Active Learning

능동적 학습(Active Learning)은 머신 러닝(ML)의 전략적 접근 방식으로, 알고리즘이 미리 레이블이 지정된 데이터셋을 수동적으로 수용하는 대신 가장 정보량이 많은 데이터 포인트를 선제적으로 선택합니다. 기존의 지도 학습(Supervised Learning)에서 모델은 종종 방대한 양의 주석이 달린 데이터를 필요로 하며, 이를 생성하는 데는 많은 비용과 시간이 소요될 수 있습니다. 능동적 학습은 결정 경계 근처에 있거나 모델의 확신이 부족한 '불확실한' 또는 '어려운' 예제를 식별하고 인간 주석자에게 해당 인스턴스에 대해서만 레이블을 지정하도록 요청함으로써 이 프로세스를 최적화합니다. 이러한 반복 루프를 통해 모델은 훨씬 적은 레이블링된 샘플로도 높은 정확도(Accuracy)를 달성할 수 있어 예산이나 시간 제약이 있는 프로젝트에 매우 효율적입니다.

Link to this section능동적 학습 주기가 작동하는 방식#

능동적 학습의 핵심은 인간 참여형(Human-in-the-loop)이라고도 불리는 피드백 루프입니다. 모델은 고정된 데이터셋에서 한 번 학습하는 대신, 질의(query)와 업데이트 주기를 통해 발전합니다.

1. Initialization: The process begins with a small set of labeled training data used to train an initial model, such as Ultralytics YOLO26.

2. 질의 선택(Query Selection): 모델은 대규모의 레이블링되지 않은 데이터 풀을 평가합니다. 가장 일반적인 방법인 불확실성 샘플링(uncertainty sampling)과 같은 질의 전략을 사용하여 예측 확신도가 가장 낮은 이미지나 텍스트를 선택합니다.

3. 주석(Annotation): 이렇게 우선순위가 높은 샘플은 능동적 학습 문헌에서 종종 "오라클(oracle)"이라고 불리는 인간 전문가에게 전달되어 데이터 레이블링(Data Labeling) 작업을 거칩니다.

4. 재학습(Retraining): 새로 레이블링된 데이터가 학습 세트에 추가되고 모델이 재학습됩니다. 이렇게 업데이트된 모델은 다음 번의 모호한 샘플 배치를 더 잘 선택할 수 있는 능력을 갖추게 됩니다.

Link to this section실제 애플리케이션 사례#

능동적 학습은 데이터는 풍부하지만 레이블링에 전문 지식이 필요하거나 비용이 많이 드는 산업 분야에서 없어서는 안 될 중요한 요소입니다.

• 의료 영상 분석(Medical Image Analysis): 영상의학과와 같은 분야에서 레이블링 작업에는 매우 귀중한 시간을 가진 전문의의 도움이 필요합니다. 의사에게 수천 개의 명확한 스캔을 주석 처리하도록 요청하는 대신, 능동적 학습 시스템은 초기 단계의 종양이나 희귀한 이상 징후와 같이 모호한 사례를 필터링하여 전문가가 모델의 진단 능력을 실질적으로 향상시킬 수 있는 이미지에만 집중하게 합니다.
• Autonomous Vehicles: Self-driving cars generate petabytes of video data. Labeling every frame is impossible. Active learning helps engineers identify edge cases, such as pedestrians wearing costumes or driving in heavy snow, which standard object detection models might miss. By prioritizing these rare scenarios, companies improve safety without wasting resources on repetitive highway footage.

Link to this sectionPython 예제: 불확실한 예측 필터링#

다음 예제는 Ultralytics YOLO26을 사용하여 간단한 "불확실성 샘플링" 로직을 구현하는 방법을 보여줍니다. 모델을 로드하고 이미지에 대해 추론을 실행한 다음, 신뢰도(Confidence) 점수가 특정 임계값 미만인 이미지를 수동 검토용으로 플래그를 지정합니다.

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.")

Link to this section관련 개념 구분#

능동적 학습을 유사한 학습 패러다임과 구분하는 것은 중요합니다.

• 준지도 학습(Semi-Supervised Learning): 두 방법 모두 레이블링되지 않은 데이터를 활용하지만, 준지도 학습은 모델의 높은 신뢰도 예측을 기반으로 데이터에 자동으로 의사 레이블(Pseudo-labels)을 할당합니다. 반면 능동적 학습은 낮은 신뢰도 예측에 대해 명시적으로 인간의 입력을 요구합니다.
• 전이 학습(Transfer Learning): 이는 사전 학습된 모델(예: ImageNet으로 학습된 모델)을 가져와 새로운 작업에 맞게 조정하는 것을 포함합니다. 능동적 학습은 어떤 데이터를 레이블링할지에 초점을 맞추는 반면, 전이 학습은 학습된 특징을 재사용하는 데 초점을 맞춥니다.
• 강화 학습(Reinforcement Learning): 여기서 에이전트는 환경과 상호작용하고 보상을 받으며 학습합니다. 능동적 학습은 보상을 위해 행동 시퀀스를 최적화하는 대신 오라클로부터 정적인 정답(Ground Truth) 레이블을 구한다는 점에서 다릅니다.

Link to this sectionMLOps와의 통합#

능동적 학습을 효과적으로 구현하려면 강력한 머신 러닝 운영(MLOps) 파이프라인이 필요합니다. 데이터 버전을 관리하고 재학습 작업을 트리거하며 인간을 위한 주석 인터페이스를 제공하는 인프라가 필요합니다. Ultralytics 생태계와 통합되는 도구를 사용하면 추론, 데이터 큐레이션, 학습 간의 전환을 원활하게 수행할 수 있습니다. 예를 들어 사용자 지정 학습 스크립트를 사용하면 개발자가 새로운 능동적 학습 데이터 배치를 YOLO 모델에 신속하게 통합할 수 있습니다.

샘플링 전략에 대한 추가 정보가 필요한 경우, 연구자들은 종종 능동적 학습 문헌의 포괄적인 설문 조사를 참조합니다. 또한 모델 평가 지표를 이해하는 것은 능동적 학습 루프가 실제로 성능을 향상시키고 있는지 확인하는 데 매우 중요합니다.