Comment traiter une classe nouvelle apparue après le déploiement d’un robot ?

Reconnaître qu’on ne sait pas

Exemples inconnus, faible confiance ou incohérence entre capteurs peuvent déclencher un mode d’observation et une collecte contrôlée.

Un nouvel emballage sur un convoyeur

Le robot le signale comme objet inconnu, ralentit et demande une validation plutôt que de le saisir avec une recette ancienne.

Ajouter vite une classe peut dégrader les autres

Données rares, étiquettes incohérentes et oubli des anciennes catégories exigent test de non-régression et possibilité de revenir au modèle précédent.

Sources et références

1. [1] Metrics and scoring: quantifying the quality of predictions — scikit-learn
2. [2] AI Risk Management Framework — NIST

Questions liées

• Comment mesurer un déséquilibre de classes dans les données d’un robot ?
• Quand utiliser une pondération des classes pour entraîner un modèle robotique ?
• Pourquoi l’exactitude globale est-elle insuffisante avec des classes déséquilibrées ?
• Pourquoi faut-il préserver la répartition des classes dans le jeu de test ?

Cette réponse vous a-t-elle été utile ?

OuiNon

Commentaire facultatif