Quiz dotyczący wykrywania anomalii AI

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Dlaczego wykrywanie anomalii często działa bez oznakowanych przykładów anomalii?
   • Anomalie są rzadkie i nieprzewidywalne, dlatego modele zamiast tego uczą się „normalności”.
   • Używanie etykiet jest nielegalne
   • Anomalie nigdy się nie zdarzają
   • Używa tylko obrazów
2. „Anomalia kontekstowa” to punkt danych, który jest:
   • Wszędzie zawsze nienormalnie
   • Normalne w jednym kontekście, ale nienormalne w innym
   • Literówka w bazie danych
   • Zduplikowany zapis
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. Jakie jest główne niebezpieczeństwo zbyt czułego ustawienia progu anomalii?
   • Analitycy są zasypywani fałszywymi alarmami
   • Model działa szybciej
   • Dane zostają zaszyfrowane
   • Anomalie stają się niemożliwe
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