Skip to content

GCRI · Labs

Laboratuvar biliminde makine öğrenimi

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.

02Başvuru

Yapay zekâ ve makine öğreniminin burada yaptıkları.

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.

Deneylere yön veren vekil modeller

Models trained on simulations or past runs suggest which experiments to run next, using uncertainty to balance exploration and confirmation, and every suggestion is tested physically before it counts.

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.

03İzleme

Model eğitimi.

Bir ekibin bu yöntemi izlemek için kullanacağı ekran: ölçütleri, durumları ve kararları. Adlar örnektir ve değerler açıklayıcıdır.

Model eğitimi

Labs · Machine learning in laboratory · Run R-4300

Drift on one sliceGCRI · Labs

Dilime göre değerlendirme

Tümü0.790.047294Geçiş
Bölge A0.840.041004İnceleme
Bölge B0.790.12594İnceleme
Nadir sınıf0.670.1467Eşiğin altında

Yöntem kartı

Yöntem
Yapay zekâ ve makine öğrenmesi
Bölme
zamana dayalı, sızıntı yok
Özellikler
22
Etiket
MODELLENMİŞ

Nüfus istikrarı

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.
04Veri

Yöntemin tükettikleri.

Bu platformda yapay zekâ ve makine öğrenimi tarafından kullanılan veri kümeleri ve kayıtlar; her birinin oynadığı rol ve değerlerinin taşıdığı etiketle birlikte. Kaynaklar kaynak sicilinde.

VeriRolEtiket
Annotated benchmark datasetsEğitim ve değerlendirmeBİLDİRİLMİŞ
Laboratory instrument outputsInputs to analysis modelsGÖZLENEN
Simülasyon arşivleriTraining surrogate modelsMODELLENMİŞ
Model and dataset cardsIntended use and known limitsBEYAN EDİLDİ
05Yöntemler ve kanıt

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

Model, varsayımları, verileri ve belirsizliği, bir bilim insanının veya mühendisin kontrol edeceği biçimde. Yapılar yayımlanmış yöntemleri izler. Çizilen değerler bulgu değil, açıklayıcıdır.

Model, denklemler ve varsayımlar

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

i öğesinin riskiRi = f(Hi, Ei, Vi, Ci)tehlike, maruziyet, kırılganlık ve başa çıkma kapasitesi
Beklenen yıllık kayıpEAL = ∑k pk · Lkover events k with annual probability pk
Bağlı sistemlerxt+1 = A xt + B ut + εtA carries the couplings, u the shock, ε the error
VarsayımNeden yapıldığıNasıl sınanır
Bir olay içinde tehlike ve maruziyet bağımsızdırKayıp integralini çözülebilir tutarOrtak kayıtlara uydurulmuş bir kopula ile karşılaştırın
Bağlantılar çalışma noktası yakınında doğrusaldırŞokların A üzerinden yayılmasına izin verirDoğrusal aralığın ötesine itin ve karşılaştırın
Kırılganlık eğrileri yerler arasında aktarılabilirYerel eğriler nadiren mevcutturMevcut olduğunda gözlemlenen kayıplarla doğrulayın
Girdiler
kaynağı belgelenmiş, sürümlü veri setleri
Çıktılar
dağılımlar, asla tek sayılar değil
Kod
model kartı ve testlerle birlikte yayımlanır
Yeniden üretim
aynı veri, kod, ortam ve tohum değeri
Standart risk ve durum uzayı formülasyonları; listelenen varsayımlar yöntemin tipik varsayımlarıdır, inceleme için belirtilmiştir, sonuç değildir.
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
06Doğrulama

Sonuçlar nasıl kontrol edilir.

Modeller mekânsal, zamansal ve grup yapısına uyan ayrılmış veriler üzerinde değerlendirilir. Sağlamlık, kalibrasyon ve adillik doğrulukla birlikte test edilir.

Kontrol edinNasıl yapıldığı
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 robustnessOlasılıkların kalibrasyonu kontrol edilir ve makul sapmalar altındaki performans raporlanır
Reporting checklistStudies are reported against REFORMS, TRIPOD+AI or the relevant domain checklist

Kullanım koşulları eğitim verilerinden farklı olduğunda performans düşer. Modeller önyargıları kodlayabilir ve nadir olaylarda açık bir uyarı vermeden başarısız olabilir.

07Süreç

Sürecin nasıl işlediği.

Process explorer · Process

Laboratuvar biliminde makine öğrenmesi: yapay zeka risk yönetimi (NIST)

9 steps5 stages1 gate

Süreç

Laboratuvar biliminde makine öğrenmesi: yapay zeka risk yönetimi (NIST)

AI RMF Core dört işleve sahiptir: GOVERN, MAP, MEASURE ve MANAGE; GOVERN bunların tümünü kesen bir işlevdir. Çizilen sıra yaygın bir okumadır, bir kontrol listesi değildir.

  1. 01 Yönet

    1. 01GOVERN: politikalar, roller ve hesap verebilirlikAdım · Baş araştırmacıGOVERN kesişen bir işlevdir. Yapay zekâ risk yönetiminin tamamına yayılır ve diğer işlevleri mümkün kılar.
  2. 02 Map

    1. 02MAP: bağlam ve amaçlanan kullanımVeri kümesiMAP işlevi, amaçlanan kullanımlar ve insanlar üzerindeki etkiler dahil olmak üzere bir yapay zekâ sistemiyle ilgili riskleri çerçevelemek için bağlamı belirler.
  3. 03 Ölçme

    1. 03MEASURE: evaluate trustworthy characteristicsModelAI systems are evaluated for trustworthy characteristics. They should be tested before deployment and regularly in operation.
    2. 04MEASURE: track identified risks over timeModelMechanisms for tracking identified AI risks over time are in place, including unanticipated and emergent risks.
  4. 04 Yönet

    1. 05YÖNET: riskleri ele alAdımRisk işleme planları olaylara müdahaleyi, olaylardan toparlanmayı ve olaylara ilişkin iletişimi kapsar. Kaynaklar, haritalanmış ve ölçülmüş risklere yönlendirilir.
    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. 07Devreye alma kararıKarar · Baş araştırmacıSistemin sahibi olan kuruluş, devreye alıp almayacağına ve hangi koşullarda alacağına karar verir.
    4. 08Post-deployment monitoring and incidentsModelPost-deployment monitoring plans are implemented. Incidents and errors are shared with relevant AI actors, including affected communities.
  5. 05 Kayıt

    1. 09Yapay zekâ sistemleri envanteriVeri kümesiGOVERN 1.6, yapay zekâ sistemlerinin envanterini çıkarmaya yönelik mekanizmalar öngörür. Model kartı yaygın bir uygulamadır ve çerçevede adıyla anılmaz.

Yayımlayan kuruluşundan alınan, yayımlanmış bir dış standardın veya yöntemin tarafsız ana hatları. Bir işletim kaydı değildir. Nexus gösterilen hiçbir adımı gerçekleştirmez, belgelendirmez veya onaylamaz. Bir kapı veya karar, kaynağın belirttiği tarafa aittir. Eylemler mutlaka sıralı bir adımlar kümesi değildir. AB Yapay Zekâ Yasası bu akışta gösterilmemiştir.

09Sorumlu yönetim

Yöntemi kimin sürdürdüğü.

Yapay Zekâ ve Otonom Sistemler , Konsorsiyum adına yapay zekâ ve makine öğreniminin sorumlu yönetimini üstlenir ve platformlar genelinde nasıl uygulandığını inceler.

11Sorular

Sorular ve yanıtlar.

Bu alanda yapay zekâ ve makine öğreniminin sınırları nelerdir?
Kullanım koşulları eğitim verilerinden farklı olduğunda performans düşer. Modeller önyargıları kodlayabilir ve nadir olaylarda açık bir uyarı vermeden başarısız olabilir.
Sonuçlar nasıl kontrol edilir?
Modeller mekânsal, zamansal ve grup yapısına uyan ayrılmış veriler üzerinde değerlendirilir. Sağlamlık, kalibrasyon ve adillik doğrulukla birlikte test edilir.
Bu sayfadaki değerler gerçek mi?
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.
Bu yöntem başka nerede uygulanıyor?
Toplumları ayakta tutan Kanonik yöntem sayfası onu uygulayan tüm platformları listeler.
RaporlarKatkıda bulunun

Bu sayfadan kanıt katkısında bulunun.

Reports, Konsorsiyumun üç ayda bir yayımlanan yayınıdır. Bu konu hakkında bildikleriniz bir sonraki sayıda kanıt, vaka veya düzeltme olabilir; size atfedilir ve kendi çalışmanızsa CC BY 4.0 kapsamında yayımlanır.

GCRILaboratuvarlarLabs KanıtıYöntemler ve Teknik
Laboratuvarlar

Bir yöntem, bir veri seti ya da bir soru getirin.

Bilgi ve başvurular bugün açıktır. Bir başvuru bir referans numarası alır ve bir sonraki adımı belirtir; başvurular, ödemeler, işlem kapasitesi tahsisleri ve kayıtlar yalnızca ekipleri, koşulları ve inceleme kapasiteleri mevcut olduğunda açılır.