Réponse rapide
Plusieurs démonstrations sont nécessaires parce qu’une seule montre un trajet, un rythme et un contexte particuliers. Les répétitions révèlent ce qui reste stable, les variantes acceptables, les erreurs et les situations où la tâche échoue. Elles permettent d’estimer incertitude et couverture sans confondre style personnel et règle générale.
Comparer invariants et variations
Alignement, segmentation, objets, forces, durée et résultat sont comparés entre personnes et contextes. Les exemples contradictoires sont analysés selon l’objectif plutôt que supprimés arbitrairement. La rareté des situations critiques est signalée.
Chercher les limites de généralisation
Le modèle est testé sur positions, tailles, outils, surfaces et rythmes absents de l’apprentissage. On mesure réussite, écart, demande d’aide et arrêt. Les démonstrations supplémentaires ciblent les cas qui changent la décision.
Ne pas augmenter le nombre sans diversifier les cas
Dix répétitions presque identiques n’apportent pas la couverture de deux situations nouvelles. La fréquence d’un geste ne prouve pas son importance. Qualité, diversité et résultat sont suivis ensemble.
Sources et références
- [1] Artificial intelligence and robotics — NIST