Тест на виявлення аномалій ШІ

Відповіді та пояснення з’являються під час виконання тесту.

1. Чому виявлення аномалій часто працює без позначених прикладів аномалій?
   • Аномалії рідкісні та непередбачувані, тому моделі навчаються «нормальному».
   • Використання етикеток заборонено
   • Аномалій ніколи не буває
   • Він використовує лише зображення
2. «Контекстуальна аномалія» — це точка даних, яка:
   • Завжди всюди ненормально
   • Нормально в одному контексті, але ненормально в іншому
   • Опечатка в базі даних
   • Дубльований 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. У чому головна небезпека занадто чутливого встановлення порогу аномалії?
   • Аналітики завалені помилковими тривогами
   • Модель працює швидше
   • Дані шифруються
   • Аномалії стають неможливими
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