Что такое «Активное обучение»

Модели классификации учатся на размеченных примерах: письмо — «спам» или «не спам», обращение — «доставка», «оплата» или «возврат». Собрать сырые данные обычно легко, а разметка требует времени специалистов. Активное обучение экономит этот ресурс: человек размечает не всё подряд, а то, на чём модель сомневается сильнее всего. Остальные примеры она и так распознаёт уверенно.

Термин из педагогики с тем же названием (обучение через практику и обсуждение) здесь ни при чём: речь о стратегии отбора данных в искусственном интеллекте.

Цикл активного обучения

  1. Небольшую стартовую выборку размечают вручную и обучают первую модель.
  2. Модель оценивает весь пул неразмеченных данных.
  3. Стратегия отбора выбирает самые полезные примеры, человек их размечает.
  4. Модель дообучают, цикл повторяют, пока качество не перестанет заметно расти или не кончится бюджет.

Как модель выбирает примеры

Самый распространённый способ — выборка по неуверенности: берут примеры, для которых вероятности классов почти равны. Вариант «комитет» обучает несколько моделей и отправляет на разметку то, в чём они расходятся. Есть и стратегии, учитывающие разнообразие, чтобы в пачку не попали двадцать почти одинаковых текстов. Ниже — один раунд отбора по неуверенности на Python с моделью из scikit-learn и массивами NumPy:

probs = model.predict_proba(X_pool)          # вероятности классов
uncertainty = 1 - probs.max(axis=1)          # чем ниже максимум, тем больше сомнений
batch = uncertainty.argsort()[-50:]          # 50 самых спорных примеров
y_new = ask_annotator(X_pool[batch])         # условная функция: размечает человек
X_train = np.vstack([X_train, X_pool[batch]])
y_train = np.concatenate([y_train, y_new])
model.fit(X_train, y_train)                  # дообучение на пополненной выборке

Пример: классификатор обращений

Для чат-бота поддержки нужно распределять входящие вопросы по темам. В архиве тысячи переписок, но размечать их все дорого. Размечают 300 сообщений, обучают модель, а дальше каждый раунд добавляют по 50 спорных — например, «а если курьер не приехал, деньги вернут?», где смешаны доставка и возврат. Такие примеры дают модели больше, чем сотни очевидных. Ограничения тоже стоит помнить: в начале модель плохо оценивает собственную неуверенность, а ошибки разметчика на спорных примерах влияют сильнее — это частный случай шума в данных. Поэтому спорные метки полезно перепроверять вторым человеком.

Связанные термины

Обновлено: 10 октября 2026

Все термины раздела «Backend» ↗