Un enfoque de aprendizaje automático donde el algoritmo selecciona los puntos de datos más informativos para aprender, mejorando la eficiencia.El aprendizaje activo es un subcampo del aprendizaje automático en el que el propio algoritmo elige qué puntos de datos etiquetar o consultar de un conjunto de datos no etiquetados. En lugar de aprender pasivamente de un conjunto de entrenamiento fijo y muestreado aleatoriamente, el modelo selecciona iterativamente los ejemplos más informativos para solicitar etiquetas, con el objetivo de lograr una alta precisión con la menor cantidad posible de ejemplos etiquetados. Esto es especialmente valioso cuando etiquetar datos es costoso o requiere mucho tiempo, como en imágenes médicas, descubrimiento de fármacos o procesamiento de lenguaje natural, donde la anotación experta es cara.
El aprendizaje activo tiene sus raíces en las décadas de 1980 y 1990, con el trabajo fundacional de David Cohn, Les Atlas y Richard Ladner en 1994 sobre 'Mejorando la generalización con aprendizaje activo'. El concepto de consultar puntos de datos informativos se remonta a trabajos anteriores en estadística y diseño experimental.
El proceso típicamente comienza con un pequeño conjunto de datos etiquetados para entrenar un modelo inicial. Luego, el modelo evalúa el conjunto no etiquetado y selecciona los puntos más informativos según una estrategia de consulta. Las estrategias comunes incluyen el muestreo por incertidumbre (elegir puntos donde el modelo es menos confiado), la consulta por comité (seleccionar puntos donde varios modelos discrepan) y el cambio esperado del modelo (elegir puntos que alterarían más el modelo actual si se etiquetaran). Los puntos seleccionados se etiquetan (por un humano o un oráculo automatizado) y se añaden al conjunto de entrenamiento, y el modelo se vuelve a entrenar. Este bucle se repite hasta que se cumple un criterio de parada, como un umbral de rendimiento o un presupuesto de etiquetado.
El aprendizaje activo se utiliza en aplicaciones donde los datos etiquetados son escasos o costosos, como clasificar objetos astronómicos a partir de estudios con telescopios, detectar fraudes en transacciones financieras y entrenar sistemas de reconocimiento de voz con audio transcrito limitado.
El aprendizaje activo puede reducir la cantidad de datos etiquetados necesarios hasta en un 90% en comparación con el muestreo aleatorio en algunas tareas, lo que lo convierte en una herramienta clave para el desarrollo eficiente de la IA.


















