Методология оценки и оценка AI-систем

Третий выпуск объединяет главы об evaluation methodology и практической оценке AI-систем.

Обсуждаем ограничения бенчмарков, энтропию, cross-entropy, KL divergence, perplexity, семантическую близость и функциональную корректность.

Затем собираем процесс валидации: AI as a judge, попарные сравнения, фактчекинг, доверенные источники, разметка и человеческий baseline.