Glossario

Accuratezza e stabilità dei modelli di IA

Che cos’è Accuratezza e stabilità dei modelli di IA?

L’accuratezza indica quanto spesso un modello di IA fornisce risultati corretti; la stabilità, quanto queste prestazioni restano affidabili con input leggermente diversi, nuovi dati o nel tempo. Un modello può essere molto accurato nei test e tuttavia instabile, se basta riformulare una domanda per ottenere un’altra risposta. Per l’uso reale entrambe le proprietà si verificano con casi di test fissi, validazione incrociata e monitoraggio continuo.

Temi

Qualità del modello
Robustezza
Valutazione

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Robustezza del modello

La robustezza del modello descrive quanto un modello di IA funziona in modo affidabile quando gli input sono rumorosi, incompleti, insoliti o manipolati intenzionalmente. Un modello robusto fornisce comunque risultati stabili, ad esempio un riconoscimento di immagini con scarsa illuminazione o un modello linguistico di fronte a errori di battitura. Si verifica con stress test, dati di addestramento variati e prove contro tentativi di inganno, ed è cruciale nelle applicazioni critiche per la sicurezza.

affidabilità
qualità del modello
+1

Deriva del modello (model drift)

Il model drift è il progressivo calo della qualità predittiva di un modello in esercizio, perché la realtà cambia rispetto ai dati di addestramento. Si distinguono i cambiamenti nei dati in ingresso (data drift) e quelli nella relazione tra input e risultato (concept drift). Esempio: un modello antifrode non riconosce nuovi schemi di frode. I rimedi sono il monitoraggio continuo delle metriche e il riaddestramento periodico.

MLOps
qualità del modello
+1

Validazione incrociata

La validazione incrociata è un metodo per verificare quanto bene un modello generalizza su dati nuovi e non visti. Nella validazione incrociata a k fold i dati vengono divisi in k parti; il modello viene addestrato k volte su k−1 parti e testato ogni volta sulla parte rimanente, poi si fa la media dei risultati. Così si individua l'overfitting e si confrontano in modo equo modelli o impostazioni, soprattutto con pochi dati.

Valutazione modelli
Validazione
+1

Benchmarking

Nell'IA il benchmarking è il confronto sistematico di modelli o sistemi in base a compiti e criteri prestabiliti. I benchmark pubblici misurano ad esempio conoscenze generali, ragionamento o capacità di programmazione; per l'uso pratico contano però soprattutto casi di prova tratti dal proprio lavoro quotidiano. Si confrontano di solito correttezza, completezza, tempi di risposta e costi. Così si può decidere se un modello più piccolo ed economico basta per un compito.

Confronto modelli
Valutazione
+1

Modello