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.
صفحهای که یک تیم برای پیگیری این روش به کار میبرد: سنجهها، وضعیتها و تصمیمهای آن. نامها نمونهاند و مقادیر صرفاً نمایشیاند.
Foundry · AI and machine learning at Foundry · Run R-6794
| همه | 0.83 | 0.02 | 5712 | قبول |
| منطقهٔ A | 0.74 | 0.05 | 1098 | بازبینی |
| منطقهٔ B | 0.76 | 0.05 | 458 | بازبینی |
| رستهٔ نادر | 0.64 | 0.07 | 160 | زیر حد نصاب |
مجموعهدادهها و سوابقی که هوش مصنوعی و یادگیری ماشین در این سکو به کار میبرند، همراه با نقش هر یک و برچسبی که مقادیر آن دارند. منابع در فهرست منابع.
| داده | نقش | برچسب |
|---|---|---|
| مجموعههای آموزشی برچسبدار | Supervised learning | گزارششده |
| Satellite image archives | Inputs to classification | مشاهدهشده |
| Held-out and out-of-distribution test sets | ارزیابی | مشاهدهشده |
| Evaluation and red-team records | Promotion decisions | گزارششده |
| Datasheets for training data | Origin, consent and licence | DECLARED |
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.
The model structure used for AI and machine learning at Foundry, the assumptions it makes and how each is tested.
Ri = f(Hi, Ei, Vi, Ci)مخاطره، مواجهه، آسیبپذیری و ظرفیت مقابلهEAL = ∑k pk · Lkover events k with annual probability pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| فرض | چرا ساخته میشود | چگونه آزموده میشود |
|---|---|---|
| مخاطره و مواجهه در یک رویداد مستقلاند | انتگرال زیان را تحتکنترل نگه میدارد | مقایسه با برازش مفصل بر سوابق مشترک |
| جفتشدگیها نزدیک نقطهٔ کار خطیاند | اجازه میدهد شوکها از طریق A منتشر شوند | فراتر از دامنهٔ خطی آشفته کنید و مقایسه کنید |
| منحنیهای آسیبپذیری میان مکانها منتقل میشوند | منحنیهای محلی بهندرت در دسترساند | اعتبارسنجی در برابر زیانهای مشاهدهشده در جاهایی که وجود دارند |
مدلها بر دادهٔ کنارگذاشتهشدهای ارزیابی میشوند که ساختار مکانی، زمانی و گروهی را رعایت میکند. استواری، واسنجی و انصاف در کنار دقت آزموده میشوند.
| بررسی | چگونه انجام میشود |
|---|---|
| Spatial and temporal hold-out | Test data are separated in space and time from training data to prevent leakage |
| Probability calibration | Predicted probabilities are compared with observed frequencies on held-out data |
| Drift monitoring | Input and output distributions in use are compared with those at validation, and divergence triggers review |
| آزمون خصمانه | Models and agents are tested against prompt injection and misuse before promotion |
عملکرد هنگامی که شرایط استقرار با دادههای آموزش متفاوت باشد افت میکند. مدلها ممکن است سوگیریها را در خود رمزگذاری کنند و در رخدادهای نادر بدون هشدار روشن از کار بیفتند.
Process explorer · Process
9 steps·5 stages·1 gate
فرایند
هستهٔ AI RMF چهار کارکرد دارد: GOVERN، MAP، MEASURE و MANAGE، که GOVERN فراگیر است؛ ترتیب ترسیمشده یک خوانش رایج است، نه فهرست وارسی.
طرح کلی بیطرفانهٔ یک استاندارد یا روش خارجی منتشرشده، از نهاد صادرکنندهٔ آن. سابقهٔ عملیات نیست. Nexus هیچیک از گامهای نشاندادهشده را انجام، گواهی یا تأیید نمیکند. هر دروازه یا تصمیم متعلق به طرفی است که منبع نام میبرد. اقدامها لزوماً مجموعهای مرتب از گامها نیستند. قانون هوش مصنوعی اتحادیهٔ اروپا در این جریان ترسیم نشده است.
هوش مصنوعی و سامانههای خودمختار متولی هوش مصنوعی و یادگیری ماشین برای کنسرسیوم است و چگونگی کاربرد آن را در سکوها بازبینی میکند.
Reports نشریهٔ فصلی کنسرسیوم است. آنچه دربارهٔ این موضوع میدانید میتواند در ویراست بعدی به شواهد، یک مورد یا یک اصلاح تبدیل شود، به نام شما ثبت شود و در صورتی که کار خود شما باشد تحت CC BY 4.0 منتشر شود.
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.
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.
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.
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.
این وبگاه تنها از کوکیهای کاملاً ضروری برای کارکرد خود و به خاطر سپردن گزینههای حریم خصوصی شما استفاده میکند. هیچ چیزی از شرکتهای دیگر بارگذاری نمیشود و ما هرگز اطلاعات شخصی شما را نمیفروشیم یا به اشتراک نمیگذاریم.
این وبگاه تنها از کوکیهای کاملاً ضروری برای کارکرد خود و به خاطر سپردن گزینههای حریم خصوصی شما استفاده میکند. هیچ چیزی از شرکتهای دیگر بارگذاری نمیشود و ما هرگز اطلاعات شخصی شما را نمیفروشیم یا به اشتراک نمیگذاریم. ما هیچ تبلیغی نمایش نمیدهیم. هر زمان میتوانید گزینههای خود را از طریق «گزینههای حریم خصوصی» در پایین هر صفحه بازبینی کنید.