Réponse rapide
Des données d’apprentissage représentatives couvrent les entrées, variations et cas limites rencontrés par la mission : capteurs, lumière, objets, personnes, vitesses, sites et états dégradés. La représentativité se juge par rapport à l’usage prévu, pas au nombre total d’exemples.
Décrire le domaine opérationnel
Conditions nominales, variations attendues et situations hors périmètre sont listées. Séparation par scène, robot et période évite qu’un seul site domine l’évaluation.
Couvrir une vision d’atelier
Pièces propres et marquées, positions, éclairages, arrière-plans, poussière et caméra réelle sont inclus. Changement de ligne ou capteur est évalué séparément.
Distinguer diversité et qualité
Ajouter images bruitées ne corrige pas annotation incohérente, doublons ou droits inconnus. Provenance, absences, transformations et qualité sont contrôlées avant entraînement.
Sources et références
- [1] Dataset loading utilities — scikit-learn — scikit-learn
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST