Réponse rapide
On protège un modèle non supervisé contre les données contaminées en contrôlant provenance, qualité, accès, périodes d’apprentissage, valeurs aberrantes et validation humaine avant de modifier la référence ou les seuils.
Identifier les sources
Robot, capteur, version, opérateur et contexte sont associés à chaque épisode. Les données non vérifiées restent séparées du modèle de référence.
Limiter l’influence d’un outlier
Fenêtre, poids, filtrage et méthodes robustes réduisent l’effet d’un épisode extrême. Les exclusions sont tracées et réexaminables.
Approuver un changement
Nouvelle référence, cluster ou seuil est comparé à une base saine et à des scénarios critiques. Le rollback conserve le dernier état validé.
Apprendre en continu peut normaliser une panne
Si le robot observe un défaut pendant la mise à jour, le modèle peut l’intégrer comme comportement normal. L’apprentissage automatique doit être gelé ou supervisé dans ce cas.
Sources et références
- [1] Robotics and Autonomous Systems — NIST