Apprentissage actif

Comment fonctionne l'apprentissage actif

Le processus d'apprentissage actif est cyclique et souvent décrit comme un flux de travail humain en boucle. Il suit généralement les étapes suivantes :

1. Formation initiale du modèle: Un modèle, tel qu'un détecteur Ultralytics YOLO11, est d'abord entraîné sur un petit ensemble de données initialement étiquetées.
2. Interrogation des données non étiquetées: Le modèle partiellement formé est ensuite utilisé pour faire des prédictions sur un grand ensemble de données non étiquetées. Sur la base de ces prédictions, le modèle sélectionne un sous-ensemble d'échantillons pour lesquels il est le plus "incertain".
3. Annotation humaine: Ces échantillons incertains sont présentés à un expert humain (l'oracle), qui fournit les étiquettes correctes.
4. Augmentation de l'ensemble de données: Les échantillons nouvellement étiquetés sont ajoutés à l'ensemble de formation.
5. Réentraînement: Le modèle est réentraîné sur l'ensemble de données actualisé et plus important. Ce cycle se répète jusqu'à ce que les performances du modèle atteignent le seuil souhaité ou que le budget d'étiquetage soit épuisé.

La clé de ce processus réside dans la stratégie d'interrogation. Les stratégies courantes comprennent l'échantillonnage d'incertitude (sélection des cas pour lesquels le modèle est le moins sûr), l'interrogation par comité (utilisation de plusieurs modèles et sélection des cas sur lesquels ils ne sont pas d'accord), ou l'estimation du changement de modèle attendu. Une bonne vue d'ensemble de ces stratégies peut être trouvée dans cette enquête sur l'apprentissage actif.

Applications dans le monde réel

L'apprentissage actif est très efficace dans les domaines spécialisés où l'annotation par des experts constitue un goulot d'étranglement.

• Analyse d'images médicales: Lors de l'apprentissage d'une IA pour détecter des maladies comme le cancer à partir de scanners médicaux, il peut y avoir des millions d'images disponibles, mais le radiologue ne dispose que d'un temps limité. Au lieu de lui demander d'étiqueter des images au hasard, un système d'apprentissage actif peut identifier les cas les plus ambigus ou les plus rares à examiner. L'expert concentre ainsi ses efforts là où ils sont le plus nécessaires, ce qui accélère le développement d'un modèle très précis pour des tâches telles que la détection des tumeurs cérébrales. La recherche dans ce domaine montre des réductions significatives de l'effort d'étiquetage, comme le montrent des études telles que celle-ci sur la segmentation des images biomédicales.
• Conduite autonome: Les systèmes de perception des véhicules autonomes doivent être formés sur des ensembles de données vastes et diversifiés couvrant d'innombrables scénarios de conduite. L'apprentissage actif permet d'identifier les "cas limites" des données de conduite collectées, tels qu'un piéton partiellement caché par un obstacle ou des conditions météorologiques inhabituelles, que le modèle actuel de détection d'objets ne parvient pas à traiter. En donnant la priorité à l'annotation de ces scènes difficiles, les développeurs peuvent améliorer plus efficacement la robustesse et la sécurité du modèle.

Apprentissage actif et concepts connexes

Il est important de distinguer l'apprentissage actif des autres paradigmes d'apprentissage qui utilisent également des données non étiquetées :

• Apprentissage semi-supervisé: Utilise simultanément des données étiquetées et non étiquetées pendant la formation. Contrairement à l'apprentissage actif, il utilise généralement toutes les données non étiquetées disponibles de manière passive, plutôt que d'interroger sélectivement des instances spécifiques pour obtenir des étiquettes.
• Apprentissage auto-supervisé: Apprend des représentations à partir de données non étiquetées en créant des tâches prétextes (par exemple, prédire une partie masquée d'une image). Il ne nécessite pas d'annotation humaine pendant sa phase de pré-entraînement, alors que l'apprentissage actif s'appuie sur un oracle pour les étiquettes. DeepMind a largement exploré ce domaine.
• Apprentissage par renforcement: Apprentissage par essais et erreurs par le biais d'interactions avec un environnement, en recevant des récompenses ou des pénalités pour ses actions. Il n'implique pas la recherche d'étiquettes explicites comme l'apprentissage actif.
• L'apprentissage fédéré: L'apprentissage fédéré se concentre sur la formation de modèles à travers des dispositifs décentralisés tout en conservant les données au niveau local, ce qui répond principalement aux préoccupations en matière de confidentialité des données. L'apprentissage actif se concentre sur l'acquisition efficace d'étiquettes. Ces techniques peuvent parfois être combinées.

Outils et mise en œuvre

La mise en œuvre de l'apprentissage actif implique souvent l'intégration de modèles de ML avec des outils d'annotation et la gestion du flux de données. Des frameworks comme scikit-learn offrent certaines fonctionnalités, tandis que des bibliothèques spécialisées existent pour des tâches spécifiques. Les logiciels d'annotation tels que Label Studio peuvent être intégrés dans les pipelines d'apprentissage actif, permettant aux annotateurs de fournir des étiquettes pour les échantillons interrogés. Une gestion efficace des ensembles de données en évolution et des modèles formés est cruciale, et des plateformes comme Ultralytics HUB fournissent une infrastructure pour organiser ces actifs tout au long du cycle de vie du développement. Explorez le dépôt Ultralytics GitHub pour plus d'informations sur la mise en œuvre de techniques avancées de ML.