Aktif Öğrenme

Aktif öğrenme, makine öğreniminde (ML) bir öğrenme algoritmasının yeni veri noktalarını etiketlemek için bir kullanıcıyı veya başka bir bilgi kaynağını ("oracle") etkileşimli olarak sorgulayabildiği özel bir eğitim metodolojisidir. Temel fikir, bir modelin öğreneceği verileri seçebilmesi halinde, önemli ölçüde daha az eğitim verisiyle daha yüksek doğruluk elde edebileceğidir. Bu, özellikle veri etiketlemenin pahalı, zaman alıcı olduğu veya uzman bilgisi gerektirdiği alanlarda değerlidir. Tüm veri kümesini bir kerede etiketlemek yerine, aktif öğrenme etiketleme için en "bilgilendirici" örneklere öncelik vererek model eğitim sürecini çok daha verimli hale getirir.

Aktif Öğrenme Nasıl Çalışır?

Aktif öğrenme süreci döngüseldir ve genellikle döngü içinde insan iş akışı olarak tanımlanır. Tipik olarak şu adımları izler:

1. İlk Model Eğitimi: Ultralytics YOLO11 dedektörü gibi bir model ilk olarak küçük, başlangıçta etiketlenmiş bir veri kümesi üzerinde eğitilir.
2. Etiketsiz Verilerin Sorgulanması: Kısmen eğitilmiş model daha sonra geniş bir etiketlenmemiş veri havuzunda tahminler yapmak için kullanılır. Bu tahminlere dayanarak model, hakkında en "belirsiz" olduğu örneklerin bir alt kümesini seçer.
3. İnsan Açıklaması: Bu belirsiz örnekler, doğru etiketleri sağlayan bir insan uzmana (kahin) sunulur.
4. Veri Kümesi Büyütme: Yeni etiketlenen örnekler eğitim kümesine eklenir.
5. Yeniden Eğitim: Model güncellenmiş, daha büyük veri kümesi üzerinde yeniden eğitilir. Bu döngü, modelin performansı istenen bir eşiğe ulaşana veya etiketleme bütçesi tükenene kadar tekrarlanır.

Bu sürecin anahtarı sorgulama stratejisinde yatmaktadır. Yaygın stratejiler arasında belirsizlik örneklemesi (modelin en az emin olduğu örnekleri seçme), komiteye göre sorgulama (birden fazla model kullanma ve aynı fikirde olmadıkları örnekleri seçme) veya beklenen model değişikliğini tahmin etme yer alır. Bunlara iyi bir genel bakış bu Aktif Öğrenme anketinde bulunabilir.

Gerçek Dünya Uygulamaları

Aktif öğrenme, uzman açıklamasının darboğaz oluşturduğu özel alanlarda oldukça etkilidir.

• Tıbbi Görüntü Analizi: Tıbbi taramalardan kanser gibi hastalıkları tespit etmek için bir yapay zekayı eğitirken, milyonlarca görüntü mevcut olabilir, ancak bir radyoloğun yalnızca sınırlı miktarda zamanı olabilir. Rastgele görüntüleri etiketlemelerini sağlamak yerine, aktif bir öğrenme sistemi inceleme için en belirsiz veya nadir vakaları belirleyebilir. Bu, uzmanın çabasını en çok ihtiyaç duyulan yere odaklayarak beyin tümörü tespiti gibi görevler için son derece doğru bir modelin geliştirilmesini hızlandırır. Bu alandaki araştırmalar, biyomedikal görüntü segmentasyonuna ilişkin bu gibi çalışmalarda ayrıntılı olarak açıklandığı üzere, etiketleme çabasında önemli azalmalar olduğunu göstermektedir.
• Otonom Sürüş: Otonom araçlardaki algılama sistemleri, sayısız sürüş senaryosunu kapsayan geniş ve çeşitli veri kümeleri üzerinde eğitilmelidir. Aktif öğrenme, toplanan sürüş verilerinden (bir engel tarafından kısmen gizlenmiş bir yaya veya olağandışı hava koşulları gibi) mevcut nesne algılama modelinin zorlandığı "uç durumları" belirleyebilir. Geliştiriciler, açıklama için bu zorlu sahnelere öncelik vererek modelin sağlamlığını ve güvenliğini daha etkili bir şekilde artırabilir.

Aktif Öğrenme ve İlgili Kavramlar

Aktif Öğrenmeyi, etiketlenmemiş verileri de kullanan diğer öğrenme paradigmalarından ayırmak önemlidir:

• Yarı Denetimli Öğrenme: Eğitim sırasında hem etiketli hem de etiketsiz verileri aynı anda kullanır. Aktif Öğrenmenin aksine, etiketler için belirli örnekleri seçici olarak sorgulamak yerine, tipik olarak mevcut tüm etiketsiz verileri pasif olarak kullanır.
• Kendi Kendine Denetimli Öğrenme: Ön görevler oluşturarak etiketsiz verilerden temsilleri öğrenir (örneğin, bir görüntünün maskelenmiş bir bölümünü tahmin etmek). Aktif Öğrenme etiketler için bir kehanete dayanırken, ön eğitim aşamasında insan açıklamasına ihtiyaç duymaz. DeepMind bu alanı kapsamlı bir şekilde araştırmıştır.
• Pekiştirmeli Öğrenme: Bir çevre ile etkileşimler yoluyla deneme yanılma yoluyla öğrenir, eylemler için ödüller veya cezalar alır. Aktif Öğrenme gibi açık etiketler için sorgulama içermez.
• Federe Öğrenme: Verileri yerel tutarken merkezi olmayan cihazlar arasında eğitim modellerine odaklanır, öncelikle veri gizliliği endişelerini ele alır. Aktif Öğrenme verimli etiket edinimine odaklanır. Bu teknikler bazen birleştirilebilir.

Araçlar ve Uygulama

Aktif Öğrenmenin uygulanması genellikle makine öğrenimi modellerinin açıklama araçlarıyla entegre edilmesini ve veri iş akışının yönetilmesini içerir. Scikit-learn gibi çerçeveler bazı işlevler sunarken, belirli görevler için özel kütüphaneler de mevcuttur. Label Studio gibi açıklama yazılımları aktif öğrenme işlem hatlarına entegre edilebilir ve açıklama yapanların sorgulanan örnekler için etiket sağlamasına olanak tanır. Gelişen veri kümelerinin ve eğitilmiş modellerin etkili yönetimi çok önemlidir ve Ultralytics HUB gibi platformlar, geliştirme yaşam döngüsü boyunca bu varlıkları düzenlemek için altyapı sağlar. Gelişmiş makine öğrenimi tekniklerini uygulama hakkında daha fazla bilgi için Ultralytics GitHub deposunu keşfedin.