> ## Documentation Index > Fetch the complete documentation index at: https://avala.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # Fleet learning > Comment Avala transforme les défaillances de votre flotte en données, en évaluations et en releases dont votre prochain modèle a besoin Avala est la Fleet Learning Infrastructure for Physical AGI. Chaque flotte devrait apprendre de sa propre expérience. Avala se situe dans la couche d'infrastructure, sous votre modèle. Vous entraînez le modèle et vous en êtes propriétaire. Avala opère la boucle qui l'entoure : évaluation, diagnostic des défaillances, collecte, validation et release. Cette section documente le programme de fleet learning. Elle couvre la boucle, les enregistrements qu'Avala conserve, les schémas qu'Avala livre et les rapports que vous recevez. ## La boucle Chaque cycle part de ce que votre flotte fait dans le monde réel et se termine par une release sur laquelle vous pouvez entraîner votre modèle. **1. Observer** Vos robots fonctionnent. Les rollouts, les interventions et les défaillances arrivent dans Avala sous forme d'enregistrements et d'événements de flotte. Consultez [Ingestion des défaillances](/docs/fr/fleet-learning/failure-ingestion.md). **2. Diagnostiquer** Avala segmente les rollouts, regroupe les défaillances dans une taxonomie des défaillances et rédige un rapport d'écarts. **3. Évaluer** Avala note la version actuelle de votre modèle sur des scènes d'évaluation réelles mises de côté. Consultez [Évaluation](/docs/fr/fleet-learning/evaluation.md). **4. Acquérir** Avala collecte les données que le rapport d'écarts demande. Chaque lot cible des [cellules de couverture](/docs/fr/fleet-learning/coverage.md) précises et ne compte que les [heures acceptées](/docs/fr/fleet-learning/accepted-hour.md). **5. Entraîner** Vous entraînez votre modèle sur la release. L'entraînement reste de votre côté. **6. Valider** Avala réévalue la nouvelle version du modèle sur les mêmes scènes mises de côté et rapporte le changement par mode de défaillance. **7. Publier** Avala publie une release de jeu de données versionnée, aux droits vérifiés, avec les [métadonnées de séquence](/docs/fr/fleet-learning/sequence-metadata.md) et les [exports d'entraînement](/docs/fr/fleet-learning/exports.md). **8. Observer** Le nouveau modèle retourne dans votre flotte. Ses rollouts lancent le cycle suivant. ## Qui fait quoi | Étape | Vous | Avala | | - | - | - | | Observer | Faites fonctionner la flotte. Envoyez les rollouts, les journaux et les interventions. | Ingère les enregistrements et les événements. Vérifie l'intégrité des capteurs. | | Diagnostiquer | Examinez le rapport d'écarts. Fixez les priorités. | Segmente les rollouts, regroupe les défaillances, rédige le rapport d'écarts. | | Évaluer | Fournissez des versions du modèle ou des rollouts sur les scènes d'évaluation. | Maintient les scènes mises de côté, note les exécutions, rapporte les métriques. | | Acquérir | Approuvez le brief. | Conçoit la campagne de capture, collecte, révise et accepte les séquences. | | Entraîner | Entraînez le modèle et restez-en propriétaire. | Livre la release dans les formats que lit votre stack d'entraînement. | | Valider | Exécutez la nouvelle version du modèle. | Réévalue et rapporte le changement de capacité. | | Publier | Décidez de ce qui part vers la flotte. | Versionne le jeu de données, enregistre la provenance et le consentement, publie la release. | Vous décidez de ce que le modèle apprend et du moment où il part en production. Avala fournit les preuves et les données pour chaque décision. ## Déroulement d'un engagement Chaque engagement suit les mêmes cinq étapes. Chaque étape produit un artefact que vous pouvez inspecter. 1. **Défaillance.** Vous envoyez des rollouts où le modèle a échoué ou a eu besoin d'aide. Avala les lit sous forme d'enregistrements et d'événements de flotte. 2. **Rapport d'écarts.** Avala regroupe les défaillances par mode de défaillance et nomme les cellules de couverture absentes ou trop minces. 3. **Brief.** Avala transforme le rapport d'écarts en brief de collecte. Le brief liste les cellules de couverture cibles, les limites de concentration, les critères d'acceptation et la cohorte d'évaluation. Vous l'approuvez. 4. **Lot.** Avala collecte et révise le lot. Chaque livraison est accompagnée d'un [rapport de couverture](/docs/fr/fleet-learning/coverage.md) et de métadonnées par séquence. 5. **Réévaluation.** Avala note la version suivante de votre modèle sur les scènes mises de côté. Le [rapport de capacités](/docs/fr/fleet-learning/evaluation.md) montre ce qui a changé et fixe l'allocation suivante. Les rapports d'écarts, les briefs et les rapports de capacités sont livrés dans le cadre du programme. Vous pouvez lire les objets sur lesquels ils reposent, comme les enregistrements de flotte, les campagnes de capture, les jeux de données et les slices, avec les SDKs et le serveur MCP. Avala suit chaque cycle sous forme d'[expérience de capacité](/docs/fr/fleet-learning/capability-experiments.md). L'enregistrement relie la version du modèle, la défaillance, les données et le résultat. ## Dans cette section > **[Expériences de capacité](/docs/fr/fleet-learning/capability-experiments.md)** > > L'enregistrement qui relie une défaillance aux données collectées pour elle et au résultat mesuré. > **[Schéma des métadonnées de séquence](/docs/fr/fleet-learning/sequence-metadata.md)** > > L'étiquette de résultat de chaque séquence, la façon dont la validité technique est rapportée, et comment lire et exporter les deux. > **[Heure acceptée](/docs/fr/fleet-learning/accepted-hour.md)** > > L'unité qu'Avala livre, et les motifs de rejet qu'Avala rapporte. > **[Couverture](/docs/fr/fleet-learning/coverage.md)** > > Cellules de couverture, limites de concentration, contrôles de chevauchement et rapport de couverture. > **[Évaluation](/docs/fr/fleet-learning/evaluation.md)** > > Scènes mises de côté, notation, métriques et rapport de capacités. > **[Ingestion des défaillances](/docs/fr/fleet-learning/failure-ingestion.md)** > > Envoyez rollouts et défaillances avec le SDK, la CLI et le serveur MCP. > **[Exports](/docs/fr/fleet-learning/exports.md)** > > Import et export LeRobot, et le contenu de chaque release.