图文原创：谭婧

人工智能的江湖，有句笑（定）话（理）：“想有多少智能，就得有多少人工。”

这里的“人工”不是高级工程师，而是纯手工，是数据标注所耗费的人力。

别看不上数据，算法也是在解释数据。

别看不上数据标注，你得把答案教给人工智能，它才能做题。

教猫，把猫框起来，写上“猫”。

换到自动驾驶汽车场景，以此类推。

工作不难，可是架不住量大。

人工智能是人类的学生，而且，这种教学已经花费了数万小时。

专业说法是，有监督的机器学习需要有标注的数据集。

原来，学习诚可贵，答案价更高。

一种，

让人工智能自己给自己用的数据做标注，“智能标注”。

另一种，边学边标，提升模型性能。

恭喜你理解了主动学习（Active Learning）。

本次科普结束。

（完）

科普结束了，但是实践不行。

大数据爆发，数据标不完，标不起，相当于，学不完，学费贵。

于是，主动学习登场了。

主动学习是机器学习的一个分支。

话说，人工智能要学习的知识点都在数据里。主动学习就好比那种江湖人称“考试型选手”。

为了考高分，普通人把所有的知识点都学一遍，而学霸是找到考试重点内容，使巧劲。

以前，全靠人类把数据标好了，扔进给模型。

现在，由算法给人类派活，它自己有标准（策略），知道怎么挑。

把高价值样本“挑”出来，虽不认识，但值得认识。

一边，算法在从人类标注的高价值图片（样本）中学习。

另一边，扩充已标注样本集。

人类亲自给标注的数据，相当于单独辅导，那成绩自然上升。

到这里，智能标注的活就干完了，目标就是让算法给数据打上标签。

智能标注的口号就是：边学边标。

专业的说法是，人机融合，迭代演化，“Human-in-the-Loop”。

没错这是一个单词。这里翻译出来是：你们人类也别闲着，欢迎干点活，在链路里。

别记这个单词，太长了。

来看看电商场景，每天新增商品图片20万。（对，是单日新增。）

全量标注得花不少钱，那些高价值图片得被分出来，由人类亲自来标注。

举个例子，纯手工时代，全部标注，时间和金钱成本都挺高。

毛衣毛帽这类保暖用品的图片各1000张，一共2000张。

好消息是人类教会人工智能认识了毛衣，毛帽。

结果，第二天，又新来了10000张图片，全部都是毛手套。

因为之前没教过，不认识毛手套，直接傻眼了。

主动学习一顿操作猛如虎，从新来的一万张图片里面挑出一些，比如，500张，转交给人类。

人类一看这不是毛手套嘛，把正确答案写上，一口气写了500张。

有主动学习的好处是，只用标500张，人工智能就学会了。

没有主动学习，所有图片都得写上答案。

毛手套，就是困难样本，也就是人工智能做不出的题。

于是，要么胡写答案。要么拿不准。

胡写答案时候，指着毛手套说：“这是毛裤。”

拿不准的时候，说：“我看50%概率是毛衣，50%是毛裤。”

看把人工智能给难的，险些变成人工智障。

赶紧让人类给困难样本写上答案。

下一步呢？

回流，而且是必须要回流，回流到机器学习训练系统中。

这是一个多次循序迭代的过程，直到模型性能指标达到目标性能为止。

智能标注是中级玩家，主动学习融入机器学习链路是高级玩家。

主动学习的“变身”一个迭代工作流。

人生是一个过程，主动学习也是一个过程。

专业一点的问法就是，主动学习能不能和模型训练打通？

必须打通。但是打通之后的目标就变了，变为提高模型效果。

（观察数据流，可点击看大图）

本质是，人类写下困难样本的答案，答案可以用于教学（训练），学习了之后，人工智能就更聪明了。

技术亮点之一是如何从几万张图片找出几百张高价值的，只有这些是值得给人类去做手工标注。

追求的结果是把训练样本量降下来，还要提高机器学习模型的准确性，达到全量训练的预期性能指标。

火了这几年，人工智能终于感觉到自己被PUA了：

又想奶牛少吃草，还要奶牛多产奶。

主动学习用在计算机视觉中，还会用在文本理解、音视频等多种模态中。

坦白说，标注数据是一种劳动密集型工作，大公司通常都是外包出去。

成本按业务分，按部门分都可以，谁的标注，谁来出钱。

反正互联网大厂一年花几个亿也正常。

常见物品的图片，标注一个花几分钱。

然而，标出肺结节这种，得加钱，可能几十元到一百块人民币。

更糟糕的还是涉密数据，给外包标注根本不可能。

通常来说，人们花在训练过程中的注意力多，花在数据上的太少。

市场上，少有创业公司推出技术含量高的工具，以便查看和了解人工智能所用的数据的情况。

有的云厂商还处在主动学习的预研阶段。

AWS用上了主动学习技术的产品叫Amazon SageMaker Ground Truth Plus，AWS自称其为“端到端数据标注管理”。

对标美国，国内极少有技术含量的标注公司，大多是纯人力外包标注公司，看上去技术驱动的数据标注赛道还是一片蓝海。

（但这和我没有什么关系，我不搞一级市场投资，快乐都是你们的。）

主动学习已经用在很多方面了，没办法很多领域的数量非常大，亟待减轻标注工作量。

科学领域包括，天文，生物，化学；

工业领域包括，自动驾驶，药物发现，人脸识别，黑产风控，电力系统检测。

还有一个应用之处好玩极了，研究北极冰。

另外，推荐一本好书，《Human-in-the-Loop Machine Learning Active learning and annotation for human-centered AI》这本书的作者在苹果公司任职，可惜没有中文。

（此书封面请自行在推文内寻找。）

他的核心观点之一是，人工智能是人类的学生。

教好学好，教坏学坏。

教得好，科技向善，教得坏，毁灭世界。

所以，你说人和人工智能，磕不磕CP呢？

更多阅读

AI框架系列：

1.搞深度学习框架的那帮人，不是疯子，就是骗子（一）

2.搞AI框架那帮人丨燎原火，贾扬清（二）

漫画系列

1. 万字大稿深度解读硅谷风投A16Z“50强”数据公司榜单

2. AI算法是兄弟，AI运维不是兄弟吗？

3. 大数据的社交牛逼症是怎么得的？

4. AI for Science这事，到底“科学不科学”？

5. 想帮数学家，AI算老几？

6. 给王心凌打Call的，原来是神奇的智能湖仓

7. 原来，知识图谱是“找关系”的摇钱树？

8. 为什么图计算能正面硬刚黑色产业薅羊毛？

9. AutoML科普：攒钱买个“调参侠机器人”划算吗？

10. AutoML科普：你爱吃的火锅底料，是机器人自动进货丨漫画

11. 强化学习科普：人工智能下象棋，走一步，能看几步？

12. 漫画时序数据库：好险，差一点没挤进工业制造的高端局

DPU芯片系列：

1. 造DPU芯片，如梦幻泡影？丨虚构短篇小说

2. 永远不要投资DPU？

3. DPU加持下的阿里云如何做加密计算？

4. 哎呦CPU，您可别累着，兄弟CIPU在云上帮把手

长文系列：

1. 我怀疑京东神秘部门Y，悟出智能供应链真相了

2. 超级计算机与人工智能：大国超算，无人领航

3. 售前，航空母舰，交付，皮划艇：银行的AI模型上线有多难？

最后，再介绍一下主编自己吧，

我是谭婧，科技和科普题材作者。

为了在时代中发现故事，

我围追科技大神，堵截科技公司。

偶尔写小说，画漫画。

生命短暂，不走捷径。

个人微信：18611208992

原创不易，多谢转发

还想看我的文章，就关注“亲爱的数据”。