Aktif öğrenme nedir?

Aktif öğrenme, makine öğrenmesi modelinin öğrenmek için hangi etiketlenmemiş örneklerin insan tarafından etiketlenmesi gerektiğini seçtiği yöntemdir. Model bütün veriyi rastgele etiketletmek yerine en kararsız, en bilgilendirici veya hata yapma ihtimali yüksek örnekleri ister; böylece daha az etiketleme maliyetiyle daha iyi sonuç hedeflenir. Uygulamada önce küçük bir etiketli veri kümesiyle model eğitilir, ardından modelin en çok bilgiye ihtiyaç duyduğu örnekler seçilip etiketlenir ve model yeniden eğitilir.

Aktif öğrenme nasıl çalışır?​

Klasik denetimli öğrenmede eğitim verilerinin etiketleri baştan hazırlanır. Örneğin bir görüntünün “kedi” veya “köpek” olduğunu insan önceden belirtir. Aktif öğrenmede ise model, elindeki etiketlenmemiş örnekler arasından hangilerinin etiketlenmesinin daha yararlı olacağını seçer.

Tipik döngü şöyledir:

1. Küçük bir başlangıç kümesi oluşturulur. İnsan tarafından etiketlenmiş örneklerle ilk model eğitilir.
2. Etiketlenmemiş veriler modele verilir. Model her örnek için tahmin ve çoğu sınıflandırma probleminde olasılık üretir.
3. Bilgi sağlayacak örnekler seçilir. Kararsız tahminler, sınıflar arasında kalan örnekler veya modelin hata yapma ihtimali yüksek görünen kayıtlar öne alınır.
4. Seçilen örnekler etiketlenir. İnsan, yalnızca modelin istediği örneklerin doğru sınıfını belirtir.
5. Model yeniden eğitilir. Yeni etiketler başlangıç kümesine eklenir ve döngü, doğrulama başarımı yeterli olana kadar tekrarlanır.

Bu yaklaşımın temel varsayımı, her verinin eşit derecede yararlı olmadığıdır. Modelin zaten yüksek güvenle doğru tahmin ettiği binlerce benzer örneği etiketlemek yerine sınırda kalan birkaç örneği seçmek daha fazla bilgi kazandırabilir. Ancak aktif öğrenme otomatik olarak doğru etiket üretmez; insan etiketinin kalitesi, seçim stratejisi ve doğrulama verisinin niteliği sonucu doğrudan etkiler.

Somut bir örnek​

Bir e-posta sınıflandırıcısının “istenmeyen” ve “normal” e-postaları ayırdığını varsayalım. İlk model şu olasılıkları üretsin:
Aktif öğrenme için B daha değerli bir adaydır; çünkü model bu e-postanın hangi sınıfa ait olduğundan emin değildir. İnsan B’nin gerçekten “normal” olduğunu etiketlerse model, karar sınırının yakınındaki benzer örnekleri ayırmayı öğrenebilir. A veya C için modelin güveni yüksek olduğundan bunları önce etiketlemek aynı miktarda yeni bilgi sağlamayabilir.

Bu seçim genellikle belirsizlik örneklemesi ile yapılır. İkili sınıflandırmada 0,50’ye en yakın olasılıklar seçilebilir. Çok sınıflı problemlerde ise en yüksek iki sınıf olasılığı arasındaki fark, entropi veya modelin farklı tahminleri arasındaki uyuşmazlık kullanılabilir.

Hangi durumda hangi yaklaşım seçilir?​

Aktif öğrenme, etiketleme maliyetinin yüksek olduğu ve etiketlenmemiş verinin bol bulunduğu projelerde özellikle anlamlıdır. Tıbbi görüntü, hukuki belge, ses kaydı veya uzman incelemesi gerektiren sınıflandırma görevleri buna örnek olabilir. Etiketleme ucuzsa veya veri kümesinin tamamını güvenilir biçimde etiketlemek mümkünse aktif öğrenmenin ek karmaşıklığı gereksiz kalabilir.
Tablodaki aktif öğrenme ile yarı denetimli öğrenme aynı şey değildir. Aktif öğrenmede model, hangi örneğin insan tarafından etiketleneceğini seçer. Yarı denetimli öğrenmede ise model, bazı yöntemlerde insan onayı olmadan etiketlenmemiş veriden de öğrenmeye çalışır. İki yaklaşım aynı projede birlikte kullanılabilir; fakat yanlış üretilen otomatik etiketler hatayı büyütebileceği için doğrulama gerekir.

Sonuçları nasıl değerlendirmeli?​

Aktif öğrenme döngüsünde yalnızca eğitim başarımına bakmak yeterli değildir. Her turdan sonra model, etiketlenecek örnek havuzundan ayrı tutulan sabit bir doğrulama kümesinde değerlendirilmelidir. Durdurma ve strateji seçimlerini burada yapın; son test kümesini tur seçimlerine katmadan bağımsız son değerlendirmeye ayırın. Başarım artıyorsa seçilen örnekler modele katkı sağlıyor olabilir; artmıyorsa seçim stratejisi, etiket kalitesi, sınıf dengesizliği veya modelin başlangıç verisi incelenmelidir.

Önemli bir ayrım da şudur: Daha az etiketle benzer doğruluk elde etmek aktif öğrenmenin başarısını gösterebilir; ancak bu, modelin her veri kümesinde mutlaka daha yüksek doğruluk vereceği anlamına gelmez. Seçim stratejisi hatalıysa model yalnızca dar bir örnek grubuna odaklanabilir. Bu nedenle rastgele seçilen örneklerden oluşan bir temel yöntemle karşılaştırma yapmak ve sınıfların doğrulama verisinde yeterince temsil edildiğini kontrol etmek gerekir.

Aktif öğrenme kısaca, “daha fazla veri etiketle” yaklaşımı yerine “hangi veriyi etiketlersek model en çok öğrenir?” sorusunu merkeze alır. En iyi sonuç; güvenilir başlangıç etiketleri, uygun örnek seçimi, tutarlı insan etiketlemesi ve her turda ayrı doğrulama yapılması birlikte sağlandığında alınır.