An ensemble ouvert in the context of intelligence artificielle (AI) and apprentissage automatique refers to a conceptual framework where the set of possible classes or categories is not fixed. This means that the model is designed to recognize not only the classes it was trained on, but also to identify new classes that may emerge after the training phase. Open sets are particularly important in applications where the environment is dynamic and constantly changing, such as in real-world classification d'image, la détection d'anomalies, and traitement du langage naturel.
Dans les scénarios d'apprentissage automatique traditionnels, les modèles sont généralement entraînés sur un ensemble fermé de classes, ce qui signifie qu'ils ne peuvent classer les instances que dans ces catégories prédéfinies. Cependant, dans un scénario d'ensemble ouvert, un modèle doit posséder la capacité de reconnaître quand une entrée n'appartient à aucune des classes connues et de le signaler en conséquence. Cela est crucial pour garantir que le système d'IA peut s'adapter à de nouvelles données non vues sans nécessiter un entraînement complet.
La reconnaissance d'ensemble ouvert implique des techniques telles que la détection hors distribution, where the model is trained to distinguish between known and unknown classes effectively. This may involve using confidence scores or additional algorithms to determine whether a sample belongs to a known class or should be classified as unknown. The concept of open sets is gaining traction in various fields, including computer vision, where new objects may appear, and natural language processing, where new phrases or terms may emerge.