Skip to content

GCRI · Labs

Apprendimento automatico nella scienza di laboratorio

L'apprendimento automatico è al tempo stesso uno strumento e un oggetto di studio in questo laboratorio. Supporta la selezione della letteratura, la progettazione sperimentale, l'analisi di immagini e sequenze e la simulazione, e richiede una propria disciplina di valutazione: il data leakage, lo spostamento di distribuzione e le modalità di guasto opache sono rischi di ricerca da verificare, non da dare per esclusi.

02Domanda di adesione

Cosa fanno qui l'intelligenza artificiale e l'apprendimento automatico.

L'intelligenza artificiale e il machine learning sviluppano algoritmi che apprendono schemi dai dati per classificare, prevedere o generare risultati. Sono usati sempre più per il rilevamento dei pericoli, la previsione e il supporto alle decisioni, e sono essi stessi una fonte di rischio. Nella ricerca e nelle evidenze, nei metodi e nella modellazione e nell'innovazione, il machine learning può ampliare il rilevamento e la previsione tra sistemiinterconnessi. Le sue specifiche modalità di guasto devono essere valutate quando i risultati automatizzati orientano decisioni di rilievo. La descrizione di riferimento si trova nello gli STEM Commons.

Assisted screening for systematic reviews

I classificatori assegnano una priorità ai record per la selezione manuale; il richiamo è misurato rispetto a un campione selezionato integralmente e la regola di arresto è indicata nel protocollo di revisione prima dell'inizio della selezione.

Modelli surrogati per orientare gli esperimenti

I modelli addestrati su simulazioni o esecuzioni passate suggeriscono quali esperimenti eseguire successivamente, usando l'incertezza per bilanciare esplorazione e conferma, e ogni suggerimento viene verificato fisicamente prima di essere considerato valido.

Analisi di immagini e segnali in laboratorio

I modelli di segmentazione e classificazione sono validati rispetto ad annotazioni di esperti provenienti da altri siti e strumenti, con i casi di errore catalogati e condivisi insieme al modello.

03Monitoraggio

Addestramento del modello.

La schermata che un gruppo utilizzerebbe per seguire questo metodo: misure, stati e decisioni. I nomi sono esempi e i valori sono illustrativi.

Addestramento del modello

Labs · Apprendimento automatico in laboratorio · Esecuzione R-4300

Drift on one sliceGCRI · Labs

Valutazione per sottoinsieme

Tutti0.790.047294Superato
Regione A0.840.041004Valutazione
Regione B0.790.12594Valutazione
Classe rara0.670.1467Sotto la soglia

Scheda del metodo

Metodo
Intelligenza artificiale e apprendimento automatico
Suddivisione
basato sul tempo, senza contaminazione
Caratteristiche
22
Etichetta
MODELLATO

Stabilità della popolazione

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.
04Dati

Cosa utilizza il metodo.

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.

DatiRuoloEtichetta
Dataset di riferimento annotatiAddestramento e valutazioneRIPORTATO
Laboratory instrument outputsInput dei modelli di analisiOSSERVATO
Archivi di simulazioniTraining surrogate modelsMODELLATO
Schede di modelli e datasetUso previsto e limiti notiDICHIARATO
05Metodi ed evidenze

Come si modella, si misura e si verifica l'apprendimento automatico nella scienza di laboratorio.

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.

Modello, equazioni e ipotesi

La struttura del modello utilizzata per l'apprendimento automatico nella scienza di laboratorio, le ipotesi che formula e il modo in cui ciascuna viene verificata.

Rischio dell'elemento iRi = f(Hi, Ei, Vi, Ci)pericolo, esposizione, vulnerabilità e capacità di risposta
Perdita annua attesaEAL = ∑k pk · Lkover events k with annual probability pk
Sistemi accoppiatixt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error
IpotesiPerché è realizzatoCome viene testato
Pericolo ed esposizione sono indipendenti all'interno di un eventoMantiene trattabile l'integrale delle perditeConfrontare con un adattamento di copula su registrazioni congiunte
Gli accoppiamenti sono lineari vicino al punto di funzionamentoConsente agli shock di propagarsi attraverso APerturbare oltre l'intervallo lineare e confrontare
Le curve di vulnerabilità si trasferiscono da un luogo all'altroLe curve locali sono raramente disponibiliValidare rispetto alle perdite osservate, dove esistono
Input
set di dati versionati con provenienza
Risultati
distribuzioni, mai valori singoli
Codice
pubblicato con la scheda del modello e i test
Riproduzione
stessi dati, codice, ambiente e seed
Formulazioni standard del rischio e dello spazio degli stati; le ipotesi elencate sono tipiche del metodo, dichiarate per la revisione, non risultati.
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
06Validazione

Come vengono verificati i risultati.

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.

VerificaCome si fa
Audit delle perditeSplits are made by subject, site or time as the question requires, and preprocessing is fitted on training data only
Validazione esternaPerformance is reported on data from a different source or period
Calibrazione e robustezzaLe probabilità sono verificate per la calibrazione e si riportano le prestazioni in presenza di perturbazioni plausibili
Reporting checklistStudies are reported against REFORMS, TRIPOD+AI or the relevant domain checklist

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.

07Processo

Come si svolge il processo.

Process explorer · Process

Apprendimento automatico nella scienza di laboratorio: gestione del rischio dell'IA (NIST)

9 steps5 stages1 gate

Processo

Apprendimento automatico nella scienza di laboratorio: gestione del rischio dell'IA (NIST)

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.

  1. 01 Governare

    1. 01GOVERNARE: politiche, ruoli e responsabilitàPassaggio · Ricercatore principaleGOVERN è una funzione trasversale. Permea l'intera gestione del rischio dell'IA e abilita le altre funzioni.
  2. 02 Map

    1. 02MAP: context and intended useDatasetThe MAP function establishes the context to frame risks related to an AI system, including intended purposes and impacts on people.
  3. 03 Misurare

    1. 03MISURARE: valutare le caratteristiche di affidabilitàModelloAI sistemi di IA sono valutati rispetto alle caratteristiche di affidabilità. Dovrebbero essere testati prima della messa in opera e regolarmente durante l'esercizio.
    2. 04MISURARE: monitorare nel tempo i rischi identificatiModelloSono in atto meccanismi per il monitoraggio nel tempo dei rischi di IA individuati, inclusi quelli imprevisti ed emergenti.
  4. 04 Gestione

    1. 05GESTIRE: trattare i rischiPassaggioTrattamento del rischio comprendono la risposta agli incidenti, il ripristino e la comunicazione. Le risorse sono destinate ai rischi mappati e misurati.
    2. 06Procedere o meno (MANAGE 1.1)Gate · Ricercatore principaleSi stabilisce se il sistema soddisfa i propri scopi e obiettivi e se procedere. Il quadro non fissa soglie.
    3. 07Decisione di implementazioneDecisione · Ricercatore principaleL'organizzazione proprietaria del sistema decide se e a quali condizioni procedere all'impiego.
    4. 08Monitoraggio post-implementazione e incidentiModelloI piani di monitoraggio post-implementazione sono attuati. Incidenti ed errori sono condivisi con gli attori dell'IA pertinenti, comprese le comunità interessate.
  5. 05 Registro

    1. 09Inventory of AI systemsDatasetGOVERN 1.6 asks for mechanisms to inventory AI systems. A model card is common practice and is not named in the framework.

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.

09Custodia

Chi mantiene il metodo.

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.

11Domande

Domande e risposte.

Quali sono i limiti dell'intelligenza artificiale e dell'apprendimento automatico in questo campo?
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.
Come vengono verificati i risultati?
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.
I valori di questa pagina sono reali?
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.
Dove altro viene applicato questo metodo?
Il pagina canonica del metodo elenca ogni piattaforma che lo applica.
RapportiContribuisci

Contribuisci con evidenze da questa pagina.

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.

GCRILaboratoriEvidenze di LabsMetodi e aspetti tecnici
Laboratori

Porta un metodo, un set di dati o una domanda.

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.