लाभ:
- AI-संचालित पाइथन कोडको साथ अनुकूलन र डेटा प्रशोधन कार्यहरू स्वचालित गर्ने क्षमता
- एकाइ जाँच, परीक्षण र किनारा मामिलाहरु संग AI-उत्पन्न कोड प्रमाणित गर्न क्षमता
- गोप्य उत्पादन डाटा सुरक्षित गर्न र जिम्मेवार एआई प्रयोग सिद्धान्तहरू लागू गर्ने क्षमता
औद्योगिक ईन्जिनियरिङ् मा, गति र दोहोरिने योग्यता दुबै प्राप्त गरिन्छ जब दोहोरिने गणनाहरू, डाटा क्लिनिङ र अप्टिमाइजेसन मोडेलहरू पाइथनसँग स्वचालित हुन्छन्। AI यो कोड लेख्नको लागि सबैभन्दा शक्तिशाली एक्सेलेटर हो: पाण्डाहरूसँग डाटा प्रोसेसिङ, PuLP/SciPy सँग अप्टिमाइजेसन, मिनेटमा matplotlib ड्राफ्ट कोडको साथ दृश्य। तर एआई कोडले स्वाभाविक रूपमा "काम गरिरहेको देखिन्छ" र "सही हुनु" बीचको भिन्नताको ग्यारेन्टी गर्दैन। यस इकाईमा, हामी AI-संचालित इन्जिनियरिङ स्वचालन, प्रमाणीकरण कोडको अनुशासन, र गोप्य उत्पादन डेटाको सुरक्षाका सिद्धान्तहरू संयोजन गर्छौं। यो एकाइ सबै अघिल्लो एकाइहरूमा "विश्वाससँग लागू गर्नुहोस्" तह हो।
किन कोड? पुनरावृत्ति र लेखा योग्यता
Excel मा एक म्यानुअल गणना छ महिना पछि "त्यो नम्बर कहाँ बाट आयो?" सोध्ने परिणाम हुनेछ। प्रश्नको जवाफ दिन सक्दैन। कोड, अर्कोतर्फ, इनपुट, चरणहरू, र आउटपुट स्पष्ट र दोहोर्याउन मिल्छ। कोडमा ईन्जिनियरिङ् गणना गर्दा तीनवटा फाइदाहरू: (1) सधैं उही इनपुटको साथ समान परिणाम, (2) प्रत्येक चरणलाई दृश्यात्मक र समीक्षायोग्य बनाउने, (3) इनपुट परिवर्तन हुँदा स्वचालित रूपमा नतिजा अद्यावधिक गर्ने।
# EOQ गणनालाई प्रमाणिकरण गर्न मिल्ने प्रकार्य आयात mathdef eoq(वार्षिक_डिमांड, अर्डर_लागत, होल्डिंग_लागत) मा परिणत गर्दै: """आर्थिक अर्डर मात्रा। एकाइहरू एकरूप हुनुपर्छ: वार्षिक_डिमांड [वस्तु/वर्ष], अर्डर_लागत [TL/order], होल्डिंग_लागत [TL/order], होल्डिंग_लागत = "वार्षिक_लागत" वा यदि <T_L]। होल्डिङ_लागत <= ०: raise ValueError("माग र होल्डिङ लागत सकारात्मक हुनुपर्छ") फर्काउनुहोस् math.sqrt((2 * वार्षिक_demand * order_cost) / होल्डिंग_लागत)# ज्ञात नतिजा (प्रमाणीकरण) सहितको परीक्षण:# D=3600, S=120, H=8 -> ~328,6, q80 (q80, q80) ३२८.६३) <०.१प्रिन्ट(राउण्ड(इओक्यू(३६००, १२०, ८), १)) #३२८.६
यहाँ दाबी लाइन महत्वपूर्ण छ: ज्ञात परिणाम विरुद्ध परीक्षण। AI ले लेख्ने प्रत्येक गणना प्रकार्यमा कम्तिमा एउटा "ज्ञात परिणाम परीक्षण" थपेर, तपाईंले कोडले वास्तवमा सही रूपमा गणना गरेको प्रमाणित गर्नुहुन्छ।
AI को साथ कोड उत्पन्न गर्ने सही तरिका
AI मा कोड लेख्दा जति कम अनिश्चितता हुन्छ, आउटपुट त्यति नै भरपर्दो हुन्छ।
भूमिका: तपाईं पाइथन र औद्योगिक इन्जिनियरिङ डेटा विश्लेषण मा एक विशेषज्ञ हुनुहुन्छ। कार्य: CSV मा दैनिक उत्पादन डाटा (मिति, उत्पादन, दोषपूर्ण, downtime_minutes) लाई प्रशोधन गर्ने प्रकार्य लेख्नुहोस् र दैनिक बर्बाद दर र लगभग OEE कम्पोनेन्टहरू गणना गर्दछ। आवश्यकताहरू:- पाण्डाहरू प्रयोग गर्नुहोस्, स्तम्भको नामहरू मान्य गर्नुहोस् (छुटेको खण्डमा बुझ्न योग्य त्रुटि दिनुहोस्)। - अपशिष्ट दर = दोषपूर्ण / उत्पादन; शून्यद्वारा विभाजन विरुद्ध सुरक्षा गर्नुहोस्।- प्रकार्यमा ज्ञात नतिजाको साथ परीक्षण (जोड) थप्नुहोस्।- डकस्ट्रिङमा एकाइ र अनुमानहरू लेख्नुहोस्। नियम: नेटवर्क/फाइल प्रणालीमा लेख्ने लुकेको प्रक्रिया थप्नुहोस्। केवल गणना गर्नुहोस्। तपाईं निश्चित हुनुहुन्न जहाँ टिप्पणीहरू चिन्ह लगाउनुहोस्।
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
कमजोर प्रम्प्ट:
उत्पादन दक्षता गणना गर्ने कोड लेख्नुहोस्।
"उपज" अपरिभाषित छ, कुनै डाटा योजना छैन, कुनै परीक्षण छैन। आउटपुटले काम गर्छ भने पनि, यसले के गणना गर्छ भन्ने स्पष्ट छैन।
शक्तिशाली प्रम्प्ट:
निम्न रेखाचित्रमा CSV को लागि OEE गणना गर्नुहोस्: स्तम्भहरू [योजनाबद्ध_समय, रन_टाइम, आदर्श_चक्र, उत्पादन गरिएको, गुणस्तर]। उपलब्धता = कार्य/योजनाबद्ध, प्रदर्शन = (आदर्श_चक्र × उत्पादित)/रन, गुणस्तर = गुणस्तर/उत्पादन। OEE यी तीनको उत्पादन हो। प्रत्येक कम्पोनेन्ट अलग-अलग फिर्ता गर्नुहोस्, शून्य द्वारा विभाजन ह्यान्डल गर्नुहोस्, र ज्ञात मानहरूको साथ एक दाबी परीक्षण थप्नुहोस्।
दोस्रो प्रम्प्टले स्पष्ट रूपमा प्रत्येक सूत्र र रेखाचित्र दिन्छ; यसले AI को "उपज" को गलत व्याख्या गर्ने सम्भावनालाई हटाउँछ र परीक्षणद्वारा प्रमाणीकरणलाई अनिवार्य गर्दछ।
कोड प्रमाणीकरण चेकलिस्ट
उत्पादन निर्णयमा AI कोड प्रयोग गर्नु अघि, यी चरणहरू मार्फत जानुहोस्:
कदम
के जाँच गर्ने
एकाइ/आकार
के इनपुट-आउटपुट एकाइहरू एकरूप छन्?
ज्ञात परिणाम परीक्षण
के यसले हात गणना गरिएको उदाहरण सही रूपमा दिन्छ?
किनारा केसहरू
शून्य, ऋणात्मक, खाली डाटा, एकल रेखाले के गर्छ?
अंकगणितीय क्रस-चेक
के नतिजा सानो नमूनामा स्पष्ट छ?
अदृश्य साइड इफेक्ट
के कोडले डाटा मेटाउँछ/पठाउँछ?
सावधानी: AI ले कहिलेकाहीं "काम गर्छ तर गलत छ" कोड उत्पादन गर्छ: उदाहरणका लागि, यसले गलत/कुलको सट्टा गलत/उत्पादन गरिएको बर्बाद दर गणना गर्छ, वा दरसँग प्रतिशतलाई भ्रमित गर्छ। केवल किनभने कोड त्रुटि बिना काम गर्दछ यसको मतलब यो सही छैन। ज्ञात परिणाम संग परीक्षण गर्न निश्चित हुनुहोस्।
सुरक्षा र डाटा गोपनीयता
उत्पादन डेटा व्यापार रहस्य हो: क्षमता, लागत, ग्राहक माग, आपूर्तिकर्ता मूल्य। एआई सेवामा आवेगपूर्वक यसलाई टाँस्नु गम्भीर जोखिम हो।
- डेटा गुमनाम गर्नुहोस्: वास्तविक ग्राहक/आपूर्तिकर्ता नामहरूको सट्टा कोडहरू प्रयोग गर्नुहोस्; नमूना मानहरूसँग सटीक लागतहरू बदल्नुहोस्।
- कर्पोरेट नीति पालना गर्नुहोस्: तपाईंको कम्पनी द्वारा अनुमोदित एआई उपकरण र डेटा वर्गीकरण नियमहरू प्रयोग गर्नुहोस्।
- कोड अनुरोध गर्नुहोस्, डाटा स्थानीय रूपमा चलाउनुहोस्: AI लेख्नुहोस् कोड छ, तर कोडलाई आफ्नै वातावरणमा, वास्तविक डाटाको साथ चलाउनुहोस्। यसरी, संवेदनशील डाटा बाहिर आउँदैन।
- आउटपुटको समीक्षा गर्नुहोस्: एआई कोडले अप्रत्याशित ठाउँमा डाटा पठाउँदै छ कि छैन भनेर जाँच गर्नुहोस् (नेटवर्क कल, बाह्य API)।
सुझाव: "एआई लेख्ने कोड बनाउनुहोस्, डेटा स्थानीय रूपमा प्रशोधन गर्नुहोस्" को सिद्धान्तले गोपनीयता सुरक्षित गर्दछ र एआईलाई नक्कली नम्बरहरू उत्पन्न गर्नबाट रोक्छ। वास्तविक समाधानकर्ता/पुस्तकालयले गणना गर्छ, एआईले मात्र कंकाल बनाउँछ।
मिनी केस: काम गरिरहेको तर गलत कोड
एउटा कारखानामा, औद्योगिक इन्जिनियर मेर्टसँग AI ले स्क्रिप्ट लेख्छ जसले मासिक OEE रिपोर्ट उत्पादन गर्छ। कोड सहज रूपमा चल्छ र 92% को राम्रो OEE दिन्छ। तर जब Mert ले यो ज्ञात दिन (एक दिन जुन उसले म्यानुअल रूपमा गणना गरेको थियो, जसमा 78% को OEE हुनुपर्दछ) विरुद्ध परीक्षण गर्छ, कोडले 92% फर्काउँछ। समीक्षा गर्दा, उसले फेला पार्छ कि AI ले प्रदर्शन कम्पोनेन्ट गलत रूपमा सेट अप गरेको छ (आदर्श चक्रको सट्टा औसत चक्र प्रयोग गरेर)। सुधार गर्दा, मूल्य वास्तविकतासँग मेल खान्छ। कोडले कुनै त्रुटि बिना गलत परिणामहरू उत्पादन गरिरहेको थियो। पाठ: ज्ञात नतिजाहरूसँग परीक्षण नगरिकन, एक गलत OEE ले महिनौंसम्म व्यवस्थापन निर्णयहरूमा प्रवेश गरेको थियो।
सामान्य गल्तीहरू
- सोच्दै "काम = सही": त्रुटिहरू सही रूपमा नदिने कोड स्वीकार गर्दै; ज्ञात परिणाम संग परीक्षण छैन।
- स्किपिङ एज केसहरू: शून्य द्वारा विभाजन, खाली डाटा, नकारात्मक इनपुट जस्ता प्रकाशनहरू प्रयास नगरी।
- गोप्य डाटा टाँस्दै: वास्तविक लागत/ग्राहक डाटालाई AI लाई गुमनाम नगरी पठाउँदै।
- एक समाधानकर्ताको लागि AI गलत गर्दै: AI ले वास्तविक सोलभर आउटपुटको रूपमा "परिणाम यो हो" भन्ने अप्टिमाइजेसन आउटपुट प्रयोग गर्दै।
- लेखापरीक्षण क्षमता गुमाउँदै: अनुमानहरू र एकाइहरू कागजात नगरी कोड साझेदारी गर्दै।
संक्षेपमा
- कोडले ईन्जिनियरिङ् खातामा दोहोरिने योग्यता र अडिटिबिलिटी थप्छ; AI ले यो कोडलाई गति दिन्छ।
- प्रत्येक AI गणना प्रकार्यमा ज्ञात नतिजाको साथ दाबी थपेर शुद्धता प्रमाणित गर्नुहोस्।
- एकाइ, किनारा केस, र अंकगणितीय क्रस-चेकलिस्ट मार्फत पास नगरी उत्पादन निर्णयमा कोड प्रयोग नगर्नुहोस्।
- "कार्य कोड" को अर्थ सही कोड होइन; यसले निर्दोष काम गर्न सक्छ र गलत हिसाबले गणना गर्न सक्छ।
- गोप्य उत्पादन डेटा गुमनाम गर्नुहोस्, कर्पोरेट नीतिको पालना गर्नुहोस्; कोडलाई AI मा प्रिन्ट गर्नुहोस् तर डाटालाई स्थानीय रूपमा प्रशोधन गर्नुहोस्।
आवेदन कार्य
ईन्जिनियरिङ् गणना (EOQ, सुरक्षा स्टक, OEE वा मानक समय) चयन गर्नुहोस्। AI मा पाइथन प्रकार्य लेख्नुहोस् जसले यो गणना गर्दछ; docstring मा एकाइहरू लागू गर्नुहोस् र एक assert परीक्षण संग ज्ञात परिणाम। महत्वपूर्ण प्रमाणिकरण: कम्तिमा तीन किनारा केसहरू (शून्य, नकारात्मक, शून्य) संग प्रकार्य प्रयास गर्नुहोस् र हातले गणना गरिएको उदाहरणसँग तुलना गर्नुहोस्; ज्ञात मानको साथ प्रमाणित गर्नुहोस् कि परिणाम सही छ, भले ही कोड त्रुटि बिना चल्छ। त्यसपछि कोडलाई "डेटा गोपनीयता" परिप्रेक्ष्यबाट जाँच गर्नुहोस्: के त्यहाँ डाटा पठाउने प्रक्रिया छ? अन्तमा, यो एकाइको प्रमाणिकरण चेकलिस्टलाई आफ्नो कार्यप्रवाहमा अनुकूलन गर्नुहोस् र चेकलिस्ट सिर्जना गर्नुहोस्।
मोड्युल परीक्षा
1. दुबला उत्पादनमा, तपाईंले मान स्ट्रिम नक्शा (VSM) सिर्जना गर्न AI प्रयोग गर्नुभयो। सुझाव कार्यान्वयन गर्नु अघि उत्तम कदम के हो?
- ए) फिल्ड (गेम्बा) अवलोकन र वास्तविक चक्र/वास समयको साथ एआई ब्लुप्रिन्ट प्रमाणित गर्नुहोस् ✔
- B) AI हालको मोडेल भएकोले बोर्डमा सीधै नक्सा झुण्ड्याउने
- C) नक्साको रंग र बाकस आकारहरू मात्र ठीक गर्नुहोस्
- घ) फोहोरको प्रकारको क्रम परिवर्तन गरी प्रकाशन गर्ने
स्पष्टीकरण: AI ले तपाईले प्रदान गर्नुभएको जानकारीको आधारमा एक उचित VSM स्केच उत्पन्न गर्दछ, तर वास्तविक प्रक्रिया समय र अपशिष्ट अवलोकन गर्न सक्दैन। दुबलाको आधारभूत सिद्धान्त 'गेम्बा' हो: मान स्ट्रिम फिल्डमा अवलोकन र मापन गरेर प्रमाणित गरिनु पर्छ, तर त्यसपछि सुधार निर्णयहरूको आधारको रूपमा प्रयोग गर्नुपर्छ।
2. माग पूर्वानुमान मोडेलको शुद्धता मूल्याङ्कन गर्न मेट्रिक्सको कुन सेटले यस उद्देश्यलाई प्रत्यक्ष रूपमा सम्बोधन गर्दछ?
- A) Cp र Cpk
- ख) MAPE, MAE र RMSE ✔
- C) OEE र MTBF
- D) Takt समय र WIP
स्पष्टीकरण: MAPE (मतलब पूर्ण प्रतिशत त्रुटि), MAE र RMSE मेट्रिक्स हुन् जसले पूर्वानुमान त्रुटि मापन गर्दछ; यसले तपाईंलाई वास्तविक मागसँग पूर्वानुमान तुलना गरेर मोडेलको शुद्धता मूल्याङ्कन गर्न अनुमति दिन्छ। Cp/Cpk प्रक्रिया क्षमता हो र OEE उपकरण दक्षता मेट्रिक हो।
3. पुन: क्रम बिन्दु (ROP) गणनामा, AI ले तपाईंलाई एक मान दियो। परिणाम सुरक्षित रूपमा प्रयोग गर्न तपाईंले पहिले के गर्नुपर्छ?
- A) नतिजालाई राउन्ड अप गर्नुहोस् र यसलाई सिधै ERP मा प्रविष्ट गर्नुहोस्
- ख) AI लाई सोध्नुहोस् 'के तपाई पक्का हुनुहुन्छ?' र 'हो' को जवाफमा सन्तुष्ट हुनुहोस्
- C) प्रयोग गरिएको सूत्र, इनपुट र एकाइहरू छाप्नुहोस् र म्यानुअल रूपमा / कोडको साथ गणना पुन: उत्पादन गर्नुहोस् ✔
- D) सुरक्षा स्टक पूर्ण रूपमा रिसेट गर्नुहोस्
स्पष्टीकरण: यो सूत्र ROP = औसत माग × नेतृत्व समय + सुरक्षा स्टक संग काम गर्दछ। AI ले प्रयोग गरेको सूत्र र इनपुटहरू (डिमांड रेट, लिड टाइम, सेफ्टी स्टक) प्रिन्ट आउट गरेर र म्यानुअल रूपमा/कोडमा पुन: गणना गरेर AI ले दिने नतिजा प्रमाणित गर्न आवश्यक छ; अन्यथा एकाइ वा अंकगणितीय त्रुटि याद गरिने छैन।
4. सबैभन्दा छोटो प्रशोधन समय (SPT) नियमले कामको तालिकामा सामान्यतया के सुधार गर्छ?
- A) यसले सेटअप समय मात्र रिसेट गर्छ
- ख) भौतिक रूपमा मेशिनको संख्या बढाउँछ
- C) ग्यारेन्टी रूपमा आधाले ऊर्जा खपत घटाउँछ
- D) औसत प्रवाह समय र औसत विलम्बता कम गर्न जान्छ ✔
विवरण: SPT (छोटो प्रशोधन समय) नियमले छोटो कार्यहरू अगाडि ल्याएर औसत प्रवाह समय र औसत विलम्बता घटाउँछ। यद्यपि, उसले लगातार लामो कार्यहरू स्थगित गर्न सक्छ; यदि वितरण मिति महत्वपूर्ण छ भने, EDD जस्ता नियमहरू अधिक उपयुक्त छन्। नियम चयन उद्देश्य द्वारा उचित हुनुपर्छ।
5. यदि Cpk मान SPC मा Cp भन्दा उल्लेखनीय रूपमा कम छ भने यसको के अर्थ हुन्छ?
- A) प्रक्रियाको औसत सहिष्णुता केन्द्रबाट सरेको छ (केन्द्रीकरण समस्या) ✔
- B) प्रक्रियाको भिन्नता शून्य छ
- C) यसले नमूनाहरूको संख्या ठूलो छ भनेर देखाउँछ
- D) नियन्त्रण चार्ट अनावश्यक छ भनेर प्रमाणित गर्दछ
स्पष्टीकरण: Cp प्रवीणता सूचकांक हो जसले सहिष्णुता चौडाइमा फैलिएको प्रक्रियाको अनुपातलाई ध्यानमा राख्छ, र Cpk पर्याप्तता सूचकांक हो जसले सहिष्णुता केन्द्रको सापेक्ष औसतको परिवर्तनलाई पनि ध्यानमा राख्छ। यदि Cpk Cp भन्दा कम छ भने, यसले संकेत गर्दछ कि प्रक्रिया अफ-सेन्टर छ (औसत लक्ष्यबाट टाढा छ); फैलावट एउटै भए पनि केन्द्रीकरणको समस्या छ ।
6. तपाईंले समय अध्ययनमा मानक समय गणना गर्दा AI द्वारा दिइएको सूत्र प्रयोग गर्नुहुन्छ। मानक समय निम्न मध्ये कुन द्वारा सही रूपमा प्राप्त गरिन्छ?
- A) मानक समय = अवलोकन गरिएको समय, मार्जिन र टेम्पोलाई ध्यानमा राखिएको छैन
- ख) मानक समय = सामान्य समय × (१ + शेयर अनुपात); सामान्य समय = अवलोकन गरिएको समय × गति ✔
- C) मानक समय = अवलोकन गरिएको समय ÷ मेसिनहरूको संख्या
- D) मानक समय सधैं छिटो अपरेटर को समय हो
स्पष्टीकरण: मानक समयको रूपमा गणना = सामान्य समय × (१ + साझेदारी अनुपात); सामान्य समय अवलोकन गरिएको समय × टेम्पो (रेटिङ) द्वारा पाइन्छ। शेयरहरू थप्न अनिवार्य छ (बाँकी, व्यक्तिगत, ढिलाइ)। AI ले सूत्र दिन सक्छ, तर टेम्पो र शेयर मूल्यहरू वास्तविक अवलोकन र कम्पनी नीति द्वारा प्रमाणित हुनुपर्छ।
7. AI ले भन्यो कि यसले सवारी मार्ग (VRP) समस्याको 'उत्तम' समाधान दिएको छ। सबैभन्दा सही मूल्याङ्कन कुन हो?
- A) ड्राइभरहरूलाई सीधा मार्ग पठाउँदै किनभने AI ले 'उत्तम' भन्छ
- ख) क्षमता, समय विन्डो र लागत अवरोधहरू विरुद्ध समाधान मान्य गर्नुहोस् ✔
- ग) केवल स्टपहरूको संख्या घटाउनुहोस् र प्रकाशित गर्नुहोस्
- घ) नक्साको दृश्यावलोकन र अवरोधहरूलाई बेवास्ता गर्दै
स्पष्टीकरण: AI ले गलत मोडेल अवरोधहरू (वाहन क्षमता, समय विन्डोज, ड्राइभिङ समय) वा 'उत्तम' को रूपमा सबोप्टिमल समाधान प्रस्तुत गर्न सक्छ। समाधान; यसलाई क्षमता, समय सञ्झ्याल र कुल दूरी/लागत अवरोधहरू विरुद्ध जाँच गरिनु पर्छ, र यदि सम्भव छ भने, पुन: उत्पादन गरी समाधानकर्तासँग तुलना गर्नुहोस्।
8. OEE (समग्र उपकरण प्रभावकारिता) कुन तीन घटकको उत्पादन हो?
- क) माग, स्टक र लागत
- B) Cp, Cpk र सिग्मा
- ग) उपयोगिता, प्रदर्शन र गुणस्तर ✔
- D) Takt, चक्र र वितरण समय
स्पष्टीकरण: OEE = उपलब्धता × प्रदर्शन × गुणस्तर। उपलब्धताले डाउनटाइमलाई प्रतिबिम्बित गर्दछ, कार्यसम्पादनले गति हानिलाई प्रतिबिम्बित गर्दछ, र गुणस्तरले दोषपूर्ण उत्पादनहरू प्रतिबिम्बित गर्दछ। यदि AI ले OEE मान दिन्छ भने, यो सुनिश्चित गर्न आवश्यक छ कि यी तीनवटा कम्पोनेन्टहरू अलग-अलग गणना र गुणन गरिएको छ।
9. एक अलग-घटना सिमुलेशनको आउटपुटको व्याख्या गर्दा सबैभन्दा महत्त्वपूर्ण प्रमाणीकरण चरण के हो?
- A) वास्तविक डेटाको साथ इनपुट वितरण र अनुमानहरू मान्य गर्दै ✔
- ख) काम गर्ने समय छोटो पार्नुहोस् र एकल अवस्थामा निर्णय गर्नुहोस्
- C) ग्राफिक्स को रंग प्यालेट सुधार
- घ) अनियमित बीज लुकाउने र नतिजा दोहोर्याउन नसकिने बनाउन
स्पष्टीकरण: सिमुलेशन आउटपुट इनपुट अनुमानहरू जत्तिकै राम्रो छ। वितरण, अन्तर-आगमन समय, सेवा समय र परिदृश्य प्यारामिटरहरू वास्तविक डेटासँग तुलना र प्रमाणीकरण गरिनु पर्छ; थप रूपमा, यो जाँच गरिनु पर्छ कि मोडेल सही रूपमा स्थापित भएको छ (प्रमाणीकरण)। अन्यथा, 'फोहोर भित्र, फोहोर बाहिर'।
10. उत्पादन निर्णयमा AI-उत्पन्न पाइथन अप्टिमाइजेसन स्क्रिप्ट प्रयोग गर्नु अघि कुन अनिवार्य छ?
- A) कोडले त्रुटिविना काम गरेको हुनाले सीधै नतिजा लागू गर्दै
- ख) ज्ञात नतिजाहरूको साथ परीक्षण, एकाइ जाँच र किनारा केसहरूसँग प्रमाणीकरण, र डेटा गोपनीयताको सुरक्षा ✔
- C) चर नामहरू छोटो पार्नुहोस् र टिप्पणीहरू मेटाउनुहोस्
- D) सार्वजनिक सेवामा सबै उत्पादन डेटाको साथ लिपि अपलोड गर्दै
विवरण: एआई कोडमा गलत एकाइ रूपान्तरण, गलत अवरोध, वा किनारा केसहरूमा गलत नतिजा समावेश हुन सक्छ। कोड; ज्ञात नतिजाहरू भएका साना परीक्षण इनपुटहरू इकाई/आकार नियन्त्रण र किनारा केसहरूद्वारा प्रमाणित गरिनु पर्छ, र गोप्य उत्पादन डेटा अनुमति बिना बाह्य सेवाहरूमा पठाइनु हुँदैन। नतिजा ईन्जिनियरिङ् निर्णय द्वारा पुष्टि छ।