ความสามารถ 01↗
ค่าตอบแทนโดยประมาณ—
ตัวอย่างข้อมูลจำลอง · ฝึกโมเดลเพื่อใช้งานจริง
การทำนายเงินเดือน
ประมาณการเงินเดือนโดยใช้คุณสมบัติของพนักงานและรูปแบบที่เรียนรู้จากข้อมูลการฝึกที่มีอยู่
สำรวจการทำนายเงินเดือน →
พื้นที่ของฉัน/
กำลังโหลดพื้นที่ทำงานของคุณ…
ข้อมูลเชิงลึกด้านเงินเดือนเพื่อการตัดสินใจที่แท้จริง
มองให้ไกลกว่าตัวเลข
สำรวจว่าประสบการณ์ การศึกษา และทักษะ ผสมผสานกันอย่างไรเพื่อให้ได้การประมาณการเงินเดือนที่รอบคอบ
ข้อมูลนำเข้าที่ชัดเจน บริบทที่มีประโยชน์ การตัดสินใจของคุณ
ตัวอย่างข้อมูลเชิงลึกของเงินเดือนพร้อมสำหรับการสำรวจ
โปรไฟล์ของคุณ→รูปแบบเงินเดือน→ค่าประมาณการของคุณ
สัญญาณโปรไฟล์z = xW + b
สัญญาณรูปแบบ∂L / ∂W
การประมาณการของคุณ—
พร้อมเมื่อคุณต้องการ01 / โต้ตอบ
อาชีพของคุณ ข้อมูลของคุณ ข้อมูลเชิงลึกด้านเงินเดือน
ทดลองขั้นตอนการประมาณการด้วยโปรไฟล์ตัวอย่าง และรับข้อมูลเชิงลึกด้านเงินเดือนที่ชัดเจนภายในไม่กี่วินาที
สตูดิโอทำนายเงินเดือน
สร้างโปรไฟล์พนักงาน
ประสบการณ์ (ปี)
4.0
คะแนนทักษะ
85
ระดับการศึกษา
ตำแหน่งงาน
Adjust the profile, then run a real model prediction.สร้างการประมาณการเงินเดือน
02 / ความสามารถ
ความฉลาดที่คุณเข้าใจได้จริง
ก้าวไปไกลกว่าการทำนาย สำรวจกระบวนการเรียนรู้
ความสามารถ 02↗
การแสดงภาพโครงข่ายประสาทเทียม
สำรวจว่าข้อมูลนำเข้าเคลื่อนผ่านเลเยอร์ที่ซ่อนอยู่เพื่อสร้างการทำนายเงินเดือนเป็นตัวเลขได้อย่างไร
สำรวจโครงข่าย →ความสามารถ 03↗
INPUTŷLOSS
GRADIENT∂อัปเดต
Backpropagation
ทำความเข้าใจว่าข้อผิดพลาดในการทำนายขับเคลื่อนการอัปเดตพารามิเตอร์ระหว่างการฝึกโครงข่ายประสาทเทียมได้อย่างไร
ทำความเข้าใจกระบวนการเรียนรู้ →03 / กลไกการทำงาน
ทุกการทำนายมีกระบวนการเรียนรู้
สำรวจคณิตศาสตร์ที่อยู่เบื้องหลังโมเดล แผนภาพนี้มีไว้เพื่อประกอบการอธิบาย การฝึกฝนจริงเกิดขึ้นในศูนย์ฝึกฝนบนเบราว์เซอร์
Forward propagationการคำนวณค่าความสูญเสียBackpropagationการอัปเดตพารามิเตอร์
คุณลักษณะเคลื่อนผ่านเลเยอร์ที่มีน้ำหนักและกลายเป็นผลลัพธ์เชิงตัวเลข
01Z = XW + b
อินพุตที่มีน้ำหนักบวกกับค่าไบแอส (bias) จะสร้างเป็น pre-activation
02A = f(Z)
ฟังก์ชันกระตุ้น (activation function) จะแปลงสัญญาณ
03L = (y − ŷ)²
Loss วัดช่องว่างระหว่างความเป็นจริงและค่าประมาณการ
04Wnew = Wold − η(∂L/∂W)
Gradient descent จะปรับพารามิเตอร์ให้มุ่งไปสู่ค่า Loss ที่ต่ำลง
04 / ขั้นตอนการทำงาน
จากคุณสมบัติของพนักงานสู่ข้อมูลเชิงลึกด้านเงินเดือน
ให้ข้อมูล
ประสบการณ์ การศึกษา บทบาทหน้าที่ และทักษะที่สนับสนุน
เตรียมฟีเจอร์
เปลี่ยนคำตอบของคุณให้เป็นโปรไฟล์ที่ชัดเจนเพื่อให้แอปสามารถอ่านได้
รันเครือข่าย
แอปจะเปรียบเทียบโปรไฟล์ของคุณกับรูปแบบเงินเดือนที่เรียนรู้ไว้
สร้างการประมาณการ
คุณจะได้รับประมาณการเงินเดือนแบบง่ายๆ
สำรวจผลลัพธ์
ตรวจสอบการประมาณการและบริบทที่อยู่เบื้องหลัง
05 / สัญญาณข้อมูล
ทำความเข้าใจรูปแบบที่อยู่เบื้องหลังค่าตอบแทน
สำรวจโปรไฟล์ตัวอย่างที่อยู่เบื้องหลังรูปแบบเงินเดือน สิ่งเหล่านี้เป็นสัญญาณที่มีประโยชน์ แต่ไม่ใช่การรับประกัน
ประสบการณ์ / เงินเดือน
เมื่อประสบการณ์พบกับค่าตอบแทน
ช่วงเงินเดือน
ช่วงของตัวอย่างที่มีอยู่
โปรไฟล์ตัวอย่างพร้อมช่วยให้คุณสำรวจรูปแบบเงินเดือนแล้ว
ลองประมาณการ →06 / ทำไมสิ่งนี้จึงสำคัญ
AI ควรสามารถอธิบายได้
แนวทางที่ชัดเจน
ดูว่ารายละเอียดโปรไฟล์ส่วนใดที่มีผลต่อการประมาณการ
บริบทที่มีประโยชน์
เปรียบเทียบผลลัพธ์ของคุณกับโปรไฟล์ตัวอย่างที่มีอยู่
การตีความอย่างมีความรับผิดชอบ
การประมาณการขึ้นอยู่กับข้อมูลที่ใช้ฝึกฝน และไม่ใช่การรับประกันค่าตอบแทน
เรียนรู้ · วัดผล · ตีความ
07 / เริ่มต้นที่นี่
ข้อมูลเชิงลึกถัดไปของคุณเริ่มต้นที่นี่
สำรวจความสัมพันธ์ระหว่างประสบการณ์ ทักษะ และค่าตอบแทนโดยประมาณผ่านปัญญาประดิษฐ์แบบโครงข่ายประสาทเทียม
พื้นที่ทำงานขั้นสูง
พื้นที่ทำงานทางเทคนิค
เครื่องมือการฝึกฝน การประเมิน ข้อมูล และการเรียนรู้อยู่ที่นี่ เพื่อให้ประสบการณ์หลักด้านเงินเดือนยังคงเรียบง่าย
สำหรับผู้สร้างและผู้ตรวจสอบ
ใช้พื้นที่ทำงานนี้เพื่อฝึกโมเดล ตรวจสอบหลักฐาน จัดการระเบียน และเรียนรู้วิธีการทำงานของเอนจิน
โมเดลที่ใช้งานอยู่
—
บันทึกการฝึกฝน
—
พร้อมสำหรับการฝึกฝน
เวอร์ชันปัจจุบัน
—
อาร์ทิแฟกต์โมเดลที่บันทึกไว้
การประมาณค่าที่บันทึกไว้
—
ประวัติผู้ใช้
เครื่องมือทางเทคนิค
เลือกพื้นที่ทำงานที่เน้นเฉพาะสำหรับขั้นตอนถัดไป
ฝึกฝนโมเดล
เลือกการตั้งค่าการเรียนรู้ เริ่มการฝึกฝน และบันทึกโมเดลใหม่
เปิดการฝึกฝน →ตรวจสอบประสิทธิภาพ
ตรวจสอบแผนภูมิการประเมินและเปรียบเทียบโมเดลที่ใช้งานกับผลการทดสอบ
เปิดประสิทธิภาพ →จัดการชุดข้อมูล
ตรวจสอบระเบียน นำเข้า CSV หรือคืนค่าชุดข้อมูลตัวอย่าง
เปิดชุดข้อมูล →สำรวจเครือข่าย
ใช้ห้องปฏิบัติการจำลองและโปรแกรมจำลองแบบทีละขั้นตอนเพื่อทำความเข้าใจขั้นตอนการเรียนรู้
เปิดแล็บเครือข่าย →ความชัดเจนสำหรับการก้าวต่อไปของคุณ
เข้าใจเรื่องเงินเดือน วางแผนได้อย่างมั่นใจ
สำรวจการประมาณการเงินเดือนที่สร้างจากประสบการณ์ การศึกษา ทักษะ และโปรไฟล์ตัวอย่างที่มีอยู่
ข้อมูลเชิงลึกด้านเงินเดือนส่วนบุคคล·สร้างจากโปรไฟล์ของคุณ
ตัวอย่างข้อมูลเชิงลึกด้านเงินเดือน
โปรไฟล์รูปแบบการประมาณค่า
ดูรูปแบบเบื้องหลังค่าตอบแทน
สำรวจโปรไฟล์ตัวอย่างที่อยู่เบื้องหลังการประมาณการแต่ละรายการ
การประมาณการเทียบกับโปรไฟล์ตัวอย่าง
การเปรียบเทียบอย่างง่ายกับตัวอย่างที่มีอยู่
ความคืบหน้าของการประมาณการ
ใช้งานได้หลังจากบันทึกการประมาณการ
ช่วงเงินเดือน
ประสบการณ์และเงินเดือน
โปรไฟล์ตัวอย่างที่มีอยู่ · รูปแบบไม่ใช่การรับประกัน
พื้นที่ทำงานด้านเงินเดือนของคุณ
มุมมองอย่างง่ายของข้อมูลเชิงลึกในโปรไฟล์ที่คุณบันทึกไว้
จากโปรไฟล์ของคุณสู่การประมาณการ
ประมาณการเงินเดือน
เพิ่มรายละเอียดเล็กน้อยเพื่อสำรวจการประมาณการเงินเดือนส่วนบุคคล
เครื่องมือประมาณการยังไม่พร้อมใช้งาน โปรดกู้คืนโปรไฟล์ตัวอย่างหรือลองอีกครั้งปรับปรุงการประมาณการ
โปรไฟล์ของคุณ
ลองใช้ตัวอย่างประสบการณ์ (ปี)
ปี
ระดับการศึกษา
ตำแหน่งงาน
คะแนนทักษะ
/ 100
แผนก
ล้างแบบฟอร์มรับการประมาณการของฉัน
การประมาณการของคุณ
ANNมุมมองที่ชัดเจนขึ้นเริ่มต้นที่นี่
เพิ่มรายละเอียดของคุณเพื่อรับการประมาณการเงินเดือนในทันที
เงินเดือนโดยประมาณ
เปรียบเทียบกับโปรไฟล์ที่มีอยู่
บันทึกการประมาณการนี้คัดลอกการประมาณการดาวน์โหลด ↓
นี่คือการประมาณการเพื่อการสำรวจเท่านั้น ไม่ใช่คำมั่นสัญญาเรื่องค่าตอบแทน โปรไฟล์ตัวอย่างอาจไม่ได้สะท้อนถึงทุกสถานที่ทำงานหรือทุกตลาด
สอนเครือข่ายของคุณ
ศูนย์ฝึกสอนโมเดล
การเรียนรู้ตามเกรเดียนต์จริง โดยคำนวณทุก epoch
การกำหนดค่าการฝึกสอน
เอนจินเบราว์เซอร์การกำหนดค่าเลเยอร์ซ่อน
อัตราการเรียนรู้ (Learning rate)
จำนวน Epoch
ขนาด Batch
ตัวเพิ่มประสิทธิภาพ (Optimizer)
การกระตุ้นเลเยอร์ซ่อน (Hidden activation)
Random seed
สัดส่วนข้อมูลตรวจสอบ (Validation fraction)
สัดส่วนข้อมูลทดสอบ (Held-out test fraction)
20% · การแบ่งข้อมูลแบบคงที่, seed 2026
การทำให้เป็นมาตรฐานเฉพาะการฝึกสอน + การเข้ารหัสแบบ one-hot โดยเป้าหมายเงินเดือนจะถูกทำให้เป็นมาตรฐาน และข้อผิดพลาดที่รายงานทั้งหมดจะถูกแปลงกลับเป็นหน่วยสกุลเงินรายปี
เริ่มการฝึกสอนกำลังดำเนินการเรียนรู้
0 / 100 จำนวน Epoch
ยกเลิกการฝึกสอนดูการประเมินผล ↗
ไปป์ไลน์การเรียนรู้
- ตรวจสอบระเบียนและตรึงชุดข้อมูลทดสอบ
- ปรับการเตรียมข้อมูลเบื้องต้น (preprocessing) โดยใช้ระเบียนการฝึกสอนเท่านั้น
- Forward pass → MSE → backpropagation
- อัปเดตน้ำหนักและติดตามค่า validation loss
- ประเมินผลข้อมูลทดสอบและบันทึก model artifact
หลักฐานเหนือกว่าการสมมติ
ประสิทธิภาพของโมเดล
การประมาณการเทียบกับโปรไฟล์ตัวอย่าง
ความคืบหน้าของการประมาณการ
ส่วนต่างของการประมาณการ
ความหมายของตัวเลข
- MAE
- ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยของการทำนาย ในหน่วยเงินเดือนรายปี ยิ่งต่ำยิ่งดี
- RMSE
- ในหน่วยเงินเดือนรายปีเช่นกัน โดยมีการลงโทษความผิดพลาดขนาดใหญ่ที่รุนแรงกว่า
- R²
- ประสิทธิภาพเมื่อเทียบกับค่าเฉลี่ยพื้นฐาน อาจมีค่าเป็นลบ และไม่รับประกันความยุติธรรมหรือความแม่นยำรายบุคคล
เวอร์ชันโมเดลที่บันทึกไว้
โมเดลล่าสุดกำลังทำงานเปรียบเทียบเฉพาะแถวที่มีลายนิ้วมือชุดข้อมูล (dataset fingerprint) และการแบ่งชุดทดสอบ (test split) เดียวกันเท่านั้น การฝึกฝนใช้ epoch สุดท้าย โดยไม่มีการเลือกตามผลการทดสอบ
| เวอร์ชัน | ชุดข้อมูล / การแบ่งส่วน | สถาปัตยกรรม | MAE | RMSE | R² | วันที่ |
|---|
ยังไม่มีโมเดลที่บันทึกไว้ ฝึกฝนเครือข่ายแรกของคุณเพื่อดูผลการประเมินจริง
ทำให้สิ่งที่มองไม่เห็นปรากฏขึ้น
ห้องปฏิบัติการโครงข่ายประสาทเทียม
ติดตามสัญญาณ ตามรอยเกรเดียนต์ ทำความเข้าใจว่าเครือข่ายเรียนรู้ได้อย่างไร
มุมมองเพื่อการศึกษา แอนิเมชันของสัญญาณมีไว้เพื่อประกอบการอธิบาย ไม่ใช่การกระตุ้นของนิวรอนจริง ตัวจำลองเชิงตัวเลขใช้โมเดลน้ำหนักเดี่ยวแยกต่างหาก
สถาปัตยกรรมเครือข่าย
การแพร่ไปข้างหน้า (Forward propagation)การแพร่ย้อนกลับ (Backpropagation)หยุดชั่วคราว / เปลี่ยนโหมดเล่นซ้ำ
Z = XW + bA = f(Z)ผลลัพธ์: ŷ = AW + b (เชิงเส้น)
Backpropagation ทีละขั้นตอน
เครื่องจำลองแยกส่วนการคำนวณสเกลาร์จริง: x = 1, y = 2, ŷ = wx + b เริ่มต้นด้วย w = 0.5, b = 0 นี่ไม่ใช่โมเดลเงินเดือน
อัตราการเรียนรู้ (Learning rate)
จำนวน Epoch
เริ่มการจำลองก้าวไปข้างหน้าย้อนกลับรีเซ็ต
การเรียนรู้จากความผิดพลาด
L = (y − ŷ)²∂L/∂w = 2(ŷ − y)x∂L/∂b = 2(ŷ − y)w ← w − η ∂L/∂wb ← b − η ∂L/∂b
โมเดลเงินเดือนจะคำนวณค่าเฉลี่ยของความคลาดเคลื่อนยกกำลังสองในแต่ละชุดข้อมูล: MSE = (1/n) Σ(yᵢ − ŷᵢ)² โดยเกรเดียนต์จะไหลผ่านเลเยอร์ที่ซ่อนอยู่โดยใช้กฎลูกโซ่ (chain rule)
รู้ว่าโมเดลของคุณรู้อะไร
ตัวสำรวจชุดข้อมูล
ดาวน์โหลด CSVนำเข้า CSV
บันทึกข้อมูลพนักงาน
คืนค่าชุดข้อมูลตัวอย่าง
| ประสบการณ์ (ปี) | ระดับการศึกษา | ตำแหน่งงาน | คะแนนทักษะ | แผนก | เงินเดือนต่อปี |
|---|
ไม่พบระเบียนที่ตรงกัน
ก่อนหน้าถัดไป
สัดส่วนการศึกษา
สัดส่วนบทบาท
สัดส่วนแผนก
ช่วงประสบการณ์
โครงสร้าง CSV และการใช้งานอย่างรับผิดชอบ
คอลัมน์ที่จำเป็น: experience, education, role, skill, department, salary จำนวน 60–5,000 แถว ขนาดสูงสุด 2 MB ประสบการณ์ (Experience): 0–40, ทักษะ (skill): 0–100, เงินเดือนต่อปี (annual salary): 1,000–100,000,000 ห้ามมีช่องว่างในฟิลด์ข้อมูล จำกัดสูงสุด 30 หมวดหมู่ต่อหนึ่งคุณลักษณะเชิงหมวดหมู่ คอลัมน์ส่วนเกินจะถูกคัดออก
ใช้เฉพาะข้อมูลที่คุณได้รับอนุญาตให้ประมวลผลเท่านั้น ห้ามใส่ชื่อหรือคุณลักษณะที่ได้รับการคุ้มครอง ข้อมูลที่นำเข้ายังไม่ได้รับการตรวจสอบ การกำหนดหมวดหมู่ที่มีความหมายและการขอใบอนุญาตที่เหมาะสมเป็นความรับผิดชอบของคุณ การเปลี่ยนชุดข้อมูลจะทำให้โมเดลที่ใช้งานอยู่เป็นโมผล แต่จะยังคงรักษาการคาดการณ์ในอดีตไว้
การสำรวจของคุณ ถูกบันทึกไว้
ประวัติการทำนาย
การประมาณค่าที่บันทึกไว้ ข้อมูลนำเข้า และโมเดลที่ใช้ในการคำนวณ
| ID | วันที่ | ตำแหน่งงาน | ประสบการณ์ (ปี) | เงินเดือนต่อปี | เวอร์ชัน | การดำเนินการ |
|---|
เริ่มต้นใหม่
บันทึกการทำนายจากสตูดิโอเพื่อสร้างประวัติของคุณ ไม่มีการเพิ่มตัวอย่างการทำนาย
ประมาณการเงินเดือนก่อนหน้าถัดไป
พื้นที่ทำงานของคุณ ในแบบของคุณ
การตั้งค่า
การตั้งค่าการแสดงผลและข้อมูลการทำงานที่โปร่งใส
การแสดงผลค่าตอบแทน
สกุลเงิน
ป้ายกำกับสกุลเงิน ไม่ใช่การแปลงอัตราแลกเปลี่ยนเงินตราต่างประเทศ โปรดตั้งค่าให้ตรงกับสกุลเงินของชุดข้อมูลต้นฉบับ การพยากรณ์ที่บันทึกไว้จะยังคงใช้สกุลเงินเดิม
เกณฑ์การแสดงผลการพยากรณ์
สลับความคมชัดBrowser edition · ขอบเขตการทำงาน (runtime boundaries)
มินิแอปนี้รัน JavaScript ANN จริง ไม่ใช่ Python API ที่โฮสต์ไว้ การฝึกฝนจะคืนทรัพยากรให้เบราว์เซอร์ระหว่าง epoch โมเดล ชุดข้อมูล และประวัติการใช้งานจะใช้พื้นที่จัดเก็บข้อมูลรายผู้ใช้ของแพลตฟอร์ม ไม่ใช่ SQL ไม่มีการใช้บริการข้อมูลเงินเดือนจากภายนอก ไม่มีการรับประกันความพร้อมใช้งานของบริการ หรือโมเดลในโลกความเป็นจริงที่ผ่านการตรวจสอบอย่างเป็นอิสระ
เรียนรู้เพิ่มเติมความโปร่งใสโดยการออกแบบ
เกี่ยวกับโมเดล
เครื่องมือการเรียนรู้ที่แท้จริง พร้อมการอธิบายข้อจำกัดอย่างตรงไปตรงมา
ระเบียบวิธี
Feedforward Multilayer Perceptron ใช้ประสบการณ์และทักษะที่ปรับมาตรฐานแล้ว พร้อมด้วยการเข้ารหัสแบบ one-hot สำหรับการศึกษา บทบาท และแผนก เลเยอร์ที่ซ่อนอยู่ใช้ ReLU หรือ tanh ส่วนผลลัพธ์การถดถอยของเงินเดือนเป็นแบบเชิงเส้น การคำนวณ MSE gradients ใช้กฎลูกโซ่ (chain rule) และปรับให้เหมาะสมด้วย Adam หรือ minibatch SGD
การทำซ้ำได้และการป้องกันข้อมูลรั่วไหล
การสุ่มแบบกำหนด seed จะสำรองข้อมูล 20% ไว้สำหรับการทดสอบ การตรวจสอบความถูกต้องจะนำมาจากระเบียนที่เหลือโดยใช้ training seed การปรับขนาดตัวเลข คำศัพท์หมวดหมู่ และการปรับมาตรฐานเป้าหมายจะถูกปรับให้เหมาะสมกับข้อมูลการฝึกฝนเท่านั้น หมวดหมู่ที่ไม่รู้จักจะใช้ช่อง unknown ที่กำหนดไว้ ข้อมูลทดสอบจะถูกประเมินหลังจาก epoch สุดท้ายเท่านั้น สิ่งประดิษฐ์จะจัดเก็บน้ำหนัก (weights), ค่าความเอนเอียง (biases), การประมวลผลเบื้องต้น, การกำหนดค่า และการประเมินไว้ด้วยกัน
ที่มาของข้อมูล
ระเบียน 480 รายการแรกเป็นตัวอย่างสังเคราะห์ที่สร้างขึ้นซ้ำได้ด้วย seed 2026 ซึ่งไม่ใช่เงินเดือนพนักงานจริงและไม่มีการรับรองความถูกต้องตามราคาตลาด ตัวสร้างข้อมูลสังเคราะห์นี้กำหนดชุดข้อมูลเพื่อการสอน โดยการคาดการณ์จะมาจาก ANN ที่ผ่านการฝึกฝนแล้วเสมอ ไม่ได้มาจากตัวสร้างข้อมูลดังกล่าว การอัปโหลด CSV ของผู้ใช้จะเข้ามาแทนที่ข้อมูลสาธิตและจะถูกทำเครื่องหมายว่ายังไม่ได้ตรวจสอบ
ข้อจำกัดและการใช้งานที่ตั้งใจไว้
เพื่อการสำรวจทางการศึกษาเท่านั้น ห้ามใช้สำหรับการจ้างงาน การตัดสินใจเรื่องค่าตอบแทน หรือการคัดกรองการจ้างงาน ไม่มีการตรวจสอบความยุติธรรม การระบุคุณลักษณะเชิงสาเหตุ ช่วงความเชื่อมั่น หรือการตรวจสอบความถูกต้องจากภายนอก ผลลัพธ์ของเงินเดือนอาจติดลบหรือไม่สมเหตุสมผล โดยจะไม่มีการตัดค่าทิ้งโดยอัตโนมัติ คุณลักษณะที่ได้รับการคุ้มครองไม่ใช่คุณลักษณะที่ใช้ในการคาดการณ์ หมวดหมู่ต่างๆ อาจยังคงมีความลำเอียงทางสังคม
สิ่งประดิษฐ์และการจัดเก็บ
โมเดลที่ใช้งานอยู่และสรุปเวอร์ชันสูงสุดหกรายการจะถูกบันทึกไว้ต่อผู้ใช้หนึ่งราย การคาดการณ์จะถูกบันทึกเมื่อมีการร้องขอเท่านั้น สูงสุด 500 ระเบียน การเปลี่ยนแปลงชุดข้อมูลจะทำให้โมเดลที่ใช้งานอยู่เป็นโมฆะ สิ่งประดิษฐ์ (artifacts) ที่จัดเก็บจะถูกตรวจสอบความถูกต้องก่อนโหลด หากการจัดเก็บล้มเหลวจะมีการรายงานและเซสชันปัจจุบันยังคงใช้งานได้ เวอร์ชันเบราว์เซอร์นี้ไม่มีการจัดเตรียมเซิร์ฟเวอร์หรือฐานข้อมูลให้
การตรวจสอบ
เครื่องมือจะตรวจสอบ numerical gradients เทียบกับ finite differences ก่อนการฝึกฝน การฝึกฝนจะปฏิเสธค่า loss ที่ไม่ใช่ค่าจำกัด (nonfinite) ตัวชี้วัดจะถูกคำนวณในหน่วยเงินเดือนรายปีเดิมบนข้อมูลทดสอบที่แยกไว้ สิ่งนี้ไม่ใช่สิ่งทดแทนชุดการทดสอบอัตโนมัติที่ดำเนินการอย่างอิสระเต็มรูปแบบ หรือการตรวจสอบความปลอดภัยในระดับโปรดักชัน
ยกเลิกยืนยัน