Réponse rapide
Une règle d’annotation claire précise unité d’observation, classes, frontières, attributs, cas limites, ordre de décision et comportement lorsque l’information manque. Elle utilise des exemples positifs et négatifs, reste applicable par plusieurs personnes et relie chaque choix à la tâche du robot. Les changements sont versionnés et testés sur un petit jeu de référence.
Écrire des critères observables
La règle distingue ce qui est visible de ce qui est supposé et indique comment traiter occlusion, recouvrement, flou, objet tronqué ou plusieurs classes. Exemples commentés montrent les frontières. Un annotateur peut signaler ambiguïté au lieu de forcer une classe.
Mesurer application et dérive
Échantillon de contrôle, temps par exemple, erreurs typiques et taux de désaccord sont suivis après chaque version. Les cas les plus difficiles sont relus indépendamment. Une règle qui améliore vitesse mais dégrade la cible est corrigée.
Ne pas remplacer une définition par un mot-clé
Un terme comme obstacle ou personne peut couvrir des situations incompatibles avec la décision du robot. Classes, attributs et exclusions sont explicités. Les annotateurs ne déduisent pas une catégorie absente de la donnée.
Sources et références
- [1] Dataset loading utilities — scikit-learn — scikit-learn
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST