Active Learning

L'apprendimento attivo è un approccio strategico nell'apprendimento automatico (ML) in cui l'algoritmo seleziona proattivamente i punti dati più informativi da etichettare, invece di accettare passivamente un dataset già etichettato. Nell'apprendimento supervisionato tradizionale, i modelli richiedono spesso enormi quantità di dati annotati, la cui creazione può essere costosa e richiedere molto tempo. L'apprendimento attivo ottimizza questo processo identificando gli esempi "incerti" o "difficili", ovvero quelli vicini al confine decisionale o per i quali il modello ha poca fiducia, e chiedendo agli annotatori umani di etichettare solo queste istanze specifiche. Questo ciclo iterativo consente ai modelli di raggiungere un'elevata accuratezza con un numero significativamente inferiore di campioni etichettati, rendendolo altamente efficiente per i progetti con budget limitati o vincoli di tempo.

Come funziona il ciclo di apprendimento attivo#

Il nucleo dell'apprendimento attivo è un ciclo di feedback spesso definito human-in-the-loop. Invece di eseguire una sola sessione di addestramento su un dataset statico, il modello si evolve attraverso cicli di interrogazione e aggiornamento.

1. Inizializzazione: il processo inizia con un piccolo insieme di dati di addestramento etichettati, utilizzato per addestrare un modello iniziale, come Ultralytics YOLO26.

2. Selezione delle query: il modello valuta un ampio insieme di dati non etichettati. Utilizzando una strategia di interrogazione, in genere il campionamento basato sull'incertezza, seleziona le immagini o i testi per i quali le sue previsioni sono meno affidabili.

3. Annotazione: questi campioni ad alta priorità vengono inviati a un esperto umano, spesso definito "oracolo" nella letteratura sull'apprendimento attivo, per l'etichettatura dei dati.

4. Riaddestramento: i dati appena etichettati vengono aggiunti al set di addestramento e il modello viene riaddestrato. Questo modello aggiornato è quindi più preparato a selezionare il batch successivo di campioni problematici.

Applicazioni nel mondo reale#

L'apprendimento attivo è indispensabile nei settori in cui i dati sono abbondanti, ma l'etichettatura richiede conoscenze specialistiche o costi elevati.

• Analisi di immagini mediche: in ambiti come la radiologia, l'etichettatura richiede esperti certificati la cui disponibilità è estremamente preziosa. Invece di chiedere a un medico di annotare migliaia di scansioni evidenti, un sistema di apprendimento attivo può filtrare i casi ambigui, come tumori in fase iniziale o anomalie rare, consentendo all'esperto di concentrarsi solo sulle immagini che migliorano realmente le capacità diagnostiche del modello.
• Veicoli autonomi: le automobili a guida autonoma generano petabyte di dati video. Etichettare ogni fotogramma è impossibile. L'apprendimento attivo aiuta gli ingegneri a identificare gli edge case, come pedoni in costume o veicoli che circolano durante forti nevicate, che i modelli standard di rilevamento degli oggetti potrebbero non riconoscere. Dando priorità a questi scenari rari, le aziende migliorano la sicurezza senza sprecare risorse su riprese autostradali ripetitive.

Esempio in Python: filtrare le previsioni incerte#

L'esempio seguente illustra una semplice logica di "campionamento basato sull'incertezza" utilizzando Ultralytics YOLO26. Carichiamo un modello, eseguiamo l'inferenza sulle immagini e contrassegniamo quelle in cui il punteggio di confidenza è inferiore a una determinata soglia per la revisione manuale.

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.")

Distinzione tra concetti correlati#

È importante distinguere l'apprendimento attivo da paradigmi di addestramento simili:

• Apprendimento semi-supervisionato: sebbene entrambi i metodi utilizzino dati non etichettati, l'apprendimento semi-supervisionato assegna automaticamente pseudo-etichette ai dati sulla base delle previsioni ad alta confidenza del modello. Al contrario, l'apprendimento attivo richiede esplicitamente l'intervento umano sulle previsioni a bassa confidenza.
• Transfer learning: consiste nel prendere un modello preaddestrato, ad esempio uno addestrato su ImageNet, e adattarlo a un nuovo compito. L'apprendimento attivo si concentra su quali dati etichettare, mentre il transfer learning si concentra sul riutilizzo delle caratteristiche apprese.
• Apprendimento per rinforzo: in questo caso, un agente apprende interagendo con un ambiente e ricevendo ricompense. L'apprendimento attivo è diverso perché cerca etichette statiche di verità di riferimento da un oracolo, invece di ottimizzare una sequenza di azioni per ottenere una ricompensa.

Integrazione con MLOps#

L'implementazione efficace dell'apprendimento attivo richiede una pipeline solida di operazioni di machine learning (MLOps). È necessaria un'infrastruttura per gestire il versionamento dei dati, attivare i processi di riaddestramento e fornire agli utenti umani l'interfaccia di annotazione. Gli strumenti che si integrano con l'ecosistema Ultralytics consentono agli utenti di passare senza problemi dall'inferenza alla selezione e alla preparazione dei dati, fino all'addestramento. Ad esempio, l'utilizzo di script di addestramento personalizzati consente agli sviluppatori di integrare rapidamente nuovi batch di dati di apprendimento attivo nei propri modelli YOLO.

Per ulteriori informazioni sulle strategie di campionamento, i ricercatori fanno spesso riferimento a rassegne complete nella letteratura sull'apprendimento attivo. Inoltre, comprendere le metriche di valutazione del modello è fondamentale per verificare che il ciclo di apprendimento attivo stia effettivamente migliorando le prestazioni.