End-to-End Integration, MLOps at Responsibilidad ng Engineer

Mga nadagdag:

• Kakayahang magdisenyo ng isang automotive na proyektong suportado ng AI mula sa konsepto hanggang sa produksyon at mapanatili ito gamit ang isang monitoring cycle
• Kakayahang suriin ang pamamahala ng bersyon ng modelo, data drift at mga pangangailangan sa muling pagsasanay
• Kakayahang i-scale ang AI nang ligtas habang pinapanatili ang pananagutan, traceability at dokumentasyon sa buong proyekto

Sa huling yunit ng modyul na ito, pinagsasama-sama namin ang lahat ng piraso. Nakita natin kung paano ginagamit ang artificial intelligence sa mga indibidwal na unit, mula sa disenyo hanggang sa produksyon, mula sa pagsubok hanggang sa supply chain. Ngunit sa isang tunay na proyekto, ang mga ito ay hindi nakahiwalay na mga hakbang, ngunit isang siklo ng buhay: ang data ay nakolekta, ang modelo ay binuo, ito ay inilalagay sa produksyon, ito ay sinusubaybayan, at kapag ito ay tumanda, ito ay na-renew. Ang disiplina sa pagpapanatili ng siklong ito ay tinatawag na MLOps (Machine Learning Operations). Sinasaklaw ng unit na ito ang pag-set up, pagpapanatili, at pagpapanatili ng pananagutan para sa isang automotive na pinapagana ng AI mula sa dulo hanggang dulo.

Lifecycle ng isang proyekto ng AI

Isang karaniwang end-to-end na daloy sa isang konteksto ng sasakyan:

1. Depinisyon ng problema at halaga: Anong problema sa negosyo ang nilulutas natin? Paano sinusukat ang tagumpay? Ito ba ay isang function na kritikal sa seguridad?
2. Pangongolekta at pag-label ng data: Mga Pinagmumulan (CAN, pagsubok, produksyon, telematics), kalidad, pagiging kumpidensyal.
3. Pagbuo ng modelo: Katangian, modelo, pag-verify (kontrol sa pagtagas, pagkakapare-pareho ng unit).
4. Pag-verify at pagtatasa ng seguridad: Malayang pagsubok kung kinakailangan ang ISO 26262/SOTIF.
5. Deployment: Pag-deploy ng modelo sa appliance, on line, o sa cloud.
6. Pagsubaybay: Pagganap, data drift, katumpakan ng alarma.
7. Muling pagsasanay: Ina-update ang modelo kapag luma na ito.
8. Documentation at traceability: Record ng bawat hakbang; sino, kailan, bakit.

Ang siklo na ito ay hindi nagtatapos minsan at para sa lahat; patuloy na umiikot. Sa automotive, mapanganib na "itakda at kalimutan" ang isang modelo.

Tip: Kapag sinimulan ang proyekto, "sino ang susubaybay sa modelong ito kapag nasa field na ito, sa anong sukatan, at gaano kadalas?" Kung hindi mo masagot ang tanong, hindi pa handa ang modelo para sa produksyon.

Pamamahala ng bersyon ng modelo at kakayahang masubaybayan

Ang traceability sa automotive ay hindi isang luho, ngunit kadalasan ay isang legal na obligasyon. Kapag lumitaw ang isang problema, dapat mong masagot ang tanong na "anong bersyon ng modelo, anong data ang sinanay nito, sino ang nag-apruba nito?" Magandang kasanayan:

• Pag-bersyon ng modelo: Ang numero ng bawat modelo, data ng pagsasanay at petsa ay naitala.
• Pag-bersyon ng data: Ang data kung saan ito sinanay ay naka-freeze.
• Log ng desisyon: Ang pag-apruba ay ibinigay ng kanino at sa anong ebidensya.
• Rollback plan: Kung ang bagong modelo ay lumabas na masama, maaari kang bumalik sa luma.

aytem

Bakit kailangan

Panganib kung nawawala

Bersyon ng modelo

Aling bersyon ang nasa field?

Hindi matunton ang problema

Bersyon ng data

Ano ang sinanay niya?

hindi maaaring kopyahin

Talaan ng pag-apruba

Sino ang may pananagutan?

hindi mapapanagot

i-undo

Bumalik mula sa masamang bersyon

Mahabang downtime sa field

Pag-anod ng data at pagkabulok ng modelo

Ang isang modelo ay isang snapshot ng mundo kung saan ito sinanay. Ngunit nagbabago ang mundo: ang isang bagong supplier ng mga bahagi ay nagdudulot ng ibang sensor tolerance, isang bagong modelo ng sasakyan ang lumabas, nagbabago ang mga panahon, nagbabago ang mga gawi sa pagmamaneho. Ang pagganap ng modelo ay tahimik na bumababa habang ang pamamahagi ng input data ay lumalayo sa oras ng pagsasanay. Ang data drift na ito at ang resultang pagbaba ng performance ay tinatawag na model decay.

Ang panganib ay ang pagtanggi na ito ay tahimik: ang modelo ay hindi bumagsak, hindi nagkakamali, lalo lamang itong nagiging mali. Samakatuwid:

• Subaybayan ang pamamahagi ng input (pag-detect ng drift).
• Subaybayan ang mga sukatan ng pagganap na may mga tunay na resulta (tumpak ba ang mga alarma?).
• I-trigger ang muling pagsasanay kapag nalampasan ang threshold.

Babala: Ang pagpapalagay na "kapag nasanay na ang modelo, nagbibigay ito ng parehong pagganap magpakailanman" ay mali at mapanganib sa automotive. Ang isang modelong inilagay sa produksyon nang walang drift monitoring ay maaaring hindi namamalayan na maging hindi maaasahan.

End-to-end na halimbawang senaryo: predictive maintenance fleet

Gawin nating kongkreto. Nag-i-install ka ng turbo failure early warning system para sa isang cargo fleet:

1. Halaga: Bawasan ang downtime at mga gastos sa paghila; tagumpay = aktwal na kasalanan/false alarm balance nakuha.
2. Data: CAN signal ng 40 sasakyan, makasaysayang mga tala ng kasalanan; Ang VIN ay hindi nagpapakilala.
3. Modelo: Anomalya + RUL; napigilan ang pagtagas ng serye ng oras; Ang hanay ng kawalan ng katiyakan ay ipinakita.
4. Pagpapatunay: Backtesting sa mga nakaraang pagkakamali; Ang halaga ng maling alarma ay tinimbang.
5. Produksyon: Pang-araw-araw na marka sa cloud; panel sa technician.
6. Pagsubaybay: Drift control kapag may idinagdag na bagong modelo ng sasakyan; katumpakan ng alarma linggu-linggo.
7. Retraining: Quarterly update na may bagong uri ng sasakyan at mga bagong halimbawa ng fault.
8. Dokumentasyon: Bersyon ng modelo, bersyon ng data, nakarehistrong engineer na nagpapatunay.

Walang hakbang sa daloy na ito ang nagsasabing "Nagpasya ang AI, tapos na"; Ang isang tao ay may pananagutan sa bawat yugto.

Mini case study

Kaso 1 - Tahimik na pagkabulok. Ang isang modelo ng kontrol sa kalidad ay gumagana nang maayos sa loob ng isang taon, pagkatapos ay dahan-dahang tumataas ang rate ng pagtagas. Root cause: Kapag nagbago ang supplier, ang texture sa ibabaw ng bahagi ay bahagyang nag-iba (drift), at nagsimulang isipin ng modelo na ito ay "normal". Itinatag ang drift monitoring at ang modelo ay muling sinanay. Resulta: Kung walang pagsubaybay, ang kahinaan ay hindi napapansin sa loob ng maraming buwan.

Case 2 - Nai-save ang traceability. Isang maling reklamo sa alarma ang nagmumula sa field. Mula sa log ng desisyon, nalaman ng koponan kung aling bersyon ng modelo ang gumagana sa kung aling data; Nakikita nito na ang problema ay nagmumula sa setting ng threshold sa isang partikular na bersyon at ibabalik ang bersyong iyon. Resulta: Kung walang bersyon at record ng desisyon, hindi ma-trace ang problema.

Kaso 3 - Disiplina sa muling pagsasanay. Kapag may bagong electric model na sumali sa fleet, ang kasalukuyang predictive maintenance na modelo ay nagpapalaki ng maraming maling alarma sa sasakyang ito (isang powertrain na hindi pa nito nakikita). Bago i-commissioning ang bagong modelo, kinukuha ng team ang drift warning at pinalawak ang modelo gamit ang bagong data ng sasakyan. Resulta: Maagang nahuli ng drift monitoring ang pagkasira na dulot ng bagong produkto.

agarang mga template

Template 1 - draft ng plano ng proyekto:

Tungkulin: AI project leader (automotive).Gawain: Tulungan akong magplano ng isang proyektong pinapagana ng AI na end-to-end.Konteksto: Predictive maintenance; Fleet ng 40 sasakyan; Ang VIN ay hindi nagpapakilala.Pagpigil: Isaalang-alang ang mga hakbang ng pagtukoy sa halaga, data, modelo, pagpapatunay, paggawa, pagsubaybay, muling pagsasanay at dokumentasyon nang hiwalay; ipahiwatig kung sino ang may pananagutan sa bawat hakbang.Output: Hakbang | output | responsable | talahanayan ng panganib.

Template 2 - Plano sa pagsubaybay:

Tungkulin: Ikaw ay isang inhinyero ng MLOps. Gawain: Magrekomenda ng plano sa pagsubaybay para sa isang modelong inilalagay. Konteksto: Maaaring magbago ang pamamahagi ng input sa paglipas ng panahon (bagong supplier, bagong tool); masusukat ang pagganap sa pamamagitan ng mga totoong resulta.Output: Sukatan upang subaybayan | threshold | aksyon na ma-trigger.

Template 3 - Drift rating:

Tungkulin: Data scientist. Gawain: Ipaliwanag kung paano matutukoy ang data drift at kung kailan kailangan ang muling pagsasanay. Konteksto: Modelo ng visual na inspeksyon ng linya ng produksyon; Maaaring may pagbabago sa supplier. Output: Signal | pagsukat | trigger ng muling pagsasanay.

Template 4 - Checklist ng Traceability:

Tungkulin: Isa kang auditor sa kalidad/pagsunod. Gawain: Gumawa ng checklist ng traceability para sa isang modelo. Konteksto: Automotive; Kapag nagkaroon ng problema, dapat sagutin ang tanong na 'aling bersyon, aling data, sino ang nag-apruba nito'. Output: Item | bakit kailangan | kung paano i-save ang tsart.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Ilagay ang modelo sa produksyon.

Walang pagsubaybay, walang bersyon, walang pananagutan at walang rollback; Hindi maiiwasan ang tahimik na pagkabulok at hindi masusubaybayang mga problema.

Napakahusay na prompt:

Tungkulin: Isa kang MLOps at consultant sa kalidad ng sasakyan. Gawain: Gumawa ng checklist na kailangan kong responsableng maglagay ng modelo sa produksyon. Konteksto: Predictive maintenance fleet; Ang mga bagong uri ng sasakyan ay idinaragdag sa paglipas ng panahon; VIN anonymous.Constraint: Isama ang pagsubaybay, drift detection, bersyon/data logging, kumpirmasyon at rollback na plano; Sabihin kung sino ang responsable para sa bawat item; 'itakda ito at kalimutan ito' panukala.Output: Yugto | pangangailangan | responsable | talahanayan ng panganib.

Mga karaniwang pagkakamali

• "Itakda ito at kalimutan ito" diskarte. Nang walang pagsubaybay, ang modelo ay tahimik na nabubulok.
• Hindi pinapanatili ang mga talaan ng bersyon/data. Ang problema ay hindi maaaring masubaybayan o kopyahin.
• Walang rollback plan. Kung ang pagbawi mula sa isang masamang paglabas ay tumatagal ng mahabang panahon, magkakaroon ng mahabang pagkabigo sa larangan.
• Hindi naghihintay para sa Drift. Ang bagong supplier/tool/season ay nakakagambala sa modelo; mahalaga ang pagsubaybay.
• Ang pag-iwan ng responsibilidad ay hindi malinaw. Ang sagot sa "sino ang responsable" ay dapat na malinaw sa bawat hakbang.

Sa buod

• Ang isang automotive project na pinapagana ng AI ay hindi isang one-off kundi isang rolling lifecycle (MLOps).
• Ang bersyon ng modelo at data, pag-log ng desisyon, at pagpaplano ng rollback ay mahalaga para sa kakayahang masubaybayan.
• Tahimik na pinabulaanan ng data drift ang modelo; input at pagganap ay dapat na subaybayan at muling sanayin kung kinakailangan.
• Sa end-to-end na halimbawa, ang bawat hakbang ay may pananagutan ng tao; Walang "AI decided, it's over".
• "Itakda ito at kalimutan ito" ay mapanganib sa automotive; ang pagsubaybay, dokumentasyon at pananagutan ay pinananatili sa buong proyekto.

Gawain ng aplikasyon

Pagsamahin ang iyong natutunan sa modyul na ito sa isang proyekto (hal. production line visual inspection o predictive maintenance). (1) Mag-draft ng end-to-end na plano ng proyekto gamit ang Template 1; Isulat ang taong responsable sa bawat hakbang. (2) Tukuyin ang isang plano sa pagsubaybay at mga drift trigger gamit ang Template 2. (3) Maghanda ng isang traceability checklist na may Template 4. (4) Ibigay ang buod sa isang talata kung paano mo inilapat ang tatlong anchor disciplines mula sa simula ng module sa proyektong ito.

checklist

• [ ] Pinlano ko ang proyekto bilang isang end-to-end life cycle.
• [ ] Tinukoy ko ang rekord ng desisyon na may modelo at bersyon ng data.
• [ ] Nagtakda ako ng plano sa pagsubaybay at mga drift trigger.
• [ ] Naghanda ako ng rollback plan.
• [ ] Nilinaw ko kung sino ang may pananagutan sa bawat hakbang.
• [ ] Napanatili ko ang tatlong disiplina sa pagpapatunay ng anchor at ang pagpapatunay na kritikal sa seguridad ng tao.

Pagsusulit sa Module

1. Ano ang tungkulin ng output ng AI sa isang desisyong kritikal sa kaligtasan ng sasakyan (hal. pag-verify ng software ng preno)?

• A) Pinapabilis ang pagsusuri, ngunit ang huling pag-apruba at responsibilidad ay nananatili sa karampatang inhinyero ✔
• B) Kung may sapat na data, maaari itong ilagay sa produksyon nang walang pag-apruba ng engineer
• C) Ang AI ay hindi maaaring gamitin sa anumang yugto sa mga kritikal na sistema tulad ng mga preno
• D) Kung ang katumpakan ng modelo ay lumampas sa 99%, hindi kailangan ang pag-verify ng tao

Paglalarawan: Ang artificial intelligence ay nagpapabilis ng pagsusuri, bumubuo ng mga solusyon at buod ng kandidato; Gayunpaman, ang desisyon na kritikal sa kaligtasan at panghuling pag-apruba ay responsibilidad ng karampatang inhinyero. Ang AI ay hindi kapalit para sa pagpapatunay ng engineer.

2. Ano ang tatlong independyenteng tseke na ginamit upang subukan ang output ng isang AI sa tatlong disiplina sa pagpapatunay ng anchor?

• A) Haba, wika at format ng prompt
• B) Katibayan ng pagkakasunud-sunod ng magnitude, pagiging makatwiran sa engineering at independiyenteng pagsubok/pagsukat ✔
• C) Sukat ng modelo, oras ng pagsasanay at bilang ng mga GPU
• D) Brand ng supplier, presyo at oras ng paghahatid

Paglalarawan: Tatlong angkla; order of magnitude (order check), engineering plausibility (physics/experience) at cross-validation na may independent test/measurement evidence. Ang tatlong ito ay nagbibigay ng tiwala sa ebidensya, hindi tiwala sa AI.

3. Ano ang pinaka-kritikal na pag-verify para sa output ng isang 'kapalit na modelo' na nagpapabilis sa CFD o FEA simulation?

• A) Ang surrogate model ay palaging mas tumpak kaysa sa tunay na solver
• B) Ang gawing aesthetically pleasing lang ang hitsura ng render ay sapat na
• C) Paghahambing sa reference na solusyon at pagtanggap ng hindi pagiging maaasahan kapag lumilipat sa labas ng lugar ng pagsasanay ✔
• D) Hindi na kailangang tingnan ang pagsasarili ng network kung ang isang solong pagtakbo ay nagtatagpo

Paglalarawan: Ang kahalili na modelo ay gumagawa ng mabilis na mga hula sa halip na ang tunay na solver; ngunit hindi ito mapagkakatiwalaan sa labas ng espasyo ng disenyo kung saan ito sinanay. Dapat na ma-verify ang output sa pamamagitan ng pagmamarka sa rehiyon ng extrapolation na may reference na high-fidelity simulation at pisikal na kundisyon ng hangganan.

4. Ano ang tamang expression para sa Level 2 (partial automation) sa SAE automation level?

• A) Ang sasakyan ay maaaring magmaneho nang walang driver sa lahat ng mga kondisyon
• B) Ang sistema ay hindi nagsasagawa ng anumang mga tungkulin sa pagmamaneho, nagbibigay lamang ng mga babala
• C) Okay lang kung hindi siya nakaupo sa driver's seat
• D) Sinusuportahan ng system ang pagpipiloto at bilis, ngunit ang driver ay nagpapanatili ng patuloy na pangangasiwa at responsibilidad ✔

Paglalarawan: Sa Antas 2 sinusuportahan ng system ang pagpipiloto at bilis/distansya nang sabay-sabay, ngunit ang driver ay nagpapanatili ng patuloy na pangangasiwa at handang pumalit anumang oras; Ang responsibilidad ay nasa driver. Sa antas 3 at mas mataas, ang system ang pumalit sa mga tungkulin sa pagmamaneho sa ilang partikular na kundisyon.

5. Bakit isang kritikal na sukatan ang 'escape rate' sa visual defect detection sa linya ng produksyon?

• A) Ang pag-apruba sa may sira na bahagi at pagpapadala nito sa field ay nagdudulot ng panganib sa kaligtasan at pag-recall ✔
• B) Ito ay mahalaga lamang dahil ito ay nagpapabagal sa bilis ng linya
• C) Ang rate ng pagtagas ay may bisa lamang para sa mga depekto sa pintura
• D) Sinusukat ng leak rate ang oras ng pagsasanay ng modelo

Paglalarawan: Ilegal; Ang isang may sira na bahagi ay itinuturing na perpekto at pumasa sa linya (false negative). Para sa isang bahaging pangkaligtasan ng sasakyan, ang pagtagas ay mas mahal kaysa sa maling pagtanggi dahil maaari itong humantong sa pagkabigo o paggunita sa larangan; Ang threshold ay inaayos nang naaayon.

6. Ano ang pinakatumpak na paggamit ng 'remaining useful life' (RUL) na pagtatantya sa predictive maintenance?

• A) Ang RUL ay kinakalkula para sa langis ng makina lamang
• B) Dapat itong ipakita ng isang hanay ng kawalan ng katiyakan at bigyang-kahulugan ayon sa window ng pagpapanatili at margin ng kaligtasan ✔
• C) Dapat itong kunin bilang isang tiyak na halaga ng araw at walang mga pagsusuri ang dapat gawin hanggang sa araw na iyon.
• D) Maaaring patayin ang mga sensor kung mataas ang RUL

Paglalarawan: Ang RUL ay ang tinantyang natitirang oras ng pagpapatakbo ng isang bahagi hanggang sa mabigo; Dapat itong ipakita sa hanay ng kawalan ng katiyakan at bigyang-kahulugan ayon sa plano sa pagpapanatili at margin ng kaligtasan. Sa halip na bulag na umasa sa isang pagtatantya ng punto, ang agwat ng kumpiyansa at maling gastos sa alarma ay isinasaalang-alang.

7. Ano ang dapat gawin ng isang engineer kapag nag-flag ang AI ng anomalya sa isang pagtatala ng pagsubok sa kalsada sa pagsusuri ng data ng pagsubok?

• A) Kapag nakita mo ang anomalya, ang pagsusulit ay dapat na awtomatikong ituring na hindi matagumpay.
• B) Hindi dapat tingnan ng AI ang data sa lahat kung hindi nito namarkahan
• C) I-verify ang anomalya gamit ang raw data, kawalan ng katiyakan sa pagsukat at repeatability ✔
• D) Tanggalin ang mga anomalya at i-clear ang ulat

Paliwanag: Ang anomalya na ipina-flag ng AI ay isang palatandaan, hindi isang konklusyon. Dapat suriin ng engineer ang kawalan ng katiyakan sa pagsukat, posibilidad ng pagkabigo ng sensor, at pag-uulit at i-verify ang anomalya gamit ang raw data at pamantayan sa pagtanggap. Ang awtomatikong pagtanggap o pagtanggi ay hindi angkop.

8. Anong pag-verify ang ipinag-uutos para sa isang materyal na pagbabago na iminungkahi ng AI sa isang magaan na pag-aaral?

• A) Kailangan lang mas magaan
• B) Ang isang solong hilera sa database ng materyal ay maaaring kunin bilang ebidensya
• C) Ang pag-uugali ng pag-crash ay hindi mahalaga sa magaan na materyales
• D) Ang mekanikal, pagkapagod, pag-crash, paggawa at mga kinakailangan sa gastos ay dapat na masuri nang magkasama ✔

Puna: Ang rekomendasyon sa materyal ay hindi maaaring tanggapin batay lamang sa ratio ng density/lakas; mekanikal na mga katangian, pagkapagod, pag-uugali ng pag-crash, paggawa, kaagnasan, gastos at mga kinakailangan sa kaligtasan ay dapat na ma-verify nang magkasama at kumpirmahin ng pisikal na pagsubok.

9. Bakit nangangailangan ng espesyal na atensyon ang 'single-source na panganib' sa automotive supply chain sa mga rekomendasyon ng AI?

• A) Ang pagkagambala sa iisang supplier ay maaaring huminto sa lahat ng produksyon; Ang pangalawang pinagmulan at buffer ay dapat suriin ✔
• B) Ang nag-iisang pinagmulan ay palaging ang pinakaligtas na opsyon
• C) Ang pagsusuri sa peligro ay hindi kailangan kung iminungkahi ng AI
• D) Ang panganib sa solong pinagmulan ay nalalapat lamang sa gulong

Paliwanag: Kung ang isang bahagi ay nagmula sa iisang supplier, ang produksyon ay hihinto kapag may problema sa supplier na iyon. Maaaring magrekomenda ang AI ng iisang pinagmumulan ng pag-optimize ng gastos; Dapat itong balansehin ng engineer/planner sa pangalawang mapagkukunan, stock buffer at pagsusuri ng senaryo. Ang gastos ay hindi lamang ang pamantayan.

10. Ano ang ibig sabihin ng 'data leakage' kapag nagsasagawa ng telemetry analysis gamit ang Python at bakit ito mapanganib?

• A) Ang data ay tumagas mula sa disk at tinanggal
• B) Nakikita ng modelo ang impormasyon sa pagsasanay na hindi malalaman sa oras ng hula; Pinapalaki ang score, bagsak sa field ✔
• C) Paghahalo ng mga graphic na kulay
• D) Nagaganap lamang sa data ng imahe

Paglalarawan: Data leak; Ito ay kapag nakikita ng modelo ang impormasyon sa pagsasanay na hindi talaga malalaman sa oras ng hula (halimbawa, halaga sa hinaharap o katangiang nauugnay sa target). Ito ay artipisyal na nagtataas ng marka ng pagsusulit ngunit nag-crash sa pagganap ng field. Ang nakaraan/hinaharap na pagkakaiba ay dapat maingat na mapanatili sa serye ng oras.

11. Ano ang tinutukoy ng klasipikasyon ng ASIL sa konteksto ng ISO 26262 functional na kaligtasan?

• A) Pinakamataas na bilis ng sasakyan
• B) Sukat ng set ng data ng pagsasanay ng modelo
• C) ✔ Ang kinakailangang antas ng kaligtasan ayon sa kalubhaan, pagkakalantad at kakayahang kontrolin ang panganib.
• D) Ang rating ng kredito ng supplier

Paglalarawan: Tinutukoy ng ASIL (Automotive Safety Integrity Level) ang antas ng mga pag-iingat sa kaligtasan (mula A hanggang D, D ang pinakamataas) na kinakailangan ng isang panganib batay sa pagtatasa nito ng kalubhaan, pagkakalantad at kakayahang kontrolin. Ang mataas na ASIL ay nangangailangan ng mas mahigpit na pag-unlad, pagpapatunay at dokumentasyon.

12. Sa anong paraan naiiba ang ISO 21448 (SOTIF) sa classical functional na kaligtasan (ISO 26262)?

• A) Tanging pinangangasiwaan ang mga pagkabigo sa hardware
• B) Kinokontrol ang paglilisensya ng software lamang
• C) Ang SOTIF ay ang lumang pangalan ng ISO 26262
• D) Tinutugunan ang mga panganib na nagmumula sa hindi sapat na paggana at hindi nakikilalang mga sitwasyon, kahit na walang pagkabigo ✔

Paglalarawan: Habang tinutugunan ng ISO 26262 ang mga panganib na nagmumula sa mga malfunctions/mga error sa hardware-software, tinutugunan ng SOTIF (Safety of the Intended Functionality) ang mga panganib na nagmumula sa hindi sapat na pagtuklas, hindi nakikilalang mga sitwasyon at mga limitasyon sa paggana, kahit na ang system ay hindi nag-malfunction; ay partikular na kritikal sa AI-based detection.

13. Ano ang pinakamahusay na diskarte sa mga tuntunin ng privacy kapag nagtatrabaho sa data ng telemetry ng driver at sasakyan?

• A) Pagsunod sa KVKK/GDPR sa anonymization, pagliit ng data at limitasyon ng layunin ✔
• B) Pagpapadala ng lahat ng raw data sa pampublikong modelo kasama ang VIN
• C) Nalalapat lamang ang privacy sa data ng marketing
• D) Ang data ng lokasyon ay hindi kailanman itinuturing na personal na data

Paglalarawan: Ang data gaya ng lokasyon, gawi sa pagmamaneho at numero ng chassis (VIN) ay maaaring makilala ang isang tao. Ang pinaka tamang diskarte; anonymizing/pseudonymizing data, pangongolekta lamang ng kung ano ang kinakailangan (data minimization), layunin limitasyon at KVKK/GDPR pagsunod. Ang pagpapadala ng hilaw na VIN o lokasyon sa mga tool ng third-party ay mapanganib.

14. Bakit kailangang subaybayan ang 'data drift' sa isang modelo ng AI na inilagay sa produksyon?

• A) Kapag nasanay na ang modelo, nagbibigay ito ng parehong pagganap nang walang katapusan.
• B) Tahimik na bumababa ang pagganap habang nagbabago ang pamamahagi ng input sa paglipas ng panahon; dapat ma-trigger ang muling pagsasanay ✔
• C) Ang Drift ay pisikal na vibration lamang ng hardware
• D) Hindi kailangan ang pagsubaybay dahil awtomatikong ina-update ng modelo ang sarili nito

Paliwanag: Nagbabago ang totoong mundo (mga bagong supplier ng piyesa, season, bagong modelo ng sasakyan); Tahimik na bumababa ang pagganap ng modelo habang lumalayo ang pamamahagi ng input mula sa oras ng pagsasanay. Ang muling pagsasanay ay na-trigger ng drift monitoring at mga sukatan ng performance. Ang diskarte na 'itakda ito at kalimutan ito' ay mapanganib sa automotive.