Cuestionario vinculado a una guía · Medio Nivel

Prueba de detección de anomalías de IA

Revise puntuaciones de anomalías, aprendizaje no supervisado, casos contextuales y colectivos, umbrales y límites de monitoreo industrial.

Rutas de guía relacionadasDetección de anomalías por IA
Pregunta 1 de 8

¿Por qué la detección de anomalías suele funcionar sin ejemplos etiquetados de anomalías?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Por qué la detección de anomalías suele funcionar sin ejemplos etiquetados de anomalías?
    • Las anomalías son raras e impredecibles, por lo que los modelos aprenden "normales"
    • El uso de etiquetas es ilegal
    • Las anomalías nunca ocurren
    • Solo usa imagenes
  2. Una 'anomalía contextual' es un punto de datos que:
    • Siempre anormal en todas partes
    • Normal en un contexto pero anormal en otro
    • Un error tipográfico en una base de datos.
    • Un registro duplicado
  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. ¿Cuál es el principal peligro de establecer un umbral de anomalía con demasiada sensibilidad?
    • Los analistas se ven inundados de falsas alarmas
    • El modelo corre más rápido.
    • Los datos se cifran
    • Las anomalías se vuelven imposibles
  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