Distribution shift analysis
Model performance is compared between training data and deployment data to detect shifts in inputs or labels that reduce accuracy, with monitoring set up to catch drift.
GCRI · زیرەکی دەستکرد و سیستەمە خۆسەرەکان
Machine learning behaviour
Artificial intelligence and machine learning is the technology this platform stewards for the network. Here it is studied as a technology whose behaviour must be understood: how models learn from data, generalise, fail outside their training distribution and are adapted to specific uses.
01تۆمارکردن
Machine learning behaviour on the record.
Method recordSTEM method
- ڕێگازیرەکی دەستکرد و فێربوونی ماشێن
- پارێزەرزیرەکی دەستکرد و سیستەم
- Applied inزیرەکی دەستکرد و سیستەمە خۆسەرەکان
- داتا3 inputs
- Checks3 validation steps
- Canonical pageSTEM Commons
02Application
What artificial intelligence and machine learning does here.
Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In artificial intelligence and data and compute, machine learning can scale detection and forecasting across interconnected سیستەمە. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.
Fine-tuning for a specific use
General models are adapted to a narrow task with curated data, and the adapted model is evaluated for both task performance and retained safety behaviour.
Interpretability methods
Feature attribution and probing methods are used to examine which inputs drive a model’s outputs, with their limits as explanations stated.
03ئەنجامدەر
مۆدێلێکی ئاستە بۆ ڕەفتاری بەکۆمەڵ.
هەر ئەیجێنتێک کار دەکات کاتێک پەیوەندییەکانی بەشی پێویست کاریان کردبێت؛ گۆڕانی بچووک لە ئاستی تێکڕا یان جووڵەکەرە پێشەنگەکان یەکلا دەکەنەوە کە ڕەفتارەکە ناوخۆیی دەمێنێتەوە یان بەناو دانیشتواندا زنجیرە دەکات. مۆدێلی فێرکاری بە بەهای نموونەیی ڕاگەیەندراو، نەک پێشبینی.
کۆنترۆڵەکان
- ئاستی تێکڕا (بەشی دراوسێکان)
- 18%
- بڵاوبوونەوەی ئاستەکان
- 8 خاڵ
- پێشەنگەکان
- 2.0% ی خەڵک
- پەیوەندی بۆ هەر کەسێک
- 8
خوێندنەوەکان
- بەشی ئەوانەی لە کۆتاییدا کاریان کرد
- 100%
- زنجیرەی کاریگەریی جیهانی
- بەڵێ
- هەنگاوەکانی یەکلاکردنەوە
- 10
ژمارە، ڕێگا و سەرچاوەکان
| هەنگاو | بەشی ئەوانەی کاریان کردووە (%) |
|---|---|
| 0 | 2.3 |
| 1 | 6.5 |
| 2 | 16.0 |
| 3 | 28.5 |
| 4 | 47.0 |
| 5 | 65.3 |
| 6 | 80.3 |
| 7 | 93.0 |
| 8 | 99.3 |
| 9 | 100.0 |
| 10 | 100.0 |
میتۆدەکان
- مۆدێلەکانی ئاستی ڕەفتاری بەکۆمەڵ Granovetter (1978)، American Journal of Sociology 83
- زنجیرەی کاریگەریی جیهانی لەسەر تۆڕی هەڕەمەکی Watts (2002)، PNAS 99
- پەرەسەندنی ئاڵۆز Centola و Macy (2007)، American Journal of Sociology 113
- هەستیاریی یەک-یەک (تۆرناد) Saltelli و ئەوانی دیکە (2008)، Global Sensitivity Analysis: The Primer، Wiley
داتا
No observed data enters this model: it runs on the teaching values set by the controls, to be replaced with a programme’s own evidence.
لە ناو شەش کۆڵەکەکەدا، بە سەرپەرشتیی Nexus Consortium
- تاقیکردنەوەکان Labs
- تێدا دروستکراوە زیرەکی دەستکرد و سیستەمە خۆسەرەکان لە Foundry
- تاقیکراوەتەوە لە زیرەکی دەستکرد و سیستەمە خۆسەرەکان لە Universe
- کۆدکراوە لە دیجیتاڵ، سایبەر و AI لە Standards
- بڵاوکراوەتەوە لە زیرەکی دەستکرد و سیستەمە خۆسەرەکان لە Reports
- فێرکراو لە کۆلێژی تەکنەلۆجیا و سیستەمە دیجیتاڵییەکان لە Academy
04داتا
What the method consumes.
Datasets and records used by artificial intelligence and machine learning on this platform, with the role each plays and the label its values carry. Sources are listed in the source register.
| داتا | ڕۆڵ | ناونیشان |
|---|---|---|
| Training and validation datasets with documentation | Model development | DECLARED |
| Deployment input logs | Shift detection | چاودێریکراو |
| Benchmark suites | Comparison | REPORTED |
05ڕێگا و بەڵگە
How machine learning behaviour is modelled, measured and tested.
مۆدێلەکە، گریمانەکانی، داتاکانی و نادڵنیاییەکەی، بەو شێوەیەی زانا یان ئەندازیارێک دەیپشکنێت. پێکهاتەکان ڕێگا بڵاوکراوەکان دەگرنەبەر. بەهاکانی کێشراو نموونەییە، نەک دۆزینەوە.
مۆدێل، هاوکێشەکان و گریمانەکان
The model structure used for machine learning behaviour, the assumptions it makes and how each is tested.
مەترسیی توخمی i
Ri = f(Hi, Ei, Vi, Ci)مەترسیدەر، ڕووبەڕووبوون، لاوازی و توانای مامەڵەکردنزیانی ساڵانەی چاوەڕوانکراو
EAL = ∑k pk · Lkبەسەر ڕووداوەکانی k بە ئەگەری ساڵانەی pkسیستەمە هاوبەستەکان
xt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| گریمانە | بۆچی دروست دەکرێت | چۆن تاقی دەکرێتەوە |
|---|---|---|
| مەترسیدەر و ڕووبەڕووبوون لە ناو پێشهاتێکدا سەربەخۆن | ئینتێگراڵی زیان بە ئاسانی دەهێڵێتەوە | بەراورد بکە لەگەڵ گونجاندنی کۆپیولا لەسەر تۆمارە هاوبەشەکان |
| هاوبەستییەکان لە نزیک خاڵی کارکردن هێڵین | ڕێگە دەدات شۆکەکان بڵاو ببنەوە لە A | لە دەرەوەی مەودای هێڵیی شڵەژێنە و بەراورد بکە |
| چەمکەکانی لاوازی لە شوێنێکەوە بۆ شوێنێکی تر دەگوازرێنەوە | چەمکی ناوخۆیی بە دەگمەن بەردەستە | لەگەڵ زیانە چاودێریکراوەکان پشتڕاستی بکەرەوە کە هەن |
- تێکردنەکان
- کۆمەڵە داتای وەشانکراو لەگەڵ ڕەسەنایەتی
- دەرچووەکان
- دابەشبوون، نەک یەک ژمارە
- کۆد
- بڵاوکراوەتەوە لەگەڵ کارتی مۆدێل و تاقیکردنەوەکان
- بەرهەمهێنانەوە
- هەمان داتا، کۆد، ژینگە و تۆو
پرەنسیپە ڕێنماییەکانی FAIR · GO FAIR و FORCE11W3C PROV · World Wide Web Consortiumڕێنمایی بۆ مامەڵەی یەکسان لەگەڵ نادڵنیاییەکان · IPCCCEOS Analysis Ready Data · Committee on Earth Observation Satellites
06پشتڕاستکردنەوە
How results are checked.
Models are evaluated on held-out data that respects spatial, temporal and group structure. Robustness, calibration and fairness are tested alongside accuracy.
| بپشکنە | How it is done |
|---|---|
| Held-out evaluation | Models are evaluated on data not used for training or tuning |
| Dataset documentation | Training data carry datasheets on origin, consent and limits |
| Drift monitoring | Deployed models are monitored for input and performance drift |
Performance degrades when deployment conditions differ from training data. Models can encode biases and fail without clear warning on rare events.
08Stewardship
Who maintains the method.
زیرەکی دەستکرد و سیستەم stewards artificial intelligence and machine learning for the Consortium and reviews how it is applied across platforms.
09پرسیارەکان
پرسیار و وەڵام.
What are the limits of artificial intelligence and machine learning in this field?
Performance degrades when deployment conditions differ from training data. Models can encode biases and fail without clear warning on rare events.
How are results checked?
Models are evaluated on held-out data that respects spatial, temporal and group structure. Robustness, calibration and fairness are tested alongside accuracy.
Are the values on this page real?
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
Where else is this method applied?
ئەو canonical method page lists every platform that applies it.
Reportsبەشداربە
لەم لاپەڕەیەوە بەڵگە پێشکەش بکە.
Reports is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
GCRIزیرەکی دەستکرد و سیستەمە خۆسەرەکانتەکنەلۆجیای ئێکسپۆنێنشیاڵبەڵگەی Labs
- ئیمەیڵدەروازەی GW-GCRIلەم لاپەڕەیەوە بینێرەبەڵگە، ڕاستکردنەوە، بابەت، ڕێگا، پێداچوونەوە، وەرگێڕان یان تێکردنی پڕۆفایل. بە نیشانەی ئەم لاپەڕەیە دەگات، بۆ ئەوەی دەستکاریکەری خاوەنەکەی وەریبگرێت.
- Zenodoتەکیەی کراوەدایبنێ و بیدە بە کۆمەڵگاتۆماری خۆت لە Zenodo بە ORCID iD ی خۆت بڵاو بکەرەوە، پاشان لەوێ بیدە بە کۆمەڵگای Reports. سەرپەرشتیارەکان پێداچوونەوەی بۆ دەکەن؛ DOI هەر هی تۆیە.
- ReportsGCRIهەموو ڕێگاکانی بەشداری ببینەجۆرەکانی بەشداری، هەریەکە چۆن پێداچوونەوەی بۆ دەکرێت، چ ناوبردنێک وەردەگریت، مۆڵەتەکە و ئەوەی هەرگیز وەرناگیرێت.
هەرگیز داتای کەسی، وردەکاریی هەستیاری ژێرخان یان هیچ شتێک مەنێرە کە مافی بڵاوکردنەوەت نییە. بەشدارییەک پێش بەکارهێنان پێداچوونەوەی بۆ دەکرێت؛ ناردنی ماف نابەخشێت بە نووسەرایەتی یان بەڕێوەبردنی ڕاگەیاندن، و پاڵپشتی دارایی هەرگیز دۆزینەوەیەک ناکڕێت.
زیرەکی دەستکرد و سیستەمە خۆسەرەکان
ڕێگایەک، کۆمەڵە داتایەک یان پرسیارێک بهێنە.
زانیاری و پرسیار ئەمڕۆ کراوەن. پرسیارێک ژمارەی ئاماژەی پێدەدرێت و هەنگاوی دواتر دیاری دەکات؛ داواکاری، پارەدان، تەرخانکردنی کۆمپیوتەر و تۆمارکردن تەنیا کاتێک دەکرێنەوە کە تیم، مەرج و توانای پێداچوونەوەیان هەبێت.
یاسایی
بەڵگەنامە یاساییەکان.
نەخشە، داتا و وێنەکانی ئەم ماڵپەڕە بۆ ناوەڕۆک و زانیاریی گشتی پیشان دراون. ئامۆژگاری، پێشبینی یان ئاگادارکردنەوە نین؛ سنوورەکانی زانیارییەکە لە ڕەتکردنەوەی بەرپرسیارێتی و ئاگاداریی داتادا دەستنیشان کراون.