Réponse rapide
La fonction de perte se choisit selon la sortie et le coût des erreurs : classification, régression, segmentation, séquence ou contrôle n’exigent pas le même compromis entre précision, robustesse et calibration.
Relier perte et résultat
La perte traduit les erreurs réellement importantes pour la mission, avec unités et pondérations explicites. Une métrique d’entraînement facile n’est pas forcément le critère utilisateur.
Traiter les cas rares
Poids de classe, perte robuste, focalisation ou échantillonnage peuvent éviter qu’une classe fréquente masque les erreurs critiques. Les poids sont testés sur des données indépendantes.
Mesurer hors perte
Précision, rappel, calibration, latence, contraintes et effet sur le robot complètent la perte. Les courbes d’entraînement ne suffisent pas à autoriser une action.
Une perte basse peut récompenser le mauvais compromis
Le modèle peut optimiser une moyenne tout en échouant sur un cas dangereux ou en produisant des sorties trop confiantes. Les erreurs par contexte doivent être examinées.
Sources et références
- [1] Robotics and Autonomous Systems — NIST