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.
Kecerdasan buatan dan pembelajaran mesin mengembangkan algoritma yang mempelajari pola dari data untuk mengklasifikasikan, memprediksi, atau menghasilkan keluaran. Teknologi ini semakin banyak digunakan untuk deteksi bahaya, prakiraan, dan dukungan keputusan, dan juga merupakan sumber risiko. Dalam data dan komputasi serta metode dan pemodelan, pembelajaran mesin dapat memperluas skala deteksi dan prakiraan di berbagai sistemyang saling terhubung. Mode kegagalannya sendiri harus dipertimbangkan ketika keluaran otomatis menjadi dasar keputusan yang berdampak besar. Deskripsi kanoniknya ada di 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.
Layar yang akan digunakan sebuah tim untuk mengikuti metode ini: ukuran, status, dan keputusannya. Nama adalah contoh dan nilai bersifat ilustratif.
Foundry · AI dan pembelajaran mesin di Foundry · Eksekusi R-6794
| Semua | 0.83 | 0.02 | 5712 | Lintasan |
| Wilayah A | 0.74 | 0.05 | 1098 | Tinjauan |
| Wilayah B | 0.76 | 0.05 | 458 | Tinjauan |
| Kelas langka | 0.64 | 0.07 | 160 | Di bawah batas |
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 |
|---|---|---|
| Labelled training sets | Pembelajaran terawasi | DILAPORKAN |
| Satellite image archives | Inputs to classification | TERAMATI |
| Set uji held-out dan out-of-distribution | Evaluasi | TERAMATI |
| Catatan evaluasi dan red-team | Keputusan promosi | DILAPORKAN |
| Lembar data untuk data pelatihan | Asal, persetujuan, dan lisensi | DINYATAKAN |
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.
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)bahaya, keterpaparan, kerentanan, dan kapasitas penanggulanganEAL = ∑k pk · Lkover events k with annual probability pkxt+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 |
Model dievaluasi pada data uji tersisih yang menghormati struktur spasial, temporal, dan kelompok. Ketangguhan, kalibrasi, dan keadilan diuji di samping akurasi.
| Pemeriksaan | Cara pelaksanaannya |
|---|---|
| Spatial and temporal hold-out | Data uji dipisahkan dari data pelatihan menurut ruang dan waktu untuk mencegah kebocoran |
| Probability calibration | Predicted probabilities are compared with observed frequencies on held-out data |
| Pemantauan pergeseran | Input and output distributions in use are compared with those at validation, and divergence triggers review |
| Pengujian adversarial | Model dan agen diuji terhadap injeksi prompt dan penyalahgunaan sebelum dipromosikan |
Kinerja menurun ketika kondisi penerapan berbeda dari data pelatihan. Model dapat menyandikan bias dan gagal tanpa peringatan yang jelas pada kejadian langka.
Process explorer · Process
9 steps·5 stages·1 gate
Proses
Inti AI RMF memiliki empat fungsi, yaitu GOVERN, MAP, MEASURE, dan MANAGE, dengan GOVERN bersifat lintas fungsi; urutan yang digambarkan adalah satu cara membaca yang umum, bukan daftar periksa.
Garis besar netral dari standar atau metode eksternal yang diterbitkan, dari badan penerbitnya. Bukan catatan operasi. Nexus tidak melaksanakan, menyertifikasi, atau menyetujui langkah mana pun yang ditampilkan. Gerbang atau keputusan menjadi milik pihak yang disebutkan oleh sumbernya. Tindakan-tindakan ini tidak harus merupakan rangkaian langkah yang berurutan. EU AI Act tidak digambarkan dalam alur ini.
Kecerdasan Buatan dan Sistem Otonom mengelola kecerdasan buatan dan pembelajaran mesin untuk Konsorsium dan meninjau cara penerapannya di berbagai platform.
Reports adalah publikasi triwulanan Konsorsium. Apa yang Anda ketahui tentang subjek ini dapat menjadi bukti, kasus, atau koreksi dalam edisi berikutnya, dengan kredit atas nama Anda dan dipublikasikan di bawah CC BY 4.0 jika merupakan karya Anda sendiri.
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.
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.
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.
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.
Situs ini hanya menggunakan kuki yang benar-benar diperlukan agar dapat berfungsi dan untuk mengingat pilihan privasi Anda. Tidak ada yang dimuat dari perusahaan lain, dan kami tidak pernah menjual atau membagikan informasi pribadi Anda.
Situs ini hanya menggunakan kuki yang benar-benar diperlukan agar dapat berfungsi dan untuk mengingat pilihan privasi Anda. Tidak ada yang dimuat dari perusahaan lain, dan kami tidak pernah menjual atau membagikan informasi pribadi Anda. Kami tidak menayangkan iklan. Anda dapat meninjau pilihan Anda kapan saja melalui Pilihan privasi di bagian bawah setiap halaman.