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
कृत्रिम बुद्धिमत्ता और मशीन लर्निंग बड़े अभिलेखागारों में पहचान, वर्गीकरण और पूर्वानुमान का विस्तार करती हैं, और एजेंट उन्हें कार्रवाई तक ले जाते हैं। इस क्षेत्र में पद्धति स्वयं भी जोखिम का स्रोत है: ऐसे मॉडल जो परिस्थितियाँ बदलने पर विफल हो जाते हैं, ऐसे परिणाम जो अनिश्चित होने पर भी निश्चित लगते हैं, और ऐसे उपकरण जो त्रुटि को प्रभाव में बदल देते हैं।
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.
वह स्क्रीन जिसका उपयोग कोई टीम इस पद्धति का अनुसरण करने के लिए करेगी: इसके माप, अवस्थाएँ और निर्णय। नाम उदाहरण हैं और मान उदाहरणात्मक हैं।
Foundry · AI and machine learning at Foundry · Run R-6794
| सभी | 0.83 | 0.02 | 5712 | उत्तीर्ण |
| क्षेत्र A | 0.74 | 0.05 | 1098 | समीक्षा |
| क्षेत्र B | 0.76 | 0.05 | 458 | समीक्षा |
| दुर्लभ वर्ग | 0.64 | 0.07 | 160 | मानक से नीचे |
इस प्लेटफ़ॉर्म पर कृत्रिम बुद्धिमत्ता और मशीन लर्निंग द्वारा उपयोग किए जाने वाले डेटासेट और अभिलेख, प्रत्येक की भूमिका और उसके मानों के लेबल के साथ। स्रोत स्रोत रजिस्टर.
| डेटा | भूमिका | लेबल |
|---|---|---|
| Labelled training sets | पर्यवेक्षित अधिगम | रिपोर्ट किया गया |
| Satellite image archives | Inputs to classification | प्रेक्षित |
| Held-out and out-of-distribution test sets | मूल्यांकन | प्रेक्षित |
| Evaluation and red-team records | Promotion decisions | रिपोर्ट किया गया |
| Datasheets for training data | Origin, consent and licence | घोषित |
मॉडल, उसकी मान्यताएँ, उसका डेटा और उसकी अनिश्चितता, उस रूप में जिसे कोई वैज्ञानिक या अभियंता जाँचेगा। संरचनाएँ प्रकाशित पद्धतियों का अनुसरण करती हैं। लिए गए मान उदाहरणात्मक हैं, निष्कर्ष नहीं।
Foundry में AI और मशीन लर्निंग के लिए प्रयुक्त मॉडल संरचना, उसकी मान्यताएँ और प्रत्येक का परीक्षण कैसे किया जाता है।
Ri = f(Hi, Ei, Vi, Ci)संकट, जोखिम-संपर्क, भेद्यता और सामना करने की क्षमताEAL = ∑k pk · Lkover events k with annual probability pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| धारणा | यह क्यों बनाया जाता है | इसका परीक्षण कैसे होता है |
|---|---|---|
| एक घटना के भीतर संकट और जोखिम-संपर्क स्वतंत्र हैं | नुकसान समाकलन को हल करने योग्य रखता है | संयुक्त अभिलेखों पर कोपुला फ़िट से तुलना करें |
| संचालन बिंदु के पास युग्मन रैखिक हैं | झटकों को A के माध्यम से फैलने देता है | रैखिक सीमा से आगे विक्षोभ दें और तुलना करें |
| भेद्यता वक्र स्थानों के बीच स्थानांतरित होते हैं | स्थानीय वक्र शायद ही कभी उपलब्ध होते हैं | जहाँ प्रेक्षित हानियाँ मौजूद हों, उनके विरुद्ध सत्यापन करें |
मॉडलों का मूल्यांकन अलग रखे गए उस डेटा पर होता है जो स्थानिक, कालिक और समूह संरचना का सम्मान करता है। सटीकता के साथ-साथ सुदृढ़ता, अंशांकन और निष्पक्षता का परीक्षण होता है।
| जाँचें | यह कैसे किया जाता है |
|---|---|
| स्थानिक और कालिक होल्ड-आउट | Test data are separated in space and time from training data to prevent leakage |
| Probability calibration | पूर्वानुमानित प्रायिकताओं की तुलना अलग रखे गए डेटा पर देखी गई आवृत्तियों से की जाती है |
| ड्रिफ़्ट निगरानी | उपयोग में आ रहे इनपुट और आउटपुट वितरणों की तुलना सत्यापन के समय के वितरणों से की जाती है, और अंतर होने पर समीक्षा शुरू होती है |
| Adversarial testing | Models and agents are tested against prompt injection and misuse before promotion |
जब परिनियोजन परिस्थितियाँ प्रशिक्षण डेटा से भिन्न होती हैं तो प्रदर्शन घटता है। मॉडल पूर्वाग्रहों को समाहित कर सकते हैं और दुर्लभ घटनाओं पर स्पष्ट चेतावनी के बिना विफल हो सकते हैं।
Process explorer · Process
9 steps·5 stages·1 gate
प्रक्रिया
AI RMF Core के चार कार्य हैं: GOVERN, MAP, MEASURE और MANAGE, जिनमें GOVERN सर्वव्यापी है; चित्र में दिखाया गया क्रम एक प्रचलित पठन है, कोई जाँच-सूची नहीं।
किसी प्रकाशित बाहरी मानक या पद्धति की तटस्थ रूपरेखा, उसके जारीकर्ता निकाय से। यह संचालन का अभिलेख नहीं है। Nexus दर्शाए गए किसी भी चरण का निष्पादन, प्रमाणन या अनुमोदन नहीं करता। कोई द्वार या निर्णय उस पक्ष का है जिसका नाम स्रोत में दिया गया है। कार्रवाइयाँ आवश्यक रूप से चरणों का क्रमबद्ध समुच्चय नहीं हैं। EU AI Act इस प्रवाह में नहीं दर्शाया गया है।
कृत्रिम बुद्धिमत्ता और स्वायत्त प्रणालियाँ कंसोर्टियम के लिए कृत्रिम बुद्धिमत्ता और मशीन लर्निंग का संरक्षक है और प्लेटफ़ॉर्मों पर उसके अनुप्रयोग की समीक्षा करता है।
Reports कंसोर्टियम का त्रैमासिक प्रकाशन है। इस विषय के बारे में आप जो जानते हैं, वह अगले संस्करण में साक्ष्य, एक मामला या एक सुधार बन सकता है, आपको श्रेय देते हुए और जहाँ वह आपका अपना कार्य हो वहाँ CC BY 4.0 के अंतर्गत प्रकाशित।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।
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.
यह साइट केवल उन्हीं कुकीज़ का उपयोग करती है जो इसके काम करने और आपके गोपनीयता विकल्पों को याद रखने के लिए अनिवार्य रूप से आवश्यक हैं। अन्य कंपनियों से कुछ भी लोड नहीं होता, और हम आपकी व्यक्तिगत जानकारी कभी नहीं बेचते या साझा करते।
यह साइट केवल उन्हीं कुकीज़ का उपयोग करती है जो इसके काम करने और आपके गोपनीयता विकल्पों को याद रखने के लिए अनिवार्य रूप से आवश्यक हैं। अन्य कंपनियों से कुछ भी लोड नहीं होता, और हम आपकी व्यक्तिगत जानकारी कभी नहीं बेचते या साझा करते। हम कोई विज्ञापन नहीं चलाते। आप प्रत्येक पृष्ठ के नीचे दिए गोपनीयता विकल्पों के माध्यम से किसी भी समय अपने विकल्पों की समीक्षा कर सकते हैं।