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
- Небольшую стартовую выборку размечают вручную и обучают первую модель.
- Модель оценивает весь пул неразмеченных данных.
- Стратегия отбора выбирает самые полезные примеры, человек их размечает.
- 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

