Confiança

No domínio da aprendizagem automática e da inteligência artificial inteligência artificial, uma pontuação de confiança é um valor numérico que representa a probabilidade de uma previsão específica feita por um modelo esteja correta. Normalmente expressa como uma probabilidade entre 0 e 1 (ou uma percentagem de 0% a 100%), esta pontuação quantifica a certeza da rede rede neural em relação ao seu resultado. Por Por exemplo, numa tarefa de deteção de objectos, o sistema pode prever a presença de um "gato" com uma confiança de 0,95, indicando uma forte crença na exatidão precisão desse rótulo. Estas pontuações são normalmente derivadas da camada final do modelo utilizando funções de ativação, tais como a função softmax para problemas multi-classe ou a função para problemas multi-classe ou a função sigmoide para classificação binária.

O papel da confiança na inferência

As pontuações de confiança são um componente fundamental do fluxo de trabalho do motor de inferência. Eles permitem que os desenvolvedores filtrar as previsões com base num nível de certeza necessário, um processo conhecido como limiar. Ao definir um limiar de confiança limiar de confiança específico, pode gerir eficazmente o compromisso entre a identificação de todos os objectos possíveis (elevada recuperação) e garantir que os objectos identificados estão corretos (elevada precisão).

Na aplicação prática do modelo, as previsões brutas contêm frequentemente ruído ou detecções de baixa probabilidade. Técnicas como a supressão não máxima (NMS) utilizam (NMS) utilizam pontuações de confiança para eliminar caixas redundantes sobrepostas, mantendo apenas a deteção com a maior probabilidade. Isto garante que o resultado final apresentado ao utilizador é limpo e acionável.

O exemplo seguinte demonstra como aplicar um limiar de confiança durante a inferência utilizando Ultralytics YOLO11:

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image with a confidence threshold of 0.6 (60%)
# This filters out any detections with a confidence score lower than 0.6
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.6)

# Display the count of objects detected above the threshold
print(f"Detected {len(results[0].boxes)} objects with high confidence.")

Aplicações no Mundo Real

A utilidade das pontuações de confiança estende-se a praticamente todos os sectores que implementam visão computacional e soluções de IA.

• Sistemas autónomos: No desenvolvimento de veículos autónomos veículos autónomos, a segurança é fundamental. Os sistemas de perceção utilizam pontuações de confiança para fundir dados de câmaras e LiDAR. Se um modelo de visão detecta um obstáculo com baixa confiança, o sistema pode fazer uma referência cruzada com dados de radar antes de acionar a travagem de emergência. Esta abordagem em camadas, crucial para a IA no sector automóvel, ajuda a evitar eventos perigosos de travagem fantasma causados por falsos positivos.
• Diagnóstico médico: Na análise de imagens médicas, as ferramentas de IA ajudam médicos, assinalando potenciais anomalias em radiografias ou ressonâncias magnéticas. Um sistema concebido para IA nos cuidados de saúde pode fazer uma triagem automática dos casos com base com base na confiança. As detecções de patologias com elevado grau de confiança são consideradas prioritárias para análise imediata por um radiologista, enquanto as regiões de baixa confiança podem ser destacadas para um "segundo olhar", assegurando que a IA actua como um assistente de apoio e não como um decisor definitivo.

Confiança vs. Exatidão e Precisão

É fundamental que os profissionais distingam a "confiança" das métricas de avaliação padrão utilizadas para aferir modelos.

• Confiança vs. exatidão: A ex atidão mede a correção global de um modelo num conjunto de dados inteiro (por exemplo, "O modelo é 90% exato"). Em contraste, a confiança é um valor é um valor específico de previsão (por exemplo, "Tenho 90% de certeza que esta imagem específica é um cão"). Um modelo pode ser um modelo pode ser geralmente exato, mas ainda assim produzir uma confiança baixa em exemplos difíceis.
• Confiança vs. Precisão: A precisão calcula a percentagem de previsões previsões positivas que estavam efetivamente corretas. Embora relacionada, uma pontuação de confiança elevada não garante uma precisão elevada se se o modelo estiver a sofrer de sobreajuste ou estiver mal calibrado.
• Calibração: Um modelo é considerado "bem calibrado" se os seus resultados de confiança reflectirem a verdadeira probabilidade de correção. Por exemplo, entre todas as previsões efectuadas com 0,8 de confiança, cerca de 80% devem ser correspondências positivas reais.

Melhorar a confiança no modelo

Se um modelo produzir consistentemente baixa confiança para objectos válidos, isso pode indicar problemas com os dados de treino. As estratégias para melhorar esta situação incluem aumento dos dados para expor o modelo a uma modelo a uma iluminação e orientações mais variadas, ou aprendizagem ativa para anotar e treinar novamente nos casos extremos" específicos em que o modelo é atualmente incerto. Garantir conjuntos de dados diversificados e de alta qualidade é é essencial para criar sistemas robustos em que os utilizadores possam confiar.