要使Amazon SageMaker Ground Truth中的主动学习起作用，您可以使用以下方法。

首先，确保您的数据集满足以下要求：

• 数据集中的每个样本都需要有一个初始标签。
• 数据集中的样本数量应足够大，以便主动学习算法可以从中选择样本。
• 数据集中的样本应具有一定的多样性，以便主动学习算法可以选择具有代表性的样本。

接下来，您可以按照以下步骤配置主动学习：

1. 创建一个Ground Truth labeling job，并指定主动学习算法。

import boto3

sagemaker_client = boto3.client('sagemaker')

response = sagemaker_client.create_labeling_job(
    LabelingJobName='my-labeling-job',
    LabelAttributeName='label',
    InputConfig={
        'DataSource': {
            'S3DataSource': {
                'ManifestS3Uri': 's3://my-bucket/my-manifest.manifest'
            }
        },
        'DataAttributes': {
            'ContentClassifiers': ['FreeOfPersonallyIdentifiableInformation', 'FreeOfAdultContent']
        }
    },
    OutputConfig={
        'S3OutputPath': 's3://my-bucket/output/'
    },
    RoleArn='arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole-20201231T123456',
    LabelingJobAlgorithmsConfig={
        'LabelingJobAlgorithmSpecificationArn': 'arn:aws:sagemaker:us-west-2:027400017018:labeling-job-algorithm-specification/active-learning',
        'InitialActiveLearningModelArn': 'arn:aws:sagemaker:us-west-2:027400017018:active-learning-model/initial-active-learning-model',
        'LabelingJobResourceConfig': {
            'VolumeKmsKeyId': 'arn:aws:kms:us-west-2:027400017018:key/abcd1234-a123-456b-789c-0123456789ab',
            'InstanceCount': 1,
            'InstanceType': 'ml.m5.large',
            'VolumeSizeInGB': 100
        }
    }
)

print(response)

2. 创建一个初始的活动学习模型。

response = sagemaker_client.create_active_learning_model(
    ActiveLearningModelName='initial-active-learning-model',
    ModelArn='arn:aws:sagemaker:us-west-2:027400017018:model/my-model',
    TrainingDataSource={
        'S3DataSource': {
            'ManifestS3Uri': 's3://my-bucket/initial-manifest.manifest'
        }
    },
    RoleArn='arn:aws:iam::123456789012:role/service-role/AmazonSageMaker-ExecutionRole-20201231T123456'
)

print(response)

3. 监控主动学习作业的进展。

response = sagemaker_client.describe_labeling_job(LabelingJobName='my-labeling-job')

print(response)

4. 定期查看主动学习模型的性能，并根据需要更新模型。

response = sagemaker_client.update_active_learning_model(
    ActiveLearningModelName='initial-active-learning-model',
    ModelArn='arn:aws:sagemaker:us-west-2:027400017018:model/my-model',
    TrainingDataSource={
        'S3DataSource': {
            'ManifestS3Uri': 's3://my-bucket/new-manifest.manifest'
        }
    }
)

print(response)

请注意，上述示例中的ARN（Amazon 资源名称）和参数值应根据您的实际情况进行替换。

希望这可以帮助您解决问题！