Réponse rapide
Une fonction de perte traduit l’écart entre sortie prédite et cible selon l’objectif d’apprentissage et guide l’optimisation du réseau. Son choix et ses pondérations privilégient certaines erreurs ; ils ne remplacent donc pas les métriques de mission, contraintes physiques et tests de sécurité.
Traduire l’erreur utile
Perte de classification, régression ou trajectoire ne mesure pas les mêmes écarts. Elle transforme une préférence de conception en signal numérique pour ajuster les paramètres.
Inclure les priorités de la tâche
Pondérations, métriques externes et contraintes sont choisies avec la fonction robotique. Le projet distingue perte d’entraînement, qualité de sortie et coût d’une action.
Éviter l’optimisation aveugle
Minimiser moyenne peut laisser un cas critique très mauvais. Scénarios rares, limites physiques, refus et repli sont évalués séparément.
Sources et références
- [1] Deep Learning Book — MIT Press