লাভ:
- এআই-চালিত পাইথন কোড সহ অপ্টিমাইজেশান এবং ডেটা প্রসেসিং কাজগুলি স্বয়ংক্রিয় করার ক্ষমতা
- ইউনিট চেকিং, টেস্টিং এবং এজ কেস সহ এআই-জেনারেটেড কোড যাচাই করার ক্ষমতা
- গোপনীয় উৎপাদন ডেটা রক্ষা করার এবং দায়িত্বশীল AI ব্যবহারের নীতিগুলি প্রয়োগ করার ক্ষমতা
শিল্প প্রকৌশলে, গতি এবং পুনরাবৃত্তিযোগ্যতা উভয়ই অর্জন করা হয় যখন পুনরাবৃত্তিমূলক গণনা, ডেটা পরিষ্কার এবং অপ্টিমাইজেশন মডেলগুলি পাইথনের সাথে স্বয়ংক্রিয় হয়। এই কোড লেখার জন্য AI হল সবচেয়ে শক্তিশালী অ্যাক্সিলারেটর: পান্ডা দিয়ে ডেটা প্রসেসিং, PULP/SciPy-এর সাথে অপ্টিমাইজেশান, মিনিটের মধ্যে ম্যাটপ্লটলিব ড্রাফ্ট কোডের সাথে ভিজ্যুয়ালাইজেশন। কিন্তু AI কোড অন্তর্নিহিতভাবে "কাজ বলে মনে হচ্ছে" এবং "সঠিক হওয়ার" মধ্যে পার্থক্যের নিশ্চয়তা দেয় না। এই ইউনিটে, আমরা AI-চালিত ইঞ্জিনিয়ারিং অটোমেশন, বৈধকরণ কোডের শৃঙ্খলা এবং গোপনীয় উত্পাদন ডেটা রক্ষা করার নীতিগুলিকে একত্রিত করি। এই ইউনিটটি আগের সমস্ত ইউনিটে "আত্মবিশ্বাসের সাথে প্রয়োগ করুন" স্তর।
কেন কোড? পুনরাবৃত্তিযোগ্যতা এবং নিরীক্ষণযোগ্যতা
এক্সেলের একটি ম্যানুয়াল গণনা ছয় মাস পরে জিজ্ঞাসা করবে "সেই সংখ্যাটি কোথা থেকে এসেছে?" প্রশ্নের উত্তর দিতে পারে না। কোড, অন্যদিকে, ইনপুট, পদক্ষেপ এবং আউটপুট পরিষ্কার এবং পুনরাবৃত্তিযোগ্য রাখে। কোডে একটি ইঞ্জিনিয়ারিং গণনা করার তিনটি সুবিধা: (1) একই ইনপুট দিয়ে সর্বদা একই ফলাফল, (2) প্রতিটি পদক্ষেপকে দৃশ্যমান এবং পর্যালোচনাযোগ্য করে তোলা, (3) ইনপুট পরিবর্তিত হলে স্বয়ংক্রিয়ভাবে ফলাফল আপডেট করা।
# EOQ গণনাকে একটি যাচাইযোগ্য ফাংশনে পরিণত করা mathdef eoq(বার্ষিক_ডিমান্ড, অর্ডার_কস্ট, হোল্ডিং_কস্ট): """অর্থনৈতিক অর্ডারের পরিমাণ। ইউনিটগুলি অবশ্যই সামঞ্জস্যপূর্ণ হতে হবে: বার্ষিক_চাহিদা [আইটেম/বছর], অর্ডার_কস্ট [TL/অর্ডার], হোল্ডিং_পিস = "বার্ষিক_খরচ" অথবা যদি <T_L/বছর" হোল্ডিং_কস্ট <= 0: raise ValueError("চাহিদা এবং হোল্ডিং খরচ অবশ্যই ইতিবাচক হতে হবে") গণিত ফেরত দিন। 328.63) < 0.1মুদ্রণ(বৃত্তাকার(eoq(3600, 120, 8), 1)) #328.6
এখানে দাবীর লাইনটি গুরুত্বপূর্ণ: একটি পরিচিত ফলাফলের বিরুদ্ধে পরীক্ষা। AI লিখিত প্রতিটি গণনা ফাংশনে কমপক্ষে একটি "পরিচিত ফলাফল পরীক্ষা" যোগ করে, আপনি প্রমাণ করেন যে কোডটি আসলে সঠিকভাবে গণনা করে।
AI দিয়ে কোড জেনারেট করার সঠিক উপায়
AI-তে কোড লেখার সময় যত কম অনিশ্চয়তা থাকে, আউটপুট তত বেশি নির্ভরযোগ্য।
ভূমিকা: আপনি পাইথন এবং শিল্প প্রকৌশল ডেটা বিশ্লেষণে একজন বিশেষজ্ঞ। টাস্ক: একটি ফাংশন লিখুন যা একটি CSV-তে দৈনিক উত্পাদন ডেটা (তারিখ, উত্পাদিত, ত্রুটিপূর্ণ, ডাউনটাইম_মিনিট) প্রক্রিয়া করে এবং দৈনিক অপচয়ের হার এবং মোটামুটি OEE উপাদানগুলি গণনা করে। প্রয়োজনীয়তা:- পান্ডা ব্যবহার করুন, কলামের নাম যাচাই করুন (অনুপস্থিত থাকলে বোধগম্য ত্রুটি দিন)।- বর্জ্য হার = ত্রুটিপূর্ণ/উত্পাদিত; শূন্য দ্বারা বিভাজনের বিরুদ্ধে রক্ষা করুন।- ফাংশনে একটি পরিচিত ফলাফল সহ একটি পরীক্ষা (আবেদন) যোগ করুন।- ডকস্ট্রিং-এ ইউনিট এবং অনুমান লিখুন। নিয়ম: নেটওয়ার্ক/ফাইল সিস্টেমে লেখা গোপন প্রক্রিয়া যুক্ত করবেন না। শুধু হিসেব করুন। যেখানে আপনি নিশ্চিত নন সেখানে মন্তব্য দিয়ে চিহ্নিত করুন।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
কোড লিখুন যা উত্পাদন দক্ষতা গণনা করে।
"ইল্ড" অনির্ধারিত, কোনো ডেটা স্কিমা নেই, কোনো পরীক্ষা নেই৷ এমনকি যদি আউটপুট কাজ করে, তবে এটি কী গণনা করে তা স্পষ্ট নয়।
শক্তিশালী প্রম্পট:
নিম্নলিখিত ডায়াগ্রামে CSV-এর জন্য OEE গণনা করুন: কলাম [পরিকল্পিত_সময়, রান_টাইম, আদর্শ_চক্র, উৎপাদিত, গুণমান]। প্রাপ্যতা = কাজ/পরিকল্পিত, কর্মক্ষমতা = (আদর্শ_চক্র × উত্পাদিত)/চালনা, গুণমান = গুণমান/উত্পাদিত। OEE এই তিনটির পণ্য। প্রতিটি উপাদান আলাদাভাবে ফেরত দিন, শূন্য দ্বারা বিভাজন পরিচালনা করুন এবং পরিচিত মানগুলির সাথে একটি দাবী পরীক্ষা যোগ করুন।
দ্বিতীয় প্রম্পট স্পষ্টভাবে প্রতিটি সূত্র এবং ডায়াগ্রাম দেয়; এটি AI এর "ফল" এর ভুল ব্যাখ্যা করার সম্ভাবনাকে দূর করে এবং পরীক্ষার মাধ্যমে যাচাইকরণ বাধ্যতামূলক করে।
কোড যাচাইকরণ চেকলিস্ট
একটি উত্পাদন সিদ্ধান্তে AI কোড ব্যবহার করার আগে, এই পদক্ষেপগুলি দিয়ে যান:
পদক্ষেপ
কি চেক করতে হবে
ইউনিট/আকার
ইনপুট-আউটপুট ইউনিটগুলি কি সামঞ্জস্যপূর্ণ?
পরিচিত ফলাফল পরীক্ষা
এটা সঠিকভাবে একটি হাত গণনা উদাহরণ দিতে?
প্রান্ত মামলা
শূন্য, ঋণাত্মক, খালি ডেটা, একক লাইন কী করে?
পাটিগণিত ক্রস-চেক
একটি ছোট নমুনায় ফলাফল স্পষ্ট?
অদৃশ্য পার্শ্ব প্রতিক্রিয়া
কোডটি কি ডেটা মুছে/পাঠায়?
সতর্কতা: AI কখনও কখনও এমন কোড তৈরি করে যা "কাজ করে কিন্তু ভুল": উদাহরণস্বরূপ, এটি ভুল/মোট পরিবর্তে ভুল/উত্পাদিত অপচয়ের হার গণনা করে বা হারের সাথে শতাংশকে বিভ্রান্ত করে। কোডটি ত্রুটি ছাড়াই কাজ করে তার মানে এই নয় যে এটি সঠিক। একটি পরিচিত ফলাফল সঙ্গে পরীক্ষা করতে ভুলবেন না.
নিরাপত্তা এবং ডেটা গোপনীয়তা
উৎপাদন তথ্য হল বাণিজ্য গোপনীয়তা: ক্ষমতা, খরচ, গ্রাহকের চাহিদা, সরবরাহকারীর দাম। আবেগপ্রবণভাবে এগুলিকে এআই পরিষেবাতে আটকানো একটি গুরুতর ঝুঁকি।
- বেনামী ডেটা: প্রকৃত গ্রাহক/সরবরাহকারী নামের পরিবর্তে কোড ব্যবহার করুন; নমুনা মান দিয়ে নির্ভুলতা খরচ প্রতিস্থাপন করুন।
- কর্পোরেট নীতি অনুসরণ করুন: আপনার কোম্পানি দ্বারা অনুমোদিত AI সরঞ্জাম এবং ডেটা শ্রেণীবিভাগের নিয়মগুলি ব্যবহার করুন৷
- কোডের জন্য অনুরোধ করুন, স্থানীয়ভাবে ডেটা চালান: AI লিখুন কোড রাখুন, কিন্তু কোডটি আপনার নিজস্ব পরিবেশে, বাস্তব ডেটা সহ চালান। এইভাবে, সংবেদনশীল ডেটা বের হয় না।
- আউটপুট পর্যালোচনা করুন: এআই কোডটি একটি অপ্রত্যাশিত স্থানে ডেটা পাঠাচ্ছে কিনা তা পরীক্ষা করুন (নেটওয়ার্ক কল, বাহ্যিক API)।
টিপ: "AI লিখতে কোড তৈরি করুন, স্থানীয়ভাবে ডেটা প্রক্রিয়া করুন" নীতি গোপনীয়তা রক্ষা করে এবং AI-কে জাল নম্বর তৈরি করা থেকে বাধা দেয়। প্রকৃত সমাধানকারী/লাইব্রেরি গণনা করে, এআই কেবল কঙ্কাল তৈরি করে।
মিনি কেস: কাজ করছে কিন্তু ভুল কোড
একটি কারখানায়, শিল্প প্রকৌশলী মের্টের কাছে AI একটি স্ক্রিপ্ট লিখতে থাকে যা একটি মাসিক OEE রিপোর্ট তৈরি করে। কোডটি মসৃণভাবে চলে এবং 92% এর একটি চমৎকার OEE দেয়। কিন্তু যখন Mert এটি একটি পরিচিত দিনে পরীক্ষা করে (একটি দিন যা তিনি ম্যানুয়ালি গণনা করেছিলেন, যার একটি OEE 78% হওয়া উচিত), কোডটি 92% প্রদান করে। পর্যালোচনায়, তিনি দেখতে পান যে AI পারফরম্যান্স উপাদানটি ভুলভাবে সেট আপ করেছে (আদর্শ চক্রের পরিবর্তে গড় চক্র ব্যবহার করে)। সংশোধন করা হলে, মান বাস্তবতার সাথে মিলে যায়। কোডটি কোনো ত্রুটি ছাড়াই ভুল ফলাফল তৈরি করছিল। পাঠ: পরিচিত ফলাফলের সাথে পরীক্ষা না করে, একটি ভুল OEE কয়েক মাস ধরে ব্যবস্থাপনার সিদ্ধান্তে প্রবেশ করবে।
সাধারণ ভুল
- "কাজ করা = সঠিক" চিন্তা করা: এমন কোড গ্রহণ করা যা ভুলকে সঠিক বলে না; পরিচিত ফলাফল সঙ্গে পরীক্ষা না.
- এজ কেস এড়িয়ে যাওয়া: প্রকাশ করা পরিস্থিতি যেমন শূন্য দিয়ে ভাগ, খালি ডেটা, নেতিবাচক ইনপুট চেষ্টা না করেই।
- গোপনীয় ডেটা আটকানো: AI-তে প্রকৃত খরচ/গ্রাহকের ডেটা বেনামে না রেখে পাঠানো।
- একটি সমাধানকারীর জন্য AI ভুল করা: অপ্টিমাইজেশান আউটপুট ব্যবহার করে যে AI বলে "ফলাফল এটি" আসল সমাধানকারী আউটপুট হিসাবে।
- নিরীক্ষাযোগ্যতা হারানো: অনুমান এবং ইউনিট নথিভুক্ত না করে কোড ভাগ করা।
সংক্ষেপে
- কোডটি ইঞ্জিনিয়ারিং অ্যাকাউন্টে পুনরাবৃত্তিযোগ্যতা এবং নিরীক্ষাযোগ্যতা যোগ করে; AI এই কোডের গতি বাড়ায়।
- প্রতিটি AI গণনা ফাংশনে একটি পরিচিত ফলাফলের সাথে একটি দাবি যোগ করে সঠিকতা প্রমাণ করুন।
- কোডটি একটি ইউনিট, এজ কেস এবং পাটিগণিত ক্রস-চেকলিস্টের মধ্য দিয়ে পাস না করে উৎপাদন সিদ্ধান্তে ব্যবহার করবেন না।
- "ওয়ার্কিং কোড" মানে সঠিক কোড নয়; এটি ত্রুটিহীনভাবে কাজ করতে পারে এবং ভুলভাবে গণনা করতে পারে।
- গোপনীয় উৎপাদন ডেটা বেনামী করুন, কর্পোরেট নীতি মেনে চলুন; কোডটি AI-তে প্রিন্ট করুন কিন্তু স্থানীয়ভাবে ডেটা প্রক্রিয়া করুন।
আবেদন টাস্ক
একটি ইঞ্জিনিয়ারিং গণনা নির্বাচন করুন (EOQ, নিরাপত্তা স্টক, OEE বা মান সময়)। AI-তে একটি পাইথন ফাংশন লিখুন যা এই গণনা করে; ডকস্ট্রিং-এ একক প্রয়োগ করুন এবং একটি জাহির পরীক্ষার মাধ্যমে পরিচিত ফলাফল। সমালোচনামূলক যাচাইকরণ: কমপক্ষে তিনটি প্রান্তের ক্ষেত্রে (শূন্য, ঋণাত্মক, নাল) ফাংশনটি চেষ্টা করুন এবং একটি হাতে গণনা করা উদাহরণের সাথে তুলনা করুন; একটি পরিচিত মান দিয়ে প্রমাণ করুন যে ফলাফলটি সঠিক, এমনকি যদি কোডটি ত্রুটি ছাড়াই চলে। তারপরে "ডেটা গোপনীয়তা" দৃষ্টিকোণ থেকে কোডটি পরীক্ষা করুন: ডেটা পাঠানোর একটি প্রক্রিয়া আছে কি? অবশেষে, এই ইউনিটের যাচাইকরণ চেকলিস্টটিকে আপনার নিজস্ব কর্মপ্রবাহের সাথে মানিয়ে নিন এবং একটি চেকলিস্ট তৈরি করুন৷
মডিউল পরীক্ষা
1. চর্বিহীন উত্পাদনে, আপনি একটি মান স্ট্রিম মানচিত্র (VSM) তৈরি করতে AI ব্যবহার করেছেন৷ পরামর্শ বাস্তবায়ন করার আগে সেরা পদক্ষেপ কি?
- ক) ক্ষেত্র (জেম্বা) পর্যবেক্ষণ এবং প্রকৃত চক্র/বাসের সময় সহ AI ব্লুপ্রিন্ট যাচাই করুন ✔
- খ) AI একটি বর্তমান মডেল হিসাবে সরাসরি বোর্ডে মানচিত্র ঝুলানো
- গ) শুধু মানচিত্রের রং এবং বাক্সের আকার ঠিক করুন
- ঘ) বর্জ্য প্রকারের ক্রম পরিবর্তন করে প্রকাশ করা
ব্যাখ্যা: AI আপনার দেওয়া তথ্যের উপর ভিত্তি করে একটি যুক্তিসঙ্গত VSM স্কেচ তৈরি করে, কিন্তু প্রকৃত প্রক্রিয়ার সময় এবং অপচয় পর্যবেক্ষণ করতে পারে না। লীনের মূল নীতি হল 'গেম্বা': মান স্ট্রীমটি ক্ষেত্রে পর্যবেক্ষণ এবং পরিমাপ করে যাচাই করা উচিত, কিন্তু তারপর উন্নতির সিদ্ধান্তের ভিত্তি হিসাবে ব্যবহার করা উচিত।
2. চাহিদার পূর্বাভাস মডেলের নির্ভুলতা মূল্যায়নের জন্য মেট্রিক্সের কোন সেটটি সরাসরি এই উদ্দেশ্যকে সম্বোধন করে?
- ক) Cp এবং Cpk
- খ) MAPE, MAE এবং RMSE ✔
- গ) OEE এবং MTBF
- ঘ) Takt সময় এবং WIP
ব্যাখ্যা: MAPE (মানে পরম শতাংশ ত্রুটি), MAE এবং RMSE হল মেট্রিক যা পূর্বাভাস ত্রুটি পরিমাপ করে; এটি আপনাকে প্রকৃত চাহিদার সাথে পূর্বাভাসের তুলনা করে মডেলের যথার্থতা মূল্যায়ন করতে দেয়। Cp/Cpk হল প্রক্রিয়ার ক্ষমতা এবং OEE হল যন্ত্রপাতির দক্ষতা মেট্রিক।
3. রিঅর্ডার পয়েন্ট (ROP) গণনায়, AI আপনাকে একটি মান দিয়েছে। নিরাপদে ফলাফল ব্যবহার করতে আপনার প্রথমে কী করা উচিত?
- ক) ফলাফলটি রাউন্ড করুন এবং এটি সরাসরি ইআরপিতে প্রবেশ করুন
- খ) এআইকে জিজ্ঞাসা করুন 'আপনি কি নিশ্চিত?' এবং 'হ্যাঁ' উত্তরে সন্তুষ্ট হন
- গ) ব্যবহৃত সূত্র, ইনপুট এবং ইউনিট প্রিন্ট করুন এবং ম্যানুয়ালি/কোড সহ গণনা পুনরুত্পাদন করুন ✔
- ঘ) সম্পূর্ণরূপে নিরাপত্তা স্টক রিসেট
ব্যাখ্যা: এটি ROP = গড় চাহিদা × লিড টাইম + নিরাপত্তা স্টক সূত্রের সাথে কাজ করে। AI যে ফলাফল দেয় তা যাচাই করার জন্য এটি ব্যবহার করা সূত্র এবং ইনপুটগুলি (চাহিদার হার, লিড টাইম, সুরক্ষা স্টক) স্পষ্টভাবে মুদ্রণ করে এবং ম্যানুয়ালি/কোডের মধ্যে পুনরায় গণনা করে; অন্যথায় একক বা গাণিতিক ত্রুটি লক্ষ্য করা যাবে না।
4. স্বল্পতম প্রক্রিয়াকরণ সময় (SPT) নিয়ম সাধারণত কাজের সময়সূচীতে কী উন্নতি করে?
- ক) এটি শুধুমাত্র সেটআপের সময় পুনরায় সেট করে
- খ) শারীরিকভাবে মেশিনের সংখ্যা বৃদ্ধি করে
- গ) গ্যারান্টিযুক্তভাবে অর্ধেক শক্তি খরচ কমিয়ে দেয়
- ঘ) গড় প্রবাহের সময় এবং গড় বিলম্ব কমাতে থাকে ✔
বর্ণনা: SPT (শর্টেস্ট প্রসেসিং টাইম) নিয়মটি ছোট কাজ এগিয়ে এনে গড় প্রবাহের সময় এবং গড় বিলম্ব কমাতে থাকে। যাইহোক, তিনি ক্রমাগত দীর্ঘ কাজ স্থগিত করতে পারেন; যদি ডেলিভারির তারিখটি জটিল হয়, EDD-এর মতো নিয়মগুলি আরও উপযুক্ত৷ নিয়ম নির্বাচন উদ্দেশ্য দ্বারা ন্যায়সঙ্গত হওয়া উচিত.
5. SPC-তে Cp-এর তুলনায় Cpk-এর মান উল্লেখযোগ্যভাবে কম হলে এর অর্থ কী?
- ক) প্রক্রিয়া গড় সহনশীলতা কেন্দ্র থেকে স্থানান্তরিত হয়েছে (সেন্টারিং সমস্যা) ✔
- খ) প্রক্রিয়াটির বৈচিত্র্য শূন্য
- গ) এটি দেখায় যে নমুনার সংখ্যা বড়
- ঘ) প্রমাণ করে যে নিয়ন্ত্রণ চার্ট অপ্রয়োজনীয়
ব্যাখ্যা: Cp হল দক্ষতা সূচক যা সহনশীলতার প্রস্থে ছড়িয়ে পড়া প্রক্রিয়ার অনুপাতকে বিবেচনা করে এবং Cpk হল পর্যাপ্ততা সূচক যা সহনশীলতা কেন্দ্রের তুলনায় গড় পরিবর্তনকেও বিবেচনা করে। যদি Cpk Cp থেকে কম হয়, তাহলে এটি নির্দেশ করে যে প্রক্রিয়াটি অফ-সেন্টার (গড় লক্ষ্য থেকে দূরে); যদিও স্প্রেড একই, একটি কেন্দ্রীকরণ সমস্যা আছে।
6. টাইম স্টাডিতে স্ট্যান্ডার্ড সময় গণনা করার সময় আপনি AI দ্বারা প্রদত্ত সূত্রটি ব্যবহার করেন। নিচের কোনটির দ্বারা আদর্শ সময় সঠিকভাবে পাওয়া যায়?
- ক) মান সময় = পর্যবেক্ষিত সময়, মার্জিন এবং টেম্পো বিবেচনায় নেওয়া হয় না
- খ) মান সময় = স্বাভাবিক সময় × (1 + শেয়ার অনুপাত); স্বাভাবিক সময় = পর্যবেক্ষিত সময় × গতি ✔
- গ) মান সময় = পর্যবেক্ষিত সময় ÷ মেশিনের সংখ্যা
- ঘ) স্ট্যান্ডার্ড সময় সর্বদা দ্রুততম অপারেটরের সময়
ব্যাখ্যা: আদর্শ সময় হিসাবে গণনা করা = সাধারণ সময় × (1 + শেয়ার অনুপাত); পর্যবেক্ষিত সময় × টেম্পো (রেটিং) দ্বারা সাধারণ সময় পাওয়া যায়। শেয়ার যোগ করা বাধ্যতামূলক (বিশ্রাম, ব্যক্তিগত, বিলম্ব)। AI সূত্র দিতে পারে, কিন্তু টেম্পো এবং শেয়ারের মান অবশ্যই প্রকৃত পর্যবেক্ষণ এবং কোম্পানির নীতি দ্বারা যাচাই করা উচিত।
7. AI বলেছে যে এটি একটি যানবাহন রাউটিং (VRP) সমস্যার 'সেরা' সমাধান দিয়েছে। সবচেয়ে সঠিক মূল্যায়ন কোনটি?
- ক) চালকদের কাছে সরাসরি রুট পাঠানো হচ্ছে কারণ এআই 'সেরা' বলে
- খ) ক্ষমতা, সময় উইন্ডো এবং খরচের সীমাবদ্ধতার বিরুদ্ধে সমাধানটি যাচাই করুন ✔
- গ) শুধু স্টপের সংখ্যা কমিয়ে প্রকাশ করুন
- ঘ) মানচিত্রটি ভিজ্যুয়ালাইজ করা এবং সীমাবদ্ধতা উপেক্ষা করা
ব্যাখ্যা: AI ভুলভাবে সীমাবদ্ধতা (গাড়ির ক্ষমতা, সময় জানালা, ড্রাইভিং সময়) মডেল করতে পারে বা 'সেরা' হিসাবে একটি উপ-অনুকূল সমাধান উপস্থাপন করতে পারে। সমাধান; এটি ক্ষমতা, সময় উইন্ডো এবং মোট দূরত্ব/খরচের সীমাবদ্ধতার বিরুদ্ধে পরীক্ষা করা উচিত এবং যদি সম্ভব হয়, পুনরুত্পাদন করা এবং একটি সমাধানকারীর সাথে তুলনা করা উচিত।
8. OEE (সামগ্রিক সরঞ্জাম কার্যকারিতা) কোন তিনটি উপাদানের গুণফল?
- ক) চাহিদা, স্টক এবং খরচ
- খ) Cp, Cpk এবং সিগমা
- গ) ব্যবহারযোগ্যতা, কর্মক্ষমতা এবং গুণমান ✔
- ঘ) Takt, চক্র এবং ডেলিভারি সময়
ব্যাখ্যা: OEE = প্রাপ্যতা × কর্মক্ষমতা × গুণমান। প্রাপ্যতা ডাউনটাইম প্রতিফলিত করে, কর্মক্ষমতা গতি হ্রাস প্রতিফলিত করে, এবং গুণমান ত্রুটিপূর্ণ পণ্য প্রতিফলিত করে। যদি AI একটি OEE মান দেয়, তবে এই তিনটি উপাদান আলাদাভাবে গণনা করা এবং গুণ করা হয়েছে তা নিশ্চিত করতে হবে।
9. একটি বিচ্ছিন্ন-ইভেন্ট সিমুলেশনের আউটপুট ব্যাখ্যা করার সময় সবচেয়ে গুরুত্বপূর্ণ যাচাইকরণের পদক্ষেপ কী?
- ক) বাস্তব তথ্য সহ ইনপুট বিতরণ এবং অনুমান যাচাই করা ✔
- খ) কাজের সময় সংক্ষিপ্ত করুন এবং একক শর্তে সিদ্ধান্ত নিন
- গ) গ্রাফিক্সের কালার প্যালেট উন্নত করা
- ঘ) এলোমেলো বীজ লুকিয়ে রাখা এবং ফলাফল অপূরণীয় করা
ব্যাখ্যা: সিমুলেশন আউটপুট ইনপুট অনুমানের মতোই ভাল। বিতরণ, আন্তঃ-আগমনের সময়, পরিষেবার সময় এবং দৃশ্যের পরামিতিগুলি বাস্তব ডেটার সাথে তুলনা এবং যাচাই করা উচিত; অতিরিক্তভাবে, এটি পরীক্ষা করা উচিত যে মডেলটি সঠিকভাবে প্রতিষ্ঠিত হয়েছে (যাচাই)। নইলে 'গারবেজ ইন, গার্বেজ আউট'।
10. একটি উত্পাদন সিদ্ধান্তে একটি AI-জেনারেটেড পাইথন অপ্টিমাইজেশান স্ক্রিপ্ট ব্যবহার করার আগে কোনটি বাধ্যতামূলক?
- ক) ফলাফল সরাসরি প্রয়োগ করা যেহেতু কোডটি ত্রুটি ছাড়াই কাজ করে
- খ) পরিচিত ফলাফলের সাথে পরীক্ষা করা, ইউনিট চেকিং এবং প্রান্তের ক্ষেত্রে যাচাইকরণ এবং ডেটা গোপনীয়তা রক্ষা করা ✔
- গ) পরিবর্তনশীল নাম সংক্ষিপ্ত করুন এবং মন্তব্য মুছুন
- ঘ) একটি পাবলিক সার্ভিসে সমস্ত উত্পাদন ডেটা সহ স্ক্রিপ্ট আপলোড করা
বর্ণনা: এআই কোডে ভুল ইউনিট রূপান্তর, ভুল সীমাবদ্ধতা বা প্রান্তের ক্ষেত্রে ভুল ফলাফল থাকতে পারে। কোড; পরিচিত ফলাফল সহ ছোট পরীক্ষা ইনপুট ইউনিট/আকার নিয়ন্ত্রণ এবং প্রান্ত কেস দ্বারা যাচাই করা উচিত, এবং গোপনীয় উত্পাদন ডেটা অনুমতি ছাড়া বহিরাগত পরিষেবাগুলিতে পাঠানো উচিত নয়। ফলাফল ইঞ্জিনিয়ারিং রায় দ্বারা নিশ্চিত করা হয়.