يعد التعلم النشط (Active Learning) تقنية مثيرة في عالم الذكاء الاصطناعي، حيث تُستخدم بشكل متزايد في التطبيقات التي تتطلب تصنيف بيانات باهظة التكاليف أو تستغرق وقتًا طويلاً. ومع ذلك، تواجه هذه التقنية تحديات ناجمة عن ضوضاء التسميات، وهو ما يحدث حين تكون العلامات المخصصة غير دقيقة بسبب اختلاف خبرة المعلقين أو عدم اليقين في التوصيف، خصوصًا في الحالات المعقدة أو الغامضة.

نعرض في هذا المقال إطارًا مبتكرًا للتعلم النشط يُعرف باسم OLAS (Optimal Labeler Assignment and Sampling). يهدف هذا الإطار إلى تقليل الأخطاء في التسميات من خلال تعيين المعلقين بشكل مثالي واختيار العينات المناسبة. يعتمد OLAS على نموذج ضوضاء يأخذ في الاعتبار دقة المعلقين وكذلك عدم اليقين في النموذج، مما يوجه قرارات الاختيار بشكل أكثر فاعلية.

ابتكرت الدراسة نموذجين قابلين للتطبيق: الأول يركز على تعيين العينات للمعلقين بهدف تقليل الضوضاء في أسوأ الأحوال، بينما يركز الثاني على اختيار العينات مع التحكم في مستوى الضوضاء الكلي.

تقدم النتائج النظرية حلول مغلقة في ظل ظروف بسيطة، بينما تُظهر التقييمات التجريبية على مجموعات بيانات مرجعية ومشكلة تصنيف المطالبات الضمان الواقعية أن إطار OLAS يحقق أعلى أو قريب من أعلى درجات الدقة في التصنيف مقارنةً باستراتيجيات التعلم النشط الحالية، باستخدام علامة واحدة فقط لكل عينة.

هذا التطور يفتح آفاقًا جديدة لتطبيقات التعلم الآلي، مما يساعد الباحثين والممارسين على تحسين النماذج وتجاوز التحديات المرتبطة بالبيانات غير الدقيقة.