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: ambos parten de pocas etiquetas y muchos datos sin etiquetar, pero el semi-supervisado aprovecha esos datos sin pedir etiquetas nuevas, mientras que el activo sí las pide al humano. La misma idea —menos datos, mejor elegidos— se aplica hoy a la selección de datos para ajustar modelos grandes. Su riesgo principal es el sesgo de muestreo: como el modelo decide qué etiquetar, el conjunto resultante puede quedar sesgado hacia su hipótesis actual y no ser representativo.