<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Quality Assurance on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/categories/quality-assurance/</link><description>Recent content in Quality Assurance on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/categories/quality-assurance/index.xml" rel="self" type="application/rss+xml"/><item><title>تضمین کیفیت داده‌های مصنوعی خودنظارتی برای هوش لبه‌ای</title><link>https://blog.formize.com/fa/self-supervised-synthetic-data-quality-assurance/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/self-supervised-synthetic-data-quality-assurance/</guid><description>&lt;h1 id="تضمین-کیفیت-دادههای-مصنوعی-خودنظارتی-برای-هوش-لبهای">تضمین کیفیت داده‌های مصنوعی خودنظارتی برای هوش لبه‌ای&lt;/h1>
&lt;p>هوش لبه‌ای از یک کنجکاوی پژوهشی به یک قابلیت سطح تولیدی در خودروهای خودران، اینترنت اشیای صنعتی و دوربین‌های هوشمند تبدیل شده است. بزرگ‌ترین گلوگاه &lt;strong>داده‌های آموزشی با کیفیت بالا&lt;/strong> است که باید محدودیت‌های تأخیر، پهنای باند و حریم خصوصی را رعایت کند. تولید داده‌های مصنوعی به‌عنوان راه‌حل اصلی شناخته شده است، اما داده‌های تولید شده باید &lt;strong>به‌صورت مستمر اعتبارسنجی&lt;/strong> شوند تا از انحراف مدل، تعصب و نقض قوانین جلوگیری شود.&lt;/p></description></item></channel></rss>