Как построить таблицу калибровки вероятностей AI по диапазонам

Перед запуском запишите, какие данные считаются входом, что является ожидаемым результатом, что именно означает отказ и кому предстоит разбирать расхождение. Для такой проверки храните тестовый вход, ожидаемый результат и фактический исход раздельно: если они смешаны, тест может подтверждать сам себя. Используйте стабильные синтетические ID, чтобы видеть ошибку в журнале, не раскрывая содержимое клиентских обращений.

Сначала прогоните тест на маленьком входе, где правильное поведение известно вручную. Затем внесите одну контролируемую ошибку и убедитесь, что код её замечает. После этого верните корректный набор и только тогда расширяйте проверку до реальных данных. Не переносите демонстрационные численные значения или пороги в производство без отдельного обоснования: они выбраны для наглядности, а не рассчитаны по вашей аудитории.

Вход и ожидаемый результат

Для вероятностей [0.2,0.4,0.7,0.9] и меток [0,1,0,1] нижняя корзина даёт 0.3 против 0.5. Вывод содержит low: 2, среднее p≈0.3, доля исходов 0.5; high: 2, среднее p=0.8, доля 0.5. Перед тем как применять правило к закрытым данным, обсудите пограничные случаи, которые могут поменять интерпретацию входа. Запись в документации о границах теста не менее важна, чем зелёный check.

Пошаговые действия

1. Создайте scripts/check.py в корне репозитория и вставьте код из блока ниже. Он использует названия функций стандартной библиотеки, указанные в официальных ссылках в конце статьи.
2. Выполните python scripts/check.py локально. Не продолжайте, если уже демонстрационная фикстура даёт иной результат: сначала проверьте копирование кода и кодировку файла.
3. Убедитесь, что пары прогноза и исхода синхронизированы. Запустите тест, вручную проверьте численность групп и посчитайте среднее нижней корзины: (0.2+0.4)/2. Не делайте вывод о систематической некалиброванности на двух примерах в корзине. На настоящем наборе заранее выберите границы, покажите число случаев и исключите пустые группы из выводов. Если сравниваете версии модели, применяйте одинаковые границы и единый тестовый период.
4. Создайте .github/workflows/ai-corpus-check.yml из YAML-шаблона. Событие pull_request полезно для проверки данных до слияния; чтение репозитория ограничено permissions: contents: read. Скрипт не должен получать ключ внешней модели или реальные секреты.
5. В разделе Actions откройте job check, сопоставьте его код завершения с локальным прогоном и зафиксируйте ссылку на проверенный коммит в PR. Не принимайте зелёный результат на старой ревизии за проверку последнего изменения.

# scripts/check.py
rows=[(0.2,0),(0.4,1),(0.7,0),(0.9,1)]
def table():
    output=[]
    for label,selected in (("low",[(p,y) for p,y in rows if p<0.5]),
                           ("high",[(p,y) for p,y in rows if p>=0.5])):
        if selected:
            output.append((label,len(selected),
                           sum(p for p,_ in selected)/len(selected),
                           sum(y for _,y in selected)/len(selected)))
        else: output.append((label,0,None,None))
    return output
assert table()==[("low",2,0.30000000000000004,0.5),("high",2,0.8,0.5)]
print(table())

name: AI corpus checks
on:
  pull_request:
permissions:
  contents: read
jobs:
  check:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: actions/setup-python@v7
        with:
          python-version: '3.13'
      - run: python scripts/check.py

Ошибки интерпретации и границы

Таблица не делает вероятности калиброванными и зависит от выбранных корзин. Миниатюрный пример нужен только для проверки арифметики, не для оценки сервиса. Если вы расширяете набор случаев, добавляйте не только новые примеры, но и отрицательные случаи, на которых тест обязан упасть. Проверяйте, что изменение expected прошло ревью отдельно от изменения кода: иначе можно незаметно изменить правило под текущий ответ системы. Избегайте вывода полного приватного набора в CI и не сохраняйте в артефактах ответ закрытой модели без решения о доступе и хранении.

Ошибка выполнения самого Python, нераспознанный формат входа и обнаруженный бизнес-дефект — разные ситуации. В сообщении теста указывайте тип проблемы и безопасный ID. Если тест требует внешний сервис, вынесите его из PR с недоверенным кодом и явно ограничьте доступ к токенам; этот пример намеренно работает локально. Перед публикацией каких-либо результатов опишите методику, область применения и происхождение примеров, иначе читатель воспримет демонстрационную арифметику как характеристику продукта.

Практический разбор именно этого контроля

Увидеть завышение или занижение вероятностей в разных диапазонах прогнозов. Для самостоятельной проверки сначала выпишите три наблюдаемых состояния: допустимый вход, намеренно недопустимый вход и видимый сигнал отказа. В данной фикстуре это выглядит так: Для вероятностей [0.2,0.4,0.7,0.9] и меток [0,1,0,1] нижняя корзина даёт 0.3 против 0.5. При успешном тесте ожидается: Вывод содержит low: 2, среднее p≈0.3, доля исходов 0.5; high: 2, среднее p=0.8, доля 0.5. Не превращайте это в числовой KPI: здесь проверяется контракт на конкретных примерах, а не поведение модели на пользовательском трафике.

Таблица не делает вероятности калиброванными и зависит от выбранных корзин. Миниатюрный пример нужен только для проверки арифметики, не для оценки сервиса. Подключая проверку к продукту, расположите её до той операции, ради которой она написана: парсинга, сохранения, отображения или экспорта. Для каждого нового формата добавляйте отдельный негативный пример и письменное решение, почему он отклоняется. Отдельно просмотрите обработку ошибок: система должна отличать невалидный ответ AI от сбоя тестовой инфраструктуры, а пользователь не должен видеть сырой стек или приватное содержимое.