---
id: [[P-Reinforce|P-Reinforce]]-AUTO-ACLE-001
category: Unified
confidence_score: 0.98
tags: [auto-reinforced, active-learning, machine-learning, [[Optimization|Optimization]], data-[[Efficiency|Efficiency]], human-in-the-loop]
last_reinforced: 2026-04-20
---

# [[Active Learning|Active Learning]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "똑똑하게 질문해서 배우기: 모든 데이터를 맹목적으로 학습하는 대신, 정답을 알았을 때 모델의 지능이 가장 크게 상승할 것 같은 '핵심 질문(데이터)'만 골라 인간에게 정답을 요청하는 고효율 학습 전략."

## 📖 구조화된 지식 (Synthesized Content)
능동 학습(Active Learning)은 머신러닝 모델이 스스로 학습 과정에 참여하여, 레이블(Label)되지 않은 데이터 중 학습에 가장 도움이 될 데이터를 선별하고 전문가에게 레이블링을 요청하는 기법입니다.

1.  **동작 원리 (Query [[Strategy|Strategy]])**:
    *   **Uncertainty Sampling**: 모델이 정답을 가장 확신하지 못하는(Entropy가 높은) 데이터를 고름.
    *   **Query-by-Committee**: 여러 모델의 의견이 가장 일치하지 않는 데이터를 추출.
    *   **Representativeness**: 전체 데이터의 분포를 가장 잘 대표하는 표본을 선택.
2.  **왜 필요한가?**:
    *   데이터는 많지만 '정답'을 다는 비용(인간 전문가의 시간)이 비쌀 때 유용. (예: 의료 영상 분석, 자율주행 데이터 레이블링)
3.  **기대 효과**:
    *   전체 데이터의 일부(10-20%)만 학습하고도 전체를 학습한 것과 비슷한 성능 달성 가능 (Data Efficiency).

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 단순히 '양질의 큰 데이터셋' 정책에 의존했으나, 현대 AI 인프라 정책은 데이터 전처리 비용을 줄이기 위해 시작부터 모델이 개입하는 'AI-driven Labeling 정책'을 핵심 인프라로 구축함(RL Update).
- **정책 변화(RL Update)**: 인간과의 상호작용 피로도를 낮추기 위해, "꼭 필요한 질문만 던지는" 에이전트의 예절 및 효율성 알고리즘을 최적화하는 정책이 RAG 부문 및 도메인 특화 모델 개발의 표준이 됨.

## 🔗 지식 연결 (Graph)
- [[SFT (Supervised Fine-Tuning)|SFT (Supervised [[Fine-tuning]])]], [[RLHF (인간 피드백 기반 강화 학습)|RLHF (인간 피드백 기반 강화 학습)]], [[Resource-Management|Resource-Management]], [[Decision Theory|Decision Theory]], [[Scientific Communication|Scientific Communication]]
- **Modern Tech/Tools**: Prodigy (Labeling tool), ModAL (Python framework for Active Learning).
---