Étiqueter des événements rares dans les données d’un robot demande de les rechercher activement, de noter leur contexte et de vérifier chaque annotation, car quelques secondes peuvent changer la sécurité.
Contrôler la qualité des étiquettes avant l’entraînement d’un robot évite qu’erreurs, classes incohérentes ou omissions soient apprises comme si elles décrivaient le monde.
Une classification à faible confiance doit conduire le robot à ralentir, demander une observation supplémentaire, choisir un mode prudent ou solliciter une personne selon le risque.
Valider une classification avant de la déployer sur un robot exige des données représentatives, des tests séparés, des seuils mesurés et une réaction sûre aux erreurs et aux inconnus.
Évaluer un classifieur utilisé par un robot consiste à mesurer ses erreurs par classe et dans les conditions de la mission, puis à vérifier les conséquences de chaque confusion.
Choisir les classes d’un classifieur pour un robot consiste à retenir des catégories observables, utiles à la décision et assez distinctes pour être annotées de manière cohérente.
La classification en robotique consiste à attribuer une observation à une catégorie prévue, comme personne, palette, sol ou obstacle, pour aider le système à choisir une action.
Séparer entraînement, validation et test protège l’évaluation d’un modèle supervisé en réservant le test final à une mesure indépendante jamais utilisée pour régler le système.
Un apprentissage supervisé est inadapté lorsque les labels sont indisponibles, le monde change trop vite, l’action exige une réaction hors distribution ou le coût d’une erreur est trop élevé.
Documenter les annotations d’un jeu supervisé décrit qui a annoté, selon quelle règle, avec quelles versions, incertitudes, corrections et exclusions.
Un déséquilibre entre classes se gère en mesurant chaque classe, en choisissant un échantillonnage ou une pondération adaptée et en reliant l’erreur au risque robotique.