Active Learning – (Aktif Öğrenme)

Active Learning (Aktif Öğrenme), makine öğrenmesinde modelin hangi veri örneklerinin etiketlenmesi gerektiğine kendisinin karar verdiği ve yalnızca en bilgilendirici örneklerin uzmanlar tarafından etiketlenmesini sağlayan öğrenme yaklaşımıdır. Geleneksel denetimli öğrenmede tüm eğitim verilerinin önceden etiketlenmesi gerekirken, aktif öğrenmede model eğitim sürecine yön vererek en fazla katkı sağlayacak veri örneklerini seçer. Bu sayede etiketleme maliyetleri önemli ölçüde azalırken, daha az etiketli veri ile yüksek performanslı modeller geliştirilebilmektedir. Özellikle veri etiketlemenin pahalı, zaman alıcı veya uzmanlık gerektirdiği alanlarda Active Learning büyük önem taşımaktadır.

Active Learning’in temel çalışma prensibi, modelin mevcut bilgi düzeyine göre en fazla belirsizlik taşıyan veya en yüksek bilgi kazancı sağlayacak örnekleri belirlemesine dayanır. Eğitim başlangıcında küçük bir etiketli veri kümesi kullanılır ve model ilk eğitimini tamamlar. Daha sonra model, etiketlenmemiş veri havuzunu analiz ederek hangi örneklerin öğrenmeye en fazla katkı sağlayacağını seçer. Bu örnekler alan uzmanları tarafından etiketlenir ve yeniden eğitim sürecine dâhil edilir. Bu döngü, istenilen performans düzeyine ulaşılıncaya kadar devam eder. Active Learning’de Uncertainty Sampling (Belirsizlik Örneklemesi), Query-by-Committee, Expected Model Change, Expected Error Reduction ve Diversity Sampling (Çeşitlilik Örneklemesi) en yaygın kullanılan örnek seçme stratejileridir.

Active Learning; tıbbi görüntü analizi, biyoinformatik, doğal dil işleme, belge sınıflandırma, yüz tanıma, uzaktan algılama, otonom araçlar ve endüstriyel kalite kontrolü gibi birçok alanda kullanılmaktadır. Örneğin bir radyoloğun binlerce tıbbi görüntüyü etiketlemesi oldukça maliyetlidir. Aktif öğrenme sayesinde yalnızca modelin karar vermekte zorlandığı görüntüler uzman tarafından etiketlenerek benzer doğruluk düzeyi çok daha az insan emeğiyle elde edilebilir. Bu yaklaşımın en önemli avantajları arasında etiketleme maliyetlerini azaltması, eğitim süresini kısaltması, uzman zamanını verimli kullanması ve sınırlı veriyle yüksek performans sağlayabilmesi bulunmaktadır. Buna karşılık her eğitim döngüsünde uzman geri bildirimi gerektirmesi, uygun örnek seçme stratejisinin belirlenmesinin güç olması ve iteratif yapısı nedeniyle eğitim sürecinin karmaşıklaşabilmesi önemli sınırlılıklar arasında yer almaktadır. Günümüzde özellikle üretken yapay zekâ, tıbbi yapay zekâ ve yüksek kaliteli veri gerektiren uygulamaların gelişmesiyle birlikte Active Learning, veri odaklı yapay zekâ sistemlerinin etkin biçimde eğitilmesini sağlayan stratejik öğrenme yöntemlerinden biri olarak kabul edilmektedir.