Skip to content

GCRI · هوش مصنوعی و سامانه‌های خودمختار

رفتار یادگیری ماشین

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.

ثبت پرس‌وجو Back to STEM foundation of Artificial Intelligence and Autonomous Systems
01ثبت‌خانه

Machine learning behaviour on the record.

Method recordSTEM method
  1. روشهوش مصنوعی و یادگیری ماشین
  2. متولیهوش مصنوعی و سامانه‌ها
  3. Applied inهوش مصنوعی و سامانه‌های خودمختار
  4. داده3 inputs
  6. 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 سامانه‌ها. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.

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.

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.

03شبیه‌ساز

مدل آستانه‌ای رفتار جمعی.

هر عامل زمانی عمل می‌کند که به‌اندازهٔ کافی از مخاطبانش عمل کرده باشند؛ تغییرهای کوچک در آستانهٔ میانگین یا پیشگامان اولیه تعیین می‌کند که رفتار محلی بماند یا در سراسر جمعیت آبشاری شود. مدل آموزشی با مقادیر تصویری اعلام‌شده، نه پیش‌بینی.

کنترل‌ها

آستانهٔ میانگین (سهم همسایگان)
18%
گسترهٔ آستانه‌ها
8 امتیاز
پیشگامان اولیه
2.0٪ از مردم
تماس به‌ازای هر فرد
8

خوانش‌ها

سهم کسانی که در پایان اقدام کردند
100%
آبشار جهانی
بله
گام‌های تسویه
10
رقم‌ها، روش‌ها و منابع
گامسهم کسانی که اقدام کرده‌اند (٪)
02.3
16.5
216.0
328.5
447.0
565.3
680.3
793.0
899.3
9100.0
10100.0

روش‌ها

  1. مدل‌های آستانه‌ای رفتار جمعی Granovetter (1978), American Journal of Sociology 83
  2. آبشارهای جهانی بر شبکه‌های تصادفی Watts (2002), PNAS 99
  3. سرایت‌های پیچیده Centola and Macy (2007), American Journal of Sociology 113
  4. حساسیت‌سنجی تک‌متغیره (تورنادو) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley

داده

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.

مدل آستانه‌ای رفتار جمعی. مدل آموزشی تصویری: بر پایهٔ مقادیر تعیین‌شده با کنترل‌ها اجرا می‌شود، نه داده‌های اندازه‌گیری‌شده. روش‌ها: مدل‌های آستانه‌ای رفتار جمعی (Granovetter (1978), American Journal of Sociology 83)؛ آبشارهای جهانی بر شبکه‌های تصادفی (Watts (2002), PNAS 99)؛ سرایت‌های پیچیده (Centola and Macy (2007), American Journal of Sociology 113).

در شش رکن، به رهبری Nexus Consortium

04داده

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.

دادهنقشبرچسب
Training and validation datasets with documentationModel developmentDECLARED
Deployment input logsShift detectionمشاهده‌شده
Benchmark suitesComparisonگزارش‌شده
05روش‌ها و شواهد

How machine learning behaviour is modelled, measured and tested.

مدل، مفروضات، داده‌ها و عدم قطعیت آن، به شکلی که دانشمند یا مهندس بررسی می‌کند. ساختارها از روش‌های منتشرشده پیروی می‌کنند. مقادیر ترسیم‌شده تبیینی‌اند، نه یافته.

مدل، معادلات و مفروضات

The model structure used for machine learning behaviour, the assumptions it makes and how each is tested.

ریسک عنصر iRi = f(Hi, Ei, Vi, Ci)مخاطره، مواجهه، آسیب‌پذیری و ظرفیت مقابله
زیان سالانهٔ مورد انتظارEAL = ∑k pk · Lkبر رویدادهای k با احتمال سالانهٔ pk
سامانه‌های جفت‌شدهxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error
فرضچرا ساخته می‌شودچگونه آزموده می‌شود
مخاطره و مواجهه در یک رویداد مستقل‌اندانتگرال زیان را تحت‌کنترل نگه می‌داردمقایسه با برازش مفصل بر سوابق مشترک
جفت‌شدگی‌ها نزدیک نقطهٔ کار خطی‌انداجازه می‌دهد شوک‌ها از طریق A منتشر شوندفراتر از دامنهٔ خطی آشفته کنید و مقایسه کنید
منحنی‌های آسیب‌پذیری میان مکان‌ها منتقل می‌شوندمنحنی‌های محلی به‌ندرت در دسترس‌انداعتبارسنجی در برابر زیان‌های مشاهده‌شده در جاهایی که وجود دارند
ورودی‌ها
مجموعه‌داده‌های نسخه‌دار با خاستگاه
خروجی‌ها
توزیع‌ها، هرگز تک‌رقم‌ها
کد
منتشرشده با کارت مدل و آزمون‌ها
بازتولید
همان داده، کد، محیط و بذر
فرمول‌بندی‌های استاندارد ریسک و فضای حالت؛ مفروضات فهرست‌شده نمونهٔ روش‌اند، برای داوری بیان شده‌اند و نتیجه نیستند.
اصول راهنمای FAIR · GO FAIR و FORCE11W3C PROV · کنسرسیوم وب جهانیGuidance on consistent treatment of uncertainties · IPCCCEOS Analysis Ready Data · Committee on Earth Observation Satellites
06اعتبارسنجی

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.

بررسیHow it is done
Held-out evaluationModels are evaluated on data not used for training or tuning
Dataset documentationTraining data carry datasheets on origin, consent and limits
Drift monitoringDeployed 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.

07Connections

Topics that rely on this method.

08تولیت

Who maintains the method.

هوش مصنوعی و سامانه‌ها stewards artificial intelligence and machine learning for the Consortium and reviews how it is applied across platforms.

Canonical page: Artificial intelligence and machine learning

09پرسش‌ها

پرسش و پاسخ.

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?
رصدخانهٔ canonical method page lists every platform that applies it.
گزارش‌هامشارکت

شواهد را از همین صفحه ارسال کنید.

گزارش‌ها 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.

GCRIهوش مصنوعی و سامانه‌های خودمختارفناوری نماییشواهد Labs

هرگز داده شخصی، جزئیات حساس زیرساخت یا چیزی را که حق اشتراکش را ندارید نفرستید. هر مشارکت پیش از استفاده داوری می‌شود؛ ارسال آن حق مؤلفی یا ویرایشی نمی‌دهد و حمایت مالی هرگز یافته‌ای را نمی‌خرد.

هوش مصنوعی و سامانه‌های خودمختار

یک روش، یک مجموعه‌داده یا یک پرسش بیاورید.

اطلاعات و درخواست‌ها امروز باز است. هر درخواست یک شمارهٔ پیگیری می‌گیرد و گام بعدی را مشخص می‌کند؛ درخواست‌های عضویت، پرداخت‌ها، تخصیص رایانش و ثبت‌نام‌ها تنها زمانی باز می‌شوند که تیم، شرایط و ظرفیت داوری آن‌ها فراهم باشد.

پیشنهاد یک روش دیدن همهٔ مسیرهای تماس
حقوقی

نقشه‌ها، داده‌ها و ارقام این سایت برای زمینه و اطلاعات عمومی نشان داده می‌شوند. توصیه، پیش‌بینی یا هشدار نیستند؛ حدود این اطلاعات در سلب مسئولیت‌ها و اعلامیه‌های داده بیان شده است.