Sondan Uca İnteqrasiya, MLOps və Mühəndis Məsuliyyəti

Qazanclar:

• Süni intellektlə dəstəklənən avtomobil layihəsini konsepsiyadan istehsala qədər dizayn etmək və monitorinq dövrü ilə saxlamaq bacarığı
• Model versiyasının idarə edilməsini, məlumat sürüşməsini və yenidən təlim ehtiyaclarını qiymətləndirmək bacarığı
• Layihə boyu hesabatlılığı, izlənilmə qabiliyyətini və sənədləri qoruyarkən AI-ni təhlükəsiz şəkildə genişləndirmək bacarığı

Bu modulun son bölməsində biz bütün parçaları bir araya gətiririk. Dizayndan istehsala, sınaqdan tədarük zəncirinə qədər ayrı-ayrı bölmələrdə süni intellektin necə istifadə edildiyini gördük. Amma real layihədə bunlar təcrid olunmuş addımlar deyil, həyat dövrüdür: məlumatlar toplanır, model qurulur, istehsala buraxılır, ona nəzarət edilir, köhnəldikdə isə yenilənir. Bu dövrü saxlamaq intizamı MLOps (Maşın Öyrənmə Əməliyyatları) adlanır. Bu bölmə süni intellektlə işləyən avtomobil layihəsinin başdan sona qədər qurulmasını, saxlanmasını və cavabdehliyini qoruyub saxlamağı əhatə edir.

AI layihəsinin həyat dövrü

Avtomobil kontekstində tipik uçdan-uca axın:

1. Problem və dəyər tərifi: Hansı biznes problemini həll edirik? Uğur necə ölçülür? Bu təhlükəsizlik baxımından kritik funksiyadır?
2. Məlumatların toplanması və etiketlənməsi: Mənbələr (CAN, sınaq, istehsal, telematika), keyfiyyət, məxfilik.
3. Modelin inkişafı: Atribut, model, yoxlama (sızmaya nəzarət, vahid uyğunluğu).
4. Yoxlama və təhlükəsizlik qiymətləndirilməsi: ISO 26262/SOTIF tələb olunarsa, müstəqil sınaq.
5. Yerləşdirmə: Modelin cihazda, onlayn və ya buludda yerləşdirilməsi.
6. Monitorinq: Performans, məlumat sürüşməsi, həyəcan dəqiqliyi.
7. Yenidən hazırlıq: Model köhnəldikdə yenilənir.
8. Sənədləşdirmə və izlənilmə: Hər addımın qeydi; kim, nə vaxt, niyə.

Bu dövr birdəfəlik bitmir; daim fırlanır. Avtomobildə bir modeli "qurmaq və unutmaq" təhlükəlidir.

İpucu: Layihəyə başlayarkən, "bu modeli sahəyə çıxdıqdan sonra kim, hansı metriklə və nə qədər tez-tez nəzarət edəcək?" Əgər suala cavab verə bilmirsinizsə, model hələ istehsala hazır deyil.

Model versiyasının idarə edilməsi və izlənilməsi

Avtomobildə izlənilmək lüks deyil, çox vaxt qanuni bir öhdəlikdir. Problem yarandıqda “hansı model versiyası, hansı verilənlərlə təlim keçib, kim təsdiqləyib?” sualına cavab verə bilməlisiniz. Yaxşı təcrübələr:

• Modelin versiyası: Hər bir modelin nömrəsi, təlim məlumatları və tarixi qeyd olunur.
• Verilənlərin versiyasının hazırlanması: Onun öyrədildiyi məlumatlar dondurulub.
• Qərar jurnalı: Təsdiq kim tərəfindən və hansı sübutlarla verilib.
• Geriyə qayıtma planı: Yeni modelin pis olduğu ortaya çıxarsa, köhnəsinə qayıda bilərsiniz.

maddə

Niyə lazımdır

İtkin olduqda risk

Model versiyası

Sahədə hansı versiya var?

Problemi izləmək mümkün deyil

Məlumat versiyası

O, nə ilə məşq edirdi?

təkrarlana bilməz

Təsdiq qeydi

Kim cavabdehdir?

məsuliyyətə cəlb edilə bilməz

ləğv edin

Pis versiyadan qayıt

Sahədə uzun müddət dayanma

Məlumat sürüşməsi və modelin çürüməsi

Model onun təlim keçdiyi dünyanın şəklidir. Amma dünya dəyişir: yeni hissə təchizatçısı fərqli sensor dözümlülüyü gətirir, yeni avtomobil modeli çıxır, fəsillər dəyişir, sürücülük vərdişləri dəyişir. Giriş məlumatlarının paylanması təlim vaxtından uzaqlaşdıqca modelin performansı səssizcə azalır. Bu məlumat sürüşməsi və nəticədə performans azalması modelin çürüməsi adlanır.

Təhlükə ondadır ki, bu tənəzzül səssizdir: model çökmür, səhv etmir, getdikcə daha çox səhv edir. Buna görə də:

• Giriş paylanmasına nəzarət edin (drift aşkarlanması).
• Performans göstəricilərini real nəticələrlə izləyin (siqnallar dəqiq idi?).
• Həddi aşdıqda yenidən hazırlığı işə salın.

Diqqət: "Model öyrədildikdən sonra həmişəlik eyni performansı verir" fərziyyəsi avtomobildə səhv və risklidir. Drift monitorinqi olmadan istehsala qoyulan model bilmədən etibarsız ola bilər.

Başdan sona nümunə ssenari: proqnozlaşdırıcı texniki xidmət donanması

Gəlin konkretləşdirək. Siz yük donanması üçün turbo nasazlığının erkən xəbərdarlıq sistemini quraşdırırsınız:

1. Dəyər: dayanma müddətini və yedəkləmə xərclərini azaldın; müvəffəqiyyət = faktiki nasazlıq/yanlış həyəcan balansı tutuldu.
2. Məlumat: 40 avtomobilin CAN siqnalları, tarixi nasazlıq qeydləri; VIN anonimdir.
3. Model: Anomaliya + RUL; zaman sıralarının sızmasının qarşısı alındı; Qeyri-müəyyənlik diapazonu təqdim olunur.
4. Doğrulama: Keçmiş nasazlıqlar üzrə geri sınaq; Yanlış siqnalın dəyəri ölçüldü.
5. İstehsal: Buludda gündəlik hesab; panel texniki işçiyə.
6. Monitorinq: Yeni avtomobil modeli əlavə edildikdə sürüşmə nəzarəti; həftəlik həyəcan dəqiqliyi.
7. Yenidən hazırlıq: Yeni avtomobil növü və yeni nasazlıq nümunələri ilə rüblük yeniləmə.
8. Sənədləşdirmə: Model versiyası, məlumat versiyası, sertifikatlaşdırma mühəndisi qeydiyyatdan keçmişdir.

Bu axındakı heç bir addım “AI qərar verdi, bitdi” demir; Hər bir mərhələ üçün bir şəxs məsuliyyət daşıyır.

Mini keys tədqiqatları

1-ci hal - Səssiz çürümə. Keyfiyyətə nəzarət modeli bir il ərzində yaxşı işləyir, sonra sızma dərəcəsi yavaş-yavaş artır. Kök səbəb: Təchizatçı dəyişdikdə, hissənin səthi toxuması bir qədər fərqli oldu (drift) və model bunun "normal" olduğunu düşünməyə başladı. Drift monitorinqi qurulur və model yenidən hazırlanır. Nəticə: Monitorinq olmasaydı, zəiflik aylarca diqqətdən kənarda qalardı.

Case 2 - İzləmə qabiliyyəti saxlanıldı. Sahədən yalançı həyəcan siqnalı gəlir. Qərar jurnalından komanda hansı model versiyasının hansı verilənlərlə işlədiyini öyrənir; O, problemin müəyyən versiyadakı hədd parametrindən qaynaqlandığını aşkar edir və həmin versiyanı geri qaytarır. Nəticə: Əgər versiya və qərar qeydi olmasaydı, problemi izləmək mümkün olmadı.

3-cü hal - Yenidən hazırlıq intizamı. Donanmaya yeni bir elektrik modeli qoşulduqda, mövcud proqnozlaşdırıcı texniki xidmət modeli bu avtomobildə çoxlu yanlış həyəcan siqnalları yaradır (heç vaxt görmədiyi güc aqreqatı). Yeni modeli istismara verməzdən əvvəl komanda sürüşmə xəbərdarlığını alır və modeli yeni avtomobil məlumatları ilə genişləndirir. Nəticə: Drift monitorinqi yeni məhsulla gələn deqradasiyanı erkən aşkarladı.

operativ şablonlar

Şablon 1 - Layihə planının layihəsi:

Rol: AI layihəsinin rəhbəri (avtomobil). Tapşırıq: Mənə süni intellektlə işləyən layihəni başdan sona planlaşdırmağa kömək edin. Kontekst: Proqnozlaşdırılan texniki xidmət; 40 avtomobildən ibarət park; VIN anonimdir. Məhdudiyyət: Dəyərin müəyyən edilməsi, məlumat, model, yoxlama, istehsal, monitorinq, yenidən hazırlıq və sənədləşdirmə mərhələlərini ayrıca nəzərdən keçirin; hər bir addım üçün kimin cavabdeh olduğunu göstərin.Çıxış: Addım | çıxış | məsul | risk cədvəli.

Şablon 2 - Monitorinq planı:

Rol: Siz MLOps mühəndisisiniz. Tapşırıq: Sahəyə qoyulan model üçün monitorinq planını tövsiyə edin. Kontekst: Daxiletmə paylanması zamanla dəyişə bilər (yeni təchizatçı, yeni alət); performans real nəticələrlə ölçülə bilər.Çıxış: İzləmək üçün Metrik | eşik | hərəkətə gətirilməlidir.

Şablon 3 - Drift reytinqi:

Rol: Məlumat alimi. Tapşırıq: Verilənlərin sürüşməsinin necə aşkar ediləcəyini və yenidən təlimə ehtiyac olduqda izah edin. Kontekst: İstehsal xəttinin vizual təftiş modeli; Təchizatçıda dəyişiklik ola bilər. Çıxış: Siqnal | ölçü | yenidən təlim tetikleyicisi.

Şablon 4 - İzlənmənin yoxlanılması siyahısı:

Rol: Siz keyfiyyət/uyğunluq auditorusunuz. Tapşırıq: Model üçün izlənilən yoxlama siyahısı yaradın. Kontekst: Avtomobil; Problem yarandıqda “hansı versiya, hansı məlumat, kim təsdiq edib” sualına cavab verilməlidir. Çıxış: Maddə | niyə lazımdır | qrafiki necə saxlamaq olar.

Zəif məlumat / Güclü göstəriş

Zəif çağırış:

Modeli istehsala qoyun.

Heç bir izləmə, versiyalaşdırma, hesabatlılıq və geri çəkilmə yoxdur; Səssiz çürümə və həlli mümkün olmayan problemlər qaçılmazdır.

Güclü göstəriş:

Rol: Siz MLOps və avtomobil keyfiyyəti üzrə məsləhətçisiniz. Tapşırıq: Bir modeli məsuliyyətlə istehsala qoymağım lazım olan yoxlama siyahısını yaradın. Kontekst: Proqnozlaşdırılan texniki xidmət donanması; Zamanla yeni avtomobil növləri əlavə olunur; VIN anonim. Məhdudiyyət: Monitorinq, sürüşmə aşkarlanması, versiya/məlumat qeydi, təsdiqləmə və geriyə qaytarma planını daxil edin; Hər bir maddə üçün kimin məsul olduğu dövlət; 'onu təyin et və unut' təklifi.Çıxış: Mərhələ | zərurət | məsul | risk cədvəli.

Ümumi səhvlər

• “Onu təyin et və unut” yanaşması. Monitorinq olmadan model sakitcə çürüyür.
• Versiya/məlumat qeydlərinin saxlanmaması. Problemi izləmək və ya təkrar etmək mümkün deyil.
• Geri qaytarma planı yoxdur. Pis buraxılışdan sağalma uzun müddət çəkirsə, sahədə uzun bir uğursuzluq olacaq.
• Drifti gözləmirik. Yeni təchizatçı/alət/mövsüm modeli pozur; monitorinqi vacibdir.
• Məsuliyyəti qeyri-müəyyən buraxmaq. “Kim cavabdehdir” cavabı hər addımda aydın olmalıdır.

Xülasə

• Süni intellektlə işləyən avtomobil layihəsi birdəfəlik deyil, yuvarlanan həyat dövrüdür (MLOps).
• Modelin və məlumatların versiyalarının hazırlanması, qərarların qeydiyyatı və geri çəkilmənin planlaşdırılması izlənilmək üçün vacibdir.
• Məlumatların sürüşməsi modeli səssizcə təkzib edir; giriş və performans monitorinq edilməli və zəruri hallarda yenidən hazırlanmalıdır.
• Başdan-ayağa misalda, hər bir addımda bir insan məsuldur; “AI qərar verdi, bitdi” yoxdur.
• “Qur və unut” avtomobildə risklidir; layihə boyu monitorinq, sənədləşmə və hesabatlılıq təmin edilir.

Tətbiq tapşırığı

Bu modulda öyrəndiklərinizi bir layihədə birləşdirin (məsələn, istehsal xəttinin vizual yoxlanması və ya proqnozlaşdırıcı texniki xidmət). (1) Şablon 1 ilə başdan-başa layihə planını tərtib edin; Hər addım üçün məsul şəxsi yazın. (2) Şablon 2 ilə monitorinq planını və sürüşmə tətiklərini müəyyən edin. (3) Şablon 4 ilə izlənilmənin yoxlanılması siyahısı hazırlayın. (4) Modulun əvvəlindən bu layihəyə üç əsas intizamı necə tətbiq etdiyinizi paraqrafda ümumiləşdirin.

yoxlama siyahısı

• [ ] Mən layihəni sona çatan həyat dövrü kimi planlaşdırdım.
• [ ] Qərar qeydini model və məlumat versiyaları ilə müəyyən etdim.
• [ ] Mən monitorinq planı və sürüşmə tətikləri təyin etdim.
• [ ] Mən geri çəkilmə planı hazırladım.
• [ ] Hər bir addım üçün kimin cavabdeh olduğunu aydınlaşdırdım.
• [ ] Mən üç lövbər doğrulama intizamını və insan təhlükəsizliyi baxımından kritik qiymətləndirməni qorudum.

Modul imtahanı

1. Avtomobil təhlükəsizliyi baxımından kritik qərarda (məsələn, əyləc proqramının yoxlanılması) AI çıxışının rolu nədir?

• A) Təhlilləri sürətləndirir, lakin son təsdiq və məsuliyyət səlahiyyətli mühəndisdə qalır ✔
• B) Kifayət qədər məlumat varsa, mühəndisin təsdiqi olmadan istehsala buraxıla bilər
• C) Əyləclər kimi kritik sistemlərdə süni intellekt heç bir mərhələdə istifadə edilə bilməz
• D) Modelin dəqiqliyi 99%-i keçərsə, insanların yoxlanılmasına ehtiyac yoxdur

Təsvir: Süni intellekt təhlili sürətləndirir, namizəd həllər və xülasələr yaradır; Bununla belə, təhlükəsizlik baxımından kritik qərar və yekun təsdiq səlahiyyətli mühəndisin məsuliyyətidir. Süni intellekt mühəndis təsdiqini əvəz etmir.

2. Üç lövbər doğrulama fənnində AI-nin çıxışını yoxlamaq üçün istifadə olunan üç müstəqil yoxlama hansılardır?

• A) Təklifin uzunluğu, dili və formatı
• B) Böyüklük sırasının sübutu, mühəndis əsaslılığı və müstəqil sınaq/ölçmə ✔
• C) Modelin ölçüsü, təlim vaxtı və GPU-ların sayı
• D) Təchizatçı markası, qiyməti və çatdırılma müddəti

Təsvir: Üç lövbər; böyüklük sırası (sifariş yoxlaması), mühəndislik inandırıcılığı (fizika/təcrübə) və müstəqil test/ölçmə sübutları ilə çarpaz doğrulama. Bu üçü süni intellektə deyil, sübuta inamı təmin edir.

3. CFD və ya FEA simulyasiyasını sürətləndirən “surroqat model”in çıxışı üçün ən vacib yoxlama hansıdır?

• A) Surroqat model həmişə real həlledicidən daha dəqiqdir
• B) Renderin estetik baxımdan xoş görünməsi kifayətdir
• C) İstinad həlli ilə müqayisə və məşq məkanından kənarda hərəkət edərkən etibarsızlığın qəbulu ✔
• D) Tək qaçış birləşərsə, şəbəkənin müstəqilliyinə baxmağa ehtiyac yoxdur

Təsvir: Surroqat model real həlledici əvəzinə sürətli proqnozlar verir; lakin təlim keçdiyi dizayn məkanından kənarda etibarsızdır. Çıxış ekstrapolyasiya bölgəsini istinad yüksək dəqiqlikli simulyasiya və fiziki sərhəd şərtləri ilə işarələməklə yoxlanılmalıdır.

4. SAE avtomatlaşdırma səviyyələrində Səviyyə 2 (qismən avtomatlaşdırma) üçün düzgün ifadə hansıdır?

• A) Nəqliyyat vasitəsi bütün şəraitdə sürücü olmadan hərəkət edə bilər
• B) Sistem heç bir sürücülük vəzifəsi daşımır, yalnız xəbərdarlıq edir
• C) Sürücü oturacağında oturmasa eybi yoxdur
• D) Sistem sükanı və sürəti dəstəkləyir, lakin sürücü daimi nəzarəti və məsuliyyəti özündə saxlayır ✔

Təsvir: Səviyyə 2-də sistem eyni vaxtda sükanı və sürəti/məsafəni dəstəkləyir, lakin sürücü daimi nəzarəti saxlayır və istənilən vaxt idarəetməni ələ keçirməyə hazırdır; Məsuliyyət sürücünün üzərinə düşür. 3 və daha yuxarı səviyyədə sistem müəyyən şərtlərdə sürücülük vəzifələrini öz üzərinə götürür.

5. İstehsal xəttində vizual qüsurların aşkarlanmasında nə üçün “qaçış dərəcəsi” kritik göstəricidir?

• A) Qüsurlu hissənin təsdiqlənməsi və sahəyə göndərilməsi təhlükəsizlik və geri çağırma riski yaradır ✔
• B) Yalnız xəttin sürətini aşağı saldığı üçün vacibdir
• C) Sızma dərəcəsi yalnız boya qüsurları üçün etibarlıdır
• D) Sızma dərəcəsi modelin təlim müddətini ölçür

Təsvir: Qanunsuz; Qüsurlu hissə mükəmməl sayılır və xəttdən keçir (yalançı mənfi). Avtomobilin təhlükəsizlik hissəsi üçün sızma saxta rədddən daha baha başa gəlir, çünki bu sahədə uğursuzluğa və ya geri çağırışa səbəb ola bilər; Həddi müvafiq olaraq tənzimlənir.

6. Proqnozlaşdırılan texniki xidmətdə “qalan faydalı istifadə müddəti” (RUL) hesablamasının ən dəqiq istifadəsi hansıdır?

• A) RUL yalnız mühərrik yağı üçün hesablanır
• B) Qeyri-müəyyənlik diapazonu ilə təqdim edilməli və texniki xidmət pəncərəsinə və təhlükəsizlik marjasına uyğun olaraq şərh edilməlidir ✔
• C) Tək dəqiq gün dəyəri kimi qəbul edilməli və həmin günə qədər heç bir yoxlama aparılmamalıdır.
• D) RUL yüksək olduqda sensorlar söndürülə bilər

Təsvir: RUL komponentin nasazlığa qədər təxmini qalan iş vaxtıdır; O, qeyri-müəyyənlik diapazonu ilə təqdim edilməli və texniki xidmət planına və təhlükəsizlik marjasına uyğun şərh edilməlidir. Bir nöqtəli qiymətləndirməyə kor-koranə etibar etmək əvəzinə, etibarlılıq intervalı və yanlış həyəcan dəyəri nəzərə alınır.

7. Süni intellekt test məlumatlarının təhlilində yol testi qeydində anomaliyaları qeyd etdikdə mühəndis nə etməlidir?

• A) Anomaliya gördükdə, test avtomatik olaraq uğursuz hesab edilməlidir.
• B) Süni intellekt onu qeyd etməyibsə, məlumatlara ümumiyyətlə baxmamalıdır
• C) Anomaliyanı xam məlumat, ölçmə qeyri-müəyyənliyi və təkrarlanma qabiliyyəti ilə yoxlayın ✔
• D) Anomaliyaları silin və hesabatı silin

İzahat: AI bayraqlarının nəticə deyil, bir ipucu olması anomaliyasıdır. Mühəndis ölçmə qeyri-müəyyənliyini, sensorun nasazlığı ehtimalını və təkrarlanma qabiliyyətini yoxlamalı və anomaliyanı xam məlumat və qəbul meyarları ilə yoxlamalıdır. Avtomatik qəbul və ya imtina uyğun deyil.

8. Yüngül bir araşdırmada AI tərəfindən təklif olunan material dəyişikliyi üçün hansı yoxlama məcburidir?

• A) Sadəcə daha yüngül olmalıdır
• B) Maddi məlumat bazasında tək sıra sübut kimi götürülə bilər
• C) Yüngül materiallarda qəza davranışı əhəmiyyətsizdir
• D) Mexanik, yorğunluq, qəza, istehsal qabiliyyəti və xərc tələbləri birlikdə sınaqdan keçirilməlidir ✔

Qeyd: Material tövsiyəsi yalnız sıxlıq/güc nisbəti əsasında qəbul edilə bilməz; mexaniki xassələr, yorğunluq, qəza davranışı, istehsal qabiliyyəti, korroziya, qiymət və təhlükəsizlik tələbləri birlikdə yoxlanılmalı və fiziki sınaqla təsdiqlənməlidir.

9. Nə üçün avtomobil təchizat zəncirində “bir mənbə riski” AI tövsiyələrində xüsusi diqqət tələb edir?

• A) Tək təchizatçıda baş verən pozuntu bütün istehsalı dayandıra bilər; İkinci mənbə və bufer qiymətləndirilməlidir ✔
• B) Tək mənbə həmişə ən təhlükəsiz seçimdir
• C) Süni intellekt təklif olunarsa, risk təhlilinə ehtiyac yoxdur
• D) Tək mənbə riski yalnız təkərə aiddir

İzahat: Əgər hissə bir təchizatçıdan gəlirsə, həmin təchizatçı ilə problem yarandıqda istehsal dayandırılır. AI xərclərin optimallaşdırılması üçün tək mənbə tövsiyə edə bilər; Mühəndis/planlayıcı bunu ikinci dərəcəli resurs, ehtiyat buferi və ssenari təhlili ilə balanslaşdırmalıdır. Qiymət yeganə meyar deyil.

10. Python ilə telemetriya təhlili apararkən “məlumat sızması” nə deməkdir və bu nə üçün təhlükəlidir?

• A) Məlumat diskdən sızır və silinir
• B) Model təlimdə proqnozlaşdırma zamanı məlum olmayan məlumatları görür; Hesabı şişirdir, meydanda yıxılır ✔
• C) Qrafik rənglərin qarışdırılması
• D) Yalnız təsvir verilənlərində baş verir

Təsvir: Məlumat sızması; Bu, modelin təlimdə proqnozlaşdırma zamanı əslində məlum olmayan məlumatları (məsələn, gələcək dəyər və ya hədəflə əlaqəli atribut) görən zamandır. Bu, test xalını süni şəkildə artırır, lakin sahə performansını pozur. Keçmiş/gələcək fərqi vaxt seriyasında ciddi şəkildə qorunmalıdır.

11. ASIL təsnifatı ISO 26262 funksional təhlükəsizlik kontekstində nəyi müəyyən edir?

• A) Avtomobilin maksimal sürəti
• B) Modelin təlim verilənlər toplusunun ölçüsü
• C) ✔ Təhlükənin şiddətinə, məruz qalmasına və idarə oluna bilməsinə uyğun olaraq tələb olunan təhlükəsizlik səviyyəsi.
• D) Təchizatçının kredit reytinqi

Təsvir: ASIL (Avtomobil Təhlükəsizliyi Dürüstlük Səviyyəsi) təhlükənin şiddəti, məruz qalması və idarə oluna bilməsinin qiymətləndirilməsi əsasında təhlükənin tələb etdiyi təhlükəsizlik tədbirlərinin səviyyəsini (A-dan D-yə qədər, D ən yüksəkdir) müəyyən edir. Yüksək ASIL daha ciddi inkişaf, yoxlama və sənədləşdirmə tələb edir.

12. ISO 21448 (SOTIF) klassik funksional təhlükəsizlikdən (ISO 26262) nə ilə fərqlənir?

• A) Yalnız texniki nasazlıqları idarə edir
• B) Yalnız proqram təminatının lisenziyalaşdırılmasını tənzimləyir
• C) SOTIF ISO 26262-nin köhnə adıdır
• D) Qeyri-adekvat funksionallıqdan və tanınmamış ssenarilərdən yaranan riskləri, hətta uğursuzluq olmadıqda belə həll edir ✔

Təsvir: ISO 26262 nasazlıqlar/avadanlıq-proqram təminatı xətalarından yaranan risklərə toxunduğu halda, SOTIF (Nəzərdə tutulan Funksionallığın Təhlükəsizliyi) sistem ümumiyyətlə nasazlıq göstərməsə belə, qeyri-adekvat aşkarlama, tanınmamış ssenarilər və funksional məhdudiyyətlərdən irəli gələn riskləri həll edir; AI əsaslı aşkarlamada xüsusilə vacibdir.

13. Sürücü və nəqliyyat vasitəsinin telemetriya məlumatları ilə işləyərkən məxfilik baxımından ən yaxşı yanaşma hansıdır?

• A) KVKK/GDPR uyğunluğu anonimləşdirmə, məlumatların minimuma endirilməsi və məqsədin məhdudlaşdırılması ✔
• B) Bütün xam məlumatların VIN ilə birlikdə ictimai modelə göndərilməsi
• C) Məxfilik yalnız marketinq məlumatlarına aiddir
• D) Məkan məlumatları heç vaxt şəxsi məlumat hesab edilmir

Təsvir: Məkan, sürücülük davranışı və şassi nömrəsi (VIN) kimi məlumatlar bir şəxsi müəyyən edə bilər. Ən düzgün yanaşma; məlumatların anonimləşdirilməsi/psevdononimləşdirilməsi, yalnız zəruri olanların toplanması (məlumatların minimuma endirilməsi), məqsəd məhdudiyyəti və KVKK/GDPR uyğunluğu. Xam VIN və ya yeri üçüncü tərəf alətlərinə göndərmək risklidir.

14. Nə üçün istehsala qoyulan AI modelində “məlumatların sürüşməsi”ni izləmək lazımdır?

• A) Model öyrədildikdən sonra qeyri-müəyyən müddətə eyni performansı verir.
• B) Zamanla daxilolma paylanması dəyişdikcə performans səssizcə azalır; yenidən hazırlıq işə salınmalıdır ✔
• C) Drift yalnız aparatın fiziki vibrasiyasıdır
• D) Monitorinq lazımsızdır, çünki model avtomatik olaraq özünü yeniləyir

İzahat: Real dünya dəyişir (yeni hissələrin tədarükçüsü, mövsüm, yeni avtomobil modeli); Giriş paylanması təlim vaxtından uzaqlaşdıqca model performansı səssizcə azalır. Yenidən hazırlıq drift monitorinqi və performans göstəriciləri ilə tetiklenir. Avtomobildə “qurula və unut” yanaşması risklidir.