LITL jest systemem aktywnego uczenia się, aby efektywnie trenować modele ML w konfiguracji danych nieoznakowanych. 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 przekwalifikowanie modelu z kolejnymi partiami próbek. W miarę jak model uczy się na rosnącym zbiorze etykiet, zmienia swoją niepewność wobec nieoznakowanych próbek, na których opiera się proces próbkowania.