Skip to content

GCRI · Labs

실험실 과학의 머신러닝

이 연구실에서 머신러닝은 도구이자 연구 대상입니다. 문헌 선별, 실험 설계, 이미지 및 서열 분석, 시뮬레이션을 지원하며, 그 자체의 평가 규율이 필요합니다. 데이터 누출, 분포 변화 , 불투명한 실패 양상은 없다고 가정할 것이 아니라 검증해야 할 연구 리스크입니다.

02신청서

인공지능과 머신러닝이 이곳에서 하는 일.

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

시뮬레이션이나 과거 실행으로 학습한 모델이 다음에 수행할 실험을 제안하며, 불확실성을 활용해 탐색과 확인의 균형을 맞춥니다. 모든 제안은 인정받기 전에 물리적으로 검증됩니다.

실험실의 이미지 및 신호 분석

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

03모니터링

모형 학습.

팀이 이 방법을 따라가는 데 사용할 화면으로, 그 지표, 상태, 결정을 보여 줍니다. 이름은 예시이며 값은 설명용입니다.

모형 학습

Labs · Machine learning in laboratory · Run R-4300

Drift on one sliceGCRI · Labs

단면별 평가

전체0.790.047294통과
지역 A0.840.041004검토
지역 B0.790.12594검토
희소 범주0.670.1467기준 미달

방법 카드

방법
인공지능과 머신러닝
분할
시간 기반, 누출 없음
특징
22
라벨
모형 산출

모집단 안정성

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.
04데이터

방법이 사용하는 입력.

이 플랫폼에서 인공지능과 머신러닝이 사용하는 데이터셋과 기록으로, 각각의 역할과 그 값에 붙는 표시를 함께 보여 줍니다. 출처는 출처 등록부.

데이터역할라벨
Annotated benchmark datasets훈련 및 평가보고됨
Laboratory instrument outputs분석 모델 입력 자료관측
Simulation archivesTraining surrogate models모형 산출
Model and dataset cards의도된 용도와 알려진 한계신고됨
05방법과 근거

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

모형, 그 가정, 데이터, 불확실성을 과학자나 엔지니어가 확인할 형태로 제시합니다. 구조는 발행된 방법을 따릅니다. 제시된 값은 예시이며 결과가 아닙니다.

모형, 방정식 및 가정

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

요소 i의 리스크Ri = f(Hi, Ei, Vi, Ci)재해, 노출, 취약성, 대처 역량
연간 기대 손실EAL = ∑k pk · Lkover events k with annual probability pk
결합 시스템xt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error
가정만드는 이유시험 방법
한 사건 안에서 재해와 노출은 서로 독립적임손실 적분을 다루기 쉽게 유지함결합 기록에 적합한 코퓰러와 비교
결합은 운전점 근처에서 선형이다충격이 A를 통해 전파되게 함선형 범위를 넘어 섭동을 주고 비교하십시오
취약성 곡선은 장소 간에 옮겨 쓸 수 있다지역 곡선은 거의 없다관측된 손실이 있는 곳에서는 이에 대해 검증
투입 자료
출처 정보가 있는 버전 관리 데이터세트
산출물
분포이며 결코 단일 숫자가 아님
코드
모델 카드 및 시험과 함께 공개
재현
같은 데이터, 코드, 환경과 시드
표준 리스크 및 상태공간 정식화로, 나열된 가정은 해당 방법에 일반적인 것이며 검토를 위해 명시한 것으로 결과가 아닙니다.
FAIR 지침 원칙 · GO FAIR와 FORCE11W3C PROV · 월드 와이드 웹 컨소시엄불확실성의 일관된 처리에 관한 지침 · IPCCCEOS 분석 준비 데이터(Analysis Ready Data) · 지구관측위성위원회
06검증

결과가 점검되는 방식.

모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.

점검수행 방식
Leakage auditSplits are made by subject, site or time as the question requires, and preprocessing is fitted on training data only
External validationPerformance is reported on data from a different source or period
Calibration and robustnessProbabilities are checked for calibration, and performance under plausible perturbations is reported
Reporting checklist연구는 REFORMS, TRIPOD+AI 또는 해당 영역의 체크리스트에 따라 보고됩니다

배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.

07절차

프로세스가 진행되는 방식.

Process explorer · Process

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

9 steps5 stages1 gate

절차

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

AI RMF Core에는 GOVERN, MAP, MEASURE, MANAGE의 네 가지 기능이 있으며 GOVERN은 전 영역에 걸쳐 적용됩니다. 여기에 그려진 순서는 일반적인 해석 중 하나일 뿐 점검표가 아닙니다.

  1. 01 거버넌스

    1. 01GOVERN: 정책, 역할, 책임성단계 · 연구책임자GOVERN은 범분야 기능입니다. AI 리스크 관리 전반에 스며들어 다른 기능을 가능하게 합니다.
  2. 02 Map

    1. 02MAP: 맥락과 의도된 용도데이터셋MAP 기능은 AI 시스템과 관련된 리스크를 구조화하기 위한 맥락을 설정하며, 여기에는 의도된 목적과 사람에 대한 영향이 포함됩니다.
  3. 03 측정

    1. 03측정: 신뢰할 수 있는 특성 평가모델링AI 시스템 은 신뢰할 수 있는 특성에 대해 평가됩니다. 배포 전과 운영 중에 정기적으로 시험해야 합니다.
    2. 04MEASURE: 식별된 리스크를 시간에 따라 추적모델링예상하지 못한 리스크와 새롭게 나타나는 리스크를 포함하여, 식별된 AI 리스크를 시간에 따라 추적하는 체계가 마련되어 있습니다.
  4. 04 관리

    1. 05MANAGE: 리스크 처리단계리스크 대응 계획은 사고에 대한 대응, 사고로부터의 복구, 사고에 관한 소통을 포함합니다. 자원은 파악되고 측정된 리스크에 배분됩니다.
    2. 06진행 여부 (MANAGE 1.1)관문 · 연구 책임자시스템이 목적과 목표를 충족하는지, 그리고 계속 진행할지 여부를 판단합니다. 이 프레임워크는 임계값을 정하지 않습니다.
    3. 07배포 결정결정 · 책임 연구자시스템을 소유한 조직이 배포 여부와 그 조건을 결정합니다.
    4. 08배포 후 모니터링과 사고모델링배포 후 모니터링 계획이 이행됩니다. 사고와 오류는 영향을 받는 커뮤니티를 포함한 관련 AI 행위자와 공유됩니다.
  5. 05 기록

    1. 09AI 시스템 목록데이터셋GOVERN 1.6은 AI 시스템의 목록을 작성하는 체계를 요구합니다. 모델 카드는 일반적인 관행이며, 프레임워크에는 명시되어 있지 않습니다.

발행 기관이 공개한 외부 표준이나 방법을 중립적으로 요약한 개요입니다. 운영 기록이 아닙니다. Nexus는 표시된 어떤 단계도 수행, 인증 또는 승인하지 않습니다. 관문이나 결정은 출처가 명시한 당사자에게 속합니다. 조치들이 반드시 순서가 정해진 단계인 것은 아닙니다. EU AI 법은 이 흐름에 표시되지 않습니다.

09스튜어드십

방법을 유지하는 주체.

인공지능과 자율 시스템 은 컨소시엄을 위해 인공지능과 머신러닝을 관리하며, 플랫폼 전반에서의 적용 방식을 검토합니다.

10연결됨

이 페이지가 컨소시엄 전체에서 어디로 이어지는지.

11질문

질문과 답변.

이 분야에서 인공지능과 머신러닝의 한계는 무엇입니까?
배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.
결과는 어떻게 점검됩니까?
모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.
이 페이지의 값은 실제입니까?
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.
이 방법은 다른 어디에 적용됩니까?
사회를 움직이는 정본 방법 페이지 는 이를 적용하는 모든 플랫폼을 나열합니다.
보고서기여하기

이 페이지에서 증거를 기여하십시오.

Reports는 컨소시엄의 분기별 간행물입니다. 이 주제에 관해 귀하가 아는 것은 다음 호에서 근거, 사례 또는 정정이 될 수 있으며, 귀하의 이름으로 표시되고, 귀하 자신의 저작인 경우 CC BY 4.0으로 발행됩니다.

GCRI랩Labs 근거방법 및 기술
랩

방법, 데이터세트 또는 질문을 가져오십시오.

정보와 문의는 오늘부터 열려 있습니다. 문의에는 참조 번호가 부여되고 다음 단계가 안내됩니다. 신청, 결제, 컴퓨팅 할당, 등록은 해당 팀, 약관, 심사 역량이 갖추어졌을 때만 열립니다.