Skip to content

GCRI · 인공지능과 자율 시스템

머신러닝의 작동 특성

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.

문의하기 Back to STEM foundation of Artificial Intelligence and Autonomous Systems
01등록

Machine learning behaviour on the record.

방법 기록STEM 방법
  1. 방법인공지능과 머신러닝
  2. 관리자인공지능과 자율 시스템
  3. 적용 분야인공지능과 자율 시스템
  4. 데이터3 inputs
  6. 정본 페이지STEM 공유지
02신청서

인공지능과 머신러닝이 이곳에서 하는 일.

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 시스템. 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.

03시뮬레이터

집합 행동의 임계값 모델.

각 행위자는 충분한 수의 접촉 상대가 행동했을 때 행동합니다. 평균 임계값이나 초기 행동자의 작은 변화가 그 행동이 국지적으로 머물지, 인구 전체로 연쇄할지를 결정합니다. 예시 값을 밝힌 교육용 모델이며 예측이 아닙니다.

통제 수단

평균 임계값(이웃 비율)
18%
임계값의 분산
8점
초기 행동자
인구의 2.0%
1인당 접촉 수
8

판독값

결국 누가 행동했는지 공유하십시오
100%
전 지구 캐스케이드
예
정착까지의 단계
10
수치, 방법과 출처
단계행동한 비율(%)
02.3
16.5
216.0
328.5
447.0
565.3
680.3
793.0
899.3
9100.0
10100.0

방법

  1. 집합 행동의 임계값 모델 Granovetter(1978), American Journal of Sociology 83
  2. 무작위 네트워크상의 전역 캐스케이드 Watts (2002), PNAS 99
  3. 복합 전염 Centola and Macy (2007), American Journal of Sociology 113
  4. 단일 요인 민감도(토네이도) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley

데이터

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.

집단 행동의 임계값 모형. 예시용 교육 모형으로, 측정 데이터가 아니라 조절 장치로 설정한 값에 따라 작동합니다. 방법: 집단 행동의 임계값 모형(Granovetter (1978), American Journal of Sociology 83), 무작위 네트워크의 전역 연쇄(Watts (2002), PNAS 99), 복합 전염(Centola and Macy (2007), American Journal of Sociology 113).

여섯 기둥 전반에 걸쳐, Nexus Consortium 주도

04데이터

방법이 사용하는 입력.

이 플랫폼에서 인공지능과 머신러닝이 사용하는 데이터셋과 기록으로, 각각의 역할과 그 값에 붙는 표시를 함께 보여 줍니다. 출처는 출처 등록부.

데이터역할라벨
Training and validation datasets with documentationModel development신고됨
Deployment input logsShift detection관측
Benchmark suites비교보고됨
05방법과 근거

How machine learning behaviour is modelled, measured and tested.

모형, 그 가정, 데이터, 불확실성을 과학자나 엔지니어가 확인할 형태로 제시합니다. 구조는 발행된 방법을 따릅니다. 제시된 값은 예시이며 결과가 아닙니다.

모형, 방정식 및 가정

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

요소 i의 리스크Ri = f(Hi, Ei, Vi, Ci)재해, 노출, 취약성, 대처 역량
연간 기대 손실EAL = ∑k pk · Lk연간 확률이 pk
결합 시스템xt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error
가정만드는 이유시험 방법
한 사건 안에서 재해와 노출은 서로 독립적임손실 적분을 다루기 쉽게 유지함결합 기록에 적합한 코퓰러와 비교
결합은 운전점 근처에서 선형이다충격이 A를 통해 전파되게 함선형 범위를 넘어 섭동을 주고 비교하십시오
취약성 곡선은 장소 간에 옮겨 쓸 수 있다지역 곡선은 거의 없다관측된 손실이 있는 곳에서는 이에 대해 검증
투입 자료
출처 정보가 있는 버전 관리 데이터세트
산출물
분포이며 결코 단일 숫자가 아님
코드
모델 카드 및 시험과 함께 공개
재현
같은 데이터, 코드, 환경과 시드
표준 리스크 및 상태공간 정식화로, 나열된 가정은 해당 방법에 일반적인 것이며 검토를 위해 명시한 것으로 결과가 아닙니다.
FAIR 지침 원칙 · GO FAIR와 FORCE11W3C PROV · 월드 와이드 웹 컨소시엄불확실성의 일관된 처리에 관한 지침 · IPCCCEOS 분석 준비 데이터(Analysis Ready Data) · 지구관측위성위원회
06검증

결과가 점검되는 방식.

모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.

점검수행 방식
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

배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.

07연결

이 방법에 의존하는 주제.

08스튜어드십

방법을 유지하는 주체.

인공지능과 자율 시스템 은 컨소시엄을 위해 인공지능과 머신러닝을 관리하며, 플랫폼 전반에서의 적용 방식을 검토합니다.

정본 페이지: 인공지능과 머신러닝

09질문

질문과 답변.

이 분야에서 인공지능과 머신러닝의 한계는 무엇입니까?
배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.
결과는 어떻게 점검됩니까?
모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.
이 페이지의 값은 실제입니까?
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.
이 방법은 다른 어디에 적용됩니까?
사회를 움직이는 정본 방법 페이지 는 이를 적용하는 모든 플랫폼을 나열합니다.
보고서기여하기

이 페이지에서 증거를 기여하십시오.

보고서 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.

GCRI인공지능과 자율 시스템기하급수 기술Labs 근거

개인정보, 민감한 인프라 세부 정보, 공유할 권리가 없는 자료는 절대 보내지 마십시오. 기여물은 사용 전에 검토됩니다. 기여물을 보낸다고 해서 저작자 지위나 편집 권한이 부여되지 않으며, 후원으로 조사 결과를 얻을 수 없습니다.

인공지능과 자율 시스템

방법, 데이터세트 또는 질문을 가져오십시오.

정보와 문의는 오늘부터 열려 있습니다. 문의에는 참조 번호가 부여되고 다음 단계가 안내됩니다. 신청, 결제, 컴퓨팅 할당, 등록은 해당 팀, 약관, 심사 역량이 갖추어졌을 때만 열립니다.

방법 제안 모든 연락 경로 보기
법률

이 사이트의 지도, 데이터와 그림은 맥락과 일반 정보로 제시됩니다. 조언, 예보 또는 경보가 아니며, 정보의 한계는 면책 고지와 데이터 고지에 나와 있습니다.