Réponse rapide
Une annotation de données associe à une image, un son, une trajectoire ou une mesure une information destinée à l’apprentissage ou à l’évaluation d’un robot. Elle décrit ce qui est observable avec une règle et un niveau de confiance définis. Une annotation utile conserve aussi contexte, provenance et limites, plutôt qu’un simple libellé sans explication.
Relier donnée et consigne
Format, classes, géométrie, unités, attributs, cas ambigus et statut de validation sont documentés. Version de la règle, annotateur, outil et source sont liés à chaque élément. Les données personnelles et sensibles sont minimisées avant annotation.
Observer la tâche du robot
Les exemples couvrent conditions de lumière, occlusion, bruit, mouvement et capteurs réels. Une annotation indique ce qui est visible, non une intention inventée. Les cas hors périmètre sont marqués pour ne pas entraîner une mauvaise généralisation.
Ne pas confondre étiquette pratique et vérité absolue
Une image peut être ambiguë ou incomplète, et une classe dépendre du but de la tâche. Les limites et désaccords sont conservés. La qualité se mesure par rapport à l’usage prévu, pas à une apparence de précision.
Sources et références
- [1] Dataset loading utilities — scikit-learn — scikit-learn
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST