Pozitif hata galerilerini proje incelemesinde kutlamak kolaydır. Model “çizikleri görüyor.” Hatta fırçalama dokusunu, yağ ışıltısını ve ejector-pin izlerini de görür—ve güvenle reject eder.
Uncertain-label kuyrukları sınırları zorla yazı turasına çevirmez. Continual-retrain holdout’ları gece unutmayı durdurur. Label audit’ler sonradan kılavuz kaymasını yakalar. Hard-negative mining önleyici ikizidir: insanları ve modelleri yanıltan accept görüntülerini bilerek toplayıp doğrulayın, sonra eğitimde ve donmuş eval panelinde tutun.
Adayları yanlış reject olaylarından, active-learning belirsizliğinden ve kıdemli müfettişin “kötü görünüyor, yine OK” çağrılarından alın. Yazılı kabul maddesine göre hakemleyin; yorgun gece vardiyasının şiddet uydurmasına izin vermeyin. Her hata sınıfını, ağın sınır öğrenmesi—hurda kutusunun aydınlatmasını değil—için yeterli hard negative ile dengeleyin. Aydınlatma veya işleme prosesi değişince hard-negative setini yenileyin; eski “parlak ama iyi” örnekler hattı artık temsil etmeyebilir.
Yalnızca ders kitabı hatalarıyla eğitilmiş bir dedektör hiç ihtiyat pratik etmemiştir. Neyi yok sayacağını öğretin, yoksa hurda kutusu tesise öğretir.