Active Learning

Active Learning adressiert ein klassisches ML-Problem: Annotierte Trainingsdaten sind teuer und langsam zu produzieren. Statt einen Datensatz vollständig zu labeln, beginnt Active Learning mit einer kleinen Menge gelabelter Daten, trainiert ein erstes Modell und identifiziert dann die Beispiele, bei denen das Modell unsicher ist. Diese werden gezielt zur menschlichen Annotation vorgelegt.

Der Effekt ist deutlich messbar. Studien zeigen, dass Active Learning mit 30 bis 50 Prozent weniger gelabelten Daten ähnliche Modellqualität erreicht wie klassisches Supervised Learning. Besonders relevant ist das in Domänen mit teurer Expertise (Medizin, Industrie, Recht), wo jeder Annotations-Aufwand spürbar zählt.

Pimcore nutzt Active-Learning-Prinzipien im Agent SDK. Bei der KI-gestützten Produktklassifizierung werden Vorschläge des Modells priorisiert, bei denen die Konfidenz unter einem Schwellenwert liegt. Diese Fälle landen in einem Review-Workflow, alle anderen werden automatisch akzeptiert. Das reduziert den manuellen Aufwand auf das wirklich Notwendige.