A aprendizagem activa, num contexto de IA, é a capacidade de uma aprendizagem de máquinas (ML) algoritmo para consultar uma fonte humana para obter informação adicional. Essencialmente, a aprendizagem ativa permite um programa de IA minimamente treinado para identificar quais dados ele precisa para se tornar melhor. To algoritmo identifica qual subconjunto de dados ele espera produzir os melhores resultados para uma categoria em particular e solicita que alguém marque os dados naquele subconjunto.
Active learning algorithms require minimal training data, o que os torna especialmente úteis quando não há muitos dados rotulados disponíveis. Isto torna este tipo de algoritmo útil para recuperação de informação e análise de texto -- assim como reconhecimento de imagem e fala.
Active learning vs. supervisioned learning vs. unsupervised learning
Active learning algorithms are a simple form of semi-supervised, Curious AI. Este tipo de algoritmo combina aspectos de ambos aprendizagem supervisionada e aprendizagem não supervisionada.
Supervised ML, que usa dados históricos para fazer previsões sobre novos dados, requer um humano para criar dados de input e desired-output para treinamento. Porque esta abordagem requer muita sobrecarga humana, pode ser cara. Em contraste, sistemas de IA que usam aprendizagem não supervisionada requerem muito pouca sobrecarga humana porque os algoritmos simplesmente procuram por padrões em conjuntos de dados não etiquetados. Enquanto este tipo de ML pode ser econômico porque não requer tanta entrada humana, também pode ser difícil quantificar os resultados como sendo significativos.
A aprendizagem ativa pode usar dados estruturados e não estruturados de forma econômica, priorizando quais dados o modelo está mais confuso e solicitando etiquetas apenas para esses dados. O modelo usará uma quantidade relativamente pequena de dados rotulados para treinamento e solicitará mais etiquetas mais tarde, se necessário. Esta abordagem iterativa à aprendizagem de máquinas não só ajuda o modelo de aprendizagem de máquinas a aprender mais rápido, como também mantém os custos baixos, deixando os humanos ignorarem os dados de etiquetas que não são úteis ao modelo.
Veja este tutorial introdutório sobre aprendizagem ativa para aprender mais.