Тест за откриване на аномалии с изкуствен интелект

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Защо откриването на аномалии често работи без етикетирани примери за аномалии?
   • Аномалиите са редки и непредсказуеми, така че вместо това моделите учат „нормално“.
   • Използването на етикети е незаконно
   • Аномалии никога не се случват
   • Използва само изображения
2. „Контекстуална аномалия“ е точка от данни, която е:
   • Винаги ненормално навсякъде
   • Нормално в един контекст, но ненормално в друг
   • Правописна грешка в база данни
   • Дублиран запис
3. What does the cited WACV autoencoder study use as an anomaly score?
   • A legal fraud label assigned to every record
   • A guarantee that no future fault will occur
   • Reconstruction error from an autoencoder trained to model the data
   • The number of random trees in an Isolation Forest
4. How does the original Isolation Forest paper isolate candidate anomalies?
   • It requires an expert to label every anomaly in advance
   • It measures reconstruction error from a neural decoder
   • It uses a fixed threshold that proves an item is defective
   • Random partitioning tends to isolate anomalous instances in fewer splits
5. Каква е основната опасност от твърде чувствителното задаване на праг на аномалия?
   • Анализаторите са залети с фалшиви аларми
   • Моделът работи по-бързо
   • Данните се криптират
   • Аномалиите стават невъзможни
6. What can an unusual machine-vibration score reasonably trigger?
   • An automatic shutdown because failure is guaranteed
   • A maintenance investigation or additional measurement, without predicting failure with certainty
   • A confirmed diagnosis of the failed component
   • A claim that the machine will fail within a fixed number of hours
7. Why is an anomaly score not automatically a fraud or defect label?
   • It is always a verified label
   • Anomaly scores cannot be compared
   • It indicates unusualness under a model or baseline, not the cause or consequence
   • The threshold proves intent
8. What should be documented when setting an anomaly threshold?
   • Only the model’s name
   • A claim that false positives are impossible
   • The number of GPUs alone
   • The reference data, score definition, threshold rationale, and review process