知识卡片
不到一成时间做模型迭代
钢材项目里除了缺陷定义,同样关键的是建立「标注共识」:标注员不仅要准确判断缺陷类别,因为做的是目标检测,边界框还必须紧且一致——例如 roller iron sheet 类的特征是密集孔洞或黑点,标注时要围绕所有清晰缺陷图案画紧框,出现不连续要分框标注,而框太宽、松垮覆盖缺陷区域的样本会在复核时被拒;若把这种标签放进训练集,会在计算 loss 时误导模型,必须避免。项目最反直觉的一组数字在 Takeaways:团队花在模型迭代上的时间不到 10%;每次训练完,作者大部分时间用在复核被误预测的样本、识别错误根因,再把洞见带回去进一步清洗数据集。这样两轮之后,测试集达到 93% 准确率,相当于错误率下降 65%,远超基线与客户当时的预期、满足了需求。案例三因此成为「以数据为中心 AI」最有力的注脚:当十年来各路团队都在换架构却零提升时,把精力投到标签一致性与错误样本分析,反而一举突破。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- Case Studies: MLOps in Practice · 查看原书依据
After each time we trained a model, I spent most of my time reviewing falsely predicted examples and identified root causes of errors. Then I took those insights back to further clean the dataset.
参考来源
- 位置:《Reliable Machine Learning》第15章《Case Studies: MLOps in Practice》(源文件:extracted/Reliable Machine Learning/_epub-src/OEBPS/ch15.xhtml)
- 结论依据:原文明确阐述该主题,并给出定义、实践或反例。
- 原始内容:After each time we trained a model, I spent most of my time reviewing falsely predicted examples and identified root causes of errors. Then I took those insights back to further clean the dataset.