Les modèles de traitement du langage naturel (NLP) dépendent fortement des données, mais l'obtention de données labellisées de haute qualité à grande échelle constitue l'un des plus grands obstacles. Il devient rapidement évident que jeter plus de données brutes sur un problème de NLP n'aide pas beaucoup - ce sont les données labellisées qui stimulent réellement l'amélioration. C'est là que l'apprentissage actif et une approche humaine-dans-la-boucle deviennent inestimables. Ils nous aident à prioriser quelles données labelliser, à impliquer l'expertise humaine à des points critiques et à améliorer continuellement les modèles en production. Dans cet article, nous allons parler de ce qu'est l'apprentissage actif, comment implémenter un flux de travail humain-dans-la-boucle pour l'annotation en NLP, et pourquoi cette approche accélère l'amélioration des modèles.