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.
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.
Suivre le cycle de vie d’un modèle robotique permet de relier données, entraînement, validation, déploiement, surveillance et retrait d’une version.
Un registre de modèles en robotique recense les versions disponibles, leurs performances, leurs validations, leur matériel cible et leur état de déploiement.
Versionner les données d’apprentissage d’un robot permet de savoir exactement quels exemples, annotations et corrections ont produit un modèle donné.
La dérive des données pour un robot apparaît lorsque les entrées ou les situations rencontrées s’éloignent de celles qui ont servi à entraîner son modèle.
Éviter une fuite de données entre entraînement et test demande de séparer les sources, les personnes ou les scènes corrélées et de vérifier les doublons avant l’évaluation.