L’exactitude globale peut être insuffisante avec des classes déséquilibrées car elle favorise le résultat sur la classe majoritaire et cache les erreurs importantes sur les autres.
Préserver la répartition des classes dans le jeu de test permet de mesurer le modèle dans des conditions proches de celles qu’il rencontrera après son déploiement.
Traiter une classe nouvelle apparue après le déploiement consiste à la détecter, la documenter et décider d’une réponse sûre avant de modifier le modèle.
L’infrastructure nécessaire à une IA robotique comprend calcul, stockage, réseau, déploiement, supervision, sécurité et moyens de sauvegarde adaptés à la mission.
Isoler les environnements d’entraînement et de production évite qu’un test, une donnée incomplète ou une modification expérimentale ne perturbe les robots en service.
Dimensionner le stockage d’un projet d’IA robotique consiste à estimer données brutes, annotations, modèles, journaux, sauvegardes et croissance sur la durée prévue.
Surveiller les ressources consommées par un modèle sur un robot permet de détecter surcharge, ralentissement, chaleur, mémoire insuffisante et autonomie dégradée avant l’arrêt.
Pour restaurer l’infrastructure d’un modèle robotique, il faut conserver versions, données nécessaires, configurations, clés, dépendances, procédures et un environnement de reprise testé.
Un GPU accélère l’entraînement de certains modèles robotiques en exécutant beaucoup de calculs parallèles sur images, nuages de points ou simulations.
Un GPU n’est pas toujours nécessaire pour exécuter une IA sur un robot : modèle compact, CPU, NPU ou accélérateur dédié peuvent suffire selon la latence et l’énergie.
La mémoire d’un GPU peut limiter un entraînement robotique lorsque modèle, images, activations et lots ne tiennent plus ensemble, même si le calculateur est puissant.
Rendre un entraînement GPU reproductible exige de versionner données, code, dépendances, pilote, configuration, graines aléatoires et matériel, puis de conserver les résultats.