L’incertitude d’une annotation se représente par désaccords, intervalles, distributions de labels ou statut ambigu, afin que le modèle et l’évaluation ne traitent pas une frontière floue comme une vérité certaine.
Une stratégie d’échantillonnage couvre les conditions qui comptent pour la mission, équilibre fréquence et rareté, sépare les épisodes corrélés et conserve la provenance de chaque exemple.
La corrélation temporelle se gère en séparant les séquences par épisode, session ou période, en limitant les fenêtres redondantes et en évaluant le modèle sur des scènes temporellement indépendantes.
Versionner les données relie chaque entraînement à un jeu précis, ses annotations, transformations, source et date, afin de pouvoir expliquer ou reproduire le modèle.
Un pipeline de données fiable contrôle collecte, nettoyage, annotation, séparation, transformation, validation, stockage et livraison jusqu’au robot.
Avant de remplacer un modèle en production, on compare les deux versions sur les mêmes cas, conditions, coûts, erreurs critiques et scénarios de repli.
Les données personnelles captées par un robot sont réduites à l’usage nécessaire, traitées avec des accès limités et protégées pendant stockage et transfert.
Une annotation utile décrit exactement ce que le modèle doit apprendre, avec une règle claire, un format stable et le niveau de précision nécessaire à l’action.
Conserver la traçabilité des corrections relie chaque modification d’annotation à son auteur, sa raison, sa date, la version de la règle et l’image concernée.
Relier une annotation au temps de la mission indique quand l’objet ou l’événement est visible, à quelle mesure il correspond et combien de temps il reste valable.
Les données manquantes ou ambiguës doivent être marquées, expliquées et traitées selon une règle qui empêche le modèle de prendre une absence pour une vérité.
Contrôler plusieurs annotateurs consiste à comparer leurs décisions sur un échantillon commun, discuter les écarts et mesurer la cohérence de la règle.