'baselines' 검색 결과

Build and evaluate single-agent reinforcement learning experiments, where an agent learns actions from rewards. Use Stable Baselines3 to choose algorithms, create environments, monitor training, and save models with the normalization data needed for consistent evaluation.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Set up a reproducible reinforcement learning experiment
• Create and validate a custom Gymnasium environment
• Monitor training and save checkpoints

Build reinforcement learning experiments, where agents learn actions from rewards, using Stable Baselines3. Get guidance on choosing algorithms, creating Gymnasium environments, training and evaluating agents, monitoring progress, and saving models for later use.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Choosing an algorithm for a reinforcement learning experiment
• Creating and checking a custom Gymnasium environment
• Monitoring training and saving checkpoints

Analyze authentication logs to spot suspicious sign-ins, password attacks, and possible account compromise. Statistical baselines and machine learning help compare login activity with normal user behavior, while example SIEM queries support security investigations.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigating suspicious sign-in alerts
• Detecting geographically inconsistent logins
• Finding brute force and password spraying

Apply stable-baselines3 in reproducible local data workflows with version-aware APIs, explicit assumptions, and validation. Use when the user chooses stable-baselines3 or its strengths fit the task.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Establishes behavioral baselines from historical telemetry (process, network, or logon events) so hunts can flag rare and first-seen activity instead of relying on static signatures. Activates for requests to build a telemetry baseline, find rare or first-seen activity, or compute frequency baselines for anomaly hunting.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

준비된 테스트 사례로 agent-booster의 성공률과 작업 분배를 검증합니다. 선택적으로 외부 모델과 비교하고 실측 결과와 집계를 JSON으로 저장합니다.

• 출시 전 성공률 확인
• 테스트 사례 추가 후 작업 분배 검증
• 실측 결과로 성능 설명 확인

Audit Azure Storage settings for public containers, encryption, access permissions, network restrictions, and logging gaps. Use command-line checks and monitoring alerts to produce findings and remediation guidance across subscriptions.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Auditing storage settings across Azure subscriptions
• Investigating publicly accessible blob containers
• Verifying encryption, network, and logging controls

Compare current benchmark results, measurements of performance, with historical baselines to identify degradation between builds. Produce a comparison summary, rank affected metrics by severity, and outline questions for further investigation.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing performance between builds
• Reviewing performance degradation in CI/CD results
• Ranking degraded metrics by severity

Configures and enforces SwiftLint in Swift projects using build tool plugins, run scripts, and CI. Covers .swiftlint.yml configuration, disabled_rules, opt_in_rules, only_rules, analyzer_rules, baselines, autocorrect, swiftlint:disable suppressions, reporter formats (sarif, json, checkstyle), strict and lenient modes, SwiftLintBuildToolPlugin via SimplyDanny/SwiftLintPlugins, swift package plugin swiftlint, Xcode run script phases, CI integration, multiple configuration files, and rollout strategies for existing codebases. Use when setting up SwiftLint, configuring lint rules, suppressing warnings, creating baselines, choosing between build tool plugin and run script, or integrating SwiftLint into CI.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Build the deterministic evidence ledger (artifact_manifest.json + claims.json) that every other Anti-Autoresearch auditor reads. One pass inventories artifacts, derives the observability level (L0 PDF-only / L1 +LaTeX / L2 +repo+results) by fixed rule, and extracts span-anchored, hashed, checkable claims (numbers, comparisons, scope, method, baselines, citations, captions, table cells) into claims.json. An OPTIONAL additive cross-model pass ADDS span-anchored semantic claims — method, theorem statements with their assumptions, definitions, proof/derivation steps and equations, scope, baselines, conclusions, the motivation span, and reproducibility-artifact references (the proof, derivation, and structure anchors the family B/D/G auditors need) — it never invents a number, emits a finding, or computes a verdict. Run FIRST, before any audit skill. Triggers: "build the ledger", "extract claims", "prep for integrity audit", "evidence ledger", "建证据账本".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Audit existing performance testing — find missing benchmarks, stale baselines, and CI gaps. Use when asked "do we have benchmarks", "audit our performance testing", or "are our baselines stale".

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Establish and maintain longitudinal baselines of CLI binary contents across versions. Covers marker selection by category (API / identity / config / telemetry / flag / function), weighted scoring, threshold-based system-presence detection, and per-version baseline records. Use when tracking a feature's lifecycle across releases, when probing for dark-launched or removed capabilities, or when verifying that a scanning tool itself still catches known-good markers on old binaries.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Knowledge base from NIST SP 800-37 Revision 2, the Risk Management Framework (RMF) for information systems and organizations. Use for the seven RMF steps (Prepare, Categorize, Select, Implement, Assess, Authorize, Monitor) and their tasks; the three-tier organization-wide risk model; authorization boundaries; the requirements-to-controls relationship; security categorization (FIPS 199/200 high-water mark) and control selection/tailoring (SP 800-53/53B baselines); assessment, the authorization decision and risk acceptance, continuous monitoring and ongoing authorization; the security/privacy distinction; and supply chain risk management. This is the security-and-privacy-risk-governance edge of systems engineering — it governs how much protection and whether to accept residual risk, complementing the disciplines that decide how protection is built. Does NOT reproduce the SP 800-53 control catalog or its baselines, the FIPS impact tables, or the ISO/IEC/IEEE 15288 process text; it names and routes to them rather than restating them.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

웹 페이지 표시와 조작, API 응답, 빌드와 테스트의 소요 시간을 측정합니다. 변경 전후 결과를 비교하고 Git으로 공유하는 기준값을 바탕으로 성능 저하를 확인합니다.

• 코드 변경 전후 성능을 비교합니다
• 페이지가 느리다는 보고를 조사합니다
• 출시 전 성능 목표를 확인합니다

배포 후 운영 중인 앱을 지속적으로 모니터링하여 콘솔 오류, 성능 저하, 페이지 장애를 확인합니다. 정기 스크린샷을 배포 전 기준 상태와 비교해 이상을 알립니다.

• 배포 후 운영 앱 모니터링
• 업데이트 후 성능 저하 확인
• 배포 전후 화면 비교

실제 브라우저에서 웹 페이지의 로딩 시간과 전송량을 측정합니다. 기준값 및 코드 변경 전후 결과를 비교해 속도 저하를 찾고 장기적인 성능 추이를 확인합니다.

• 변경 전 성능 기준값을 저장할 때
• 코드 변경 후 페이지 속도 확인
• 느린 리소스와 큰 전송량 조사

지정 기간의 작업 완료 수, 오류, 메모리 사용량, 토큰 소비 등을 집계합니다. 과거 기준값과 비교해 이상을 표시하여 에이전트 그룹의 운영 상태를 확인합니다.

• 최근 한 시간의 완료 수와 오류 확인
• 활성 수, 메모리, 토큰 소비 확인
• 처리 시간의 비정상적인 변화 탐색

알려진 취약점과 혼동하기 쉬운 정상 예시로 보안 탐지 방식을 비교합니다. 탐지율, 오탐, 수정 후 테스트 등의 평가 결과를 JSON으로 정리합니다.

• 보안 탐지 방식 비교
• 탐지율과 오탐 변화 추적
• 정기 평가의 불합격 결과 감지

여러 AI 모델을 나누어 쓴 실제 비용을 모든 작업에 같은 모델을 썼을 때의 추정 비용과 비교합니다. 기간별 절감액과 절감률로 모델 선택의 비용 효과를 확인합니다.

• 비용 검토에서 절감 효과 보고
• 모델 선택 설정 변경 후 비용 확인
• CI에서 절감률 기준 확인

Evaluate 3D point clouds and movement trajectories against reference data with CloudAnalyzer. Prepare inputs, measure differences, apply quality thresholds, inspect results visually, and track baseline history for mapping, localization, and perception workflows.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Compare a generated point cloud with reference data
• Measure errors in estimated movement trajectories
• Check ground segmentation against quality thresholds

Prepare an evaluation framework before fine-tuning a language model. Build labeled examples, checks for each failure type, and a base-model benchmark, while calibrating model-based judges against human labels to support comparisons after training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Build an evaluation set from agent traces
• Create separate checks for each failure type
• Calibrate an LLM judge against human labels

Evaluate LLM applications using automated scores, human reviews, and model-based judging. Build repeatable checks to compare models or prompts, assess answer quality, and detect declines in performance before deployment.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Comparing models and prompts
• Checking quality after prompt changes
• Detecting performance declines before deployment

Customize AgentRC readiness assessments to match team or organization standards. Choose or create policies that adjust check importance, disable irrelevant checks, set pass thresholds, and define requirements for automated checks in CI workflows.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Set shared readiness standards across an organization
• Focus assessments on AI tooling
• Adjust the importance of individual checks

Monitor Modbus traffic in industrial control networks to identify unauthorized writes, unusual commands, and departures from normal communication. Use packet analysis and intrusion detection rules to investigate suspected controller changes and produce reports with recommended actions.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigating unauthorized changes to PLC registers
• Setting up Modbus intrusion detection rules
• Checking communication patterns after a suspected compromise