У computer vision, як і в принципі у будь-якому іншому ШІ, треба враховувати % успішності роботи моделі 🤖📊 (чи як краще це назвати).І приклад того, які дані ми враховуємо у метриках — а саме: - % загального визначення крадіжок у порівнянні з реальним, - реальні виявлення (true positives), - хибні виявлення (false positives).З будь-якими метриками я вважаю важливими три ключові речі 👇1. Доцільність. Чи дозволить нам метрика отримувати інформацію для реального прийняття рішень? Ми ж не хочемо просто мати цифри, на які будемо кліпати очима🙃Треба розуміти, які наші потенційні дії з метриками, коли ми побачимо на них ті чи інші значення. 🎯2. Вимірюваність і джерела інформації. Потрібно забезпечити процес вимірювання так, щоб значення метрик були об’єктивними й незалежними від зовнішніх факторів. Деякі метрики здобуваються з даних поза нашою системою, інколи офлайн. З ШІ взагалі, як згадувалося, має бути людина чи група експертів, що оцінюватимуть її роботу. Буває так, що потрібно розробити не один епік, щоб добитися отримання однієї, але дуже важливої цифри 🔍📈3. Правила звітності. А саме, формат звітності, частота оновлення/інформування тощо 🗂⏱#BAforAI #experienceI #tips