无论是在传统机器学习领域还是现今炙手可热的深度学习领域，基于演习样本有明确标签或结果的监督学习仍旧是一种紧张的模型演习办法。
尤其是深度学习领域，须要更多数据以提升模型效果。
目前，已经有一些规模较大的公开数据集，如 ImageNet，COCO 等。

对付深度学习入门者，这些公开数据集可以供应非常大的帮助；但是对付大部分企业开拓者，特殊在医学成像、自动驾驶、工业质检等领域中，他们更须要利用专业领域的实际业务数据定制 AI 模型运用，以担保其能够更好地运用在业务中。
因此，业务场景数据的采集和标注也是在实际 AI 模型开拓过程中必不可少的主要环节。

数据标注的质量和规模常日是提升 AI 模型运用效果的主要成分，然而完备通过人力手动标注数据建立一个高质量、大规模专业领域数据集却并不随意马虎：标注职员的培训与手工标注本钱高、耗时长。
为办理此问题，我们可以利用主动学习的方法，采取“Human-in-the-loop”的交互式框架（图1）进行数据标注，以有效减少人工数据标注量。

▲ 图1 基于主动学习的“Human-in-the-loop” 交互式数据标注框架

主动学习（ActiveLearning，AL）是一种挑选具有高信息度数据的有效办法，它将数据标注过程呈现为学习算法和用户之间的交互。
个中，算法卖力挑选对演习 AI 模型代价更高的样本，而用户则标注那些挑选出来的样本。
如“Human-in-the-loop”交互式数据标注框架，通过用户已标注的一部分数据来演习 AI 模型，通过此模型来标注剩余数据，从中筛选出 AI 模型标注较为困难的数据进行人工标注，再将这些数据用于模型的优化。
几轮过后，用于数据标注的 AI 模型将会具备较高的精度，更好地进行数据标注。

以图像分类问题举例，首先，人工挑选并标注一部分图像数据，演习初始模型，然后利用演习的模型预测别的未标注的数据，再通过“主动学习”中的“查询方法”挑选出模型比较难分辨类别的数据，再人为改动这些“难”数据的标签并加入演习集中再次微调（Fine-tuning）演习模型。
“查询方法”是主动学习的核心之一，最常见的“查询方法”有基于不愿定性的样本查询策略和基于多样性的样本查询策略。

基于不愿定性的样本查询策略可查询出深度学习模型预测时，靠近决策边界的样本。
以二分类问题举例，当一个未标注样本被预测为任一标签的概率都是50%时，则该样本对付预测模型而言是“不愿定”的，极有可能被缺点分类。
要把稳的是，主动学习是一个迭代过程，每次迭代，模型都会吸收认为改动后的标注数据微调模型，通过这个过程直接改变模型决策的边界，提高分类的精确率。

基于多样性的查询策略，可实现对当前深度学习模型下状态未知样本的查询。
将通过多样性查询挑选出的数据加入演习集，可丰富演习集的特色组合，提升模型的泛化能力。
模型学习过的数据特色越丰富，泛化能力越强，预测模型适用的场景也越广。

为办理大数据量标注的痛点，基于主动学习且领悟多样查询策略的智能标注 AI 办理方案应运而生。
通过 EasyDL 平台利用智能标注后，开拓者们只需标注数据集中30%旁边的数据，即可启动智能标注在 EasyDL 后台自动标注剩余数据，再返回少量后台难以确定的数据再次进行人工标注，同时提升自动标注的准确性，经由几轮之后，在实际项目测试中，智能标注功能可以帮助用户节省70%的数据标注量，极大地减少数据标注中的人力本钱和韶光本钱。

EasyDL 零门槛 AI 开拓平台，面向企业开拓者供应智能标注、模型演习、做事支配等全流程功能，针对 AI 模型开拓过程中繁杂的事情，供应便捷高效的平台化办理方案。
EasyDL 面向不同人群供应了经典版、专业版、行业版三种产品形态，个中 EasyDL 专业版支持深度开拓高精度业务模型，内置了丰富的大规模预演习模型，仅需少量数据即可达到精良的模型效果。

目前，EasyDL 的智能标注功能已支持打算机视觉 CV 方向的物体检测模型、自然措辞处理 NLP 方向的文本分类模型两大方向的数据标注。
选择 EasyDL 专业版模型定制，点击“智能标注“即可进入。
利用方法也很大略，共为三步：

Step1 启动智能标注

在“数据管理/标注”上传完演习数据集后，即可激活“创建智能标注任务”按钮（图2），点击该按钮后，进入数据集选择。
须要把稳的是，系统将自动对选择的数据集进行校验。
校验规则如下：

图像数据集：确保每个标签的标注框数都超过10个。
文本数据集：数据集中已标注数据量超过600条；每个标注标签的数据量超过50条；未标注数据的数据量超过600条。

以上图像和文本数据集之以是采纳不同的校验规则，是由于在实际场景下，文本与图像的数据集获取办法及数据规模差异较大，且智能标注后端 AI 模型演习的启动样本数量不一。

点击“启动智能标注”进入数据校验阶段，若校验不通过，会涌现“智能标注启动失落败”的提示；若校验通过，则进入筛选数据阶段，用户需稍作等待。

▲ 图2 创建智能标注任务

Step2 标注部分数据

系统会自动从未标注数据集中筛选出最具有代表性、也是最须要优先标注的样本数据。
用户须要人工标注这些推举的样本数据，为了提高标注效率，系统也会供应预标注供用户修正确认。
在图像智能标注中，用户勾选右上角的“显示预标注”开启该赞助功能（图3），点击“满意预标注结果”即可对预标注结果进行确认；在文本智能标注中，系统会自动显示预标注标签，点击每一条文本右侧的“确认”或右上角的“本页全部确认”对预标注进行确认（图4）。

确认所有推举数据的预标注后，用户可以自主选择是否进行下一轮数据筛选。
图像智能标注中，若用户不中止智能标注，则系统会自动进行下一轮；文本智能标注中，由于文本数据集规模一样平常较大，确认数据预标注的人力本钱较高，为了提升用户体验，系统不默认进入下一轮迭代，用户可点击右上角的“优化智能标注结果”进行下一轮筛选（图5）。
通过多轮筛选，数据预标注准确性也会不断提升。
为了担保数据标注智能，建议用户至少进行一轮的数据筛选或“优化智能标注”。

▲ 图3 图像智能标注

▲ 图4 文本智能标注

▲ 图5 文本智能标注进入数据筛选优化迭代

Step3 结束智能标注

当用户以为当前推举数据的预标注已足够准确，不再进行下一轮数据标注推举筛选，或者系统自动判断当前标注的数据已足够时，则进入结束智能标注阶段。
在图像智能标注中，系统会弹出提示（图6），选择“一键标注”系统会自动标注剩余未标注数据，选择“立即演习”则停滞智能标注，之后可以利用已确认的标注数据去演习模型；在文本智能标注中，不选择“优化标注结果”则认为停滞智能标注，系统自动标注所有未标注数据，并归为“已标注·智能”数据集，该类数据与“已标注·人工”均可用于模型演习。

▲ 图6 结束图像智能标注

▲ 图7 EasyDL 智能标注利用流程图

在智能标注功能的加持之下，重复呆板的标注功能都交给 AI 模型，大大降落了韶光与人力本钱。
在数据方面，EasyDL 中的 EasyData 智能数据做事平台，供应覆盖采集、洗濯、标注、加工等一站式数据处理功能，并与模型演习环节无缝对接，通过数据闭环功能支持高效的模型迭代。

快快百度搜索“EasyDL”，考试测验智能标注，开拓你的高精度业务模型吧！