Modelli di osservazione della Terra con validazione spaziale
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.
Ogni versione del modello riporta l'uso previsto, i dati di addestramento, la valutazione per regione e sottogruppo, i limiti noti e i risultati del red-teaming, ed è promossa solo con una revisione registrata.
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 schermata che un gruppo utilizzerebbe per seguire questo metodo: misure, stati e decisioni. I nomi sono esempi e i valori sono illustrativi.
Foundry · AI and machine learning at Foundry · Run R-6794
| Tutti | 0.83 | 0.02 | 5712 | Superato |
| Regione A | 0.74 | 0.05 | 1098 | Valutazione |
| Regione B | 0.76 | 0.05 | 458 | Valutazione |
| Classe rara | 0.64 | 0.07 | 160 | Sotto la soglia |
Set di dati e registri utilizzati dall'intelligenza artificiale e dall'apprendimento automatico su questa piattaforma, con il ruolo di ciascuno e l'etichetta dei suoi valori. Le fonti sono elencate nel registro delle fonti.
| Dati | Ruolo | Etichetta |
|---|---|---|
| Labelled training sets | Apprendimento supervisionato | RIPORTATO |
| Archivi di immagini satellitari | Input per la classificazione | OSSERVATO |
| Held-out and out-of-distribution test sets | Valutazione | OSSERVATO |
| Registrazioni di valutazione e di red team | Decisioni di promozione | RIPORTATO |
| Schede informative (datasheet) per i dati di addestramento | Origine, consenso e licenza | DICHIARATO |
Il modello, le sue ipotesi, i suoi dati e la sua incertezza, nella forma in cui uno scienziato o un ingegnere li verificherebbe. Le strutture seguono metodi pubblicati. I valori rappresentati sono illustrativi, non risultati.
La struttura del modello usata per l'IA e il machine learning in Foundry, le ipotesi che formula e come ciascuna viene verificata.
Ri = f(Hi, Ei, Vi, Ci)pericolo, esposizione, vulnerabilità e capacità di rispostaEAL = ∑k pk · Lkover events k with annual probability pkxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error| Ipotesi | Perché è realizzato | Come viene testato |
|---|---|---|
| Pericolo ed esposizione sono indipendenti all'interno di un evento | Mantiene trattabile l'integrale delle perdite | Confrontare con un adattamento di copula su registrazioni congiunte |
| Gli accoppiamenti sono lineari vicino al punto di funzionamento | Consente agli shock di propagarsi attraverso A | Perturbare oltre l'intervallo lineare e confrontare |
| Le curve di vulnerabilità si trasferiscono da un luogo all'altro | Le curve locali sono raramente disponibili | Validare rispetto alle perdite osservate, dove esistono |
I modelli sono valutati su dati esclusi dalla stima che rispettano la struttura spaziale, temporale e di gruppo. Robustezza, calibrazione ed equità sono testate insieme all'accuratezza.
| Verifica | Come si fa |
|---|---|
| Spatial and temporal hold-out | I dati di prova sono separati nello spazio e nel tempo dai dati di addestramento per evitare la fuga di informazioni |
| Probability calibration | Predicted probabilities are compared with observed frequencies on held-out data |
| Monitoraggio della deriva | Le distribuzioni di input e output in uso sono confrontate con quelle della validazione, e la divergenza avvia una revisione |
| Test avversariali | I modelli e gli agenti vengono sottoposti a test contro prompt injection e uso improprio prima della promozione |
Le prestazioni peggiorano quando le condizioni di impiego differiscono dai dati di addestramento. I modelli possono incorporare distorsioni e fallire senza un chiaro preavviso sugli eventi rari.
Process explorer · Process
9 steps·5 stages·1 gate
Processo
Il nucleo dell'AI RMF comprende quattro funzioni, GOVERN, MAP, MEASURE e MANAGE, con GOVERN trasversale; l'ordine illustrato è una lettura comune, non una lista di controllo.
Sintesi neutrale di uno standard o di un metodo esterno pubblicato, riportata dall'ente che lo ha emesso. Non costituisce una registrazione operativa. Nexus non esegue, certifica né approva alcuna fase illustrata. Un gate o una decisione spetta alla parte indicata dalla fonte. Le azioni non costituiscono necessariamente una sequenza ordinata di fasi. Il Regolamento UE sull'IA non è rappresentato in questo flusso.
Intelligenza artificiale e sistemi autonomi è custode dell'intelligenza artificiale e dell'apprendimento automatico per il Consortium ed esamina come vengono applicati tra le piattaforme.
Reports è la pubblicazione trimestrale del consorzio. Ciò che sai su questo tema può diventare un'evidenza, un caso o una correzione nella prossima edizione, attribuita a te e pubblicata con licenza CC BY 4.0 se si tratta di un tuo lavoro.
Non inviare mai dati personali, dettagli su infrastrutture sensibili o qualsiasi cosa che tu non abbia il diritto di condividere. Un contributo viene sottoposto a revisione prima dell'uso; inviarlo non conferisce diritti di paternità né editoriali, e la sponsorizzazione non compra mai un risultato.
Informazioni e richieste sono aperte oggi. Una richiesta riceve un riferimento e indica il passo successivo; candidature, pagamenti, assegnazioni di calcolo e registrazioni si aprono solo quando esistono il team, le condizioni e la capacità di revisione.
Le mappe, i dati e le cifre di questo sito sono mostrati a titolo di contesto e di informazione generale. Non costituiscono consigli, previsioni né allerte; i limiti dell'informazione sono esposti nelle Dichiarazioni di esclusione di responsabilità e nelle Note sui dati.
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.
Questo sito utilizza solo cookie strettamente necessari per funzionare e per ricordare le tue scelte sulla privacy. Nulla viene caricato da altre aziende e non vendiamo né condividiamo mai i tuoi dati personali.
Questo sito utilizza solo cookie strettamente necessari per funzionare e per ricordare le tue scelte sulla privacy. Nulla viene caricato da altre aziende e non vendiamo né condividiamo mai i tuoi dati personali. Non pubblichiamo pubblicità. Puoi rivedere le tue scelte in qualsiasi momento tramite Scelte sulla privacy, in fondo a ogni pagina.