Aprendizaje Activo

El aprendizaje activo es un enfoque del aprendizaje automático en el que el algoritmo elige de qué ejemplos quiere aprender, consultando las etiquetas más informativas a un «oráculo» —normalmente un anotador humano— en lugar de recibir pasivamente un conjunto de datos ya etiquetado. Su objetivo es alcanzar buena precisión con muchas menos etiquetas, reduciendo el coste de la anotación, y se apoya en una idea sencilla: no todos los ejemplos son igual de informativos.

El bucle

Funciona como un ciclo con el humano dentro. Se entrena un modelo con unos pocos datos etiquetados; el modelo revisa un gran conjunto sin etiquetar y selecciona los ejemplos más útiles; el oráculo los etiqueta; se reentrena el modelo con ellos; y se repite hasta agotar el presupuesto o alcanzar el rendimiento deseado. La clave es que el propio modelo dirige dónde se concentra el esfuerzo humano.

Cómo elige qué preguntar

La estrategia más habitual es el muestreo por incertidumbre: pedir la etiqueta de los ejemplos sobre los que el modelo está menos seguro, típicamente los cercanos a la frontera de decisión. Otras estrategias son la consulta por comité —elegir aquello en lo que más discrepan varios modelos— y los criterios de diversidad o representatividad, que evitan perseguir solo casos atípicos.

Relación y un riesgo

Conviene distinguirlo del aprendizaje semi-supervisado. El informe de Settles explica que ambos aprovechan datos sin etiquetar desde direcciones complementarias: el semi-supervisado incorpora predicciones sobre los ejemplos que el modelo considera más claros; el activo pide etiquetas para aquellos sobre los que tiene más dudas. Los dos enfoques pueden combinarse. Su riesgo metodológico central es el sesgo de muestreo: como el modelo decide qué etiquetar, el conjunto consultado puede dejar de ser representativo de la distribución original y sesgar la evaluación si se trata como una muestra aleatoria.