Comment surveiller un entraînement neuronal destiné à un robot ?
Réponse rapide
Un entraînement se surveille par pertes, métriques par classe, validation, stabilité numérique, temps de calcul et écarts entre données d’apprentissage et terrain. Les dérives sont examinées avant de retenir un modèle.
Suivre l’évolution
Pertes d’entraînement et de validation, taux de réussite et calibration sont enregistrés à chaque étape. Une divergence soudaine peut signaler données corrompues ou réglage instable.
Regarder les erreurs importantes
Précision par classe, faux positifs, faux négatifs et cas limites montrent ce qu’une moyenne cache. Les erreurs liées à une personne, un obstacle ou un arrêt sont isolées.
Comparer aux conditions réelles
Un échantillon représentatif du terrain est évalué séparément avec latence, mémoire et température. Le modèle n’est pas retenu si sa métrique hors ligne masque une dégradation opérationnelle.
Sources et références
- [1] Robotics and Autonomous Systems — NIST