Supervisión Activa

En el ámbito de la inteligencia artificial y el machine learning, se refiere a una técnica dentro del aprendizaje supervisado en la que un modelo puede solicitar datos etiquetados adicionales para mejorar su rendimiento.

El proceso consiste en elegir de manera activa qué ejemplos etiquetar, enfocándose en aquellos datos que serán más útiles para entrenar al modelo de manera eficiente.

Esto permite optimizar recursos, ya que se minimiza la necesidad de etiquetar grandes cantidades de datos, concentrándose en los ejemplos más relevantes.

A menudo, se utiliza cuando obtener etiquetas para todos los datos disponibles resultaría costoso o lento.

Los métodos comunes incluyen estrategias como la incertidumbre, donde el modelo identifica datos en los que está menos seguro, o la diversidad, donde se seleccionan ejemplos que representan una mayor variedad dentro del conjunto de datos.

La supervisión activa es especialmente valiosa en aplicaciones con datos complejos o costosos de etiquetar, como en la detección de enfermedades, procesamiento de imágenes y análisis de texto.