Độ tin cậy

Trong lĩnh vực trí tuệ nhân tạo và máy học, điểm tin cậy là một chỉ số định lượng mức độ chắc chắn của mô hình đối với một dự đoán cụ thể. Giá trị này thường nằm trong khoảng từ 0 đến 1 (hoặc 0% đến 100%) và thể hiện xác suất ước tính rằng đầu ra của thuật toán phù hợp với dữ liệu thực tế. Ví dụ, trong nhiệm vụ phát hiện đối tượng , nếu một hệ thống xác định một vùng của hình ảnh là "xe đạp" với độ tin cậy là 0,92, điều đó cho thấy xác suất ước tính là 92% rằng phân loại đó là chính xác. Các điểm số này được lấy từ lớp cuối cùng của mạng nơ-ron , thường được xử lý thông qua một hàm kích hoạt như Softmax cho phân loại đa lớp hoặc hàm Sigmoid cho các quyết định nhị phân.

Vai trò của sự tự tin trong suy luận

Điểm tin cậy là một thành phần cơ bản của quy trình làm việc của công cụ suy luận , hoạt động như một bộ lọc để phân biệt các dự đoán chất lượng cao với nhiễu nền. Quá trình lọc này, được gọi là ngưỡng, cho phép các nhà phát triển điều chỉnh độ nhạy của ứng dụng. Bằng cách thiết lập ngưỡng tin cậy tối thiểu, bạn có thể quản lý sự đánh đổi quan trọng giữa độ chính xác và độ thu hồi . Ngưỡng thấp hơn có thể detect Việc thêm nhiều đối tượng hơn sẽ làm tăng nguy cơ dương tính giả , trong khi ngưỡng cao hơn sẽ cải thiện độ chính xác nhưng có thể dẫn đến bỏ sót những trường hợp nhỏ.

Trong các kiến ​​trúc tiên tiến như Ultralytics YOLO26 , điểm tin cậy là yếu tố thiết yếu cho các kỹ thuật xử lý hậu kỳ như Non-Maximum Suppression ( NMS ) . NMS Công cụ này sử dụng các điểm số đó để loại bỏ các hộp giới hạn dư thừa chồng chéo đáng kể, chỉ giữ lại các phát hiện có xác suất cao nhất. Bước này đảm bảo đầu ra cuối cùng sạch sẽ và sẵn sàng cho các tác vụ tiếp theo như đếm hoặc theo dõi đối tượng .

Sau đây Python Ví dụ này minh họa cách lọc các dự đoán theo độ tin cậy bằng cách sử dụng... ultralytics bưu kiện:

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Các Ứng dụng Thực tế

Điểm tin cậy cung cấp một lớp khả năng diễn giải không thể thiếu trong tất cả các ngành công nghiệp ứng dụng thị giác máy tính (CV) . Chúng giúp các hệ thống tự động xác định khi nào nên tiếp tục hoạt động tự động và khi nào cần kích hoạt cảnh báo để con người xem xét.

• Lái xe tự động: Trong lĩnh vực trí tuệ nhân tạo ứng dụng trong ô tô , xe tự lái dựa vào các chỉ số độ tin cậy để đảm bảo an toàn cho hành khách. Nếu hệ thống nhận thức phát hiện chướng ngại vật với độ tin cậy thấp, nó có thể đối chiếu dữ liệu này với cảm biến LiDAR hoặc radar để xác minh sự hiện diện của vật thể trước khi thực hiện thao tác khẩn cấp. Sự dự phòng này giúp ngăn ngừa hiện tượng "phanh ảo" do bóng hoặc ánh sáng chói gây ra.
• Chẩn đoán y khoa: Khi ứng dụng trí tuệ nhân tạo (AI) trong chăm sóc sức khỏe , các mô hình hỗ trợ các chuyên gia y tế bằng cách phát hiện các bất thường tiềm ẩn trong dữ liệu hình ảnh. Một hệ thống được xây dựng để phát hiện khối u có thể làm nổi bật các vùng có độ tin cậy cao để chẩn đoán ngay lập tức, trong khi các dự đoán có độ tin cậy thấp hơn được ghi lại để phân tích thứ cấp. Quy trình làm việc có sự tham gia của con người này đảm bảo AI hỗ trợ việc ra quyết định lâm sàng mà không thay thế phán đoán của chuyên gia.
• Tự động hóa công nghiệp: Trong sản xuất thông minh , cánh tay robot sử dụng điểm tin cậy để tương tác với các vật thể trên dây chuyền lắp ráp. Một robot được trang bị trí tuệ nhân tạo thị giác có thể chỉ cố gắng nắm bắt một linh kiện nếu độ tin cậy phát hiện vượt quá 90%, do đó giảm nguy cơ làm hỏng các bộ phận dễ vỡ do sai lệch.

Phân biệt sự tự tin với các thuật ngữ liên quan

Việc phân biệt độ tin cậy với các chỉ số thống kê khác được sử dụng trong đánh giá mô hình là vô cùng quan trọng.

• Độ tin cậy so với Độ chính xác: Độ chính xác là một chỉ số tổng thể mô tả tần suất mô hình đưa ra dự đoán chính xác trên toàn bộ tập dữ liệu (ví dụ: "Mô hình có độ chính xác 92%"). Ngược lại, độ tin cậy là một giá trị cục bộ, cụ thể cho từng dự đoán (ví dụ: "Mô hình chắc chắn 92% rằng hình ảnh cụ thể này chứa một con mèo"). Một mô hình có thể có độ chính xác tổng thể cao nhưng vẫn cho độ tin cậy thấp trong các trường hợp ngoại lệ .
• Hiệu chỉnh độ tin cậy so với hiệu chỉnh xác suất: Điểm số độ tin cậy thô không phải lúc nào cũng tương ứng với xác suất chính xác thực sự. Một mô hình được "hiệu chỉnh tốt" nếu các dự đoán được đưa ra với độ tin cậy 0,8 là chính xác khoảng 80% thời gian. Các kỹ thuật như hiệu chỉnh Platt hoặc hồi quy đẳng hướng thường được sử dụng để điều chỉnh điểm số cho phù hợp với xác suất thực nghiệm.
• Độ tin cậy so với độ chính xác: Độ chính xác đo lường tỷ lệ các nhận dạng tích cực thực sự chính xác. Mặc dù việc tăng ngưỡng độ tin cậy thường làm tăng độ chính xác, nhưng điều đó thường làm giảm độ thu hồi . Các nhà phát triển phải điều chỉnh ngưỡng này dựa trên việc ứng dụng của họ ưu tiên giảm số lượng đối tượng bị bỏ sót hay giảm thiểu các cảnh báo sai.

Cải thiện sự tự tin của người mẫu

Nếu một mô hình liên tục đưa ra kết quả độ tin cậy thấp cho các đối tượng hợp lệ, điều đó thường báo hiệu sự không nhất quán giữa dữ liệu huấn luyện và môi trường triển khai. Các chiến lược để giảm thiểu điều này bao gồm tăng cường dữ liệu , bằng cách mở rộng tập dữ liệu một cách nhân tạo bằng cách thay đổi ánh sáng, xoay và nhiễu. Hơn nữa, việc sử dụng Nền tảng Ultralytics để triển khai các quy trình học tập chủ động cho phép các nhà phát triển dễ dàng xác định các mẫu có độ tin cậy thấp, chú thích chúng và huấn luyện lại mô hình. Chu kỳ lặp đi lặp lại này rất quan trọng để tạo ra các tác nhân AI mạnh mẽ có khả năng hoạt động đáng tin cậy trong các môi trường thực tế năng động.