数据标注的质量和规模通常是提升AI模型应用效果的重要因素，然而完全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容易：标注人员的培训与手工标注成本高、耗时长。为解决此问题，我们可以利用主动学习的方法，采用“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(Active Learning, AL)是一种挑选具有高信息度数据的有效方式，它将数据标注过程呈现为学习算法和用户之间的交互。其中，算法负责挑选对训练AI模型价值更高的样本，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训练AI模型，通过此模型来标注剩余数据，再从中筛选出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，训练初始模型，然后利用训练的模型预测其余未标注的数据，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，再人为修正这些“难”数据的标签并加入训练集中再次微调(Fine-tuning)训练模型。“查询方法”是主动学习的核心之一，最常见的“查询方法”有基于不确定性的样本查询策略和基于多样性的样本查询策略。
基于不确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，则该样本对于预测模型而言是“不确定”的，极有可能被错误分类。要注意的是，主动学习是一个迭代过程，每次迭代，模型都会接收认为修正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，提高分类的正确率。
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训练集，可丰富训练集的特征组合，提升模型的泛化能力。模型学习过的数据特征越丰富，泛化能力越强，预测模型适用的场景也越广。
为解决大数据量标注的痛点，基于主动学习且融合多样查询策略的智能标注AI解决方案应运而生。通过EasyDL平台使用智能标注后，开发者们只需标注数据集中30%左右的数据，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，经过几轮之后，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成本和时间成本。
EasyDL零门槛AI开发平台，面向企业开发者提供智能标注、模型训练、服务部署等全流程功能，针对AI模型开发过程中繁杂的工作，提供便捷高效的平台化解决方案。EasyDL面向不同人群提供了经典版、专业版、行业版三种产品形态，其中EasyDL专业版支持深度开发高精度业务模型，内置了丰富的大规模预训练模型，仅需少量数据即可达到优异的模型效果。目前，EasyDL的智能标注功能已支持计算机视觉CV方向的物体检测模型、自然语言处理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。使用方法也很简单，共为三步：
- Step1启动智能标注
在“数据管理/标注”上传完训练数据集后，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。需要注意的是，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所以采取不同的校验规则，是因为在实际场景下，文本与图像的数据集获取方式及数据规模区别较大，且智能标注后端AI模型训练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，会出现“智能标注启动失败”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、也是最需要优先标注的样本数据。用户需要人工标注这些推荐的样本数据，为了提高标注效率，系统也会提供预标注供用户修改确认。在图像智能标注中，用户勾选右上角的“显示预标注”开启该辅助功能（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）。
确认所有推荐数据的预标注后，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般较大，确认数据预标注的人力成本较高，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。为了保证数据标注智能，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
当用户觉得当前推荐数据的预标注已足够准确，不再进行下一轮数据标注推荐筛选，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“立即训练”则停止智能标注，之后可以利用已确认的标注数据去训练模型；在文本智能标注中，不选择“优化标注结果”则认为停止智能标注，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”均可用于模型训练。
图6 结束图像智能标注
图7 EasyDL智能标注使用流程图
在智能标注功能的加持之下，重复枯燥的标注功能都交给AI模型，大大降低了时间与人力成本。在数据方面，EasyDL中的EasyData智能数据服务平台，提供覆盖采集、清洗、标注、加工等一站式数据处理功能，并与模型训练环节无缝对接，通过数据闭环功能支持高效的模型迭代。
百度搜索“EasyDL”或直接访问：https://ai.baidu.com/easydl/ 体验智能标注，开发你的高精度业务模型吧！
