Comment choisir un seuil d’alerte de dérive pour un modèle robotique ?
Choisir un seuil d’alerte de dérive pour un modèle robotique consiste à relier une mesure de changement à une perte de performance ou à un risque acceptable.
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
24 résultats
Choisir un seuil d’alerte de dérive pour un modèle robotique consiste à relier une mesure de changement à une perte de performance ou à un risque acceptable.
La dérive des données change les entrées vues par le robot, tandis que la dérive du concept change la relation entre ces entrées et la bonne réponse attendue.
Gérer une mise à jour de modèle lorsque le robot est en mission consiste à choisir un moment sûr, préserver l’état courant et empêcher un changement incomplet de perturber l’action.
Avant de déployer un modèle sur un robot embarqué, il faut vérifier mémoire, calcul, énergie, capteurs, versions logicielles, températures, latence et comportement en repli.
Préparer le retour arrière d’un modèle déployé consiste à conserver l’ancienne version, vérifier sa disponibilité et définir comment la réactiver sans créer une nouvelle situation dangereuse.
Signer et vérifier un paquet de modèle avant son installation permet de confirmer qu’il vient de la source attendue et n’a pas été modifié pendant le transfert.
Déployer progressivement une nouvelle version de modèle robotique permet de comparer son comportement, limiter l’impact d’un défaut et arrêter avant que toute la flotte ne soit touchée.
Prévoir une validation humaine avant de promouvoir un modèle robotique signifie faire vérifier ses résultats, ses limites et son contexte par une personne responsable avant l’usage opérationnel.
Une fiche de modèle pour un robot doit préciser sa version, son usage, ses données, ses limites, ses performances, ses dépendances et les conditions de déploiement.
Conserver une version de référence lors d’une mise à jour permet de comparer les résultats et de revenir rapidement à un modèle connu si la nouvelle version déçoit.
Il faut réentraîner un modèle utilisé par un robot lorsque ses performances baissent dans les cas utiles, que les données changent ou qu’une nouvelle classe importante apparaît.
Relier les données à un modèle robotique exploité passe par collecte, annotation, séparation, entraînement, évaluation, déploiement et surveillance en situation réelle.
Une question plus précise ?