「metrics」の検索結果

Generates a comprehensive client health overview across all accounts. Reads CRM data, support tickets, usage metrics, billing, and engagement logs. Calculates health scores, trend direction, and RAG status per client. Outputs a sorted risk report with recommended actions.

日本語の概要は準備中です。原文の説明を表示しています。

Implements structured usage logging and audit trails for cost and session tracking. Use when adding audit trails, usage analytics, or cost tracking to a skill.

日本語の概要は準備中です。原文の説明を表示しています。

Manages digital garden notes, link structures, and health metrics. Use when curating a knowledge base, pruning stale notes, or tracking content maturity.

日本語の概要は準備中です。原文の説明を表示しています。

Provides weighted scoring, rubrics, and decision-threshold patterns. Use when designing quality gates, evaluation systems, or decision frameworks.

日本語の概要は準備中です。原文の説明を表示しています。

Evaluate Claude skill quality through auditing. Use when reviewing or auditing skills.

日本語の概要は準備中です。原文の説明を表示しています。

Use when validating or evaluating a trained medical-imaging model. Audits split leakage and validation design, computes task-correct held-out metrics (Dice + HD95, AUROC + AUPRC, FROC, calibration), and covers uncertainty/OOD and Grad-CAM explainability, each with a gate.

日本語の概要は準備中です。原文の説明を表示しています。

Use when designing or auditing how an LLM or multimodal LLM is evaluated on a clinical task (report generation, VQA, text extraction). Covers reference standard, clinical-efficacy metrics beyond BLEU/ROUGE, hallucination, contamination and prompt sensitivity. Imaging models are /model-assessment.

日本語の概要は準備中です。原文の説明を表示しています。

Use Fairlearn to assess group fairness, compute disparity metrics, visualize subgroup performance, and mitigate unfairness with preprocessing, reductions, postprocessing, or adversarial learning.

日本語の概要は準備中です。原文の説明を表示しています。

Use Gaussian-SLAM for CUDA RGB-D dense SLAM, Gaussian-splatting mapping, dataset/configuration preflight, checkpoint evaluation, reconstruction metrics, and global-map refinement.

日本語の概要は準備中です。原文の説明を表示しています。

Use Hugging Face Evaluate to load metrics, comparisons, and measurements; compute and combine results; run evaluator pipelines; create custom modules; troubleshoot optional dependencies, cache, Hub, and CLI workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Use the DVC repository skill for data versioning, pipelines, experiments, remotes/cache, metrics/params/plots, Python API usage, and DVC codebase maintenance.

日本語の概要は準備中です。原文の説明を表示しています。

Route Torchreid deep-person-reid workflows for person re-identification training, evaluation, feature extraction, metrics, visualization, and model export.

日本語の概要は準備中です。原文の説明を表示しています。

Route ClearerVoice-Studio tasks for ClearVoice inference, SpeechScore metrics, and speech-model training or data-preparation workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Routes AIX360 explainability tasks across local black-box attribution, counterfactuals and certification, interpretable models, time-series explanations, datasets, and explanation-quality metrics.

日本語の概要は準備中です。原文の説明を表示しています。

Use Adversarial Robustness Toolbox (ART) for estimator wrappers, adversarial attacks, defences, poisoning/privacy/extraction, metrics, and certification workflows.

日本語の概要は準備中です。原文の説明を表示しています。

Use IBM AI Fairness 360 for tabular fairness datasets, metrics, bias mitigation algorithms, sklearn-compatible workflows, subgroup detectors, and explainers.

日本語の概要は準備中です。原文の説明を表示しています。

Use the ALAE repository for Adversarial Latent Autoencoder data preparation, CUDA training, checkpoint-backed generation, latent editing, and legacy metrics.

日本語の概要は準備中です。原文の説明を表示しています。

Measure GTM with the metrics that matter (net developer retention, DREAM funnel) instead of vanity numbers. Use when the user has dashboards full of stars and pageviews but can't tell if go-to-market is working, or is optimizing acquisition over a leaky bucket.

日本語の概要は準備中です。原文の説明を表示しています。

Assessment of pseudonymization techniques and re-identification risk. Covers tokenization, hashing, encryption-based pseudonymization, and hybrid approaches. Includes re-identification risk scoring using the motivated intruder test, quantitative metrics (marketer, journalist, prosecutor models), and linkage attack resilience evaluation. References ENISA 2019 pseudonymization report.

日本語の概要は準備中です。原文の説明を表示しています。

Conducts Data Protection Impact Assessments for biometric identification and authentication systems under GDPR Article 35 and Article 9 special category rules. Covers facial recognition, fingerprint, iris scanning, voice recognition, and behavioural biometrics. Applies EDPB Guidelines 3/2019, CNIL Reglement Type Biometrie, and ISO/IEC 24745 biometric template protection. Keywords: DPIA biometric, facial recognition, fingerprint, Art. 35, Art. 9, biometric template, special category.

日本語の概要は準備中です。原文の説明を表示しています。

Evaluates anonymization as a retention alternative under GDPR Recital 26, applying the WP29 Opinion 05/2014 techniques including randomization and generalization. Validates anonymization effectiveness using k-anonymity, l-diversity, and t-closeness metrics. Activate for anonymization, de-identification, k-anonymity, retention alternative queries.

日本語の概要は準備中です。原文の説明を表示しています。

Use when adding Spring AI-specific model observations, token usage, latency, externally configured cost attribution, advisor telemetry, or protected prompt and completion logging. Use production-observability for general service metrics, health, logs, and OTLP setup.

日本語の概要は準備中です。原文の説明を表示しています。

Use when adding service-wide Spring Boot 3 Actuator, Micrometer metrics, distributed tracing, OpenTelemetry export, structured logging, health probes, dashboards, or alerts. Combine with ai-observability only for Spring AI-specific token, prompt, and model telemetry.

日本語の概要は準備中です。原文の説明を表示しています。

Reduce AWS spend with rightsizing, autoscaling, commitment planning, and storage lifecycle policies. Use when running FinOps reviews, lowering cloud bills, or improving cost-per-request metrics.

日本語の概要は準備中です。原文の説明を表示しています。