Glossarju

Eżattezza u stabbiltà ta' mudelli tal-IA

X'inhu Eżattezza u stabbiltà ta' mudelli tal-IA?

L-eżattezza tiddeskrivi kemm-il darba mudell tal-IA jipproduċi riżultati korretti; l-istabbiltà tiddeskrivi kemm dik il-prestazzjoni żżomm b'mod affidabbli – b'inputs mibdula ftit, b'data ġdida jew maż-żmien. Mudell jista' jkun eżatt ħafna fit-testijiet iżda instabbli jekk sempliċi riformulazzjoni ta' mistoqsija twassal għal tweġiba differenti. Għall-użu fid-dinja reali, iż-żewġ proprjetajiet jiġu ċċekkjati b'każijiet ta' test fissi, validazzjoni inkroċjata u monitoraġġ kontinwu.

Suġġetti

Kwalità tal-mudell
Robustezza
Evaluation

Ipprova KI.ordo

Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.

Ibda d-demo

← It-termini kollha

Termini relatati

Robustezza tal-mudell

Ir-robustezza tal-mudell tiddeskrivi kemm mudell tal-IA jaħdem b'mod affidabbli meta l-inputs ikunu storbjużi, mhux kompluti, mhux tas-soltu jew manipulati apposta. Mudell robust xorta jagħti riżultati stabbli, bħar-rikonoxximent ta' immaġini f'dawl ħażin jew mudell lingwistiku li jlaħħaq ma' żbalji tat-tipjar. Ir-robustezza tiġi evalwata permezz ta' ittestjar taħt stress, data tat-taħriġ diversa u testijiet kontra tentattivi deliberati ta' qerq, u hija partikolarment importanti f'applikazzjonijiet kritiċi għas-sigurtà.

affidabbiltà
kwalità tal-mudell
+1

Drift tal-mudell

Id-drift tal-mudell huwa t-tnaqqis gradwali fil-kwalità tat-tbassir ta' mudell waqt it-tħaddim, minħabba li r-realtà tinbidel meta mqabbla mad-data tat-taħriġ. Issir distinzjoni bejn bidliet fid-data tal-input (data drift) u bidliet fir-relazzjoni bejn l-inputs u r-riżultati (concept drift). Eżempju: mudell għall-identifikazzjoni tal-frodi ma jinnutax skemi ġodda ta' frodi. Ir-rimedji jinkludu monitoraġġ kontinwu tal-metriċi u taħriġ mill-ġdid regolari.

MLOps
kwalità tal-mudell
+1

Validazzjoni inkroċjata

Il-validazzjoni inkroċjata hija metodu biex jiġi vverifikat kemm mudell jiġġeneralizza tajjeb għal data ġdida li ma ra qatt. Fil-validazzjoni inkroċjata k-fold, id-data tinqasam f'k partijiet; il-mudell jitħarreġ k darbiet fuq k−1 partijiet u jiġi ttestjat fuq il-parti li tifdal kull darba, u mbagħad ir-riżultati jiġu mmedjati. Dan jgħin jinqabad l-overfitting u jitqabblu mudelli jew settings b'mod ġust, speċjalment meta tkun disponibbli ftit data.

Evalwazzjoni tal-mudelli
Validazzjoni
+1

Benchmarking

Fl-IA, il-benchmarking ifisser il-paragun sistematiku ta' mudelli jew sistemi bl-użu ta' kompiti u kriterji definiti. Il-benchmarks pubbliċi jkejlu affarijiet bħall-għarfien ġenerali, ir-raġunament jew il-ħila fil-kodifikazzjoni; għall-użu prattiku, madankollu, l-aktar li jgħoddu huma każijiet tat-test mix-xogħol tiegħek ta' kuljum. Kriterji tipiċi huma l-preċiżjoni, il-kompletezza, il-ħin tar-rispons u l-ispiża. Dan jgħin biex jiġi deċiż jekk mudell iżgħar u irħas huwiex tajjeb biżżejjed għal kompitu.

Paragun tal-mudelli
Evaluation
+1

Mudell