Réponse rapide
La qualité des données est importante parce que capteurs, labels, couverture, synchronisation et équilibre des situations déterminent ce que le modèle peut apprendre et ce qu’il saura reconnaître. Données bruitées, biaisées ou hors contexte peuvent conduire à une décision convaincante mais dangereuse. La qualité se juge par rapport à la tâche et au risque réel.
Examiner couverture et cohérence
Résolution, exposition, bruit, timestamps, calibration, doublons, valeurs manquantes et classes sont mesurés. Les cas rares, transitions et échecs sont surreprésentés pour l’analyse, sans falsifier leur fréquence d’usage. Provenance et consentement restent traçables.
Relier donnée et décision robotique
Les exemples sont testés dans les conditions de mission : angle, vitesse, pluie, charge, personne et capteur dégradé. Une erreur d’annotation est comparée à son impact sur action, distance ou effort. Les données inutiles ou sensibles sont retirées.
Ne pas compenser un mauvais jeu par davantage de réglages
Un modèle complexe peut mémoriser un biais ou un artefact. Les limites de donnée sont signalées et les cas hors domaine déclenchent abstention. Qualité, éthique et sécurité sont revues ensemble.
Sources et références
- [1] Artificial intelligence and robotics — NIST