
Învățarea activă transformă modul în care ne instruim AI Modele prin selectarea inteligentă a celor mai valoroase date pentru adnotare. Atunci când este asociat cu masteranzi în drept puternici precum Google Gemeni, creează canale de adnotare eficiente care reduc efortul manual, menținând în același timp o calitate ridicată a datelor.
Acest ghid explorează modul de construire a unor astfel de conducte folosind framework-ul Adala – un instrument puternic, dar subutilizat, pentru etichetarea autonomă a datelor.
Vom implementa un clasificator de simptome medicale care utilizează Gemini's capacități printr-un flux de lucru structurat de învățare activă.
Înțelegerea învățării active pentru adnotarea datelor

Învățarea activă abordează provocarea cheie în învățarea supravegheată : obținerea unor cantități mari de date etichetate. În loc să selecteze aleatoriu puncte de date pentru adnotare, algoritmii de învățare activă identifică cele mai informative mostre care vor contribui cel mai mult la îmbunătățirea modelului.
De ce este importantă învățarea activă:
Framework-ul Adala aduce aceste beneficii în fluxurile de lucru de producție prin furnizarea de componente modulare care eficientizează procesul de învățare activă . Înainte de a trece la implementare, să examinăm ce face ca Adala să fie deosebit de potrivit pentru integrarea cu LLM-uri moderne, cum ar fi Google Gemini.
Ce este Adala? O introducere în cadru

Adala (Autonomous Data Labeling Agent) este un framework open-source conceput special pentru implementarea de agenți specializați pentru procesarea datelor . Spre deosebire de instrumentele tradiționale de adnotare, Adala adoptă o abordare bazată pe agenți care combină:
Privind exemplul rapid al Adalei, putem vedea cum structurează clasificarea sentimentelor :
piton
import pandas as pd
from adala.agents import Agent
from adala.environments import StaticEnvironment
from adala.skills import ClassificationSkill
from adala.runtimes import OpenAIChatRuntime
from rich import print
# Train dataset
train_df = pd.DataFrame([
["It was the negative first impressions, and then it started working.", "Positive"],
["Not loud enough and doesn't turn on like it should.", "Negative"],
["I don't know what to say.", "Neutral"],
["Manager was rude, but the most important that mic shows very flat frequency response.", "Positive"],
["The phone doesn't seem to accept anything except CBR mp3s.", "Negative"],
["I tried it before, I bought this device for my son.", "Neutral"],
], columns=["text", "sentiment"])
# Test dataset
test_df = pd.DataFrame([
"All three broke within two months of use.",
"The device worked for a long time, can't say anything bad.",
"Just a random line of text."
], columns=["text"])
agent = Agent(
# connect to a dataset
environment=StaticEnvironment(df=train_df),
# define a skill
skills=ClassificationSkill(
name='sentiment',
instructions="Label text as positive, negative or neutral.",
labels=["Positive", "Negative", "Neutral"],
input_template="Text: {text}",
output_template="Sentiment: {sentiment}"
),
# define runtimes
runtimes = {
'openai': OpenAIChatRuntime(model='gpt-4o'),
},
teacher_runtimes = {
'default': OpenAIChatRuntime(model='gpt-4o'),
},
default_runtime='openai',
)
agent.learn(learning_iterations=3, accuracy_threshold=0.95)
predictions = agent.run(test_df)
Pentru sarcina noastră de clasificare a simptomelor medicale, vom adapta această arhitectură pentru a integra Google Gemini , implementând în același timp o strategie personalizată de învățare activă.
Configurarea mediului
Lăsa's începeți prin instalarea Adala și a dependențelor necesare:
piton
# Install Adala directly from GitHub
!pip install -q git+https://github.com/HumanSignal/Adala.git
# Verify installation
!pip list | grep adala
# Install additional dependencies
!pip install -q google-generativeai pandas matplotlib numpy
De asemenea, va trebui să clonăm repozitoriul pentru acces direct la componentele sale:
piton
# Clone the repository for access to source files
!git clone https://github.com/HumanSignal/Adala.git
# Ensure the package is in our Python path
import sys
sys.path.append('./Adala')
# Import key components
from Adala.adala.annotators.base import BaseAnnotator
from Adala.adala.strategies.random_strategy import RandomStrategy
from Adala.adala.utils.custom_types import TextSample, LabeledSample
Integrarea Google Gemini ca instrument de adnotare personalizat
Spre deosebire de implementarea originală care folosea un wrapper de bază în jurul Google Gemini, vom construi un adnotator mai robust care urmează tiparele de design ale Adala. Acest lucru face ca soluția noastră să fie mai ușor de întreținut și extensibilă.
Mai întâi, trebuie să configurăm Google Generative AI client:
piton
import google.generativeai as genai
import os
# Set API key from environment or enter manually
GEMINI_API_KEY = os.getenv("GEMINI_API_KEY") or getpass("Enter your Gemini API Key: ")
genai.configure(api_key=GEMINI_API_KEY)
Acum, vom crea un adnotator personalizat prin extinderea Adala's Clasa BaseAnnotator:
piton
import json
import re
from typing import List, Dict, Any, Optional
class GeminiAnnotator(BaseAnnotator):
"""Custom annotator using Google Gemini for medical symptom classification."""
def __init__(self,
model_name: str = "models/gemini-2.0-flash-lite",
categories: List[str] = None,
temperature: float = 0.1):
"""Initialize the Gemini annotator.
Args:
model_name: The Gemini model to use
categories: List of valid classification categories
temperature: Controls randomness in generation (lower = more deterministic)
"""
self.model = genai.GenerativeModel(
model_name=model_name,
generation_config={"temperature": temperature}
)
self.categories = categories or ["Cardiovascular", "Respiratory",
"Gastrointestinal", "Neurological"]
def _build_prompt(self, text: str) -> str:
"""Create a structured prompt for the model.
Args:
text: The symptom text to classify
Returns:
A formatted prompt string
"""
return f"""Classify this medical symptom into one of these categories:
{', '.join(self.categories)}.
Return JSON format: {{"category": "selected_category",
"confidence": 0.XX, "explanation": "brief_reason"}}
SYMPTOM: {text}"""
def _parse_response(self, response: str) -> Dict[str, Any]:
"""Extract structured data from model response.
Args:
response: Raw text response from Gemini
Returns:
Dictionary containing parsed fields
"""
try:
# Extract JSON from response even if surrounded by text
json_match = re.search(r'(\{.*\})', response, re.DOTALL)
result = json.loads(json_match.group(1) if json_match else response)
return {
"category": result.get("category", "Unknown"),
"confidence": result.get("confidence", 0.0),
"explanation": result.get("explanation", "")
}
except Exception as e:
return {
"category": "Unknown",
"confidence": 0.0,
"explanation": f"Error parsing response: {str(e)}"
}
def annotate(self, samples: List[TextSample]) -> List[LabeledSample]:
"""Annotate a batch of text samples.
Args:
samples: List of TextSample objects
Returns:
List of LabeledSample objects with annotations
"""
results = []
for sample in samples:
prompt = self._build_prompt(sample.text)
try:
response = self.model.generate_content(prompt).text
parsed = self._parse_response(response)
# Create labeled sample with metadata
labeled_sample = LabeledSample(
text=sample.text,
labels=parsed["category"],
metadata={
"confidence": parsed["confidence"],
"explanation": parsed["explanation"]
}
)
except Exception as e:
# Graceful error handling
labeled_sample = LabeledSample(
text=sample.text,
labels="Unknown",
metadata={"error": str(e)}
)
# Store reference to original sample
labeled_sample._sample = sample
results.append(labeled_sample)
return results
Această implementare oferă îmbunătățiri semnificative față de versiunea originală:
- Urmează moștenirea corectă a clasei de la Adala's BaseAnnotor
- Implementează metode private de asistență pentru construirea prompturilor și analizarea răspunsurilor
- Utilizări structurate eroare de manipulare și indicii de tip
- Oferă documentație completă
Construirea unui canal de clasificare a simptomelor
Să creăm un set de date cu simptome medicale pentru sarcina noastră de clasificare. Spre deosebire de implementarea originală, vom folosi un set de date mai divers, cu o reprezentare echilibrată între categorii:
piton
# Create a more comprehensive dataset
symptom_data = [
# Cardiovascular symptoms
"Chest pain radiating to left arm during exercise",
"Heart palpitations when lying down",
"Swollen ankles and shortness of breath",
"Dizziness when standing up quickly",
# Respiratory symptoms
"Persistent dry cough with occasional wheezing",
"Shortness of breath when climbing stairs",
"Coughing up yellow or green mucus",
"Rapid breathing with chest tightness",
# Gastrointestinal symptoms
"Stomach cramps and nausea after eating",
"Burning sensation in upper abdomen",
"Frequent loose stools with abdominal pain",
"Yellowing of skin and eyes",
# Neurological symptoms
"Severe headache with sensitivity to light",
"Numbness in fingers of right hand",
"Memory loss and confusion",
"Tremors in hands when reaching for objects"
]
# Convert to TextSample objects
text_samples = [TextSample(text=text) for text in symptom_data]
Implementarea strategiilor avansate de învățare activă
Implementarea originală a folosit un mecanism simplu de evaluare a priorităților. Vom îmbunătăți acest lucru cu mai multe strategii pentru a demonstra Adala.'s flexibilitate:
piton
import numpy as np
from typing import List, Callable
class PrioritizationStrategy:
"""Base class for sample prioritization strategies."""
def score_samples(self, samples: List[TextSample]) -> np.ndarray:
"""Assign priority scores to samples.
Args:
samples: List of samples to score
Returns:
Array of scores, higher values indicate higher priority
"""
raise NotImplementedError("Subclasses must implement this method")
def select(self, samples: List[TextSample], n: int = 1) -> List[TextSample]:
"""Select the top n highest scoring samples.
Args:
samples: List of samples to select from
n: Number of samples to select
Returns:
List of selected samples
"""
if not samples:
return []
scores = self.score_samples(samples)
indices = np.argsort(-scores)[:n] # Descending order
return [samples[i] for i in indices]
class KeywordPriority(PrioritizationStrategy):
"""Prioritize samples based on medical urgency keywords."""
def __init__(self, keyword_weights: Dict[str, float]):
"""Initialize with keyword weights.
Args:
keyword_weights: Dictionary mapping keywords to priority weights
"""
self.keyword_weights = keyword_weights
def score_samples(self, samples: List[TextSample]) -> np.ndarray:
scores = np.zeros(len(samples))
for i, sample in enumerate(samples):
# Base score
scores[i] = 0.1
# Add weights for each keyword found
text_lower = sample.text.lower()
for keyword, weight in self.keyword_weights.items():
if keyword in text_lower:
scores[i] += weight
return scores
class UncertaintyPriority(PrioritizationStrategy):
"""Prioritize samples based on model uncertainty."""
def __init__(self, model_fn: Callable[[List[TextSample]], List[float]]):
"""Initialize with uncertainty model function.
Args:
model_fn: Function that returns uncertainty scores for samples
"""
self.model_fn = model_fn
def score_samples(self, samples: List[TextSample]) -> np.ndarray:
# Higher uncertainty = higher priority
return np.array(self.model_fn(samples))
# Create a combined strategy
keyword_weights = {
"chest": 0.5,
"pain": 0.4,
"breathing": 0.4,
"dizz": 0.3,
"head": 0.2,
"numb": 0.2
}
keyword_strategy = KeywordPriority(keyword_weights)
Acum lasa's implementați bucla noastră îmbunătățită de învățare activă:
piton
from matplotlib import pyplot as plt
from IPython.display import clear_output
import time
def run_active_learning_loop(
samples: List[TextSample],
annotator: GeminiAnnotator,
strategy: PrioritizationStrategy,
iterations: int = 5,
batch_size: int = 1,
visualization_interval: int = 1
):
"""Run an active learning loop with visualization.
Args:
samples: Pool of unlabeled samples
annotator: Annotation system
strategy: Sample selection strategy
iterations: Number of learning iterations
batch_size: Samples to annotate per iteration
visualization_interval: How often to update visualizations
Returns:
List of labeled samples
"""
labeled_samples = []
remaining_samples = list(samples)
print("\nStarting Active Learning Loop:")
for i in range(iterations):
print(f"\n--- Iteration {i+1}/{iterations} ---")
# Filter out already labeled samples
remaining_samples = [
s for s in remaining_samples
if s not in [getattr(l, '_sample', l) for l in labeled_samples]
]
if not remaining_samples:
print("No more samples to label. Stopping.")
break
# Select most important samples
selected = strategy.select(remaining_samples, n=batch_size)
# Annotate selected samples
newly_labeled = annotator.annotate(selected)
labeled_samples.extend(newly_labeled)
# Display annotation results
for sample in newly_labeled:
print(f"Text: {sample.text}")
print(f"Category: {sample.labels}")
print(f"Confidence: {sample.metadata.get('confidence', 0):.2f}")
explanation = sample.metadata.get('explanation', '')
print(f"Explanation: {explanation[:100]}..." if len(explanation) > 100 else explanation)
print()
# Visualize results periodically
if (i + 1) % visualization_interval == 0:
visualize_results(labeled_samples)
return labeled_samples
def visualize_results(labeled_samples: List[LabeledSample]):
"""Create visualizations of annotation results.
Args:
labeled_samples: List of labeled samples to visualize
"""
if not labeled_samples:
return
# Extract data
categories = [s.labels for s in labeled_samples]
confidence = [s.metadata.get("confidence", 0) for s in labeled_samples]
texts = [s.text[:30] + "..." for s in labeled_samples]
# Set up plots
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))
# Plot 1: Confidence by category
category_counts = {}
category_confidence = {}
for cat, conf in zip(categories, confidence):
if cat not in category_counts:
category_counts[cat] = 0
category_confidence[cat] = 0
category_counts[cat] += 1
category_confidence[cat] += conf
for cat in category_confidence:
category_confidence[cat] /= category_counts[cat]
cats = list(category_counts.keys())
counts = list(category_counts.values())
avg_conf = list(category_confidence.values())
x = np.arange(len(cats))
width = 0.35
ax1.bar(x - width/2, counts, width, label='Count')
ax1.bar(x + width/2, avg_conf, width, label='Avg Confidence')
ax1.set_xticks(x)
ax1.set_xticklabels(cats, rotation=45)
ax1.set_title('Category Distribution and Confidence')
ax1.legend()
# Plot 2: Individual sample confidence
sorted_indices = np.argsort(confidence)
ax2.barh(range(len(texts)), [confidence[i] for i in sorted_indices])
ax2.set_yticks(range(len(texts)))
ax2.set_yticklabels([texts[i] for i in sorted_indices])
ax2.set_title('Sample Confidence')
ax2.set_xlabel('Confidence')
plt.tight_layout()
plt.show()
Rularea conductei end-to-end
Acum putem rula întregul nostru flux de învățare activă:
piton
# Initialize components
categories = ["Cardiovascular", "Respiratory", "Gastrointestinal", "Neurological"]
annotator = GeminiAnnotator(categories=categories)
strategy = keyword_strategy
# Run the active learning loop
labeled_data = run_active_learning_loop(
samples=text_samples,
annotator=annotator,
strategy=strategy,
iterations=5,
visualization_interval=2
)
# Final visualization and analysis
visualize_results(labeled_data)
# Print summary statistics
print("\nAnnotation Summary:")
print(f"Total samples annotated: {len(labeled_data)}")
categories = [s.labels for s in labeled_data]
unique_categories = set(categories)
print(f"Categories found: {len(unique_categories)}")
for category in unique_categories:
count = categories.count(category)
print(f" - {category}: {count} samples ({count/len(labeled_data):.1%})")
avg_confidence = sum(s.metadata.get("confidence", 0) for s in labeled_data) / len(labeled_data)
print(f"Average confidence: {avg_confidence:.2f}")
Aplicații practice și extensii
Această conductă are numeroase aplicații practice dincolo de clasificarea simptomelor medicale:
1. Moderarea conținutului
2. Analiza Feedback-ului Clientilor
3. Prelucrarea documentelor studiului clinic
Puteți extinde această implementare prin:
AiMojo recomandă:
Concluzie
Integrarea dintre Adala și Google Gemini oferă un cadru puternic pentru construirea unor canale inteligente de adnotare. Prin valorificarea strategiilor de învățare activă , putem reduce dramatic efortul manual necesar, menținând în același timp adnotările de înaltă calitate.
Modelele de design modular demonstrate în acest tutorial permit o adaptare ușoară la diferite domenii și sarcini de adnotare.
Pentru cei interesați să exploreze mai departe, depozitul Adala GitHub oferă exemple și documentație suplimentare pentru a extinde aceste concepte la scenarii de adnotare mai complexe.


