Earth observation models with spatial validation
Land cover, building and damage models are trained and tested on spatially separated blocks, so reported accuracy reflects new places rather than the neighbours of training pixels.
GCRI · Foundry
Artificial intelligence and machine learning extend detection, classification and forecasting across large archives, and agents extend them into action. In this field the method is also a source of risk: models that fail when conditions shift, outputs that sound certain when they are not, and tools that turn an error into an effect.
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 data and compute and methods and modelling, machine learning can scale detection and forecasting across interconnected systems. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on the STEM Commons.
Land cover, building and damage models are trained and tested on spatially separated blocks, so reported accuracy reflects new places rather than the neighbours of training pixels.
Each model version carries its intended use, training data, evaluation by region and subgroup, known limits and red-team results, and is promoted only with a recorded review.
Agents run analyses with a declared tool set, data classes, budget and kill-switch enforced at the policy gate, and every action produces a receipt for a reviewer.
La pantalla que utilizaría un equipo para seguir este método: sus mediciones, estados y decisiones. Los nombres son ejemplos y los valores son ilustrativos.
Foundry · IA y aprendizaje automático en Foundry · Ejecución R-6794
| Todo | 0.83 | 0.02 | 5712 | Aprobado |
| Región A | 0.74 | 0.05 | 1098 | Revisión |
| Región B | 0.76 | 0.05 | 458 | Revisión |
| Clase poco frecuente | 0.64 | 0.07 | 160 | Por debajo del umbral |
Conjuntos de datos y registros utilizados por la inteligencia artificial y el aprendizaje automático en esta plataforma, con la función que desempeña cada uno y la etiqueta que llevan sus valores. Las fuentes se enumeran en el registro de fuentes.
| Datos | Función | Etiqueta |
|---|---|---|
| Labelled training sets | Aprendizaje supervisado | NOTIFICADO |
| Satellite image archives | Inputs to classification | OBSERVADO |
| Held-out and out-of-distribution test sets | Evaluación | OBSERVADO |
| Registros de evaluación y de equipos rojos | Decisiones de promoción | NOTIFICADO |
| Fichas técnicas para los datos de entrenamiento | Origen, consentimiento y licencia | DECLARADO |
El modelo, sus supuestos, sus datos y su incertidumbre, en la forma en que un científico o un ingeniero los comprobaría. Las estructuras siguen métodos publicados. Los valores representados son ilustrativos, no hallazgos.
La estructura de modelo utilizada para la IA y el aprendizaje automático en Foundry, los supuestos que adopta y cómo se prueba cada uno.
Ri = f(Hi, Ei, Vi, Ci)amenaza, exposición, vulnerabilidad y capacidad de afrontamientoEAL = ∑k pk · Lkover events k with annual probability pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| Supuesto | Por qué se hace | Cómo se prueba |
|---|---|---|
| La amenaza y la exposición son independientes dentro de un evento | Mantiene manejable la integral de pérdidas | Comparar con un ajuste de cópula sobre registros conjuntos |
| Los acoplamientos son lineales cerca del punto de operación | Permite que las perturbaciones se propaguen a través de A | Perturbar más allá del rango lineal y comparar |
| Las curvas de vulnerabilidad se transfieren entre lugares | Las curvas locales rara vez están disponibles | Validar frente a las pérdidas observadas cuando existan |
Los modelos se evalúan con datos reservados que respetan la estructura espacial, temporal y de grupos. La robustez, la calibración y la equidad se prueban junto con la exactitud.
| Verificación | Cómo se hace |
|---|---|
| Reserva espacial y temporal (hold-out) | Los datos de prueba se separan de los datos de entrenamiento en el espacio y en el tiempo para evitar fugas |
| Probability calibration | Predicted probabilities are compared with observed frequencies on held-out data |
| Monitorización de la deriva | Las distribuciones de entrada y salida en uso se comparan con las de la validación, y toda divergencia activa una revisión |
| Pruebas adversariales | Los modelos y agentes se prueban frente a la inyección de instrucciones y el uso indebido antes de su promoción |
El desempeño se degrada cuando las condiciones de despliegue difieren de los datos de entrenamiento. Los modelos pueden incorporar sesgos y fallar sin aviso claro ante eventos poco frecuentes.
Process explorer · Process
9 steps·5 stages·1 gate
Proceso
El núcleo del AI RMF tiene cuatro funciones, GOVERN, MAP, MEASURE y MANAGE, con GOVERN de carácter transversal; el orden representado es una lectura habitual, no una lista de verificación.
Esquema neutral de un estándar o método externo publicado, procedente del organismo que lo emite. No es un registro de operación. Nexus no realiza, certifica ni aprueba ninguno de los pasos mostrados. Una puerta o decisión corresponde a la parte que indica la fuente. Las acciones no constituyen necesariamente una serie ordenada de pasos. La Ley de IA de la UE no figura en este flujo.
Inteligencia artificial y sistemas autónomos es el custodio de la inteligencia artificial y el aprendizaje automático para el Consortium y revisa cómo se aplican en las distintas plataformas.
Reports es la publicación trimestral del Consortium. Lo que usted sabe sobre este tema puede convertirse en evidencia, un caso o una corrección en la próxima edición, con su crédito y publicado bajo licencia CC BY 4.0 cuando se trate de obra propia.
No envíe nunca datos personales, detalles sensibles de infraestructura ni nada que no tenga derecho a compartir. Un aporte se revisa antes de su uso; enviarlo no confiere autoría ni derechos editoriales, y el patrocinio nunca compra un hallazgo.
La información y las consultas están abiertas hoy. Una consulta recibe una referencia e indica el siguiente paso; las solicitudes, pagos, asignaciones de cómputo y registros solo se abren cuando existen su equipo, sus condiciones y la capacidad de revisión.
Los mapas, datos y cifras de este sitio se muestran como contexto e información general. No son consejos, pronósticos ni avisos; los límites de la información se exponen en los Descargos de responsabilidad y los Avisos sobre datos.
The Global Centre for Risk and Innovation (GCRI Canada) is a Canadian not-for-profit organisation, not a registered charity, with its registered office in Ontario.
Este sitio utiliza únicamente las cookies estrictamente necesarias para funcionar y para recordar sus opciones de privacidad. No se carga nada de otras empresas, y nunca vendemos ni compartimos su información personal.
Este sitio utiliza únicamente las cookies estrictamente necesarias para funcionar y para recordar sus opciones de privacidad. No se carga nada de otras empresas, y nunca vendemos ni compartimos su información personal. No publicamos publicidad. Puede revisar sus opciones en cualquier momento desde Opciones de privacidad, al pie de cada página.