriftet werden sollen, während sich Transferlernen auf die Wiederverwendung erlernter Merkmale konzentriert.
• Bestärkendes Lernen: Hier lernt ein Agent durch Interaktion mit einer Umgebung und den Erhalt von Belohnungen. Aktives Lernen unterscheidet sich davon, weil es statische Referenzlabels von einem Orakel abfragt, anstatt eine Folge von Aktionen zur Optimierung einer Belohnung zu erlernen.

Integration in MLOps#

Die effektive Umsetzung von aktivem Lernen erfordert eine robuste Pipeline für den Betrieb maschineller Lernsysteme (MLOps). Du benötigst eine Infrastruktur zur Verwaltung von Datenversionen, zum Auslösen von Nachtrainingsaufträgen und zur Bereitstellung der Benutzeroberfläche für die Annotation durch Menschen. Tools, die sich in das Ultralytics-Ökosystem integrieren lassen, ermöglichen einen nahtlosen Wechsel zwischen Inferenz, Datenaufbereitung und Training. Mit benutzerdefinierten Trainingsskripten können Entwickler beispielsweise neue Gruppen von Daten aus dem aktiven Lernen schnell in ihre YOLO-Modelle integrieren.

Für weiterführende Informationen zu Stichprobenstrategien greifen Forschende häufig auf umfassende Übersichtsarbeiten in der Fachliteratur zum aktiven Lernen zurück. Außerdem ist das Verständnis von Metriken zur Modellbewertung entscheidend, um zu überprüfen, ob die Schleife des aktiven Lernens die Leistung tatsächlich verbessert.