Séparer entraînement, validation et test protège l’évaluation d’un modèle supervisé en réservant le test final à une mesure indépendante jamais utilisée pour régler le système.
Un déséquilibre entre classes se gère en mesurant chaque classe, en choisissant un échantillonnage ou une pondération adaptée et en reliant l’erreur au risque robotique.
Documenter les annotations d’un jeu supervisé décrit qui a annoté, selon quelle règle, avec quelles versions, incertitudes, corrections et exclusions.
Un apprentissage supervisé est inadapté lorsque les labels sont indisponibles, le monde change trop vite, l’action exige une réaction hors distribution ou le coût d’une erreur est trop élevé.
La bonne métrique dépend de la décision du robot : détection, localisation, coût d’un faux signal et délai comptent souvent davantage qu’un score unique.
Évaluer un modèle d’IA sur des données jamais vues mesure sa capacité à généraliser plutôt que sa simple mémoire des exemples d’entraînement.
L’apprentissage non supervisé est insuffisant pour piloter un robot quand il faut une consigne garantie, une classe connue ou une réaction sûre face à l’inconnu.
Normaliser les données avant un clustering robotique évite qu’une variable mesurée sur une grande échelle écrase les autres dans la comparaison.
Le nombre de groupes d’un clustering robotique se choisit en confrontant métriques, stabilité, connaissance du procédé et utilité des regroupements obtenus.
Évaluer la généralisation d’un modèle robotique consiste à le tester sur des personnes, lieux, objets, conditions et perturbations différents de ceux de l’entraînement.
L’apprentissage non supervisé aide un robot à regrouper ou résumer des données sans étiquette préalable, par exemple pour découvrir des situations de conduite récurrentes.
La séparation entraînement-test mesure si un modèle robotique fonctionne sur des exemples qu’il n’a jamais vus, au lieu de simplement mémoriser ses données.