Domaine
Apprentissage supervisé
Questions et réponses classées dans ce domaine de la robotique et de l’intelligence artificielle.
-
Comment gérer un déséquilibre entre classes dans un apprentissage supervisé robotique ?
Un déséquilibre entre classes peut faire privilégier au modèle la classe fréquente et manquer un événement rare mais critique pour le robot. On examine fréquence réelle, coût d’erreur et collecte, puis on choisit pondération, échantillonnage ou seuils sans fabriquer une distribution trompeuse. La performance est rapportée par classe et par conséquence.
-
Pourquoi documenter les annotations d’un jeu supervisé robotique ?
Documenter les annotations d’un jeu supervisé permet de savoir ce que chaque label signifie, qui l’a produit, avec quelle règle, version, outil et incertitude. Cette traçabilité rend les corrections, désaccords et biais examinables et évite d’attribuer au modèle une erreur de définition. Elle protège aussi les données et les personnes annotatrices.
-
Quand un apprentissage supervisé est-il inadapté à une tâche robotique ?
L’apprentissage supervisé est inadapté lorsque les labels fiables sont impossibles à obtenir, que la situation change sans exemples représentatifs, que la tâche exige une exploration ouverte ou que l’erreur est trop coûteuse pour une prédiction seule. Une règle, une méthode non supervisée, une planification ou une supervision humaine peut mieux convenir, éventuellement avec un modèle…