説明
機械学習パイプラインのワークフロー設計パターンは、機械学習ワークフローの構築と管理において繰り返し発生する問題に対する一般的な解決策です。これらのパターンの 1 つは、有向非巡回グラフ (DAG) でパイプラインを表すことです。DAG はノードとエッジで構成されるグラフで、各ノードはパイプライン内のステップまたはタスクを表し、各エッジはパイプライン間の依存関係または順序を表します。タスク。DAG にはサイクルがありません。つまり、1 つのノードから開始してエッジをたどってそこに戻る方法はありません。DAG は、パイプラインの視覚化と整理に役立つだけでなく、並列実行、フォールト トレランス、再現性を促進します。

説明
リッジ回帰は、独立変数間の共線性を低減するのに役立つ正則化手法の一種です。これは、通常最小二乗 (OLS) 目的関数にペナルティ項を追加することによって行われ、相関性の高い変数の係数がゼロに向かって縮小されます。これにより、係数推定値の分散が減少し、回帰モデルの安定性と精度が向上します。参考文献: 回帰分析における多重共線性: 問題、検出、および解決策 - Jim による統計、共線性の初心者向けガイド: それが何であり、回帰モデルにどのように影響するか - StrataScratch

説明
インシデント データベースは、安全性、公平性、その他の倫理上の問題を引き起こす AI システムのリスクをより適切に予測し、回避するように設計されたデータベースです。インシデント データベースは、AI システムが事故、エラー、偏見、差別、違反などのマイナスの結果や危害を引き起こした、またはその一因となったインシデントやイベントに関する情報を収集して保存します。インシデント データベースは、AI 関連のインシデントのパターン、傾向、原因、影響、解決策を特定するのに役立ち、将来のインシデントを防止または軽減するためのガイダンスとベスト プラクティスを提供します。

説明
統計的仮説検定におけるタイプ 1 の過誤は、帰無仮説が真であるにもかかわらず棄却される場合です。これは、有意な差や効果がないにもかかわらず、テストでは有意な差や効果があると誤って結論づけることを意味します。タイプ 1 エラーが発生する確率はアルファで示され、検定の有意水準とも呼ばれます。タイプ 1 の過誤は、より小さいアルファ値を選択することで減らすことができますが、これにより、タイプ 2 の過誤、つまり帰無仮説が偽であるにもかかわらず棄却されない場合が発生する可能性が増加する可能性があります。参考文献: [タイプ I およびタイプ II エラー - Wikipedia]、[タイプ I エラーおよびタイプ II エラー - 統計のハウツー]

説明
隠れた攻撃は、検出または気づかれずに ML システムを侵害または操作することを目的とした悪意のあるアクティビティです。隠れた攻撃は、データ収集、モデルのトレーニング、モデルのデプロイ、モデルの監視など、ML ワークフローのさまざまな段階を標的にする可能性があります。隠れた攻撃の例としては、データポイズニング、バックドア攻撃、モデルの盗用、または敵対的な例などがあります。バイアスと分散を継続的に監視すると、潜在的な攻撃を示す可能性のあるデータまたはモデルのパフォーマンスの異常や逸脱を検出できるため、ML エンジニアは隠れた攻撃を防ぐことができます。