自然言語処理（NLP）モデルはデータに大きく依存していますが、高品質なラベル付きデータを大規模に取得することは、最大の課題の1つです。NLPの問題に生のデータをさらに投入しても、あまり効果がないことはすぐに明らかになります。改善を本当に推進するのは、ラベル付きデータなのです。ここで、アクティブラーニングと人間参加型（human-in-the-loop）のアプローチが非常に価値のあるものになります。これらは、どのデータにラベルを付けるべきかを優先順位付けし、重要なポイントで人間の専門知識を関与させ、本番環境でモデルを継続的に改善するのに役立ちます。 この記事では、アクティブラーニングとは何か、NLPアノテーションのための人間参加型ワークフローをどのように実装するか、そしてこのアプローチがモデルの改善をどのように加速させるのかについて説明します。