Quelle différence existe entre dérive des données et dérive du concept pour un robot ?
La dérive des données change les entrées vues par le robot, tandis que la dérive du concept change la relation entre ces entrées et la bonne réponse attendue.
Bibliothèque de réponses
Parcourez les réponses publiées ou commencez par votre propre formulation.
Parcourir
3 233 questions
La dérive des données change les entrées vues par le robot, tandis que la dérive du concept change la relation entre ces entrées et la bonne réponse attendue.
Choisir un seuil d’alerte de dérive pour un modèle robotique consiste à relier une mesure de changement à une perte de performance ou à un risque acceptable.
Surveiller la qualité d’un modèle lorsque les étiquettes arrivent en retard consiste à suivre d’abord des indicateurs indirects, puis à relier les erreurs confirmées lorsqu’elles deviennent disponibles.
Lorsqu’une alerte de dérive touche une fonction critique, il faut limiter ou suspendre cette fonction, vérifier les données et organiser une décision humaine avant de poursuivre.
Surveiller la dérive par classe ou par contexte révèle les dégradations cachées par une moyenne qui mélange scènes faciles, rares et critiques.
Choisir des données d’apprentissage représentatives pour un robot consiste à couvrir les objets, lieux, personnes, éclairages, vitesses et exceptions rencontrés pendant la mission.
Équilibrer les classes d’un jeu de données robotique limite la tendance d’un modèle à privilégier la catégorie la plus fréquente et à négliger les cas rares.
Séparer les données d’apprentissage et de test par scène ou par mission évite qu’une image presque identique révèle la réponse au modèle et gonfle artificiellement le score.
Gérer l’incertitude des annotations consiste à la signaler, la faire relire ou la conserver comme information plutôt que de transformer un doute en vérité certaine.
Conserver la provenance des données d’apprentissage indique leur source, date, capteur, autorisation, transformation et lien avec la version de modèle qui les a utilisées.
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.
Autre chemin
Choisissez un domaine pour voir ses questions et ses sous-domaines.