Erantzun laburra: IA ereduak ondo ebaluatzeko, hasi erabiltzaile errealarentzat eta esku artean hartutako erabakiarentzat “ona” zer den definitzen. Ondoren, errepika daitezkeen ebaluazioak eraiki datu adierazgarriekin, ihes-kontrol zorrotzekin eta hainbat metrikarekin. Gehitu estresa, alborapena eta segurtasun-egiaztapenak, eta zerbait aldatzen denean (datuak, eskaerak, politika), berriro exekutatu arnesa eta jarraitu monitorizatzen abiarazi ondoren.
Ondorio nagusiak:
Arrakasta irizpideak : Definitu erabiltzaileak, erabakiak, mugak eta kasurik txarrenak metrikak aukeratu aurretik.
Errepikagarritasuna : Eraiki aldaketa bakoitzarekin proba konparagarriak berriro exekutatzen dituen ebaluazio-arnes bat.
Datuen higienea : Mantendu zatiketa egonkorrak, saihestu bikoiztuak eta blokeatu funtzioen ihesak goiz.
Konfiantza-egiaztapenak : Estres-proben sendotasuna, bidezko xerra eta LLMren segurtasun-jokabideak, errubrika argiekin.
Bizi-zikloaren diziplina : Etapaka zabaldu, desbideratzea eta gorabeherak kontrolatu eta hutsune ezagunak dokumentatu.
Honen ondoren irakurri nahi izango dituzun artikuluak:
🔗 Zer da IAren etika?
Arakatu IA arduratsuaren diseinu, erabilera eta gobernantza gidatzen duten printzipioak.
🔗 Zer da IAren alborapena?
Ikasi nola datu alboratuak IAren erabakiak eta emaitzak okertzen dituzten.
🔗 Zer da IA eskalagarritasuna?
Ulertu IA sistemak eskalatzea errendimendu, kostu eta fidagarritasunerako.
🔗 Zer da IA?
Adimen artifizialaren, moten eta benetako munduko erabileren ikuspegi orokor argia.
1) Hasi “onaren” definizio xelebre eta desegokiarekin
Metrikak baino lehen, aginte-panelak baino lehen, erreferentziazko edozein aldaketa baino lehen - erabaki zer den arrakasta.
Argitu:
-
Erabiltzailea: barne analista, bezeroa, klinikoa, gidaria, arratsaldeko 4etan laguntza-agente nekatua…
-
Erabakia: mailegua onartzea, iruzurra salatzea, edukia iradokitzea, oharrak laburbiltzea
-
Garrantzitsuenak diren porrotak:
-
Positibo faltsuak (gogaikarriak) vs. negatibo faltsuak (arriskutsuak)
-
-
Mugak: latentzia, eskaera bakoitzeko kostua, pribatutasun arauak, azalpen eskakizunak, irisgarritasuna
Hau da taldeek "emaitza esanguratsuak" baino "neurri politak" optimizatzera jotzen duten atala. Askotan gertatzen da. Adibidez... asko.
Arriskuen jakitun mantentzeko modu sendo bat (eta ez bibrazioetan oinarrituta) probak fidagarritasunaren eta bizi-zikloko arriskuen kudeaketaren inguruan egituratzea da, NISTek AI Arriskuen Kudeaketa Esparruan (AI RMF 1.0) [1] egiten duen bezala.
2) Zerk egiten du “IA ereduak nola probatu”-ren bertsio ona ✅
Proba-planteamendu sendo batek ezinbesteko baldintza batzuk ditu:
-
Datu adierazgarriak (ez bakarrik laborategiko datu garbiak)
-
Zatiketa garbiak isurien prebentzioarekin (horri buruz gehiago segundo batean)
-
Oinarrizko lerroak ( beharreko - estimatzaile faltsuak arrazoi batengatik daude [4])
-
Metrika anitz (zenbaki batek gezurra esaten dizulako, adeitasunez, aurpegira)
-
Estres probak (ertzeko kasuak, sarrera ezohikoak, aurkakotasun moduko eszenatokiak)
-
Giza berrikuspen begiztak (batez ere eredu generatiboetarako)
-
Abiarazi ondoren jarraipena (mundua aldatzen delako, hodiak hausten direlako eta erabiltzaileak… sortzaileak direlako [1])
Gainera: ikuspegi on batek honako hauek barne hartzen ditu: zer probatu duzun, zer ez duzun probatu eta zerk kezkatzen zaituen dokumentatzea. "Zerk kezkatzen nauen" atal hori deserosoa iruditzen zait, eta konfiantza sortzen hasten da hor ere.
Taldeei zintzo mantentzen laguntzen dieten bi dokumentazio-eredu:
-
Modelo Txartelak (zertarako den modeloa, nola ebaluatu den, non huts egiten duen) [2]
-
Datu-multzoen datu-orriak (zer diren datuak, nola bildu diren, zertarako erabili behar diren/ez diren) [3]
3) Tresnaren errealitatea: jendeak praktikan zer erabiltzen duen 🧰
Tresnak aukerakoak dira. Ebaluazio ohitura onak ez.
Konfigurazio pragmatiko bat nahi baduzu, talde gehienek hiru ontzi izaten dituzte:
-
Esperimentuen jarraipena (exekuzioak, konfigurazioak, artefaktuak)
-
Ebaluazio-arnesa (errepika daitezkeen lineaz kanpoko probak + erregresio-suiteak)
-
Monitorizazioa (noraezeko seinaleak, errendimenduaren proxy-ak, gorabehera alertak)
Basatian asko ikusiko dituzun adibideak (ez onespenak, eta bai - ezaugarriak/prezioak aldatzen dira): MLflow, Weights & Biases, Great Expectations, Evidently, Deepchecks, OpenAI Evals, TruLens, LangSmith.
Atal honetatik ideia bakarra aukeratzen baduzu errepika daitekeen ebaluazio-arnes bat eraiki . "Sakatu botoia → emaitza konparagarriak lortu" nahi duzu, ez "berriro exekutatu koadernoa eta otoitz egin".
4) Eraiki proba-multzo egokia (eta gelditu datuak isurtzea) 🚧
"Modelo harrigarri" kopuru harrigarri batek nahi gabe iruzur egiten ari dira.
ML estandarrarentzat
Karrerak salbatzen dituzten arau ez-sexy batzuk:
-
Mantendu tren/balidazio/proba zatiketak egonkor (eta idatzi zatiketa logika)
-
Saihestu zatiketa desberdinetan bikoiztuak (erabiltzaile bera, dokumentu bera, produktu bera, ia bikoiztuak)
-
Kontuz funtzioen ihesak (etorkizuneko informazioa "uneko" funtzioetan sartzen da)
-
Erabili oinarrizko puntuak (estimazio faltsuak) jipoitzea ez ospatzeko... ezer ez [4]
Ihesaren definizioa (bertsio azkarra): entrenamenduan/ebaluazioan ereduari erabakitzeko unean izango ez lukeen informaziora sarbidea ematen dion edozer. Nabaria ("etorkizuneko etiketa") edo sotila ("gertaera osteko denbora-zigiluaren ontzia") izan daiteke.
LLM eta eredu generatiboetarako
Galdera eta politika sistema bat eraikitzen ari zara , ez "eredu" bat soilik.
-
Sortu multzo egokia (txikia, kalitate handikoa, egonkorra)
-
Gehitu benetako lagin berriak (anonimizatuak + pribatutasunerako seguruak)
-
Mantendu ertzeko kasuen pakete : akats ortografikoak, hizkera arrunta, formatu ez-estandarra, sarrera hutsak, hizkuntza anitzeko sorpresak 🌍
Behin baino gehiagotan ikusi dudan gauza praktiko bat: talde batek lineaz kanpoko puntuazio "sendo" batekin bidaltzen du, eta gero bezeroarentzako arreta-zerbitzuak esaten du: "Primeran. Ziurtasunez falta da garrantzitsua den esaldi bakarra". Konponbidea ez zen "eredu handiagoa" izan. Proba-galdera hobeak , errubrika argiagoak eta huts egiteko modu hori zigortzen zuen erregresio-multzo bat izan ziren. Arrunta. Eraginkorra.
5) Lineaz kanpoko ebaluazioa: zerbait esan nahi duten metrikak 📏
Metrikak ondo daude. Metriken monokultura ez.
Sailkapena (spama, iruzurra, asmoa, sailkapena)
Zehaztasuna baino gehiago erabili.
-
Zehaztasuna, gogoratzea, F1
-
Atalasearen doikuntza (zure lehenetsitako atalasea gutxitan izaten da "zuzena" zure kostuetarako) [4]
-
Segmentu bakoitzeko nahasmen-matrizeak (eskualdea, gailu mota, erabiltzaile kohortea)
Erregresioa (aurreikuspena, prezioak, puntuazioa)
-
MAE / RMSE (aukeratu akatsak nola zigortu nahi dituzun arabera)
-
Kalibrazio moduko egiaztapenak irteerak "puntuazio" gisa erabiltzen direnean (puntuazioak errealitatearekin bat datoz?)
Sailkapen / gomendio sistemak
-
NDCG, MAP, MRR
-
Kontsulta motaren arabera zatitu (burua vs. isatsa)
Ikusmen artifiziala
-
mAP, IoU
-
Klase bakoitzeko errendimendua (klase arraroetan modeloek lotsarazten zaituzte)
Eredu generatiboak (LLM)
Hemen jartzen da jendea… filosofikoa 😵💫
Benetako taldeetan funtzionatzen duten aukera praktikoak:
-
Giza ebaluazioa (seinale onena, begizta motelena)
-
Bikoteka lehentasuna / irabazi-tasa (A vs B puntuazio absolutua baino errazagoa da)
-
Testu automatizatuen neurketak (zeregin batzuetarako erabilgarriak, beste batzuetarako engainagarriak)
-
Zereginen araberako egiaztapenak: «Eremu egokiak erauzi al ditu?», «Politika jarraitu al du?», «Iturriak aipatu al ditu beharrezkoa zenean?»
"Metrika anitzeko, eszenatoki anitzeko" erreferentzia-puntu egituratu bat nahi baduzu, HELM aingura ona da: ebaluazioa zehaztasunetik haratago bultzatzen du kalibrazioa, sendotasuna, alborapena/toxikotasuna eta eraginkortasunaren arteko oreka bezalako gauzetara [5].
Digresio txiki bat: idazketa-kalitatearen neurketa automatizatuak batzuetan ogitarteko bat pisatuz epaitzea bezala dira. Ez da ezer, baina... tira 🥪
6) Sendotasun probak: pixka bat nekatu 🥵🧪
Zure modeloak sarrera txukunekin bakarrik funtzionatzen badu, funtsean beirazko loreontzi bat da. Polita, hauskorra, garestia.
Proba:
-
Zarata: ortografia akatsak, balio faltak, unicode ez-estandarra, formatu akatsak
-
Banaketa aldaketa: produktu kategoria berriak, hizkera berria, sentsore berriak
-
Muturreko balioak: tartetik kanpoko zenbakiak, karga erraldoiak, kate hutsak
-
"Aurkari itxurako" sarrerak, zure entrenamendu multzoaren itxurarik ez dutenak baina erabiltzaileen itxura dutenak
LLMetarako, honako hauek sartu behar dira:
-
Injekzio saiakerak azkar (erabiltzailearen edukiaren barruan ezkutatutako argibideak)
-
"Aurreko argibideak ez ikusi" ereduak
-
Tresna-erabileraren ertzeko kasuak (URL okerrak, denbora-mugak, irteera partzialak)
Sendotasuna fidagarritasun-ezaugarri horietako bat da, eta abstraktua dirudi gorabeherak izan arte. Orduan... oso ukigarria bihurtzen da [1].
7) Alborapena, bidezko jokabidea eta norentzat funtzionatzen duen ⚖️
Modelo bat "zehatza" izan daiteke oro har, baina talde espezifikoentzat etengabe okerragoa izan daiteke. Ez da akats txiki bat. Produktuaren eta konfiantzaren arazo bat da.
Urrats praktikoak:
-
Ebaluatu errendimendua segmentu esanguratsuen (neurtzeko legez/etikoki egokiak direnak)
-
Konparatu errore-tasak eta kalibrazioa taldeen artean
-
Ezaugarri sentikorrak kodetu ditzaketen proxy ezaugarriak (posta kodea, gailu mota, hizkuntza) probatu
Hau nonbait dokumentatzen ez baduzu, funtsean etorkizuneko zuri eskatzen ari zara konfiantza krisi bat maparik gabe arazteko. Eredu Txartelak leku ona dira jartzeko [2], eta NISTen fidagarritasun markoak "onak" zer sartu beharko lukeen kontrol-zerrenda sendoa ematen dizu [1].
8) Segurtasun-probak (batez ere LLMentzat) 🛡️
Zure ereduak edukia sor badezake, zehaztasuna baino gehiago probatzen ari zara. Portaera probatzen ari zara.
Sartu probak honako hauetarako:
-
Edukiaren sorrera debekatuta (gidalerroen urraketak)
-
Pribatutasun-ihesa (sekretuen oihartzuna al du?)
-
Arrisku handiko domeinuetan haluzinazioak
-
Gehiegizko uko egitea (ereduak ohiko eskaerak ukatzen ditu)
-
Toxikotasun eta jazarpen emaitzak
-
Datuak infiltrazio saiakerak berehalako injekzio bidez
Oinarritutako ikuspegi bat hau da: politika-arauak definitu → proba-galderak eraiki → irteerak puntuatu gizakien + egiaztapen automatizatuen bidez → exekutatu zerbait aldatzen den bakoitzean. "Beti" zati hori alokairua da.
Hau primeran egokitzen da bizi-zikloko arriskuen mentalitatearekin: gobernatu, testuingurua mapatu, neurtu, kudeatu, errepikatu [1].
9) Online probak: mailakatutako hedapenak (egia dagoen lekua) 🚀
Lineaz kanpoko probak beharrezkoak dira. Lineako esposizioa da errealitatea lokaztutako oinetakoekin agertzen den lekua.
Ez duzu dotorea izan beharrik. Diziplinatua izan behar duzu, besterik ez:
-
Itzal moduan exekutatu (eredua exekutatzen da, ez die erabiltzaileei eragiten)
-
Pixkanaka zabaltzea (trafiko txikia lehenik, zabaltzea osasuntsu badago)
-
Emaitzen eta gorabeheraren jarraipena egin (kexak, eskalatzeak, politika-hutsegiteak)
Etiketa berehala lortu ezin badituzu ere, proxy seinaleak eta eragiketa-osasuna (latentzia, hutsegite-tasak, kostua) monitoriza ditzakezu. Puntu nagusia: akatsak zure erabiltzaile-base osoak egin aurretik
10) Hedapenaren ondorengo monitorizazioa: noraeza, gainbehera eta hutsegite isila 📉👀
Probatu duzun eredua ez da azkenean bizitzen duzun eredua. Datuak aldatu egiten dira. Erabiltzaileak aldatu egiten dira. Mundua aldatu egiten da. Goizeko 2etan eten egiten da hoditeria. Badakizu nola den…
Monitorea:
-
Sarrerako datuen desbideratzea (eskema aldaketak, falta diren datuak, banaketa aldaketak)
-
Irteerako desbideratzea (klase-balantzearen aldaketak, puntuazioaren aldaketak)
-
Errendimenduaren ordezkoak (etiketen atzerapenak errealak direlako)
-
Feedback seinaleak (erpuru behera, berriro editatzeak, eskalatzeak)
-
Segmentu-mailako erregresioak (hiltzaile isilak)
Eta ezarri alerta-atalaseak ez oso dardartiak. Etengabe oihuka ari den monitore bat ez da kontuan hartzen - hiri bateko auto-alarma bat bezala.
«Denborarekin monitorizatu + hobetu» begizta hau ez da aukerakoa fidagarritasunaz arduratzen bazara [1].
11) Kopiatu dezakezun lan-fluxu praktiko bat 🧩
Hona hemen eskalatzen den begizta sinple bat:
-
Arrakasta + huts egiteko moduak definitu (kostua/latentzia/segurtasuna barne) [1]
-
Datu-multzoak sortu:
-
urrezko multzoa
-
ertzeko zorro paketea
-
benetako lagin berriak (pribatutasunerako seguruak)
-
-
Aukeratu metrikak:
-
zereginen metrikak (F1, MAE, irabazi-tasa) [4][5]
-
segurtasun-neurriak (politikaren onarpen-tasa) [1][5]
-
funtzionamendu-neurriak (latentzia, kostua)
-
-
Eraiki ebaluazio-arnes bat (eredu/galdera aldaketa guztietan exekutatzen da) [4][5]
-
Gehitu estres probak + aurkari-probak [1][5]
-
Lagin baten berrikuspen gizatiarra (batez ere LLMren emaitzetarako) [5]
-
Bidali itzalaren bidez + fasekako hedapenaren bidez [1]
-
Monitoreatu + alertatu + berriro trebatu diziplinaz [1]
-
Dokumentuaren emaitzak txartel eredugarri baten estiloko idazlan batean [2][3]
Prestakuntza liluragarria da. Probak egitea alokairua ordaintzen du.
12) Amaierako oharrak + laburpen azkarra 🧠✨
IA ereduak nola probatu behar diren gogoratzen badituzu gauza batzuk :
-
Erabili proba-datu adierazgarriak eta saihestu ihesak [4]
-
Aukeratu emaitza errealekin lotutako hainbat neurketa
-
LLMentzat, gizakien berrikuspenean oinarritu + irabazi-tasaren estilo-konparaketetan [5]
-
Probaren sendotasuna - sarrera ezohikoak sarrera normalak mozorrotuta daude [1]
-
Abiarazi segurtasunez eta kontrolatu, modeloak noraezean doazelako eta hodiak hausten direlako [1]
-
Dokumentatu zer probatu duzun eta zer ez duzun probatu (erosoa baina indartsua) [2][3]
Probatzea ez da soilik "frogatzea funtzionatzen duela". "Erabiltzaileek huts egiten dutenean nola huts egiten duen aurkitzea" baizik. Eta bai, hori ez da hain erakargarria, baina gauzak okertzen direnean zure sistema zutik mantentzen duen zatia da... 🧱🙂
Maiz egiten diren galderak
IA ereduak probatzeko modurik onena, erabiltzaileen benetako beharretara egokitzeko
Hasi “ona” definitzen benetako erabiltzaileari eta ereduak onartzen duen erabakiari dagokionez, ez soilik sailkapen-taularen metrika bati dagokionez. Identifikatu kostu handiena duten huts egiteko moduak (positibo faltsuak vs. negatibo faltsuak) eta zehaztu muga zorrotzak, hala nola latentzia, kostua, pribatutasuna eta azalgarritasuna. Ondoren, aukeratu emaitza horiek islatzen dituzten metrikak eta proba-kasuak. Horrek produktu hobeago batean inoiz itzultzen ez den “metrika polit” bat optimizatzea eragozten dizu.
Ebaluazio-neurriak aukeratu aurretik arrakasta-irizpideak definitzea
Idatzi nor den erabiltzailea, zein erabaki onartu behar duen ereduak eta nolakoa den "kasurik txarrena" ekoizpenean. Gehitu funtzionamendu-murrizketak, hala nola latentzia onargarria eta eskaera bakoitzeko kostua, eta gobernantza-beharrak, hala nola pribatutasun-arauak eta segurtasun-politikak. Horiek argi daudenean, metrikak gauza zuzena neurtzeko modu bihurtzen dira. Marko hori gabe, taldeek neurtzeko errazena dena optimizatzera jotzen dute.
Datuen ihesa eta ustekabeko iruzurra saihestea modeloen ebaluazioan
Mantendu entrenamendu/balidazio/proba zatiketak egonkor eta dokumentatu zatiketa logika emaitzak erreproduzigarriak izan daitezen. Blokeatu aktiboki bikoiztuak eta ia bikoiztuak zatiketa guztietan (erabiltzaile, dokumentu, produktu edo errepikatutako eredu bera). Kontuz ibili funtzio-ihesekin, non "etorkizuneko" informazioa sarreretan sartzen den denbora-zigiluen edo gertaera osteko eremuen bidez. Oinarri sendo batek (estimazio faltsuak ere bai) zarata ospatzen ari zarenean ohartzen laguntzen dizu.
Zer izan behar du ebaluazio-arnes batek probak aldaketetan zehar errepikagarriak izan daitezen
Arnes praktiko batek proba konparagarriak berriro exekutatzen ditu modelo, gonbidapen edo politika aldaketa guztietan, datu-multzo eta puntuazio-arau berdinak erabiliz. Normalean erregresio-multzo bat, metrika-panel argiak eta trazabilitaterako gordetako konfigurazioak eta artefaktuak barne hartzen ditu. LLM sistemetarako, gonbidapenen "urrezko multzo" egonkor bat eta kasu-muga-pakete bat ere behar ditu. Helburua "botoia sakatu → emaitza konparagarriak" da, ez "koadernoa berriro exekutatu eta otoitz egin"
IA ereduak zehaztasunetik harago probatzeko metrikak
Erabili metrika anitz, zenbaki bakar batek oreka garrantzitsuak ezkutatu baititzake. Sailkapenerako, parekatu zehaztasuna/berreskuratzea/F1 atalase-doikuntzarekin eta nahasmen-matrizeekin segmentuka. Erregresiorako, aukeratu MAE edo RMSE erroreak nola zigortu nahi dituzun arabera, eta gehitu kalibrazio-estiloko egiaztapenak irteerek puntuazioen antzera funtzionatzen dutenean. Sailkapenerako, erabili NDCG/MAP/MRR eta zatitu buruaren eta isatsaren araberako kontsultak errendimendu irregularra detektatzeko.
LLMren emaitzak ebaluatzea neurri automatizatuak huts egiten dutenean
Hartu galdera eta politika sistema gisa eta puntuazio portaera gisa, ez testuaren antzekotasun soil gisa. Talde askok gizakien ebaluazioa bikoteka lehentasunekin (A/B irabazi-tasa) konbinatzen dute, eta zereginetan oinarritutako egiaztapenak ere bai, hala nola "eremu egokiak atera al ditu?" edo "politika jarraitu al du". Testu metrika automatizatuek kasu zehatzetan lagun dezakete, baina askotan erabiltzaileei axola zaiena ahazten dute. Errubrika argiak eta erregresio multzo batek normalean puntuazio bakarra baino gehiago axola dute.
Sendotasun probak exekutatu behar dira, eredua sarrera zaratatsuetan ez apurtzeko
Eredua estres-probatu akats ortografikoekin, balio faltarekin, formatu arraroekin eta unicode ez-estandarrarekin, benetako erabiltzaileak gutxitan baitira txukunak. Gehitu banaketa-aldaketa kasuak, hala nola kategoria berriak, argot-a, sentsoreak edo hizkuntza-ereduak. Sartu muturreko balioak (kate hutsak, karga erraldoiak, tartetik kanpoko zenbakiak) portaera hauskorra azaleratzeko. LLMentzat, probatu gonbidapen-injekzio-ereduak eta tresnen erabilera-hutsegiteak, hala nola denbora-mugak edo irteera partzialak.
Teorian galdu gabe alborapen eta zuzentasun arazoak egiaztatzea
Ebaluatu errendimendua zati esanguratsuetan eta alderatu errore-tasak eta kalibrazioa taldeen artean, legez eta etikoki egokia den kasuetan neurtzea. Bilatu zeharka ezaugarri sentikorrak kodetu ditzaketen ordezko ezaugarriak (posta-kodea, gailu mota edo hizkuntza bezala). Eredu batek "orokorrean zehatza" izan dezake itxura, baina kohorte espezifikoetarako etengabe huts egiten du. Dokumentatu zer neurtu duzun eta zer ez, etorkizuneko aldaketek ez dezaten isil-isilik atzerapausoak berriro sartu.
Segurtasun eta babes probak barne hartuko dira IA generatiborako eta LLM sistemetarako
Debekatutako edukien sorrera, pribatutasun-ihesak, arrisku handiko domeinuetan haluzinazioak eta ereduak eskaera normalak blokeatzen dituen gehiegizko ukapena egiaztatu. Sartu gonbidapen-injekzioa eta datuak ateratzea saiakerak, batez ere sistemak tresnak erabiltzen dituenean edo edukia berreskuratzen duenean. Lan-fluxu oinarritua hau da: politika-arauak definitu, proba-gonbidapen multzo bat sortu, gizakien eta egiaztapen automatikoen bidez puntuatu, eta berriro exekutatu gonbidapenak, datuak edo politikak aldatzen direnean. Koherentzia da ordaintzen duzun alokairua.
IA ereduak abiaraztea eta monitorizatzea abiarazi ondoren, desbideratzea eta gorabeherak detektatzeko
Erabili itzal modua eta trafiko mailakatuko igoera-ereduak, hala nola itzal-modua eta trafiko-arrapalak, akatsak erabiltzaile-base osoak aurkitu aurretik. Jarrai ezazu sarrera-desbideratzea (eskema-aldaketak, falta diren elementuak, banaketa-aldaketak) eta irteera-desbideratzea (puntuazio-aldaketak, klase-balantze-aldaketak), eta baita funtzionamendu-osasuna ere, hala nola latentzia eta kostua. Jarrai ezazu feedback-seinaleak, hala nola edizioak, eskalatzeak eta kexak, eta ikusi segmentu-mailako erregresioak. Zerbait aldatzen denean, berriro exekutatu arnes bera eta jarraitu etengabe kontrolatzen.
Erreferentziak
[1] NIST - Adimen Artifizialeko Arriskuen Kudeaketa Esparrua (AI RMF 1.0) (PDF)
[2] Mitchell et al. - “Eredu Txostenak egiteko Eredu Txartelak” (arXiv:1810.03993)
[3] Gebru et al. - “Datu Multzoetarako Datu Orriak” (arXiv:1803.09010)
[4] scikit-learn - “Ereduen hautaketa eta ebaluazioa” dokumentazioa
[5] Liang et al. - “Hizkuntza Ereduen Ebaluazio Holistikoa” (arXiv:2211.09110)