Günümüz dünyasında gibi güçlü yapay zeka modellerinin yanı sıra görüş modelleri ve diğer benzer teknolojiler sayesinde çok büyük miktarda veriye erişebiliyoruz. Ancak bu modellerin dayandığı yalnızca veri miktarı değil, aynı zamanda kalite de önemlidir. Hızlı ve geniş ölçekte iyi bir veri kümesi oluşturmak zorlu ve maliyetli bir iş olabilir. ChatGPT Aktif öğrenmenin devreye girdiği yer burasıdır. Basit bir ifadeyle aktif öğrenme, veri kümenizin açıklamalarını optimize etmeyi ve en az miktarda eğitim verisi kullanarak mümkün olan en iyi modeli eğitmeyi amaçlar. Modelinizin tahminleri ile verileriniz arasında yinelenen bir süreci içeren denetimli bir öğrenme yaklaşımıdır. Tam bir veri kümesini beklemek yerine, küçük bir grup seçilmiş, açıklamalı veriyle başlayabilir ve modelinizi bununla eğitebilirsiniz. Ardından, aktif öğrenmeyi kullanarak, görünmeyen verileri etiketlemek, tahminlerin doğruluğunu değerlendirmek ve edinme işlevlerine dayalı olarak açıklama eklenecek sonraki veri kümesini seçmek için modelinizden yararlanabilirsiniz. Aktif öğrenmenin bir avantajı, modelinizin tahminlerinin güven düzeyini analiz edebilmenizdir. Bir tahminin güvenirliği düşükse model, etiketlenecek bu türdeki ek görüntüleri talep edecektir. Öte yandan, yüksek güvenilirliğe sahip tahminler daha fazla veri gerektirmeyecek. Genel olarak daha az görüntüye açıklama ekleyerek, optimize edilmiş bir model elde ederken zamandan ve paradan tasarruf edersiniz. Aktif öğrenme, büyük ölçekli veri kümeleriyle çalışmak için oldukça umut verici bir yaklaşımdır. Aktif öğrenme hakkında hatırlanması gereken birkaç önemli nokta vardır. Birincisi, modelinizin tahminlerinin kalitesi üzerinde kontrol sahibi olmanızı sağlayan insan açıklamasını içerir. Milyonlarca görüntüyle eğitilmiş bir kara kutu değil. Gelişimine aktif olarak katılırsınız ve performansının iyileştirilmesine yardımcı olursunuz. Bu durum, denetimsiz yaklaşımlarla karşılaştırıldığında maliyetleri artırsa da aktif öğrenmeyi önemli ve ilginç kılmaktadır. Ancak modelin eğitiminde ve devreye alınmasında tasarruf edilen zaman çoğu zaman bu maliyetlerden daha fazladır. Ek olarak, otomatik açıklama araçlarını kullanabilir ve bunları manuel olarak düzelterek masrafları daha da azaltabilirsiniz. Aktif öğrenmede, modelinizin üzerinde eğitim aldığı etiketli bir veri kümesine sahip olursunuz; etiketlenmemiş küme ise henüz açıklama eklenmemiş potansiyel verileri içerir. Önemli bir kavram, hangi verilerin etiketleneceğini belirleyen sorgu stratejileridir. Büyük etiketlenmemiş veri havuzunda en bilgilendirici alt kümeleri bulmaya yönelik çeşitli yaklaşımlar vardır. Örneğin belirsizlik örneklemesi, modelinizi etiketlenmemiş veriler üzerinde test etmeyi ve açıklama için en az güvenli şekilde sınıflandırılmış örnekleri seçmeyi içerir. . Tıpkı farklı deneyimlere sahip insanların belirli kavramlara ilişkin farklı anlayışlara sahip olması gibi, bu modellerin de sınıflandırma sorununa ilişkin farklı bakış açıları vardır. Açıklama eklenecek veriler, karmaşıklığı gösteren komite modelleri arasındaki anlaşmazlığa göre seçilir. Bu yinelemeli süreç, seçilen verilere sürekli olarak açıklama eklendiğinden devam eder. Aktif öğrenmedeki diğer bir teknik, her biri etiketli verilerin farklı bir alt kümesi üzerinde eğitilen birden fazla modelin bir komite oluşturduğu Komiteye Göre Sorgulamadır (QBC) Bu, aktif öğrenmenin yalnızca temel bir açıklamasıdır ve sorgu stratejisinin bir örneğini gösterir. İlgileniyorsanız diğer makine öğrenimi stratejileri hakkında daha fazla bilgi veya video sağlayabilirim. Aktif öğrenmeye gerçek hayattan bir örnek, Google'da captcha'ları yanıtlamanızdır. Bunu yaparak, karmaşık görüntüleri belirlemelerine ve birden fazla kullanıcının ortak girdisiyle veri kümeleri oluşturmalarına yardımcı olarak hem veri kümesi kalitesini hem de insan doğrulamasını sağlarsınız. Dolayısıyla bir dahaki sefere bir captcha ile karşılaştığınızda yapay zeka modellerinin ilerlemesine katkıda bulunduğunuzu unutmayın! Daha fazlasını öğrenmek ve Encord'daki arkadaşlarım tarafından geliştirilen mükemmel bir aracın kullanıldığı pratik bir örneği görmek için videoya göz atın: https://youtu.be/Zv6UzuwUBd4?embedable=true&transcript=true
