名词解释 / 07

半监督学习

第 81 / 127 个名词进一步了解 AI 原理

英文名称：Semi-Supervised Learning 常见别名：半监督训练；SSL 所属分类：进一步了解 AI 原理

一句话解释

介于“全部靠人工标注答案”和“完全不标注”之间的一种训练方法：只用少量已经标好答案的样本打底，再喂入大量没有标答案的历史数据，让 AI 从数据自身的结构里把规律补全，最终学会判断新数据。可以理解成“师傅带几个徒弟入入门，剩下靠他们大量见题自己悟”。

工作中什么时候会遇到

普通员工很少直接操作它，更多是在公司上 AI 项目时间接遇到。当对方说“不用标几万条，标几百条就能起步”，或者“你们仓库里存了很多年、从没标过类的数据，我们能直接用起来”，背后往往就是半监督学习。给客服记录分类、给设备报修判断故障类型、给供应商或订单做风险评估这类场景很典型：真正标好答案的样本金贵，没标过的历史数据却堆了一大堆。

判断方法很简单：方案里同时提到“少量已标注样本”和“大量未标注数据”，用的多半就是这项技术。

能解决什么问题

大幅减少人工标注量：过去要业务专家逐条标几千、上万条数据，现在标几百条有代表性的就能起步。
盘活沉睡的存量数据：工单、聊天记录、设备日志、历史报价单大多没标过类，过去基本派不上用场，现在能用来训练。
应对新系统冷启动：系统刚上线还没有答案积累，少量样本就能先跑起来，再随使用逐步变准。
处理“异常本来就少”的问题：设备故障、质量缺陷、异常订单这类多数正常、少数异常的情况，正好适合。
降低立项门槛：一些过去因为标注成本太高而搁置的 AI 应用，变得值得做。

举个例子

一家工厂想把多年积累的报修记录自动归为“机械故障、电气故障、操作不当、耗材更换”几类，好按设备和产线统计哪类问题最花钱。系统里有几万条报修记录，但从没归过类，按老办法让老师傅逐条读，成本太高，一直拖着没做。

改用半监督学习后：设备主管带两三位老维修工，先按统一口径手工标出约 400 条，尽量覆盖常见故障和容易混淆的边界情况。系统先拿这 400 条学习规律，再去比对剩下几万条没标过的记录：与已标记录高度相似的，自动归入对应类型；拿不准的单独挑出来生成“待确认清单”，交回给人判断。人处理完清单、纠正明显归错的，系统再学一轮，准确率明显更稳。

这里有一个关键的人工确认点：系统对自己很有把握的自动归类，会被当成“正确答案”继续教自己。如果这类样本里混着归错的，错误会被放大，所以清单需要抽查，不能全信。

怎么使用

普通员工主要做三件事。一是认真完成那少量标注：这批样本是整个系统的地基，标偏了全盘偏。二是定期抽查系统新学进去的样本，发现归错及时纠正。三是遇到实在拿不准的，标“存疑”，不要硬猜混进标准答案。

模型训练、阈值设定通常由算法工程师或提供 AI 系统的服务商配置，普通员工不需要懂技术细节。不同产品里“标注”“抽检”“确认清单”的入口和叫法不一样，以当前版本和官方说明为准。

使用时要注意什么

最大的误区是把“省标注”理解成“标注不重要”。恰恰相反，半监督学习里那少量标注是唯一的确定性来源，一旦标歪，AI 会把错误规律扩散到几万条数据上，出错是成片出错。所以动手前要先统一标注口径，关键类别最好双人核对。

另一个风险是错误自我放大：模型把自己判断错但很自信的样本当成新教材，越学越偏。因此系统上线后仍要保留人工抽检，尤其盯住它新学的内容，不能因为前期表现好就长期不管。也要有合理预期：在类别多、边界模糊的任务上，省标注是有代价的，效果未必追得上足量优质标注。听到“只要少量标注就能达到很高准确率”的说法，要追问是在你们自己的数据上验证过，还是拿通用演示数字来说事。

容易混淆的词

监督学习：每条训练数据都要人工先标好答案，结果可靠但成本高；半监督学习只标一小部分，靠大量未标数据补位。 无监督学习：完全不用标注，纯靠数据自己找相似和差异，但它分出来的“类”未必是你业务上关心的类；半监督学习用那少量标注把方向定住。 自监督学习：让 AI 自己从数据里造“临时考题”来学（比如遮住一句话猜被遮住的词），不需要人工标注；原理和半监督学习不同，却常被混为一谈。 主动学习：反过来由模型“提问”，专门挑它最拿不准的样本请人来标注，常和半监督学习搭配使用，但侧重解决的问题不一样。