Une campagne de collecte doit s’arrêter lorsque les nouveaux exemples n’apportent plus de situations utiles, que la qualité baisse ou que les contraintes de sécurité et de vie privée sont atteintes.
Une annotation de données indique à un modèle ce que représente une image, un point, un son ou un événement selon une règle définie.
Une règle d’annotation claire décrit l’unité à marquer, les classes, les frontières, les occlusions, les cas inconnus et la procédure à suivre quand le doute persiste.
Mesurer l’accord entre annotateurs révèle si une règle est comprise de la même façon et si les labels sont assez stables pour entraîner ou évaluer un modèle.
Pour corriger une annotation sans contaminer l’évaluation, on versionne la correction, conserve l’ancienne trace et ne modifie pas silencieusement les données du test.
Il vaut mieux laisser un exemple non annoté lorsque l’image est ambiguë, trop dégradée ou hors règle, plutôt que d’ajouter un label inventé qui trompera le modèle.
Mesurer un déséquilibre de classes consiste à comparer le nombre d’exemples de chaque catégorie et la part qu’ils représentent dans les données du robot.
Une pondération des classes donne plus d’importance aux exemples rares pendant l’entraînement, afin qu’un modèle robotique ne privilégie pas toujours la catégorie majoritaire.
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.
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.
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.
Avant de déployer un modèle sur un robot embarqué, il faut vérifier mémoire, calcul, énergie, capteurs, versions logicielles, températures, latence et comportement en repli.