এন্ড-টু-এন্ড ইন্টিগ্রেশন, MLOps এবং ইঞ্জিনিয়ার দায়িত্ব

লাভ:

• ধারণা থেকে উত্পাদন পর্যন্ত একটি এআই-সমর্থিত স্বয়ংচালিত প্রকল্প ডিজাইন করার এবং একটি পর্যবেক্ষণ চক্রের সাথে এটি বজায় রাখার ক্ষমতা
• মডেল সংস্করণ ব্যবস্থাপনা, ডেটা ড্রিফ্ট এবং পুনরায় প্রশিক্ষণের প্রয়োজনীয়তা মূল্যায়ন করার ক্ষমতা
• পুরো প্রকল্প জুড়ে জবাবদিহিতা, ট্রেসেবিলিটি এবং ডকুমেন্টেশন বজায় রেখে নিরাপদে AI স্কেল করার ক্ষমতা

এই মডিউলের শেষ ইউনিটে, আমরা সমস্ত টুকরো একসাথে নিয়ে এসেছি। আমরা দেখেছি কিভাবে কৃত্রিম বুদ্ধিমত্তা পৃথক ইউনিটে ব্যবহার করা হয়, ডিজাইন থেকে উৎপাদন, পরীক্ষা থেকে সাপ্লাই চেইন পর্যন্ত। কিন্তু একটি বাস্তব প্রকল্পে, এগুলি বিচ্ছিন্ন পদক্ষেপ নয়, বরং একটি জীবনচক্র: ডেটা সংগ্রহ করা হয়, মডেল তৈরি করা হয়, এটি উত্পাদন করা হয়, এটি পর্যবেক্ষণ করা হয় এবং যখন এটি পুরানো হয়, এটি পুনর্নবীকরণ করা হয়। এই চক্র বজায় রাখার শৃঙ্খলাকে MLOps (মেশিন লার্নিং অপারেশন) বলা হয়। এই ইউনিটটি এআই-চালিত মোটরগাড়ি প্রকল্পের জন্য শেষ থেকে শেষ পর্যন্ত সেট আপ, রক্ষণাবেক্ষণ এবং জবাবদিহিতাকে কভার করে।

একটি এআই প্রকল্পের জীবনচক্র

একটি স্বয়ংচালিত প্রসঙ্গে একটি সাধারণ এন্ড-টু-এন্ড প্রবাহ:

1. সমস্যা এবং মূল্য সংজ্ঞা: আমরা কোন ব্যবসায়িক সমস্যা সমাধান করছি? সাফল্য কিভাবে পরিমাপ করা হয়? এটি একটি নিরাপত্তা-গুরুত্বপূর্ণ ফাংশন?
2. ডেটা সংগ্রহ এবং লেবেলিং: উত্স (CAN, পরীক্ষা, উত্পাদন, টেলিমেটিক্স), গুণমান, গোপনীয়তা।
3. মডেল ডেভেলপমেন্ট: অ্যাট্রিবিউট, মডেল, ভেরিফিকেশন (লিকেজ কন্ট্রোল, ইউনিটের ধারাবাহিকতা)।
4. যাচাইকরণ এবং নিরাপত্তা মূল্যায়ন: ISO 26262/SOTIF প্রয়োজন হলে স্বাধীন পরীক্ষা।
5. স্থাপনা: মডেলটিকে যন্ত্রে, লাইনে বা ক্লাউডে স্থাপন করা।
6. মনিটরিং: কর্মক্ষমতা, ডেটা ড্রিফ্ট, অ্যালার্ম নির্ভুলতা।
7. পুনঃপ্রশিক্ষণ: মডেলটি পুরানো হয়ে গেলে আপডেট করা।
8. ডকুমেন্টেশন এবং ট্রেসেবিলিটি: প্রতিটি পদক্ষেপের রেকর্ড; কে, কখন, কেন।

এই চক্র একবার এবং সব জন্য শেষ হয় না; প্রতিনিয়ত ঘোরে। মোটরগাড়িতে, একটি মডেল "সেট এবং ভুলে যাওয়া" বিপজ্জনক।

টিপ: প্রকল্প শুরু করার সময়, "এই মডেলটি একবার মাঠে আসলে কে নিরীক্ষণ করবে, কোন মেট্রিক সহ, এবং কতবার?" আপনি যদি প্রশ্নের উত্তর দিতে না পারেন, মডেলটি এখনও উৎপাদনের জন্য প্রস্তুত নয়।

মডেল সংস্করণ ব্যবস্থাপনা এবং ট্রেসেবিলিটি

স্বয়ংচালিত ট্রেসেবিলিটি একটি বিলাসিতা নয়, তবে প্রায়শই একটি আইনি বাধ্যবাধকতা। যখন একটি সমস্যা দেখা দেয়, তখন আপনি এই প্রশ্নের উত্তর দিতে সক্ষম হবেন "কী মডেল সংস্করণ, এটি কোন ডেটা দিয়ে প্রশিক্ষিত হয়েছিল, কে এটি অনুমোদন করেছে?" ভালো অভ্যাস:

• মডেল সংস্করণ: প্রতিটি মডেলের নম্বর, প্রশিক্ষণ ডেটা এবং তারিখ রেকর্ড করা হয়।
• ডেটা সংস্করণ: এটি যে ডেটার উপর প্রশিক্ষিত হয়েছিল তা হিমায়িত।
• সিদ্ধান্ত লগ: অনুমোদন কার দ্বারা এবং কি প্রমাণ দিয়ে দেওয়া হয়েছিল।
• রোলব্যাক প্ল্যান: নতুন মডেলটি খারাপ হলে, আপনি পুরানোটিতে ফিরে যেতে পারেন।

আইটেম

কেন এটা প্রয়োজন

অনুপস্থিত হলে ঝুঁকি

মডেল সংস্করণ

কোন সংস্করণ মাঠে আছে?

সমস্যাটি চিহ্নিত করা যাচ্ছে না

ডেটা সংস্করণ

তিনি কি প্রশিক্ষণ দিয়েছিলেন?

প্রজননযোগ্য নয়

অনুমোদন রেকর্ড

কে দায়ী?

জবাবদিহি করা যাবে না

পূর্বাবস্থা

খারাপ সংস্করণ থেকে ফিরে

মাঠে দীর্ঘ ডাউনটাইম

ডেটা প্রবাহ এবং মডেলের ক্ষয়

একটি মডেল হল বিশ্বের একটি স্ন্যাপশট যেখানে এটি প্রশিক্ষিত হয়। কিন্তু বিশ্ব পরিবর্তিত হয়: একটি নতুন যন্ত্রাংশ সরবরাহকারী একটি ভিন্ন সেন্সর সহনশীলতা নিয়ে আসে, একটি নতুন গাড়ির মডেল আসে, ঋতু পরিবর্তন হয়, ড্রাইভিং অভ্যাস পরিবর্তন হয়। ইনপুট ডেটা বিতরণ প্রশিক্ষণের সময় থেকে দূরে সরে যাওয়ায় মডেলটির কার্যকারিতা নিঃশব্দে হ্রাস পায়। এই ডেটা ড্রিফ্ট এবং ফলস্বরূপ কর্মক্ষমতা হ্রাসকে মডেল ক্ষয় বলা হয়।

বিপদ হল যে এই পতন নীরব: মডেলটি ভেঙে পড়ে না, ত্রুটি করে না, এটি আরও বেশি করে ভুল হয়ে যায়। অতএব:

• ইনপুট বিতরণ মনিটর (ড্রিফট সনাক্তকরণ)।
• বাস্তব ফলাফল সহ কর্মক্ষমতা মেট্রিক্স নিরীক্ষণ করুন (অ্যালার্মগুলি কি সঠিক ছিল?)
• থ্রেশহোল্ড অতিক্রম করা হলে পুনরায় প্রশিক্ষণ ট্রিগার করুন।

সতর্কতা: "একবার মডেলটি প্রশিক্ষিত হলে, এটি চিরতরে একই কর্মক্ষমতা দেয়" এই অনুমানটি মোটরগাড়িতে ভুল এবং ঝুঁকিপূর্ণ। ড্রিফ্ট মনিটরিং ছাড়াই উৎপাদন করা মডেল অজান্তে অবিশ্বস্ত হতে পারে।

এন্ড-টু-এন্ড উদাহরণের দৃশ্য: ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ বহর

এর কংক্রিট করা যাক. আপনি একটি কার্গো ফ্লিটের জন্য একটি টার্বো ব্যর্থতার আগাম সতর্কতা সিস্টেম ইনস্টল করছেন:

1. মান: ডাউনটাইম এবং টোয়িং খরচ হ্রাস করুন; সাফল্য = প্রকৃত দোষ/মিথ্যা অ্যালার্ম ব্যালেন্স ক্যাপচার করা হয়েছে।
2. ডেটা: 40টি গাড়ির CAN সংকেত, ঐতিহাসিক ত্রুটি রেকর্ড; ভিআইএন বেনামী।
3. মডেল: অসঙ্গতি + RUL; সময় সিরিজ ফুটো প্রতিরোধ; অনিশ্চয়তা পরিসীমা উপস্থাপন করা হয়.
4. যাচাইকরণ: অতীতের ত্রুটিগুলির উপর ব্যাকটেস্টিং; মিথ্যা অ্যালার্ম খরচ ওজন করা হয়েছে.
5. উৎপাদন: ক্লাউডে দৈনিক স্কোর; টেকনিশিয়ানের কাছে প্যানেল।
6. মনিটরিং: একটি নতুন গাড়ির মডেল যোগ করা হলে প্রবাহ নিয়ন্ত্রণ; অ্যালার্ম নির্ভুলতা সাপ্তাহিক।
7. পুনঃপ্রশিক্ষণ: নতুন গাড়ির ধরন এবং নতুন ত্রুটি উদাহরণ সহ ত্রৈমাসিক আপডেট।
8. ডকুমেন্টেশন: মডেল সংস্করণ, ডেটা সংস্করণ, সার্টিফাইং ইঞ্জিনিয়ার নিবন্ধিত।

এই প্রবাহের কোন পদক্ষেপই বলে না "এআই সিদ্ধান্ত নিয়েছে, সম্পন্ন হয়েছে"; প্রতিটি পর্যায়ে একজন ব্যক্তি দায়ী।

মিনি কেস স্টাডি

কেস 1 - নীরব ক্ষয়। একটি মান নিয়ন্ত্রণ মডেল এক বছরের জন্য ভাল কাজ করে, তারপর ফুটো হার ধীরে ধীরে বৃদ্ধি পায়। মূল কারণ: যখন সরবরাহকারী পরিবর্তিত হয়, তখন অংশটির পৃষ্ঠের টেক্সচারটি কিছুটা ভিন্ন (ড্রিফট) হয়ে যায় এবং মডেলটি এটিকে "স্বাভাবিক" মনে করতে শুরু করে। ড্রিফ্ট মনিটরিং প্রতিষ্ঠিত হয় এবং মডেলটিকে পুনরায় প্রশিক্ষণ দেওয়া হয়। ফলাফল: পর্যবেক্ষণ ছাড়া, দুর্বলতা কয়েক মাস ধরে অলক্ষ্যে চলে যেত।

কেস 2 - ট্রেসেবিলিটি সংরক্ষিত। মাঠ থেকে আসছে মিথ্যা শঙ্কার অভিযোগ। সিদ্ধান্ত লগ থেকে, দল খুঁজে বের করে কোন মডেল সংস্করণ কোন ডেটার সাথে কাজ করে; এটি সনাক্ত করে যে সমস্যাটি একটি নির্দিষ্ট সংস্করণে থ্রেশহোল্ড সেটিং থেকে আসে এবং সেই সংস্করণটি ফিরিয়ে দেয়। ফলাফল: কোন সংস্করণ এবং সিদ্ধান্ত রেকর্ড না থাকলে, সমস্যাটি খুঁজে পাওয়া যেত না।

কেস 3 - শৃঙ্খলা পুনঃপ্রশিক্ষণ। যখন একটি নতুন বৈদ্যুতিক মডেল বহরে যোগ দেয়, তখন বিদ্যমান ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ মডেলটি এই গাড়িতে অনেকগুলি মিথ্যা অ্যালার্ম উত্থাপন করে (এটি কখনও দেখেনি এমন একটি পাওয়ারট্রেন)। নতুন মডেলটি চালু করার আগে, দলটি ড্রিফট সতর্কতা ক্যাপচার করে এবং নতুন গাড়ির ডেটা সহ মডেলটিকে প্রসারিত করে। ফলাফল: ড্রিফ্ট মনিটরিং প্রথম দিকে নতুন পণ্যের সাথে যে অবনতি ঘটেছে তা ধরা পড়ে।

প্রম্পট টেমপ্লেট

টেমপ্লেট 1 - প্রকল্প পরিকল্পনা খসড়া:

ভূমিকা: এআই প্রজেক্ট লিডার (অটোমোটিভ)। টাস্ক: এআই-চালিত প্রকল্পের এন্ড-টু-এন্ড পরিকল্পনা করতে আমাকে সাহায্য করুন। প্রসঙ্গ: ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ; 40টি গাড়ির বহর; ভিআইএন বেনামী। সীমাবদ্ধতা: মূল্য সংজ্ঞা, ডেটা, মডেল, যাচাইকরণ, উৎপাদন, পর্যবেক্ষণ, পুনঃপ্রশিক্ষণ এবং ডকুমেন্টেশনের ধাপগুলি আলাদাভাবে বিবেচনা করুন; প্রতিটি ধাপের জন্য কে দায়ী তা নির্দেশ করুন। আউটপুট: ধাপ | আউটপুট | দায়ী | ঝুঁকি টেবিল।

টেমপ্লেট 2 - পর্যবেক্ষণ পরিকল্পনা:

ভূমিকা: আপনি একজন MLOps ইঞ্জিনিয়ার। টাস্ক: ফিল্ডিং করা মডেলের জন্য একটি পর্যবেক্ষণ পরিকল্পনার সুপারিশ করুন। প্রসঙ্গ: ইনপুট বিতরণ সময়ের সাথে পরিবর্তিত হতে পারে (নতুন সরবরাহকারী, নতুন টুল); কার্যক্ষমতা বাস্তব ফলাফল দ্বারা পরিমাপ করা যেতে পারে। আউটপুট: ট্র্যাক করার জন্য মেট্রিক | প্রান্তিক | ট্রিগার করা কর্ম

টেমপ্লেট 3 - ড্রিফ্ট রেটিং:

ভূমিকা: ডেটা সায়েন্টিস্ট। টাস্ক: কীভাবে ডেটা ড্রিফ্ট সনাক্ত করতে হয় এবং কখন পুনরায় প্রশিক্ষণের প্রয়োজন হয় তা ব্যাখ্যা করুন। প্রসঙ্গ: উত্পাদন লাইন চাক্ষুষ পরিদর্শন মডেল; সরবরাহকারীর পরিবর্তন হতে পারে। আউটপুট: সংকেত | পরিমাপ | পুনরায় প্রশিক্ষণ ট্রিগার

টেমপ্লেট 4 - ট্রেসেবিলিটি চেকলিস্ট:

ভূমিকা: আপনি একজন গুণমান/সম্মতি নিরীক্ষক। টাস্ক: একটি মডেলের জন্য একটি ট্রেসেবিলিটি চেকলিস্ট তৈরি করুন। প্রসঙ্গ: স্বয়ংচালিত; যখন একটি সমস্যা দেখা দেয়, 'কোন সংস্করণ, কোন ডেটা, কে এটি অনুমোদন করেছে' প্রশ্নের উত্তর দেওয়া উচিত। আউটপুট: আইটেম | এটা কেন প্রয়োজন | কিভাবে চার্ট সংরক্ষণ করতে হয়।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল প্রম্পট:

মডেলটি উৎপাদনে রাখুন।

কোনো ট্র্যাকিং নেই, কোনো সংস্করণ নেই, কোনো জবাবদিহিতা নেই এবং কোনো রোলব্যাক নেই; নীরব ক্ষয় এবং untraceable সমস্যা অনিবার্য.

শক্তিশালী প্রম্পট:

ভূমিকা: আপনি একজন MLOps এবং স্বয়ংচালিত মানের পরামর্শদাতা। টাস্ক: একটি মডেলকে দায়বদ্ধভাবে উৎপাদনে রাখার জন্য আমার প্রয়োজনীয় চেকলিস্ট তৈরি করুন। প্রসঙ্গ: ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ বহর; সময়ের সাথে সাথে নতুন গাড়ির ধরন যোগ করা হয়; ভিআইএন বেনামী। সীমাবদ্ধতা: নিরীক্ষণ, ড্রিফ্ট সনাক্তকরণ, সংস্করণ/ডেটা লগিং, নিশ্চিতকরণ এবং রোলব্যাক পরিকল্পনা অন্তর্ভুক্ত করুন; রাষ্ট্র যারা প্রতিটি আইটেমের জন্য দায়ী; 'এটি সেট করুন এবং ভুলে যান' প্রস্তাব। আউটপুট: স্টেজ | প্রয়োজনীয়তা | দায়ী | ঝুঁকি টেবিল।

সাধারণ ভুল

• "এটি সেট করুন এবং এটি ভুলে যান" পদ্ধতি। নিরীক্ষণ ছাড়াই, মডেলটি নিঃশব্দে ক্ষয়প্রাপ্ত হয়।
• সংস্করণ/ডেটা রেকর্ড রাখছে না। সমস্যাটি সনাক্ত বা পুনরুত্পাদন করা যাবে না।
• কোন রোলব্যাক পরিকল্পনা. যদি একটি খারাপ রিলিজ থেকে পুনরুদ্ধার একটি দীর্ঘ সময় নেয়, ক্ষেত্রে একটি দীর্ঘ ব্যর্থতা হবে.
• ড্রিফ্টের জন্য অপেক্ষা করছে না। নতুন সরবরাহকারী/সরঞ্জাম/ঋতু মডেলকে ব্যাহত করে; পর্যবেক্ষণ অপরিহার্য।
• দায়িত্ব অস্পষ্ট রেখে যাওয়া। "কে দায়ী" এর উত্তর প্রতিটি পদক্ষেপে পরিষ্কার হওয়া উচিত।

সংক্ষেপে

• একটি AI-চালিত স্বয়ংচালিত প্রকল্প একটি একক নয় বরং একটি রোলিং লাইফ সাইকেল (MLOps)।
• মডেল এবং ডেটা সংস্করণ, সিদ্ধান্ত লগিং, এবং রোলব্যাক পরিকল্পনা ট্রেসেবিলিটির জন্য অপরিহার্য।
• ডেটা প্রবাহ নীরবে মডেলটিকে খণ্ডন করে; ইনপুট এবং কর্মক্ষমতা নিরীক্ষণ করা উচিত এবং প্রয়োজন হিসাবে পুনরায় প্রশিক্ষণ.
• শেষ থেকে শেষের উদাহরণে, প্রতিটি ধাপে একজন মানুষ দায়ী থাকে; "এআই সিদ্ধান্ত নিয়েছে, শেষ হয়েছে" নেই।
• "এটি সেট করুন এবং এটি ভুলে যান" মোটরগাড়িতে ঝুঁকিপূর্ণ; পুরো প্রকল্প জুড়ে পর্যবেক্ষণ, ডকুমেন্টেশন এবং জবাবদিহিতা বজায় রাখা হয়।

আবেদন টাস্ক

এই মডিউলে আপনি যা শিখেছেন তা একক প্রকল্পে একত্রিত করুন (যেমন উৎপাদন লাইন ভিজ্যুয়াল পরিদর্শন বা ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ)। (1) টেমপ্লেট 1 সহ একটি এন্ড-টু-এন্ড প্রকল্প পরিকল্পনা খসড়া; প্রতিটি পদক্ষেপের জন্য দায়ী ব্যক্তি লিখুন। (2) টেমপ্লেট 2 এর সাথে একটি মনিটরিং প্ল্যান এবং ড্রিফ্ট ট্রিগার সংজ্ঞায়িত করুন। (3) টেমপ্লেট 4 এর সাথে একটি ট্রেসেবিলিটি চেকলিস্ট প্রস্তুত করুন। (4) একটি অনুচ্ছেদে সংক্ষিপ্ত করুন কিভাবে আপনি এই প্রকল্পে মডিউলের শুরু থেকে তিনটি অ্যাঙ্কর ডিসিপ্লিন প্রয়োগ করেছেন।

চেকলিস্ট

• [ ] আমি একটি শেষ থেকে শেষ জীবন চক্র হিসাবে প্রকল্পের পরিকল্পনা করেছি৷
• [] আমি মডেল এবং ডেটা সংস্করণের সাথে সিদ্ধান্তের রেকর্ড সংজ্ঞায়িত করেছি।
• [ ] আমি একটি পর্যবেক্ষণ পরিকল্পনা এবং ড্রিফট ট্রিগার সেট করেছি৷
• [ ] আমি একটি রোলব্যাক পরিকল্পনা প্রস্তুত করেছি৷
• প্রতিটি পদক্ষেপের জন্য কারা দায়ী তা আমি স্পষ্ট করেছি।
• [ ] আমি তিনটি অ্যাঙ্কর বৈধতা শৃঙ্খলা এবং মানব নিরাপত্তা-সমালোচনা বৈধতা বজায় রেখেছি।

মডিউল পরীক্ষা

1. একটি স্বয়ংচালিত নিরাপত্তা-গুরুত্বপূর্ণ সিদ্ধান্তে (যেমন ব্রেক সফ্টওয়্যার যাচাইকরণ) এ AI আউটপুটের ভূমিকা কী?

• ক) বিশ্লেষণ ত্বরান্বিত করে, তবে চূড়ান্ত অনুমোদন এবং দায়িত্ব যোগ্য প্রকৌশলীর কাছে থাকে ✔
• খ) পর্যাপ্ত ডেটা থাকলে, এটি প্রকৌশলীর অনুমোদন ছাড়াই উৎপাদনে রাখা যেতে পারে
• গ) ব্রেক এর মত ক্রিটিক্যাল সিস্টেমে কোন পর্যায়ে AI ব্যবহার করা যাবে না
• ঘ) মডেলের নির্ভুলতা 99% অতিক্রম করলে, মানুষের যাচাইকরণ অপ্রয়োজনীয়

বর্ণনা: কৃত্রিম বুদ্ধিমত্তা বিশ্লেষণকে ত্বরান্বিত করে, প্রার্থীর সমাধান এবং সারাংশ তৈরি করে; যাইহোক, নিরাপত্তা-সমালোচনামূলক সিদ্ধান্ত এবং চূড়ান্ত অনুমোদনের দায়িত্ব দক্ষ প্রকৌশলীর। AI প্রকৌশলী যাচাইকরণের জন্য একটি প্রতিস্থাপন নয়।

2. তিনটি অ্যাঙ্কর ভ্যালিডেশন ডিসিপ্লিনে একটি AI-এর আউটপুট পরীক্ষা করতে ব্যবহৃত তিনটি স্বাধীন চেক কী কী?

• ক) প্রম্পটের দৈর্ঘ্য, ভাষা এবং বিন্যাস
• খ) মাত্রার ক্রম, প্রকৌশলগত যুক্তিযুক্ততা এবং স্বাধীন পরীক্ষা/পরিমাপের প্রমাণ ✔
• গ) মডেলের আকার, প্রশিক্ষণের সময় এবং GPU গুলির সংখ্যা
• ঘ) সরবরাহকারী ব্র্যান্ড, মূল্য এবং বিতরণ সময়

বর্ণনা: তিনটি অ্যাঙ্কর; অর্ডার অফ ম্যাগনিটিউড (অর্ডার চেক), ইঞ্জিনিয়ারিং প্রশংসিততা (পদার্থবিদ্যা/অভিজ্ঞতা) এবং স্বাধীন পরীক্ষা/পরিমাপের প্রমাণ সহ ক্রস-বৈধতা। এই তিনটি প্রমাণে আস্থা প্রদান করে, AI-তে বিশ্বাস নয়।

3. CFD বা FEA সিমুলেশনকে ত্বরান্বিত করে এমন 'সারোগেট মডেল'-এর আউটপুটের জন্য সবচেয়ে গুরুত্বপূর্ণ যাচাইকরণ কী?

• ক) সারোগেট মডেল সবসময় প্রকৃত সমাধানকারীর চেয়ে বেশি নির্ভুল
• খ) শুধু রেন্ডারটিকে নান্দনিকভাবে আনন্দদায়ক করাই যথেষ্ট
• গ) রেফারেন্স সমাধানের সাথে তুলনা এবং প্রশিক্ষণের স্থানের বাইরে যাওয়ার সময় অবিশ্বস্ততার গ্রহণযোগ্যতা ✔
• ঘ) একটি একক রান একত্রিত হলে নেটওয়ার্ক স্বাধীনতার দিকে তাকানোর দরকার নেই

বর্ণনা: সারোগেট মডেল প্রকৃত সমাধানকারীর পরিবর্তে দ্রুত ভবিষ্যদ্বাণী তৈরি করে; কিন্তু এটি প্রশিক্ষিত ডিজাইনের জায়গার বাইরে অবিশ্বস্ত। রেফারেন্স উচ্চ বিশ্বস্ততা সিমুলেশন এবং শারীরিক সীমানা শর্ত সহ এক্সট্রাপোলেশন অঞ্চল চিহ্নিত করে আউটপুট যাচাই করা উচিত।

4. SAE অটোমেশন স্তরে লেভেল 2 (আংশিক অটোমেশন) এর সঠিক অভিব্যক্তি কী?

• ক) সব অবস্থায় চালক ছাড়াই গাড়ি চালাতে পারে
• খ) সিস্টেম কোন ড্রাইভিং দায়িত্ব গ্রহণ করে না, শুধুমাত্র সতর্কতা দেয়
• গ) তিনি চালকের আসনে না বসে থাকলে ঠিক আছে
• D) সিস্টেমটি স্টিয়ারিং এবং গতি সমর্থন করে, কিন্তু ড্রাইভার ধ্রুবক তত্ত্বাবধান এবং দায়িত্ব বজায় রাখে ✔

বর্ণনা: লেভেল 2-এ সিস্টেমটি একই সাথে স্টিয়ারিং এবং গতি/দূরত্ব সমর্থন করে, কিন্তু ড্রাইভার ধ্রুবক তত্ত্বাবধান বজায় রাখে এবং যে কোনো সময় দায়িত্ব নিতে প্রস্তুত থাকে; দায়ভার চালকের। স্তর 3 এবং তার উপরে, সিস্টেমটি নির্দিষ্ট পরিস্থিতিতে ড্রাইভিং দায়িত্ব গ্রহণ করে।

5. কেন 'এসকেপ রেট' প্রোডাকশন লাইনে চাক্ষুষ ত্রুটি সনাক্তকরণে একটি গুরুত্বপূর্ণ মেট্রিক?

• ক) ত্রুটিপূর্ণ অংশ অনুমোদন করা এবং এটি মাঠে পাঠানো একটি নিরাপত্তা এবং প্রত্যাহার ঝুঁকি তৈরি করে ✔
• খ) এটি শুধুমাত্র গুরুত্বপূর্ণ কারণ এটি লাইনের গতি কমিয়ে দেয়
• গ) ফুটো হার শুধুমাত্র পেইন্ট ত্রুটির জন্য বৈধ
• ঘ) লিক রেট মডেলের প্রশিক্ষণের সময় পরিমাপ করে

বর্ণনা: অবৈধ; একটি ত্রুটিপূর্ণ অংশ নিখুঁত বলে মনে করা হয় এবং লাইনের মধ্য দিয়ে যায় (মিথ্যা নেতিবাচক)। একটি স্বয়ংচালিত সুরক্ষা অংশের জন্য, ফুটো মিথ্যা প্রত্যাখ্যানের চেয়ে অনেক বেশি ব্যয়বহুল কারণ এটি ক্ষেত্রে ব্যর্থতা বা প্রত্যাহার করতে পারে; থ্রেশহোল্ড সেই অনুযায়ী সামঞ্জস্য করা হয়।

6. ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণে 'অবশিষ্ট দরকারী জীবন' (RUL) অনুমানের সবচেয়ে সঠিক ব্যবহার কী?

• ক) RUL শুধুমাত্র ইঞ্জিন তেলের জন্য গণনা করা হয়
• খ) এটি একটি অনিশ্চয়তার পরিসর সহ উপস্থাপন করা উচিত এবং রক্ষণাবেক্ষণ উইন্ডো এবং নিরাপত্তা মার্জিন অনুযায়ী ব্যাখ্যা করা উচিত ✔
• গ) এটি একটি একক সুনির্দিষ্ট দিনের মান হিসাবে নেওয়া উচিত এবং সেই দিন পর্যন্ত কোনও চেক করা উচিত নয়।
• D) RUL বেশি হলে সেন্সর বন্ধ করা যেতে পারে

বর্ণনা: RUL হল ব্যর্থতা পর্যন্ত একটি উপাদানের আনুমানিক অবশিষ্ট অপারেটিং সময়; এটি অনিশ্চয়তার পরিসরের সাথে উপস্থাপন করা উচিত এবং রক্ষণাবেক্ষণ পরিকল্পনা এবং নিরাপত্তা মার্জিন অনুযায়ী ব্যাখ্যা করা উচিত। একক পয়েন্ট অনুমানের উপর অন্ধভাবে নির্ভর করার পরিবর্তে, আত্মবিশ্বাসের ব্যবধান এবং মিথ্যা অ্যালার্ম খরচ বিবেচনায় নেওয়া হয়।

7. পরীক্ষার ডেটা বিশ্লেষণে একটি রোড টেস্ট রেকর্ডিংয়ে এআই যখন কোনও অসঙ্গতি দেখায় তখন একজন প্রকৌশলীর কী করা উচিত?

• ক) যখন আপনি অসঙ্গতি দেখতে পান, পরীক্ষাটি স্বয়ংক্রিয়ভাবে ব্যর্থ বলে বিবেচিত হবে।
• খ) AI এটিকে চিহ্নিত না করলে ডেটার দিকে তাকানো উচিত নয়
• গ) কাঁচা ডেটা, পরিমাপের অনিশ্চয়তা এবং পুনরাবৃত্তিযোগ্যতা সহ অসঙ্গতি যাচাই করুন ✔
• ঘ) অসঙ্গতিগুলি মুছুন এবং প্রতিবেদনটি পরিষ্কার করুন

ব্যাখ্যা: AI পতাকা যে অসামঞ্জস্যতা তা একটি সূত্র, উপসংহার নয়। প্রকৌশলীকে অবশ্যই পরিমাপের অনিশ্চয়তা, সেন্সর ব্যর্থতার সম্ভাবনা এবং পুনরাবৃত্তিযোগ্যতা পরীক্ষা করতে হবে এবং কাঁচা ডেটা এবং গ্রহণযোগ্যতার মানদণ্ডের সাথে অসঙ্গতি যাচাই করতে হবে। স্বয়ংক্রিয়ভাবে গ্রহণ বা প্রত্যাখ্যান উপযুক্ত নয়।

8. হালকা ওজনের গবেষণায় AI দ্বারা প্রস্তাবিত উপাদান পরিবর্তনের জন্য কোন যাচাইকরণ বাধ্যতামূলক?

• ক) এটি কেবল হালকা হওয়া দরকার
• খ) উপাদান ডাটাবেসের একটি একক সারি প্রমাণ হিসাবে নেওয়া যেতে পারে
• গ) ক্র্যাশ আচরণ হালকা ওজনের উপকরণগুলিতে গুরুত্বহীন
• ঘ) যান্ত্রিক, ক্লান্তি, ক্র্যাশ, উত্পাদনযোগ্যতা এবং খরচের প্রয়োজনীয়তা একসাথে পরীক্ষা করা উচিত ✔

মন্তব্য: শুধুমাত্র ঘনত্ব/শক্তি অনুপাতের উপর ভিত্তি করে উপাদানের সুপারিশ গ্রহণ করা যাবে না; যান্ত্রিক বৈশিষ্ট্য, ক্লান্তি, ক্র্যাশ আচরণ, উত্পাদনযোগ্যতা, ক্ষয়, খরচ এবং সুরক্ষা প্রয়োজনীয়তাগুলি অবশ্যই একসাথে যাচাই করা উচিত এবং শারীরিক পরীক্ষার দ্বারা নিশ্চিত করা উচিত।

9. কেন স্বয়ংচালিত সরবরাহ শৃঙ্খলে 'একক-উৎস ঝুঁকি' এআই সুপারিশগুলিতে বিশেষ মনোযোগের প্রয়োজন হয়?

• ক) একটি একক সরবরাহকারীর একটি বাধা সমস্ত উত্পাদন বন্ধ করতে পারে; দ্বিতীয় উৎস এবং বাফার মূল্যায়ন করা উচিত ✔
• খ) একক উৎস সর্বদা নিরাপদ বিকল্প
• গ) AI পরামর্শ দিলে ঝুঁকি বিশ্লেষণ অপ্রয়োজনীয়
• ঘ) একক উৎস ঝুঁকি শুধুমাত্র টায়ারের ক্ষেত্রে প্রযোজ্য

ব্যাখ্যা: যদি একটি অংশ একক সরবরাহকারীর কাছ থেকে আসে, সেই সরবরাহকারীর সাথে সমস্যা হলে উৎপাদন বন্ধ হয়ে যায়। এআই খরচ অপ্টিমাইজেশানের একক উৎসের সুপারিশ করতে পারে; প্রকৌশলী/পরিকল্পককে অবশ্যই সেকেন্ডারি রিসোর্স, স্টক বাফার এবং দৃশ্যকল্প বিশ্লেষণের সাথে ভারসাম্য বজায় রাখতে হবে। খরচই একমাত্র মাপকাঠি নয়।

10. পাইথনের সাথে টেলিমেট্রি বিশ্লেষণ করার সময় 'ডেটা লিকেজ' বলতে কী বোঝায় এবং কেন এটি বিপজ্জনক?

• ক) ডিস্ক থেকে ডেটা ফাঁস হয়ে মুছে ফেলা হয়
• খ) মডেলটি প্রশিক্ষণে এমন তথ্য দেখে যা ভবিষ্যদ্বাণী করার সময় জানা যায় না; স্কোর স্ফীত করে, মাঠে ধসে পড়ে ✔
• গ) গ্রাফিক রঙের মিশ্রণ
• ঘ) শুধুমাত্র ইমেজ ডেটাতে ঘটে

বর্ণনা: ডেটা লিক; এটি হল যখন মডেল প্রশিক্ষণের তথ্য দেখে যা প্রকৃতপক্ষে ভবিষ্যদ্বাণী করার সময় জানা যায় না (উদাহরণস্বরূপ, ভবিষ্যতের মান বা লক্ষ্য-সম্পর্কিত বৈশিষ্ট্য)। এটি কৃত্রিমভাবে পরীক্ষার স্কোর বাড়ায় কিন্তু মাঠের পারফরম্যান্স ক্র্যাশ করে। সময় সিরিজে অতীত/ভবিষ্যত পার্থক্যটি সাবধানতার সাথে বজায় রাখতে হবে।

11. ISO 26262 কার্যকরী নিরাপত্তার পরিপ্রেক্ষিতে ASIL শ্রেণীবিভাগ কি নির্ধারণ করে?

• ক) গাড়ির সর্বোচ্চ গতি
• খ) মডেলের প্রশিক্ষণ ডেটা সেটের আকার
• গ) ✔ বিপদের তীব্রতা, এক্সপোজার এবং নিয়ন্ত্রণযোগ্যতা অনুযায়ী নিরাপত্তার প্রয়োজনীয় স্তর।
• ঘ) সরবরাহকারীর ক্রেডিট রেটিং

বর্ণনা: ASIL (অটোমোটিভ সেফটি ইন্টিগ্রিটি লেভেল) নিরাপত্তা সতর্কতার স্তর নির্ধারণ করে (A থেকে D পর্যন্ত, D সর্বোচ্চ) যা একটি বিপদের তীব্রতা, এক্সপোজার এবং নিয়ন্ত্রণযোগ্যতার মূল্যায়নের ভিত্তিতে প্রয়োজন। উচ্চ ASIL-এর জন্য আরও কঠোর উন্নয়ন, যাচাইকরণ এবং ডকুমেন্টেশন প্রয়োজন।

12. ISO 21448 (SOTIF) ক্লাসিক্যাল কার্যকরী নিরাপত্তা (ISO 26262) থেকে কোন উপায়ে আলাদা?

• ক) শুধুমাত্র হার্ডওয়্যার ব্যর্থতা পরিচালনা করে
• খ) শুধুমাত্র সফ্টওয়্যার লাইসেন্সিং নিয়ন্ত্রণ করে
• গ) SOTIF হল ISO 26262 এর পুরনো নাম
• ঘ) ব্যর্থতার অনুপস্থিতিতেও অপর্যাপ্ত কার্যকারিতা এবং অচেনা পরিস্থিতি থেকে উদ্ভূত ঝুঁকির সমাধান করে ✔

বর্ণনা: ISO 26262 ত্রুটি/হার্ডওয়্যার-সফ্টওয়্যার ত্রুটির কারণে উদ্ভূত ঝুঁকির সমাধান করে, SOTIF (অভিপ্রেত কার্যকারিতার নিরাপত্তা) অপর্যাপ্ত সনাক্তকরণ, অচেনা পরিস্থিতি এবং কার্যকরী সীমা থেকে উদ্ভূত ঝুঁকিগুলিকে মোকাবেলা করে, এমনকি যদি সিস্টেমটি মোটেও ত্রুটিপূর্ণ না হয়; এআই-ভিত্তিক সনাক্তকরণের ক্ষেত্রে এটি বিশেষভাবে গুরুত্বপূর্ণ।

13. ড্রাইভার এবং গাড়ির টেলিমেট্রি ডেটা নিয়ে কাজ করার সময় গোপনীয়তার ক্ষেত্রে সর্বোত্তম পদ্ধতি কী?

• ক) কেভিকেকে/জিডিপিআর বেনামীকরণ, ডেটা মিনিমাইজেশন এবং উদ্দেশ্য সীমাবদ্ধতার সাথে সম্মতি ✔
• খ) ভিআইএন সহ পাবলিক মডেলে সমস্ত কাঁচা ডেটা পাঠানো
• গ) গোপনীয়তা শুধুমাত্র মার্কেটিং ডেটাতে প্রযোজ্য
• ঘ) অবস্থান ডেটা কখনই ব্যক্তিগত ডেটা হিসাবে বিবেচিত হয় না

বর্ণনা: অবস্থান, ড্রাইভিং আচরণ এবং চেসিস নম্বর (ভিআইএন) এর মতো ডেটা একজন ব্যক্তিকে সনাক্ত করতে পারে। সবচেয়ে সঠিক পদ্ধতি; বেনামী/ছদ্মনামকরণ ডেটা, শুধুমাত্র যা প্রয়োজন তা সংগ্রহ করা (ডেটা মিনিমাইজেশন), উদ্দেশ্য সীমাবদ্ধতা এবং KVKK/GDPR কমপ্লায়েন্স। তৃতীয় পক্ষের সরঞ্জামগুলিতে কাঁচা ভিআইএন বা অবস্থান পাঠানো ঝুঁকিপূর্ণ।

14. উৎপাদন করা AI মডেলে 'ডেটা ড্রিফ্ট' নিরীক্ষণ করা প্রয়োজন কেন?

• ক) একবার মডেল প্রশিক্ষিত হলে, এটি অনির্দিষ্টকালের জন্য একই কর্মক্ষমতা দেয়।
• খ) সময়ের সাথে সাথে ইনপুট বন্টন পরিবর্তিত হওয়ার সাথে সাথে কর্মক্ষমতা নিঃশব্দে হ্রাস পায়; পুনরায় প্রশিক্ষণ ট্রিগার করা আবশ্যক ✔
• গ) ড্রিফ্ট হল হার্ডওয়্যারের শারীরিক কম্পন মাত্র
• ঘ) মনিটরিং অপ্রয়োজনীয় কারণ মডেলটি স্বয়ংক্রিয়ভাবে আপডেট হয়

ব্যাখ্যা: বাস্তব বিশ্বের পরিবর্তন (নতুন যন্ত্রাংশ সরবরাহকারী, ঋতু, নতুন গাড়ির মডেল); ইনপুট বিতরণ প্রশিক্ষণের সময় থেকে দূরে সরে যাওয়ায় মডেলের কার্যকারিতা নিঃশব্দে হ্রাস পায়। ড্রিফ্ট মনিটরিং এবং পারফরম্যান্স মেট্রিক্স দ্বারা পুনরায় প্রশিক্ষণ শুরু হয়। 'সেট ইট অ্যান্ড ভুলে যাও' পদ্ধতিটি মোটরগাড়িতে ঝুঁকিপূর্ণ।