Natürliche Sprachverarbeitungsmodelle (NLP) sind stark auf Daten angewiesen, aber die Beschaffung hochwertiger, gekennzeichneter Daten in großem Maßstab ist eine der größten Hürden. Es wird schnell klar, dass das Hinzufügen von mehr Rohdaten zu einem NLP-Problem nicht viel nützt – es sind die gekennzeichneten Daten, die wirklich Verbesserungen vorantreiben. Hier werden aktives Lernen und ein Human-in-the-Loop-Ansatz unschätzbar wertvoll. Sie helfen uns, zu priorisieren, welche Daten gekennzeichnet werden sollen, menschliche Expertise an kritischen Punkten einzubeziehen und Modelle in der Produktion kontinuierlich zu verbessern. In diesem Artikel werden wir besprechen, was aktives Lernen ist, wie ein Human-in-the-Loop-Workflow für die NLP-Annotation implementiert wird und warum dieser Ansatz die Modellverbesserung beschleunigt.