ከመጨረሻ እስከ መጨረሻ ውህደት፣ MLOps እና መሐንዲስ ኃላፊነት

ትርፍ፡

• በ AI የሚደገፍ አውቶሞቲቭ ፕሮጄክትን ከፅንሰ-ሀሳብ ወደ ምርት የመንደፍ እና በክትትል ዑደት የማቆየት ችሎታ
• የሞዴል ሥሪት አስተዳደርን፣ የውሂብ መንሸራተትን እና የስልጠና ፍላጎቶችን የመገምገም ችሎታ
• በፕሮጀክቱ ውስጥ በሙሉ ተጠያቂነትን ፣ ክትትልን እና ሰነዶችን በመጠበቅ AI ደህንነቱ በተጠበቀ ሁኔታ የመለካት ችሎታ

በዚህ ሞጁል የመጨረሻ ክፍል ውስጥ ሁሉንም ክፍሎች አንድ ላይ እናመጣለን. አርቴፊሻል ኢንተለጀንስ በግለሰብ ክፍሎች ከንድፍ እስከ ምርት፣ ከሙከራ እስከ አቅርቦት ሰንሰለት እንዴት ጥቅም ላይ እንደሚውል አይተናል። ነገር ግን በእውነተኛ ፕሮጀክት ውስጥ እነዚህ የተነጠሉ ደረጃዎች አይደሉም, ነገር ግን የሕይወት ዑደት: መረጃ ይሰበሰባል, ሞዴሉ ይገነባል, ወደ ምርት ይገባል, ቁጥጥር ይደረግበታል, እና ሲያረጅ ይታደሳል. ይህንን ዑደት የማቆየት ዲሲፕሊን MLOps (Machine Learning Operations) ይባላል። ይህ ክፍል በ AI የሚደገፍ አውቶሞቲቭ ፕሮጄክትን ከጫፍ እስከ ጫፍ ማዋቀር፣ ማቆየት እና ተጠያቂነትን ማስጠበቅን ይሸፍናል።

የ AI ፕሮጀክት የሕይወት ዑደት

በአውቶሞቲቭ አውድ ውስጥ የተለመደ ከጫፍ እስከ ጫፍ ፍሰት፡

1. ችግር እና እሴት ፍቺ፡ የትኛውን የንግድ ችግር እየፈታን ነው? ስኬት እንዴት ይለካል? ይህ የደህንነት-ወሳኝ ተግባር ነው?
2. መረጃ መሰብሰብ እና መለያ መስጠት፡ ምንጮች (CAN፣ ሙከራ፣ ምርት፣ ቴሌማቲክስ)፣ ጥራት፣ ሚስጥራዊነት።
3. የሞዴል ልማት፡ ባህሪ፣ ሞዴል፣ ማረጋገጫ (የፍሳሽ ቁጥጥር፣ ክፍል ወጥነት)።
4. የማረጋገጫ እና የደህንነት ግምገማ፡ ISO 26262/SOTIF አስፈላጊ ከሆነ ገለልተኛ ሙከራ።
5. ማሰማራት፡ ሞዴሉን ወደ መሳሪያው፣ በመስመር ላይ ወይም በደመና ላይ ማሰማራት።
6. ክትትል፡ አፈጻጸም፣ የውሂብ ተንሸራታች፣ የማንቂያ ትክክለኛነት።
7. እንደገና ማሰልጠን፡ ሞዴሉን ሲያረጅ ማዘመን።
8. የሰነድ እና የመከታተያ ችሎታ: የእያንዳንዱ ደረጃ መዝገብ; ማን፣ መቼ፣ ለምን።

ይህ ዑደት ለአንዴና ለመጨረሻ ጊዜ አያበቃም; ያለማቋረጥ ይሽከረከራል. በአውቶሞቲቭ ውስጥ ሞዴልን "ማዘጋጀት እና መርሳት" አደገኛ ነው.

ጠቃሚ ምክር: ፕሮጀክቱን ሲጀምሩ, "ይህን ሞዴል በመስክ ላይ አንድ ጊዜ የሚከታተለው ማን ነው, በምን መለኪያ እና በየስንት ጊዜ?" ለጥያቄው መልስ መስጠት ካልቻሉ, ሞዴሉ ገና ለማምረት ዝግጁ አይደለም.

የሞዴል ሥሪት አስተዳደር እና ክትትል

በአውቶሞቲቭ ውስጥ መከታተያ ቅንጦት አይደለም፣ ነገር ግን ብዙ ጊዜ ህጋዊ ግዴታ ነው። ችግር በሚፈጠርበት ጊዜ, "በየትኛው ሞዴል ስሪት, በምን ውሂብ የሰለጠነ, ማን ያጸደቀው?" ለሚለው ጥያቄ መልስ መስጠት አለብዎት. ጥሩ ልምዶች;

• የሞዴል ስሪት፡ የእያንዳንዱ ሞዴል ቁጥር፣ የስልጠና መረጃ እና ቀን ተመዝግቧል።
• የውሂብ ሥሪት፡ የሰለጠነበት መረጃ የቀዘቀዘ ነው።
• የውሳኔ መዝገብ፡ ማፅደቁ በማን እና በምን ማስረጃ ተሰጥቷል።
• የመመለሻ እቅድ፡ አዲሱ ሞዴል መጥፎ ሆኖ ከተገኘ ወደ ቀድሞው መመለስ ይችላሉ።

ንጥል ነገር

ለምን አስፈለገ?

ከጎደለ አደጋ

የሞዴል ስሪት

በመስክ ውስጥ የትኛው ስሪት አለ?

ችግሩ ሊታወቅ አይችልም

የውሂብ ስሪት

በምንስ ነው የሰለጠነው?

ሊባዛ የማይችል

የማጽደቅ መዝገብ

ተጠያቂው ማነው?

ተጠያቂ ሊሆን አይችልም

መቀልበስ

ከመጥፎ ስሪት ይመለሱ

በሜዳ ውስጥ ረዥም የእረፍት ጊዜ

የውሂብ ተንሸራታች እና ሞዴል መበስበስ

ሞዴል የሰለጠነበት የአለም ቅጽበታዊ እይታ ነው። ነገር ግን ዓለም ተለውጧል: አዲስ ክፍሎች አቅራቢ የተለየ ዳሳሽ መቻቻል ያመጣል, አዲስ ተሽከርካሪ ሞዴል ወጣ, ወቅቶች መቀየር, የመንዳት ልማዶች. የግብአት መረጃ ስርጭት ከስልጠናው ጊዜ ሲርቅ የአምሳያው አፈጻጸም በፀጥታ ይቀንሳል. ይህ የመረጃ መንሸራተት እና የውጤቱ አፈፃፀም መቀነስ ሞዴል መበስበስ ይባላል።

አደጋው ይህ ማሽቆልቆል ዝም ማለት ነው: ሞዴሉ አይወድቅም, ስህተቶችን አያደርግም, የበለጠ እየጨመረ ይሄዳል. ስለዚህ፡-

• የግቤት ስርጭትን ተቆጣጠር (ተንሸራታች ማወቂያ)።
• የአፈጻጸም መለኪያዎችን በእውነተኛ ውጤቶች ተቆጣጠር (ማንቂያዎቹ ትክክል ነበሩ?)።
• ገደቡ ሲያልፍ እንደገና ማሰልጠን ያስነሱ።

ማስጠንቀቂያ፡- "ሞዴሉ አንዴ ከሰለጠነ፣ ተመሳሳይ አፈጻጸም ለዘላለም ይሰጣል" የሚለው ግምት የተሳሳተ እና በአውቶሞቲቭ ውስጥ አደገኛ ነው። ያለ ተንሸራታች ክትትል ወደ ምርት የገባው ሞዴል ሳያውቅ አስተማማኝ ሊሆን ይችላል።

ከጫፍ እስከ ጫፍ ምሳሌ ሁኔታ፡ ትንበያ የጥገና መርከቦች

ኮንክሪት እናድርገው። ለጭነት መርከቦች የቱርቦ ውድቀት ቅድመ ማስጠንቀቂያ ስርዓት እየጫኑ ነው፡-

1. ዋጋ: የእረፍት ጊዜ እና የመጎተት ወጪዎችን ይቀንሱ; ስኬት = ትክክለኛ ስህተት/የውሸት ደወል ሚዛን ተያዘ።
2. ውሂብ: CAN ምልክቶች 40 ተሽከርካሪዎች, ታሪካዊ ጥፋት መዛግብት; ቪን ስም-አልባ ነው።
3. ሞዴል: Anomaly + RUL; የጊዜ ተከታታይ መፍሰስ ተከልክሏል; እርግጠኛ ያልሆነው ክልል ቀርቧል።
4. ማረጋገጫ፡ ያለፉ ጥፋቶችን መፈተሽ; የውሸት የማንቂያ ዋጋ ተመዘነ።
5. ምርት: በደመና ውስጥ ዕለታዊ ውጤት; ፓነል ወደ ቴክኒሻኑ.
6. ክትትል: አዲስ ተሽከርካሪ ሞዴል ሲጨመር የመንዳት መቆጣጠሪያ; የማንቂያ ትክክለኛነት በየሳምንቱ.
7. እንደገና ማሠልጠን፡ በየሩብ ዓመቱ በአዲስ የተሽከርካሪ ዓይነት እና በአዲስ የስህተት ምሳሌዎች ማዘመን።
8. መዛግብት፡ የሞዴል ሥሪት፣ የውሂብ ሥሪት፣ ማረጋገጫ መሐንዲስ ተመዝግቧል።

በዚህ ፍሰት ውስጥ ምንም እርምጃ "AI ወስኗል, ተከናውኗል" ይላል; አንድ ሰው ለእያንዳንዱ ደረጃ ተጠያቂ ነው.

አነስተኛ ጉዳይ ጥናቶች

ጉዳይ 1 - ጸጥ ያለ መበስበስ. የጥራት ቁጥጥር ሞዴል ለአንድ አመት በደንብ ይሰራል, ከዚያም የፍሳሽ መጠን ቀስ በቀስ ይጨምራል. መነሻ ምክንያት፡- አቅራቢው ሲቀየር፣ የክፍሉ ወለል ሸካራነት ትንሽ የተለየ ሆነ (ተንሸራታች)፣ እና ሞዴሉ ይህ “የተለመደ” ነው ብሎ ማሰብ ጀመረ። ተንሳፋፊ ቁጥጥር ተቋቁሟል እና ሞዴሉ እንደገና ሰልጥኗል። ውጤት፡ ያለ ክትትል፣ ተጋላጭነቱ ለወራት ሳይታወቅ ይቀራል።

ጉዳይ 2 - የመከታተያ ችሎታ ተቀምጧል። የውሸት ማንቂያ ቅሬታ ከመስክ እየመጣ ነው። ከውሳኔው ምዝግብ ማስታወሻ ቡድኑ የትኛው ሞዴል ስሪት ከየትኛው ውሂብ ጋር እንደሚሰራ ያውቃል; ችግሩ የመጣው በተወሰነ ስሪት ውስጥ ካለው የመነሻ ቅንጅት መሆኑን ይገነዘባል እና ያንን እትም ይመልሰዋል። ውጤት፡ ምንም ስሪት እና የውሳኔ መዝገብ ከሌለ ችግሩ ሊታወቅ አልቻለም።

ጉዳይ 3 - እንደገና ማሰልጠን. አዲስ የኤሌክትሪክ ሞዴል ከመርከቦቹ ጋር ሲቀላቀል, አሁን ያለው የትንበያ ጥገና ሞዴል በዚህ ተሽከርካሪ ላይ ብዙ የውሸት ማንቂያዎችን ያነሳል (አይቶ የማያውቅ የኃይል ማመንጫ). አዲሱን ሞዴል ከማስተላለፉ በፊት ቡድኑ የተንሳፋፊ ማስጠንቀቂያውን ይይዛል እና ሞዴሉን በአዲስ የተሽከርካሪ መረጃ ያሰፋል። ውጤት፡ ተንሸራታች ክትትል ቀደም ብሎ ከአዲሱ ምርት ጋር የመጣውን ውድመት ያዘ።

የጥያቄ አብነቶች

አብነት 1 - የፕሮጀክት እቅድ ረቂቅ፡-

ሚና፡ AI የፕሮጀክት መሪ (አውቶሞቲቭ)።ተግባር፡- በ AI የሚጎለብት ፕሮጀክት ከጫፍ እስከ ጫፍ ለማቀድ እርዳኝ።አውድ፡ ትንበያ ጥገና; የ 40 ተሽከርካሪዎች መርከቦች; ቪን ስም-አልባ ነው።ገደብ፡- የእሴት ፍቺ፣መረጃ፣ሞዴል፣ማረጋገጫ፣ምርት፣ክትትል፣ዳግም ማሰልጠን እና ሰነዶችን በተናጠል ግምት ውስጥ ያስገቡ። ለእያንዳንዱ እርምጃ ተጠያቂው ማን እንደሆነ ያመልክቱ. ውጤት: ደረጃ | ውፅዓት | ተጠያቂ | አደጋ ሰንጠረዥ.

አብነት 2 - የክትትል ዕቅድ፡-

ሚና፡ እርስዎ የMLOps መሐንዲስ ነዎት። ተግባር፡ እየቀረበ ላለው ሞዴል የክትትል እቅድን ጠቁም። አውድ፡ የግብአት ስርጭት በጊዜ ሂደት ሊለወጥ ይችላል (አዲስ አቅራቢ፣ አዲስ መሳሪያ)። አፈጻጸም በእውነተኛ ውጤቶች ሊለካ ይችላል.ውጤት፡ ለመከታተል መለኪያ | ገደብ | የሚቀሰቀስ ድርጊት.

አብነት 3 - የመንሸራተት ደረጃ

ሚና፡ የውሂብ ሳይንቲስት። ተግባር፡ የውሂብ ተንሸራታች እንዴት እንደሚገኝ እና እንደገና ማሰልጠን እንደሚያስፈልግ ያብራሩ። አውድ: የምርት መስመር የእይታ ፍተሻ ሞዴል; በአቅራቢው ላይ ለውጥ ሊኖር ይችላል። ውጽኢት፡ ሲግናል | መለኪያ | እንደገና ማሰልጠን ቀስቅሴ.

አብነት 4 - የመከታተያ ማረጋገጫ ዝርዝር፡-

ሚና፡ እርስዎ የጥራት/ተገዢነት ኦዲተር ነዎት። ተግባር፡ ለአንድ ሞዴል የመከታተያ ማረጋገጫ ዝርዝር ይፍጠሩ። አውድ፡ አውቶሞቲቭ; ችግር በሚፈጠርበት ጊዜ 'የትኛው ስሪት፣ የትኛው ውሂብ፣ ማን አፀደቀው' የሚለው ጥያቄ መመለስ አለበት። ለምን አስፈለገ | ገበታ እንዴት እንደሚቀመጥ.

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ ጥያቄ፡

ሞዴሉን ወደ ምርት ያስገቡ.

ምንም መከታተያ የለም, ምንም ስሪት የለም, ምንም ተጠያቂነት እና ምንም ዳግም; ጸጥ ያለ መበስበስ እና የማይታዩ ችግሮች የማይቀሩ ናቸው.

ኃይለኛ ጥያቄ፡-

ሚና፡ እርስዎ MLOps እና የአውቶሞቲቭ ጥራት አማካሪ ነዎት። ተግባር፡ ሞዴልን በሃላፊነት ወደ ምርት ለማስገባት የሚያስፈልገኝን ዝርዝር ይፍጠሩ። አውድ: ትንበያ የጥገና መርከቦች; አዲስ የተሽከርካሪ ዓይነቶች በጊዜ ውስጥ ይጨምራሉ; ቪን ስም-አልባ።ገደብ፡- ክትትልን፣ ተንሸራታች ፈልጎ ማግኘትን፣ የስሪት/መረጃ ምዝግብ ማስታወሻን፣ ማረጋገጫን እና የመመለሻ እቅድን ይጨምራል። ለእያንዳንዱ ነገር ተጠያቂው ማን እንደሆነ ይግለጹ; 'አዘጋጅት እና ረሳው' ሀሳብ። ውጤት፡ ደረጃ | አስፈላጊነት | ተጠያቂ | አደጋ ሰንጠረዥ.

የተለመዱ ስህተቶች

• "አዋቅር እና እርሳው" አቀራረብ. ያለ ክትትል, ሞዴሉ በጸጥታ ይበሰብሳል.
• የስሪት/የመረጃ መዝገቦችን አለመያዝ። ችግሩ ሊፈጠር ወይም ሊባዛ አይችልም።
• የመመለሻ እቅድ የለም። ከመጥፎ መለቀቅ ማገገም ረጅም ጊዜ የሚወስድ ከሆነ በሜዳው ውስጥ ረዥም ውድቀት ይኖራል.
• Drift እየጠበቀ አይደለም። አዲስ አቅራቢ / መሳሪያ / ወቅት ሞዴሉን ይረብሸዋል; ክትትል አስፈላጊ ነው.
• ኃላፊነትን በግልፅ መተው። " ተጠያቂው ማነው " ለሚለው መልስ በእያንዳንዱ እርምጃ ግልጽ መሆን አለበት.

በማጠቃለያው

• በAI የሚንቀሳቀስ አውቶሞቲቭ ፕሮጀክት የአንድ ጊዜ ብቻ ሳይሆን የሚንከባለል የህይወት ዑደት (MLOps) ነው።
• ሞዴል እና የውሂብ ሥሪት፣ የውሳኔ ምዝግብ ማስታወሻ እና መልሶ ማቀድ ለክትትል አስፈላጊ ናቸው።
• የውሂብ መንሸራተት ሞዴሉን በጸጥታ ውድቅ ያደርገዋል; ግብአት እና አፈፃፀሙ ክትትል ሊደረግበት እና እንደ አስፈላጊነቱ እንደገና ማሰልጠን አለበት.
• ከጫፍ እስከ መጨረሻው ምሳሌ፣ እያንዳንዱ እርምጃ የሰው ኃላፊነት አለበት፤ “AI ወስኗል፣ አልቋል” የሚባል ነገር የለም።
• በአውቶሞቲቭ ውስጥ "ያዋቅሩት እና ይረሱት" አደገኛ ነው; በፕሮጀክቱ ውስጥ ክትትል, ሰነዶች እና ተጠያቂነት ይጠበቃሉ.

የመተግበሪያ ተግባር

በዚህ ሞጁል ውስጥ የተማሩትን ወደ አንድ ፕሮጀክት ያዋህዱ (ለምሳሌ የምርት መስመር የእይታ ቁጥጥር ወይም ትንበያ ጥገና)። (1) ከጫፍ እስከ ጫፍ ያለውን የፕሮጀክት እቅድ ከአብነት 1 ጋር ማርቀቅ፤ ለእያንዳንዱ እርምጃ ተጠያቂ የሆነውን ሰው ይፃፉ. (2) የክትትል እቅድ እና ተንሸራታች ቀስቅሴዎችን በአብነት 2 ይግለጹ። (3) ከአብነት 4 ጋር የመከታተያ ማረጋገጫ ዝርዝር ያዘጋጁ። (4) ከሞጁሉ መጀመሪያ ጀምሮ ሶስት መልህቆችን ወደዚህ ፕሮጀክት እንዴት እንደተገበሩ በአንድ አንቀጽ ላይ ጠቅለል ያድርጉ።

የማረጋገጫ ዝርዝር

• [ ] ፕሮጀክቱን እንደ ከጫፍ እስከ መጨረሻ የሕይወት ዑደት አቀድኩት።
• [ ] የውሳኔ መዝገቡን በሞዴል እና በመረጃ ቅጂ ገለጽኩት።
• [] የክትትል እቅድ አዘጋጅቻለሁ እና ተንሸራታች ቀስቅሴዎች።
• [] የመመለሻ እቅድ አዘጋጅቻለሁ።
• [ ] ለእያንዳንዱ እርምጃ ተጠያቂው ማን እንደሆነ አብራርቻለሁ።
• [ ] ሦስቱን መልህቅ ማረጋገጫ ዲሲፕሊኖችን እና የሰው ደህንነት-ወሳኝ ማረጋገጫን ጠብቄአለሁ።

የሞዱል ፈተና

1. በአውቶሞቲቭ ደህንነት-ወሳኝ ውሳኔ (ለምሳሌ የብሬክ ሶፍትዌር ማረጋገጫ) የ AI ውፅዓት ሚና ምንድነው?

• ሀ) ትንታኔን ያፋጥናል ነገርግን የመጨረሻው ይሁንታ እና ሃላፊነት በብቁ መሀንዲስ ✔ ይቀራል
• ለ) በቂ መረጃ ካለ, ያለ ኢንጂነር ፍቃድ ወደ ምርት ሊገባ ይችላል
• ሐ) AI በማንኛውም ደረጃ እንደ ብሬክስ ባሉ ወሳኝ ስርዓቶች ውስጥ መጠቀም አይቻልም
• መ) የሞዴል ትክክለኛነት ከ 99% በላይ ከሆነ, የሰዎች ማረጋገጫ አስፈላጊ አይደለም

መግለጫ: ሰው ሰራሽ የማሰብ ችሎታ ትንተናን ያፋጥናል, የእጩ መፍትሄዎችን እና ማጠቃለያዎችን ያመነጫል; ሆኖም፣ የደህንነት-ወሳኝ ውሳኔ እና የመጨረሻ ማፅደቁ ብቃት ያለው መሐንዲሱ ኃላፊነት ነው። AI የኢንጂነር ማረጋገጫ ምትክ አይደለም.

2. በሶስቱ መልህቅ የማረጋገጫ ዘርፎች የኤአይአይን ውጤት ለመፈተሽ የሚያገለግሉት ሶስት ገለልተኛ ቼኮች ምን ምን ናቸው?

• ሀ) የጥያቄው ርዝመት ፣ ቋንቋ እና ቅርጸት
• ለ) የክብደት ቅደም ተከተል, የምህንድስና ምክንያታዊነት እና ገለልተኛ ሙከራ / መለኪያ ማስረጃ ✔
• ሐ) የአምሳያው መጠን, የስልጠና ጊዜ እና የጂፒዩዎች ብዛት
• መ) የአቅራቢ ብራንድ፣ ዋጋ እና የመላኪያ ጊዜ

መግለጫ: ሶስት መልህቆች; የትዕዛዝ ቅደም ተከተል (የትዕዛዝ ቼክ) ፣ የምህንድስና አሳማኝነት (ፊዚክስ/ልምድ) እና ከገለልተኛ የፈተና/የመለኪያ ማስረጃ ጋር ተሻጋሪ ማረጋገጫ። እነዚህ ሦስቱ በማስረጃ ላይ እምነት ይሰጣሉ, በ AI ላይ እምነት አይጣሉም.

3. CFD ወይም FEA ማስመሰልን የሚያፋጥን የ'ተተኪ ሞዴል' ውጤት በጣም ወሳኝ ማረጋገጫ ምንድነው?

• ሀ) ተተኪው ሞዴል ሁል ጊዜ ከእውነተኛው ፈቺ የበለጠ ትክክለኛ ነው።
• ለ) አጻጻፉን በሚያምር መልኩ እንዲታይ ማድረግ ብቻ በቂ ነው።
• ሐ) ከማጣቀሻው መፍትሄ ጋር ማወዳደር እና ከስልጠና ቦታ ውጭ በሚንቀሳቀሱበት ጊዜ አስተማማኝ አለመሆንን መቀበል ✔
• መ) አንድ ሩጫ ከተጣመረ የአውታረ መረብ ነፃነትን መመልከት አያስፈልግም

መግለጫ: ተተኪው ሞዴል ከእውነተኛው ፈቺ ይልቅ ፈጣን ትንበያዎችን ይፈጥራል; ነገር ግን ከሠለጠነበት የንድፍ ቦታ ውጭ አስተማማኝ አይደለም. የውጤቱ ውጤት የኤክስትራክሽን ክልልን በማጣቀሻ ከፍተኛ-ታማኝነት ማስመሰል እና በአካላዊ የድንበር ሁኔታዎች ላይ ምልክት በማድረግ መረጋገጥ አለበት።

4. በSAE አውቶሜሽን ደረጃዎች ለደረጃ 2 (ከፊል አውቶሜሽን) ትክክለኛው አገላለጽ ምንድን ነው?

• ሀ) ተሽከርካሪው በሁሉም ሁኔታዎች ያለ ሹፌር ማሽከርከር ይችላል።
• ለ) ስርዓቱ ምንም አይነት የማሽከርከር ተግባራትን አያከናውንም, ማስጠንቀቂያዎችን ብቻ ይሰጣል
• ሐ) በሹፌሩ ወንበር ላይ ካልተቀመጠ ችግር የለውም
• መ) ስርዓቱ መሪውን እና ፍጥነትን ይደግፋል, ነገር ግን አሽከርካሪው የማያቋርጥ ቁጥጥር እና ሃላፊነት ይይዛል ✔

መግለጫ: በደረጃ 2 ስርዓቱ በአንድ ጊዜ መሪን እና ፍጥነትን / ርቀትን ይደግፋል, ነገር ግን አሽከርካሪው የማያቋርጥ ቁጥጥርን ይይዛል እና በማንኛውም ጊዜ ለመቆጣጠር ዝግጁ ነው; ኃላፊነቱ የአሽከርካሪው ነው። በደረጃ 3 እና ከዚያ በላይ, ስርዓቱ በተወሰኑ ሁኔታዎች ውስጥ የማሽከርከር ስራዎችን ይወስዳል.

5. ለምንድነው 'የማምለጫ መጠን' በምርት መስመር ላይ የእይታ ጉድለትን ለመለየት ወሳኝ መለኪያ የሆነው?

• ሀ) ጉድለት ያለበትን ክፍል ማጽደቅ እና ወደ መስክ መላክ ደህንነትን እና አደጋን ማስታወስ ✔
• ለ) የመስመሩን ፍጥነት ስለሚቀንስ ብቻ አስፈላጊ ነው
• ሐ) የማፍሰሻ መጠን የሚሰራው ለቀለም ጉድለቶች ብቻ ነው።
• መ) የሌክ መጠን የአምሳያው የስልጠና ጊዜ ይለካል

መግለጫ፡ ሕገወጥ; ጉድለት ያለበት ክፍል እንደ ፍጹም ተደርጎ ይቆጠራል እና በመስመሩ ውስጥ ያልፋል (ውሸት አሉታዊ)። ለአውቶሞቲቭ ደህንነት ክፍል፣ መፍሰስ ወደ ውድቀት ወይም በመስክ ላይ ሊያስታውስ ስለሚችል ከሐሰት ውድቅነት የበለጠ ውድ ነው። ጣራው በዚሁ መሰረት ተስተካክሏል።

6. በመተንበይ ጥገና ውስጥ 'ቀሪ ጠቃሚ ሕይወት' (RUL) ግምት በጣም ትክክለኛው አጠቃቀም ምንድነው?

• ሀ) RUL የሚሰላው ለሞተር ዘይት ብቻ ነው።
• ለ) እርግጠኛ ባልሆነ ክልል መቅረብ እና እንደ የጥገና መስኮቱ እና የደህንነት ህዳግ ✔ መተርጎም አለበት።
• ሐ) እንደ አንድ ትክክለኛ የቀን እሴት መወሰድ አለበት እና እስከዚያ ቀን ድረስ ምንም ቼኮች መደረግ የለባቸውም።
• D) RUL ከፍ ያለ ከሆነ ዳሳሾች ሊጠፉ ይችላሉ።

መግለጫ፡ RUL እስከ ውድቀት ድረስ የአንድ አካል ቀሪ የስራ ጊዜ ነው። እርግጠኛ ካልሆነው ክልል ጋር መቅረብ እና በጥገና እቅድ እና በደህንነት ህዳግ መሰረት መተርጎም አለበት. በአንድ ነጥብ ግምት ላይ በጭፍን ከመተማመን ይልቅ የመተማመን ክፍተቱ እና የውሸት የማንቂያ ዋጋ ግምት ውስጥ ይገባል።

7. አንድ መሐንዲስ በፈተና መረጃ ትንተና ውስጥ በመንገድ ላይ የፈተና ቀረጻ ላይ ያልተለመደ ምልክት ሲያደርግ ምን ማድረግ አለበት?

• ሀ) ያልተለመደ ሁኔታን ሲያዩ ፈተናው ወዲያውኑ እንዳልተሳካ መቆጠር አለበት።
• ለ) AI ምልክት ካላደረገው መረጃውን ጨርሶ ማየት የለበትም
• ሐ) በጥሬ መረጃ፣ እርግጠኛ አለመሆንን እና ተደጋጋሚነትን በመለካት ያልተለመደ ሁኔታን ያረጋግጡ
• መ) ያልተለመዱ ነገሮችን ይሰርዙ እና ሪፖርቱን ያፅዱ

ማብራሪያ፡ የ AI ባንዲራዎች የሚለው ያልተለመደ ነገር ፍንጭ እንጂ መደምደሚያ አይደለም። መሐንዲሱ የመለኪያ እርግጠኛ አለመሆንን፣ የዳሳሽ አለመሳካትን እና ተደጋጋሚነትን መፈተሽ እና ያልተለመደውን በጥሬ መረጃ እና ተቀባይነት መስፈርቶች ማረጋገጥ አለበት። በራስ ሰር መቀበል ወይም አለመቀበል ተገቢ አይደለም።

8. በቀላል ክብደት ጥናት በ AI ለተጠቆመው የቁሳቁስ ለውጥ ምን ማረጋገጫ ግዴታ ነው?

• ሀ) ቀለል ያለ መሆን አለበት።
• ለ) በማቴሪያል ዳታቤዝ ውስጥ አንድ ነጠላ ረድፍ እንደ ማስረጃ ሊወሰድ ይችላል
• ሐ) የብልሽት ባህሪ ቀላል ክብደት ባላቸው ቁሳቁሶች ውስጥ አስፈላጊ አይደለም
• መ) መካኒካል፣ ድካም፣ ብልሽት፣ የማምረት አቅም እና የወጪ መስፈርቶች አብረው መሞከር አለባቸው ✔

ማሳሰቢያ፡ የቁሳቁስ ጥቆማ በእፍጋት/በጥንካሬ ጥምርታ ላይ በመመስረት መቀበል አይቻልም። የሜካኒካል ንብረቶች፣ ድካም፣ የብልሽት ባህሪ፣ የማምረት አቅም፣ ዝገት፣ ወጪ እና የደህንነት መስፈርቶች በአንድ ላይ መረጋገጥ እና በአካላዊ ምርመራ መረጋገጥ አለባቸው።

9. በአውቶሞቲቭ አቅርቦት ሰንሰለት ውስጥ ያለው 'ነጠላ ምንጭ ስጋት' በ AI ምክሮች ውስጥ ልዩ ትኩረት የሚያስፈልገው ለምንድን ነው?

• ሀ) በአንድ አቅራቢ ላይ የሚፈጠር መስተጓጎል ሁሉንም ምርት ማቆም ይችላል; ሁለተኛው ምንጭ እና ቋት መገምገም አለበት ✔
• ለ) ነጠላ ምንጭ ሁል ጊዜ በጣም አስተማማኝ አማራጭ ነው።
• ሐ) AI ከተጠቆመ የአደጋ ትንተና አስፈላጊ አይደለም
• መ) ነጠላ ምንጭ አደጋ የሚመለከተው ለጎማው ብቻ ነው።

ማብራሪያ፡ አንድ ክፍል ከአንድ አቅራቢ የመጣ ከሆነ፣ በዚያ አቅራቢ ላይ ችግር ሲፈጠር ምርቱ ይቆማል። AI የወጪ ማመቻቸት ነጠላ ምንጭን ሊመክር ይችላል; መሐንዲሱ/እቅድ አውጪው ይህንን ከሁለተኛ ደረጃ ግብአት፣ የአክሲዮን ቋት እና scenario ትንተና ጋር ማመጣጠን አለበት። ዋጋ ብቸኛው መስፈርት አይደለም.

10. ከፓይዘን ጋር የቴሌሜትሪ ትንተና ሲሰራ 'ዳታ መልቀቅ' ምን ማለት ነው እና ለምን አደገኛ ነው?

• ሀ) መረጃ ከዲስክ ፈስሶ ተሰርዟል።
• ለ) ሞዴሉ ትንበያው በሚታወቅበት ጊዜ ሊታወቅ የማይችል የስልጠና መረጃን ይመለከታል; ውጤቱን ከፍ ያደርጋል፣ ሜዳ ላይ ይወድቃል ✔
• ሐ) የግራፊክ ቀለሞች ቅልቅል
• መ) በምስል መረጃ ውስጥ ብቻ ነው የሚከሰተው

መግለጫ: የውሂብ መፍሰስ; ይህ ሞዴሉ በተገመተው ጊዜ በትክክል ሊታወቅ የማይችል መረጃን በስልጠና ላይ ሲያይ ነው (ለምሳሌ የወደፊት እሴት ወይም ከዒላማ ጋር የተያያዘ ባህሪ)። ይህ በሰው ሰራሽ መንገድ የፈተና ውጤቱን ከፍ ያደርገዋል ነገር ግን የመስክ አፈጻጸምን ያበላሻል። ያለፈው/የወደፊት ልዩነት በጊዜ ተከታታይነት በጥንቃቄ መጠበቅ አለበት።

11. የ ASIL ምደባ በ ISO 26262 ተግባራዊ ደህንነት አውድ ውስጥ ምን ይወስናል?

• ሀ) የተሽከርካሪው ከፍተኛ ፍጥነት
• ለ) የአምሳያው የስልጠና መረጃ ስብስብ መጠን
• ሐ) ✔ አስፈላጊው የደህንነት ደረጃ እንደ አደጋው ክብደት ፣ ተጋላጭነት እና ቁጥጥር።
• መ) የአቅራቢው የብድር ደረጃ

መግለጫ፡ ASIL (የአውቶሞቲቭ ሴፍቲ ኢንተግሪቲ ደረጃ) በክብደቱ፣ በተጋላጭነቱ እና በቁጥጥሩ ስር ባለው ግምገማ ላይ በመመርኮዝ አንድ አደጋ የሚፈልገውን የደህንነት ጥንቃቄዎች ደረጃ (ከኤ እስከ ዲ፣ ዲ ከፍተኛው ነው) ይወስናል። ከፍተኛ ASIL የበለጠ ጥብቅ ልማት፣ ማረጋገጫ እና ሰነድ ያስፈልገዋል።

12. ISO 21448 (SOTIF) ከጥንታዊ ተግባራዊ ደህንነት (ISO 26262) የሚለየው በምን መንገድ ነው?

• ሀ) የሃርድዌር ውድቀቶችን ብቻ ያስተናግዳል።
• ለ) የሶፍትዌር ፈቃድ አሰጣጥን ብቻ ይቆጣጠራል
• ሐ) SOTIF የ ISO 26262 የድሮ ስም ነው።
• መ) ውድቀት በማይኖርበት ጊዜም ቢሆን በቂ ያልሆነ ተግባር እና የማይታወቁ ሁኔታዎች ሊከሰቱ የሚችሉ አደጋዎችን ያስወግዳል ✔

መግለጫ፡ ISO 26262 ከብልሽት/ከሃርድዌር-ሶፍትዌር ስህተቶች የሚነሱ ስጋቶችን ሲገልጽ፣ SOTIF (የታሰበው ተግባር ደህንነት) በቂ ካልሆነ ማወቂያ፣ የማይታወቁ ሁኔታዎች እና የተግባር ወሰኖች፣ ስርዓቱ ምንም አይነት ብልሽት ባይኖረውም እንኳ፣ በተለይ በ AI ላይ የተመሠረተ ማወቂያ ላይ በጣም ወሳኝ ነው።

13. ከአሽከርካሪ እና ከተሸከርካሪ ቴሌሜትሪ መረጃ ጋር በሚሰሩበት ጊዜ ከግላዊነት አንፃር የተሻለው አቀራረብ ምንድነው?

• ሀ) የKVKK/GDPR ማክበር ማንነትን መደበቅ፣የመረጃ መቀነስ እና የዓላማ ገደብ ✔
• ለ) ሁሉንም ጥሬ መረጃዎች ከቪን ጋር ወደ ይፋዊ ሞዴል በመላክ ላይ
• ሐ) ግላዊነት የሚመለከተው ለገበያ መረጃ ብቻ ነው።
• መ) የአካባቢ ውሂብ በጭራሽ እንደ የግል ውሂብ አይቆጠርም።

መግለጫ፡ እንደ አካባቢ፣ የመንዳት ባህሪ እና የሻሲ ቁጥር (VIN) ያሉ መረጃዎች አንድን ሰው ሊለዩ ይችላሉ። በጣም ትክክለኛው አቀራረብ; ማንነትን መደበቅ/ስም መጥራት፣ አስፈላጊ የሆነውን ብቻ መሰብሰብ (መረጃን መቀነስ)፣ የዓላማ ገደብ እና የKVKK/GDPR ማክበር። ጥሬ VIN ወይም አካባቢን ወደ የሶስተኛ ወገን መሳሪያዎች መላክ አደገኛ ነው።

14. በምርት ላይ በተቀመጠው የ AI ሞዴል ውስጥ 'የውሂብ ድሪፍትን' መከታተል ለምን አስፈለገ?

• ሀ) ሞዴሉ ከሰለጠነ በኋላ ተመሳሳይ አፈፃፀም ያለገደብ ይሰጣል።
• ለ) የግቤት ስርጭቱ በጊዜ ሂደት ሲለዋወጥ አፈጻጸም በፀጥታ ይቀንሳል; እንደገና ማሰልጠን መጀመር አለበት ✔
• ሐ) ድራፍት የሃርድዌር አካላዊ ንዝረት ብቻ ነው።
• መ) ሞዴሉ በራሱ በራሱ ስለሚዘምን ክትትል ማድረግ አስፈላጊ አይደለም

ማብራሪያ: የገሃዱ ዓለም ለውጦች (አዲስ ክፍሎች አቅራቢ, ወቅት, አዲስ ተሽከርካሪ ሞዴል); የግብአት ስርጭቱ ከስልጠናው ጊዜ ሲርቅ የሞዴል አፈጻጸም በፀጥታ ይቀንሳል። መልሶ ማሰልጠን የሚቀሰቀሰው በተንሸራታች ክትትል እና የአፈጻጸም መለኪያዎች ነው። በአውቶሞቲቭ ውስጥ 'አዘጋጅ እና ረሳው' የሚለው አካሄድ አደገኛ ነው።