bir modelin farklı görevlerde ne kadar doğru, tutarlı ve güvenli çalıştığını ölçme süreci. yalnızca birkaç iyi cevaba bakmak yerine farklı örnekler, zor sorular ve gerçek kullanım koşullarıyla test yapılır.
şükela: tümü
|
bugün
başlıkta ara
-
-
bir modeli değerlendirirken tek bir skor yerine görevin türüne göre ayrı ölçütlere bakmak daha anlamlı geliyor. doğruluk kadar tutarlılık, gecikme, maliyet ve hatalı cevap karşısında ne kadar açık davrandığı da kullanım senaryosunu belirliyor.
