TCSSTI 0003-2023 未来技术监测信息的技术分类与代码 第3部分：人工智能

在TCSSTI 0003-2023《未来技术监测信息的技术分类与代码 第3部分：人工智能》中，有一项重要的修订内容是关于“深度学习模型的评估指标”这一条文。相较于旧版标准，新版标准在这一部分进行了显著调整，引入了更加细化和实用的评估框架。

在旧版标准中，对于深度学习模型的评估主要依赖于传统的准确性（Accuracy）和错误率（Error Rate）两项指标。然而，随着深度学习技术的发展，这些单一维度的评价方式已经无法全面反映模型的实际性能。因此，在新版标准中，增加了多个补充性指标，包括但不限于F1分数、召回率（Recall）、精确率（Precision）以及ROC曲线下的面积（AUC）等。

以F1分数为例，它结合了精确率和召回率两方面的考量，能够更好地平衡模型在不同应用场景下的表现。具体应用时，首先需要确定数据集中的正负样本比例，然后根据业务需求设定合理的阈值来计算F1分数。例如，在医疗诊断领域，由于误诊可能带来严重后果，因此更倾向于选择较高的召回率；而在广告推荐系统中，则可能优先考虑提高精确率以减少无关信息干扰。

此外，新版标准还特别强调了对模型鲁棒性的重视。这意味着除了关注预测结果是否准确之外，还需要评估模型面对输入变化时的表现稳定性。为此，新增加了一些针对噪声敏感度、对抗攻击能力等方面的测试方法，并要求开发者在构建深度学习模型时同步开展相关验证工作。

通过这样的改进，新版标准不仅增强了指导性和操作性，也为推动人工智能技术健康有序发展提供了有力支撑。企业或研究机构在遵循该标准实施项目规划时，应当充分理解并合理运用这些新增的内容，确保所开发的产品和服务既具备高水平的技术性能，又能满足实际使用场景的需求。