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 · Kecerdasan Buatan dan Sistem Otonom
Perilaku pembelajaran mesin
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.
01Daftar
Machine learning behaviour on the record.
Catatan metodeMetode STEM
- MetodeKecerdasan buatan dan pembelajaran mesin
- PengelolaStudio Kecerdasan Buatan dan Sistem
- Diterapkan diKecerdasan Buatan dan Sistem Otonom
- Data3 inputs
- Pemeriksaan3 langkah validasi
- Halaman kanonisSTEM Commons
02Permohonan
Apa yang dilakukan kecerdasan buatan dan pembelajaran mesin di sini.
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 sistem. 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.
03Simulator
Model ambang batas perilaku kolektif.
Setiap agen bertindak begitu cukup banyak kontaknya yang bertindak; perubahan kecil pada ambang rata-rata atau pada pelopor awal menentukan apakah perilaku tetap lokal atau berantai ke seluruh populasi. Model pengajaran dengan nilai ilustratif yang dinyatakan, bukan prediksi.
Kendali
- Ambang rata-rata (pangsa tetangga)
- 18%
- Sebaran ambang batas
- 8 poin
- Pelopor awal
- 2,0% dari penduduk
- Kontak per orang
- 8
Pembacaan
- Pangsa yang akhirnya bertindak
- 100%
- Kaskade global
- Ya
- Langkah menuju stabil
- 10
Angka, metode, dan sumber
| Langkah | Pangsa yang telah bertindak (%) |
|---|---|
| 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 |
Metode
- Model ambang batas perilaku kolektif Granovetter (1978), American Journal of Sociology 83
- Kaskade global pada jaringan acak Watts (2002), PNAS 99
- Penularan kompleks Centola and Macy (2007), American Journal of Sociology 113
- Sensitivitas satu per satu (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Data
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.
Di seluruh enam pilar, dipimpin oleh Nexus Consortium
- Eksperimen Laboratorium
- Tertanam di Kecerdasan Buatan dan Sistem Otonom di Foundry
- Diuji pada Kecerdasan Buatan dan Sistem Otonom di Universe
- Dikodifikasi dalam Digital, Siber, dan AI di Standards
- Diterbitkan di Kecerdasan Buatan dan Sistem Otonom di Reports
- Diajarkan di Fakultas Teknologi dan Sistem Digital di Academy
04Data
Apa yang digunakan metode ini.
Set data dan catatan yang digunakan oleh kecerdasan buatan dan pembelajaran mesin di platform ini, beserta peran masing-masing dan label yang dibawa nilainya. Sumber dicantumkan dalam register sumber.
| Data | Peran | Label |
|---|---|---|
| Training and validation datasets with documentation | Model development | DINYATAKAN |
| Deployment input logs | Shift detection | TERAMATI |
| Benchmark suites | Comparison | DILAPORKAN |
05Metode dan bukti
How machine learning behaviour is modelled, measured and tested.
Model, asumsi, data, dan ketidakpastiannya, dalam bentuk yang akan diperiksa ilmuwan atau insinyur. Strukturnya mengikuti metode yang dipublikasikan. Nilai yang digambar bersifat ilustratif, bukan temuan.
Model, persamaan, dan asumsi
The model structure used for machine learning behaviour, the assumptions it makes and how each is tested.
Risiko elemen i
Ri = f(Hi, Ei, Vi, Ci)bahaya, keterpaparan, kerentanan, dan kapasitas penanggulanganKerugian tahunan yang diharapkan
EAL = ∑k pk · Lkatas peristiwa k dengan probabilitas tahunan pkSistem terhubung
xt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| Asumsi | Mengapa ini dibuat | Bagaimana ini diuji |
|---|---|---|
| Bahaya dan eksposur bersifat independen dalam satu peristiwa | Menjaga integral kerugian tetap dapat dihitung | Bandingkan dengan pencocokan kopula pada catatan gabungan |
| Keterkaitan bersifat linear di dekat titik operasi | Membiarkan guncangan merambat melalui A | Uji di luar rentang linear lalu bandingkan |
| Kurva kerentanan dapat dipindahkan antartempat | Kurva lokal jarang tersedia | Validasi terhadap kerugian teramati jika tersedia |
- Masukan
- dataset berversi dengan asal-usul yang tercatat
- Keluaran
- distribusi, bukan angka tunggal
- Kode
- dirilis bersama kartu model dan pengujiannya
- Reproduksi
- data, kode, lingkungan, dan seed yang sama
Prinsip panduan FAIR · GO FAIR dan FORCE11W3C PROV · World Wide Web ConsortiumPanduan penanganan ketidakpastian secara konsisten · IPCCCEOS Analysis Ready Data · Committee on Earth Observation Satellites
06Validasi
Cara hasil diperiksa.
Model dievaluasi pada data uji tersisih yang menghormati struktur spasial, temporal, dan kelompok. Ketangguhan, kalibrasi, dan keadilan diuji di samping akurasi.
| Pemeriksaan | Cara pelaksanaannya |
|---|---|
| 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 |
Kinerja menurun ketika kondisi penerapan berbeda dari data pelatihan. Model dapat menyandikan bias dan gagal tanpa peringatan yang jelas pada kejadian langka.
07Keterkaitan
Topik yang bertumpu pada metode ini.
08Pengelolaan
Siapa yang memelihara metode ini.
Studio Kecerdasan Buatan dan Sistem mengelola kecerdasan buatan dan pembelajaran mesin untuk Konsorsium dan meninjau cara penerapannya di berbagai platform.
09Pertanyaan
Tanya jawab.
Apa batasan kecerdasan buatan dan pembelajaran mesin di bidang ini?
Kinerja menurun ketika kondisi penerapan berbeda dari data pelatihan. Model dapat menyandikan bias dan gagal tanpa peringatan yang jelas pada kejadian langka.
Bagaimana hasil diperiksa?
Model dievaluasi pada data uji tersisih yang menghormati struktur spasial, temporal, dan kelompok. Ketangguhan, kalibrasi, dan keadilan diuji di samping akurasi.
Apakah nilai di halaman ini nyata?
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.
Di mana lagi metode ini diterapkan?
Observatory Halaman metode kanonis mencantumkan setiap platform yang menerapkannya.
LaporanBerkontribusi
Kontribusikan bukti dari halaman ini.
Laporan 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.
GCRIKecerdasan Buatan dan Sistem OtonomTeknologi EksponensialBukti Labs
- SurelGerbang GW-GCRIKirim dari halaman iniBukti, koreksi, kasus, metode, tinjauan, terjemahan, atau masukan profil. Kiriman tiba dengan label halaman ini, sehingga editor pemiliknya menerimanya.
- ZenodoDeposit terbukaDeposit dan ajukan ke komunitasTerbitkan catatan Anda sendiri di Zenodo dengan ORCID iD Anda, lalu ajukan ke komunitas Reports di sana. Kurator meninjaunya; DOI tetap milik Anda.
- LaporanGCRILihat semua cara berkontribusiJenis kontribusi, cara masing-masing ditinjau, kredit yang Anda terima, lisensinya, dan apa yang tidak pernah diterima.
Jangan pernah mengirim data pribadi, rincian infrastruktur sensitif, atau apa pun yang tidak berhak Anda bagikan. Kontribusi ditinjau sebelum digunakan. Mengirimkannya tidak memberikan hak kepenulisan atau editorial, dan sponsor tidak pernah membeli sebuah temuan.
Kecerdasan Buatan dan Sistem Otonom
Bawa metode, dataset, atau pertanyaan.
Informasi dan pertanyaan sudah terbuka hari ini. Sebuah pertanyaan menerima nomor referensi dan menyebutkan langkah berikutnya; lamaran, pembayaran, alokasi komputasi, dan pendaftaran hanya dibuka ketika tim, ketentuan, dan kapasitas tinjauannya tersedia.
Hukum
Dokumen hukum.
Peta, data, dan gambar di situs ini ditampilkan untuk konteks dan informasi umum. Semua itu bukan nasihat, prakiraan, atau peringatan; batasan informasinya dijelaskan dalam Penafian dan Pemberitahuan Data.