Skip to content

GCRI · Labs

प्रयोगशाला विज्ञान में मशीन लर्निंग

Machine learning is both a tool and an object of study in this lab. It assists literature screening, experimental design, image and sequence analysis and simulation, and it needs its own evaluation discipline: leakage, distribution shift and opaque failure modes are research risks to be tested, not assumed away.

02आवेदन

कृत्रिम बुद्धिमत्ता और मशीन लर्निंग यहाँ क्या करते 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 research and evidence, methods and modelling and innovation, 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.

Assisted screening for systematic reviews

Classifiers prioritise records for human screening; recall is measured against a fully screened sample, and the stopping rule is stated in the review protocol before screening starts.

Surrogate models to guide experiments

सिमुलेशन या पिछले रन पर प्रशिक्षित मॉडल सुझाते हैं कि अगले कौन से प्रयोग किए जाएँ, और अन्वेषण तथा पुष्टि के बीच संतुलन के लिए अनिश्चितता का उपयोग करते हैं; हर सुझाव को गिनती में आने से पहले भौतिक रूप से परखा जाता है।

Image and signal analysis in the lab

Segmentation and classification models are validated against expert annotation from other sites and instruments, with failure cases catalogued and shared alongside the model.

03निगरानी करें

मॉडल प्रशिक्षण।

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।

मॉडल प्रशिक्षण

Labs · Machine learning in laboratory · Run R-4300

Drift on one sliceGCRI · Labs

खंड के अनुसार मूल्यांकन

सभी0.790.047294उत्तीर्ण
क्षेत्र A0.840.041004समीक्षा
क्षेत्र B0.790.12594समीक्षा
दुर्लभ वर्ग0.670.1467मानक से नीचे

पद्धति कार्ड

पद्धति
कृत्रिम बुद्धिमत्ता और मशीन लर्निंग
विभाजन
समय-आधारित, कोई रिसाव नहीं
विशेषताएँ
22
लेबल
मॉडल-आधारित

जनसंख्या स्थिरता

Model training: the screen’s structure, terms and states for Labs.Example names and illustrative values; a design, not a record or a live system.
04डेटा

पद्धति क्या उपभोग करती है।

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.

डेटाभूमिकालेबल
Annotated benchmark datasetsप्रशिक्षण और मूल्यांकनरिपोर्ट किया गया
Laboratory instrument outputsविश्लेषण मॉडलों के इनपुटप्रेक्षित
Simulation archivesTraining surrogate modelsमॉडल-आधारित
Model and dataset cardsIntended use and known limitsघोषित
05पद्धतियाँ और साक्ष्य

How machine learning in laboratory science is modelled, measured and tested.

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।

मॉडल, समीकरण और मान्यताएँ

The model structure used for machine learning in laboratory science, the assumptions it makes and how each is tested.

तत्व i का जोखिमRi = f(Hi, Ei, Vi, Ci)संकट, जोखिम-संपर्क, भेद्यता और सामना करने की क्षमता
अपेक्षित वार्षिक हानिEAL = ∑k pk · Lkover events k with annual probability pk
युग्मित प्रणालियाँxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error
धारणायह क्यों बनाया जाता हैइसका परीक्षण कैसे होता है
एक घटना के भीतर संकट और जोखिम-संपर्क स्वतंत्र हैंनुकसान समाकलन को हल करने योग्य रखता हैसंयुक्त अभिलेखों पर कोपुला फ़िट से तुलना करें
संचालन बिंदु के पास युग्मन रैखिक हैंझटकों को A के माध्यम से फैलने देता हैरैखिक सीमा से आगे विक्षोभ दें और तुलना करें
भेद्यता वक्र स्थानों के बीच स्थानांतरित होते हैंस्थानीय वक्र शायद ही कभी उपलब्ध होते हैंजहाँ प्रेक्षित हानियाँ मौजूद हों, उनके विरुद्ध सत्यापन करें
इनपुट
उद्गम के साथ संस्करणबद्ध डेटासेट
परिणाम
वितरण, कभी एकल संख्याएँ नहीं
Code
मॉडल कार्ड और परीक्षणों के साथ जारी
पुनरुत्पादन
वही डेटा, कोड, परिवेश और सीड
मानक जोखिम और अवस्था-समष्टि सूत्रीकरण; सूचीबद्ध धारणाएँ पद्धति की विशिष्ट धारणाएँ हैं, समीक्षा के लिए बताई गई, परिणाम नहीं।
FAIR guiding principles · GO FAIR and FORCE11W3C PROV · World Wide Web ConsortiumGuidance on consistent treatment of uncertainties · IPCCCEOS Analysis Ready Data · Committee on Earth Observation Satellites
06सत्यापन

परिणामों की जाँच कैसे होती है।

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।

जाँचेंयह कैसे किया जाता है
रिसाव ऑडिटSplits are made by subject, site or time as the question requires, and preprocessing is fitted on training data only
External validationप्रदर्शन की रिपोर्ट किसी भिन्न स्रोत या अवधि के डेटा पर दी जाती है
Calibration and robustnessProbabilities are checked for calibration, and performance under plausible perturbations is reported
Reporting checklistStudies are reported against REFORMS, TRIPOD+AI or the relevant domain checklist

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।

07प्रक्रिया

प्रक्रिया कैसे चलती है।

Process explorer · Process

Machine learning in laboratory science: AI risk management (NIST)

9 steps5 stages1 gate

प्रक्रिया

Machine learning in laboratory science: AI risk management (NIST)

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।

  1. 01 शासन

    1. 01GOVERN: नीतियाँ, भूमिकाएँ और जवाबदेहीचरण · प्रधान अन्वेषकGOVERN एक अंतर-क्षेत्रीय कार्य है। यह AI जोखिम प्रबंधन में सर्वत्र समाया हुआ है और अन्य कार्यों को सक्षम बनाता है।
  2. 02 Map

    1. 02MAP: संदर्भ और अभिप्रेत उपयोगडेटासेटMAP कार्य किसी AI प्रणाली से जुड़े जोखिमों को रेखांकित करने का संदर्भ स्थापित करता है, जिसमें अभिप्रेत उद्देश्य और लोगों पर प्रभाव शामिल हैं।
  3. 03 मापन

    1. 03मापन: विश्वसनीय विशेषताओं का मूल्यांकनमॉडल बनाएँAI प्रणालियाँ का मूल्यांकन विश्वसनीयता की विशेषताओं के लिए किया जाता है। परिनियोजन से पहले और संचालन के दौरान नियमित रूप से उनका परीक्षण किया जाना चाहिए।
    2. 04MEASURE: पहचाने गए जोखिमों पर समय के साथ नज़र रखेंमॉडल बनाएँपहचाने गए AI जोखिमों पर, जिनमें अप्रत्याशित और उभरते जोखिम शामिल हैं, समय के साथ नज़र रखने की क्रियाविधियाँ मौजूद हैं।
  4. 04 प्रबंधन

    1. 05प्रबंधन: जोखिमों का उपचार करेंचरणजोखिम उपचार योजनाओं में घटनाओं पर प्रतिक्रिया, उनसे पुनर्प्राप्ति और उनके बारे में संचार शामिल हैं। संसाधन उन जोखिमों को दिए जाते हैं जिन्हें चिह्नित और मापा गया है।
    2. 06Proceed or not (MANAGE 1.1)Gate · Principal investigatorA determination is made whether the system meets its purposes and objectives, and whether to proceed. The framework sets no thresholds.
    3. 07परिनियोजन निर्णयनिर्णय · प्रमुख अन्वेषकप्रणाली का स्वामित्व रखने वाला संगठन यह तय करता है कि परिनियोजन करना है या नहीं और किन शर्तों पर।
    4. 08परिनियोजन-पश्चात निगरानी और घटनाएँमॉडल बनाएँतैनाती के बाद की निगरानी योजनाएँ लागू की जाती हैं। घटनाएँ और त्रुटियाँ संबंधित AI हितधारकों के साथ साझा की जाती हैं, जिनमें प्रभावित समुदाय भी शामिल हैं।
  5. 05 अभिलेख

    1. 09AI प्रणालियों की सूचीडेटासेटGOVERN 1.6 में AI प्रणालियों की सूची बनाने के लिए तंत्र की अपेक्षा की गई है। मॉडल कार्ड एक प्रचलित पद्धति है, पर फ़्रेमवर्क में उसका नाम नहीं दिया गया है।

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।

09प्रबंधकत्व

पद्धति का रखरखाव कौन करता 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।

11प्रश्न

प्रश्न और उत्तर।

इस क्षेत्र में कृत्रिम बुद्धिमत्ता और मशीन लर्निंग की सीमाएँ क्या हैं?
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।
परिणामों की जाँच कैसे होती है?
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।
क्या इस पृष्ठ के मान वास्तविक हैं?
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
यह पद्धति और कहाँ लागू होती है?
समाज को चलाने वाली प्रामाणिक पद्धति पृष्ठ उसे लागू करने वाले हर प्लेटफ़ॉर्म को सूचीबद्ध करता है।
रिपोर्टयोगदान दें

इस पृष्ठ से साक्ष्य का योगदान करें।

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।

GCRIलैबLabs साक्ष्यपद्धतियाँ और तकनीकी

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।

लैब

कोई विधि, डेटासेट या प्रश्न लाएँ।

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।

विधिक

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।