AI 技术 第2页

分类模型输出0.8，并不自动意味着同类预测有八成正确。概率校准检查的是：一组被赋予相近预测概率的样本，其实际正例比例是否与这些概率相符。

正确资料进入候选列表之后，排在第一项还是第五项也会影响阅读体验。平均倒数排名MRR关注每个问题的第一份相关结果出现在哪里，适合补充观察检索排序。

模型输出一个分数或概率后，还需要规则决定是否判为正例。调整这个决策阈值会改变标签结果，但不等于重新训练模型，也不会自动改善概率本身的校准。

用历史记录预测未来时，随机拆分数据可能让模型在训练中见到比测试时点更晚的信息。验证方式应该尽量还原真实使用时“先有历史，再预测后续”的顺序。

向量检索里，点积和余弦相似度经常一起出现。余弦相似度会按向量长度归一化；当两个向量都已具有单位长度时，它才与点积一致。

如果要评估模型面对新用户的表现，只随机拆分记录可能不够。同一用户的多条记录出现在训练和测试两边时，测到的可能包含对熟悉用户的识别能力。

同一次检索命中了2份相关资料，精确率和召回率却可能不同：前者看返回结果里有多少相关项，后者看已知相关资料有多少被找回。计算前要先固定问题、相关集合和去重规则。

“从三个栏目选一个”和“给文章添加多个主题标签”是两种任务。若标签允许同时成立，只保留最高分会丢掉其余有效标签；设计输出格式之前，应先写清一条样本允许几个答案。

记录AI任务结果时，“五次里至少成功一次”和“每次都能成功”是不同目标。若只展示最好的一次，却省去重试次数、失败记录和验收规则，就会让读者误解系统在日常使用中的可靠性。

为AI工具定义JSON Schema时，properties描述已有字段怎样校验，并不自动要求字段出现。需要必填就写required，需要拒绝未知字段则配置additionalProperties；三者承担不同职责。