AI 용어집
인공지능 완전 사전
Dégradation Catastrophique
Phénomène où un modèle oublie complètement les connaissances apprises précédemment lors de l'apprentissage de nouvelles informations, compromettant sa performance sur les données anciennes.
Mémoire de Représentation
Stockage sélectif d'échantillons historiques utilisés pour ré-entraîner périodiquement le modèle, préservant les connaissances passées tout en permettant l'apprentissage de nouveaux concepts.
Agrégation de Modèles
Technique combinant les prédictions de plusieurs modèles spécialisés ou historiques pour améliorer la robustesse et gérer efficacement les variations conceptuelles.
Évaluation Temporelle
Méthodologie d'évaluation mesurant la performance du modèle à différents points temporels pour détecter les dégradations et valider l'efficacité de l'adaptation en continu.
Prétraitement en Ligne
Transformation des données arrivant en temps réel avec des statistiques mises à jour dynamiquement, sans accès à l'ensemble complet des données historiques.
Apprentissage par Lots Mini
Compromis entre apprentissage batch et stochastique utilisant de petits groupes d'échantillons pour mettre à jour le modèle, équilibrant stabilité et adaptabilité.
Sélection Active d'Échantillons
Stratégie identifiant sélectivement les échantillons les plus informatifs dans le flux pour l'apprentissage, optimisant l'utilisation des ressources computationnelles.
Détection d'Anomalies en Ligne
Identification en temps réel d'observations déviantes par rapport au comportement normal appris dynamiquement, sans connaissance préalable de toutes les anomalies possibles.
Apprentissage Non Supervisé en Ligne
Algorithmes de clustering ou de réduction de dimensionnalité adaptant leurs structures à mesure que de nouvelles données non étiquetées deviennent disponibles.
Biais Temporel
Distorsion systématique dans les prédictions due à l'évolution non prise en compte des relations entre caractéristiques et cible au fil du temps dans les flux de données.