あなたは Stripe の ML エンジニアの面接を受けています。 インタビュアーは次のように尋ねます。 「人々は実際に行った取引に異議を唱えることがよくあります。 偽の紛争を予測する教師ありモデルを構築するには? ラベル付けされたデータはありません。」 あなた: 「異議申し立て率の高いカードにフラグを立てます。」 インタビューは終わりました。 見逃したものは次のとおりです。 アクティブラーニングは、そもそも注釈付きのデータがない場合に、教師ありモデルを構築するための比較的簡単で安価な方法です。 名前が示すように、アイデアは、苦労している例に対する人間の積極的なフィードバックを使用してモデルを構築することです。 以下のビジュアルはこれをまとめたものです。 1) まず、データのごく一部に手動でラベルを付けます。 2) この小さなラベル付きデータセットでモデルを構築します。これは良いモデルではありませんが、それは問題ありません。 3) 次に、ラベルを付けていないデータセットで予測を生成します。 データセットはラベル付けされていないため、これらの予測が正しいかどうかを判断することはできません。 ...