無論是在傳統機器學習領域還是現今炙手可熱的深度學習領域，基于訓練樣本有明確標簽或結果的監督學習仍然是一種主要的模型訓練方式。尤其是深度學習領域，需要更多數據以提升模型效果。目前，已經有一些規模較大的公開數據集，如ImageNet，COCO等。對于深度學習入門者，這些公開數據集可以提供非常大的幫助；但是對于大部分企業開發者，特別在醫學成像、自動駕駛、工業質檢等領域中，他們更需要利用專業領域的實際業務數據定制AI模型應用，以保證其能夠更好地應用在業務中。因此，業務場景數據的采集和標注也是在實際AI模型開發過程中必不可少的重要環節。

數據標注的質量和規模通常是提升AI模型應用效果的重要因素，然而完全通過人力手動標注數據建立一個高質量、大規模專業領域數據集卻并不容易：標注人員的培訓與手工標注成本高、耗時長。為解決此問題，我們可以利用主動學習的方法，采用“Human-in-the-loop”的交互式框架（圖1）進行數據標注，以有效減少人工數據標注量。

圖1 基于主動學習的“Human-in-the-loop”交互式數據標注框架

主動學習(ActiveLearning, AL)是一種挑選具有高信息度數據的有效方式，它將數據標注過程呈現為學習算法和用戶之間的交互。其中，算法負責挑選對訓練AI模型價值更高的樣本，而用戶則標注那些挑選出來的樣本。如“Human-in-the-loop”交互式數據標注框架，通過用戶已標注的一部分數據來訓練AI模型，通過此模型來標注剩余數據，再從中篩選出AI模型標注較為困難的數據進行人工標注，再將這些數據用于模型的優化。幾輪過后，用于數據標注的AI模型將會具備較高的精度，更好地進行數據標注。以圖像分類問題舉例，首先，人工挑選并標注一部分圖像數據，訓練初始模型，然后利用訓練的模型預測其余未標注的數據，再通過“主動學習”中的“查詢方法”挑選出模型比較難分辨類別的數據，再人為修正這些“難”數據的標簽并加入訓練集中再次微調(Fine-tuning)訓練模型。“查詢方法”是主動學習的核心之一，最常見的“查詢方法”有基于不確定性的樣本查詢策略和基于多樣性的樣本查詢策略。

基于不確定性的樣本查詢策略可查詢出深度學習模型預測時，靠近決策邊界的樣本。以二分類問題舉例，當一個未標注樣本被預測為任一標簽的概率都是50%時，則該樣本對于預測模型而言是“不確定”的，極有可能被錯誤分類。要注意的是，主動學習是一個迭代過程，每次迭代，模型都會接收認為修正后的標注數據微調模型，通過這個過程直接改變模型決策的邊界，提高分類的正確率。

基于多樣性的查詢策略，可實現對當前深度學習模型下狀態未知樣本的查詢。將通過多樣性查詢挑選出的數據加入訓練集，可豐富訓練集的特征組合，提升模型的泛化能力。模型學習過的數據特征越豐富，泛化能力越強，預測模型適用的場景也越廣。

為解決大數據量標注的痛點，基于主動學習且融合多樣查詢策略的智能標注AI解決方案應運而生。通過EasyDL平臺使用智能標注后，開發者們只需標注數據集中30%左右的數據，即可啟動智能標注在EasyDL后臺自動標注剩余數據，再返回少量后臺難以確定的數據再次進行人工標注，同時提升自動標注的準確性，經過幾輪之后，在實際項目測試中，智能標注功能可以幫助用戶節省70%的數據標注量，極大地減少數據標注中的人力成本和時間成本。

EasyDL零門檻AI開發平臺，面向企業開發者提供智能標注、模型訓練、服務部署等全流程功能，針對AI模型開發過程中繁雜的工作，提供便捷高效的平臺化解決方案。目前，EasyDL的智能標注功能已支持計算機視覺CV方向的物體檢測模型、圖像分割、自然語言處理NLP方向的文本分類模型的數據標注。

智能標注解決了模型開發過程中龐大的數據準備難題，那么在模型訓練與部署階段，EasyDL是否還有其他“武功秘籍”幫助開發者高效開發？

本周六，AI快車道EasyDL零門檻模型訓練營來到六朝古都南京，依托槳聲燈影里的秦淮河，為這座歷史悠久的城市帶來AI科技的新氣息！

各行業如何做到技術與場景結合，高效用AI？

視覺模型背后的核心技術點如何理解？

從云到端，端側模型的技術原理與部署如何操作？

模型精度難以提升，有沒有關鍵效果提升技巧尚未掌握？

責任編輯：xj

原文標題：百度工程師帶來干貨分享，助你轉型AI應用工程師！

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。