上一篇介紹了以人為中心的機器學習，
也談了一點點主動式學習和互動式機器學習，
這篇就來更細談互動式機器學習吧！

互動式機器學習的基本想法是，
比起傳統的機器學習，每個一步驟都是一整個資料集一起做，
互動式機器學習強調透過互動不斷演進模型。

什麼意思呢？

傳統上，機器學習的主要幾個大步驟，
大致包含了「資料標註（Labeling）」、
「特徵生成（Featuring）」、
「模型設計（Modeling）」、
「模型訓練（Training）」、
「模型評估（Evaluation）」。

這每一個步驟其實都是一項工程，
但模型的好壞，往往到了最後一個評估的步驟，
才會有辦法知道。

有時候如果模型的建造者跟真正要用的人不是同一個，
模型建造者可能自己評測過後覺得表現不錯了，
帶去給真的要用這個模型的人看，
才知道原來他重視的點跟原本的假設不同。

這樣就算要調整模型，
可能也不知道該從多標註一些資料開始？
還是該從多加一些特徵值開始？
還是應該調整模型設計？

正是因為全部一起做完才一起去評估，
就很難知道哪一個步驟的影響是什麼，
也很難排除他們之間交互的影響。

互動式機器學習和上面這個流程完全相反，
他強調的是快速得到回饋，
藉此保證模型符合創建者想要的樣子。

這個怎麼做呢？

基本上就是不一開始把所有資料點都標註好，
而是讓建模型的人，
隨機或是根據特定方法（像是關鍵字搜尋），
去找出一些資料點來標記，
然後根據這些資料生成特徵值，
餵給模型學習，
接著去看模型是否能正確判斷現有的資料點。
如果出來的結果有錯，
那建模型的人可以檢查錯誤是什麼，
去針對問題作出修正（例如特徵值不夠，或是標註錯誤）。

因為是一點一滴建出來，
並且在沿途都有確定模型與自己想要的一樣，
這樣的模型會比較容易和創建者的想法一致。
但這樣的做法的缺點是，
不斷地要人給回饋、檢視結果，
這個成本是相當高的。

而且萬一資料點選得不好，
那即使模型沿途跟創建者的想法一致，
也不代表他可以在整個資料集表現很好。

而且因為資料點一開始並沒有都被標記好，
所以我們也不知道現在的模型，
到底在還沒有標記的資料點上表現如何。

所以在互動式機器學習中，
怎麼選擇資料點、怎麼樣找出具有代表性的資料點，
就非常的重要。

其中一派的做法，是希望把分類目標的「概念」定義清楚，
例如如果要做分類「狗的圖片」的模型，
我們可以把狗分成白狗、黑狗、灰狗、花狗，
也可以把狗分成不同的品種。

在上上篇我有放了一個YouTube的影片，
提到的可視化分析工具「AnchorViz」就是想要解決上面的問題。

AnchorViz的概念，就是互動性地把資料點標註，然後，
根據他所屬的概念創建Anchor。
接著可以利用Anchor來操控剩下的資料點的分佈，
然後把已經標註的資料點的分類跟還沒有標註的資料的分類，
用不同的顏色跟形狀表達，
讓使用者可以探索資料集，尋找下一個想標註的點。
每次標註完，機器都會重新訓練，然後更新結果，
如果結果有問題，使用者可以直接去加新的特徵值，
或是再找更多例子標註。

在探索的時候，透過顏色跟形狀的輔助，
使用者可以去看有沒有應該屬於目標分類概念的點，
被散佈在不屬於該目標分類概念的Anchor附近。

這只是一個互動式機器學習的例子，
有些時候我們也可以取互動和非互動兩者之間的組合，
例如像Google之前也有推出一個TensorFlow Playground，
讓使用者去互動性的創建深度學習模型，
但這個當然還是屬於比較非真實的情境才能用。

又或是Google也有推出Teachable Machine，
這個比較接近之前說的Machine Teaching的概念。
也是讓使用者直接去給例子，
然後看結果、作出修正，
這些都是比較屬於互動式機器學習的例子。

當然這個領域還很新，所以很多東西是願景的成份居多，
我自己是很期待未來我們可以更偏重這個方向的發展，
究竟未來如何，讓我們看下去囉～