LITL jest systemem aktywnego uczenia (active learning) do efektywnego trenowania modeli ML w przypadku braku danych oznakowanych. W szczególności, LITL wybiera próbki z puli nieoznakowanych danych, które będą miały największy wpływ na wydajność modelu i przypisuje je do ekspertów zgodnie z ich szacowaną wydajnością na podobnych próbkach. Sam proces przypisywania ekspertów balansuje pomiędzy eksploracją a eksploatacją wiedzy ekspertów w celu bardziej efektywnego oszacowania ich wydajności. Cały proces działa iteracyjnie, poprzez przetrenowanie modelu na podstawie kolejnych partii próbek danych. W miarę jak model uczy się na rosnącym zbiorze etykiet, zmienia swoją niepewność wobec nieoznakowanych jeszcze próbek danych.