Aprendizado ativo

É uma estratégia em que o próprio modelo indica quais exemplos deveriam ser rotulados por pessoas. Em vez de rotular milhares de casos aleatórios, o sistema seleciona aqueles em que tem mais dúvida ou que trariam mais informação, e envia apenas esses para revisão humana. A lógica é economizar esforço de rotulagem, que costuma ser a parte mais cara de um projeto de Machine Learning. Se o modelo já acerta com confiança a maioria dos casos, rotular mais exemplos desse tipo agrega pouco. Rotular os casos em que ele hesita é o que mais melhora o desempenho. Na prática, cria um ciclo: o modelo prevê, os casos incertos vão para pessoas, as decisões dessas pessoas viram novos exemplos de treino e o modelo é atualizado.

Em Produto, aprendizado ativo transforma a revisão humana, que já existe em muitos fluxos, em uma fonte de melhoria contínua do modelo. Se o produto já envia casos de baixa confiança para uma pessoa decidir, basta guardar essa decisão como rótulo para ter um ciclo de aprendizado. Por exemplo, em um fluxo de análise de fraude, as transações que o modelo classifica como “zona cinzenta” vão para um analista. A decisão do analista é registrada e usada no próximo treinamento, tornando o modelo mais preciso justamente nos casos difíceis. Para isso funcionar, o time precisa desenhar a fila de revisão pensando nos dois objetivos: resolver o caso do usuário e produzir um rótulo confiável. Isso inclui interface adequada, critérios claros e registro estruturado da decisão.

Use aprendizado ativo quando rotular dados é caro e já existe, ou pode existir, uma pessoa no fluxo tomando decisões sobre casos difíceis. Use rotulagem em massa quando os dados são baratos de anotar ou quando você precisa de uma amostra uniforme, como na construção de um conjunto de avaliação. Não confunda com Human-in-the-Loop. Human-in-the-Loop descreve a participação de pessoas no funcionamento do sistema; aprendizado ativo é uma estratégia para escolher o que essas pessoas rotulam de modo a melhorar o modelo. Uma forma simples de diferenciar: rotulagem tradicional escolhe exemplos ao acaso; aprendizado ativo deixa o modelo escolher onde a ajuda humana faz mais diferença.

Settles, Active Learning Literature Survey (2009) consolidou a área; a ideia remonta aos anos 1990.

Settles, Active Learning Literature Survey (2009)