zisky:
- Schopnost holisticky vyhodnotit etické aspekty, aspekty ochrany osobních údajů, autorská práva a pracovní síly používání umělé inteligence v textilu
- Schopnost navrhnout systém s určenými body schvalování člověkem, který kombinuje celý modul v komplexním pracovním postupu
- Schopnost vytvořit rámec řízení, ověřování a neustálého zlepšování pro odpovědné používání AI v organizaci
Modulová zkouška
1. Který z následujících je základním principem, který určuje riziko výstupu AI v textilním inženýrství?
- A) Riziko výstupu se rovná poškození, které by způsobilo, kdyby byl výstup vadný; validační stupnice odpovídajícím způsobem ✔
- B) Výstup AI je obecně bezpečný, protože je psán plynule a sebejistě
- C) Při použití nejaktuálnějšího modelu není ověření nutné
- D) Pokud se výstup vztahuje k normě, není nutná žádná další kontrola
Vysvětlení: Riziko výstupu se rovná poškození, které způsobí, pokud je výstup vadný. Zatímco chyba v nápadu moodboardu je neškodná, chyba v receptuře barvení nebo výpočtu pevnosti tkaniny může vést k plýtvání šarží a rizikům bezpečnosti práce/smluv; takže intenzita ověřování se škáluje s potenciální škodou.
2. Inženýr je skeptický k hodnotě AI '85 cN/tex pro bavlněnou přízi' pro pevnost příze. Jaká je nejrychlejší kontrola, která toto podezření potvrdí?
- A) Zadejte hodnotu přímo do protokolu a zeptejte se laboratoře později
- B) Proveďte řádové srovnání s typickým rozsahem bavlněné příze (přibližně 12-22 cN/tex) ✔
- C) Znovu položit stejnou otázku modelu a důvěřovat druhé odpovědi
- D) Přijměte, pokud hodnota obsahuje odkaz na zdroj
Popis: Jedná se o řádovou kontrolu. Pevnost prstencové bavlněné příze je typicky řádově 12-22 cN/tex; 85 cN/tex je vysoce výkonná syntetická/aramidová úroveň a je pro bavlnu fyzicky nepřiměřená. Tato kontrola trvá několik sekund a zachytí většinu chyb jednotek/typů.
3. Která z následujících skutečností platí pro „Ne“ (britský počet bavlny) ze systémů počítání příze?
- A) Čím větší je nit, tím silnější je.
- B) Co je přímý systém, funguje stejným směrem jako tex
- C) O jaký nepřímý systém jde; Čím větší číslo, tím tenčí nit ✔
- D) Co je definováno pouze pro syntetické příze
Vysvětlení: Jaký nepřímý systém číslování: čím větší číslo, tím tenčí vlákno. Tex a denier jsou přímé systémy; Čím větší číslo, tím silnější nit. Neznalost tohoto rozlišení vede k závažným chybám v interpretacích čísel ve výstupu AI.
4. Co to znamená mít vysokou míru „falešně negativní“ v modelu zpracování obrazu, který detekuje vady tkaniny, a proč je to kritické?
- A) Vadná tkanina je považována za dokonalou a doručena zákazníkovi; ✔ Nejnebezpečnější typ chyby v kvalitě
- B) Zbytečné označení dokonalé tkaniny jako vadné; jen to snižuje účinnost
- C) Model nenalezne žádné chyby; vždy dobré znamení
- D) Nízké rozlišení kamery
Vysvětlení: Falešně negativní je, když je skutečný defekt klasifikován jako „dokonalý“. To znamená, že vadná tkanina jde k zákazníkovi a vznikají náklady na vrácení/reputaci. V aplikacích kritických pro kvalitu je práh obecně nastaven tak, aby byl falešně negativní výsledek udržován na nízké úrovni, a zvýšený počet falešně pozitivních výsledků je eliminován kontrolou člověkem.
5. Co znamená hodnota 'Delta E' (ΔE) ve správě barev?
- A) Náklady na kilogram barvy
- B) Kritérium, které kvantifikuje celkový rozdíl ve vnímání mezi dvěma barvami ✔
- C) Světelná propustnost látky
- D) Hodnota teploty barvení ve stupních
Popis: Delta E je kritérium, které kvantifikuje celkový rozdíl vnímání mezi dvěma barvami v barevném prostoru CIELAB. Malé hodnoty ΔE znamenají, že barvy jsou blízko u sebe; V textiliích je tolerance přijatelnosti šarže k šarži obvykle definována smluvně ve smyslu ΔE. Proto tvrzení, že „zachovaná barva“ vyžaduje měření.
6. Jak se nazývá, když dva vzorky vypadají pod jedním světelným zdrojem stejně a pod jiným světelným zdrojem odlišně a proč je to důležité při správě barev?
- A) metamerismus; Potvrzení barvy musí být provedeno pod více standardními světelnými zdroji ✔
- B) fluorescence; barva vypadá za všech podmínek stejně
- C) neprůhlednost; barevný rozdíl závisí pouze na tloušťce
- D) Kalibrace; týká pouze obrazovky
Popis: Tento jev se nazývá metamerie. Dvě barvy s různou spektrální odrazností se mohou při určitém osvětlení shodovat a při jiném osvětlení se rozcházet. Potvrzení barvy by proto nemělo být prováděno na jednom světelném zdroji, ale pod více zdroji (např. D65, TL84, A) ve standardní světelné kabině.
7. Jaká je nejdůležitější právní kontrola, kterou je třeba provést před komerčním použitím textilního vzoru vyrobeného s generativní umělou inteligencí?
- A) Snížení počtu barev vzoru
- B) Zmenšení velikosti souboru vzoru
- C) Kontrola podobnosti/porušení a autorských práv s existujícími chráněnými vzory ✔
- D) Vzor ukládejte pouze ve vysokém rozlišení
Vysvětlení: Je nutné zkontrolovat, zda vyrobený vzor nevykazuje nějakou podobnost/porušení s existujícími chráněnými vzory, ochrannými známkami nebo autorskými díly, a vyhodnotit nejistoty ohledně cvičných dat modelu a výstupních práv. Komercializace bez kontroly originality a porušení vytváří riziko soudních sporů týkajících se autorských práv.
8. Jaký je nejrobustnější přístup k ověřování výstupu umělé inteligence při předpovídání poptávky pomocí SKU?
- A) Převod jednobodové predikce dané modelem na objednávkové množství tak, jak je
- B) Zpětné testování s minulými prodeji a vyhodnocení chybovosti pomocí filtru obchodního úsudku ✔
- C) Výběr nejvyššího odhadu a udržování přebytečných zásob
- D) Zdvojnásobte předpověď, pokud je trend nejpopulárnější
Vysvětlení: Prognóza by měla být zpětně testována s realizací prodeje v minulosti a filtrována obchodním úsudkem s kontextem, jako jsou zásoby, kampaně, sezónnost atd. Spíše než slepé důvěřování jednobodové predikci modelu se vyhodnocuje chybovost a scénáře.
9. Jaký je hlavní důvod objednávky šarže barvy ze „světlé barvy na tmavou“ v plánování výroby?
- A) Tmavé barvy jsou levnější
- B) Snížení rizika znečištění barev a doby čištění stroje ✔
- C) Světlé barvy vydrží déle
- D) Je to pouze estetická preference
Vysvětlení: Pokud se světlá barva barví po tmavé barvě ve stejné pračce, zvyšuje se riziko čištění/znečištění a další doba praní. Třídění od světlé po tmavou zvyšuje efektivitu tím, že snižuje riziko rozmazání barev a dobu čištění stroje. Doporučení AI by měla zahrnovat toto procesní omezení.
10. Jaký je správný postoj při oznamování ekologické stopy látky k tvrzení, jako je „recyklovaný polyester snižuje spotřebu vody o 90 %“, které vyrábí AI?
- A) Uvedení nároku tak, jak je v marketingové kopii
- B) Nevyužití reklamace bez ověření hranicí systému, zdrojem dat a certifikátem ✔
- C) Předpokládejme, že nárok je silný, pokud je číslo vysoké
- D) Zaokrouhlete číslo a zveřejněte ho
Vysvětlení: Takový nárok postrádá smysl bez určení hranice systému (kolébka-brána nebo brána-brána), zdroj dat a rozsah; Musí být založeno na ověřitelných datech a certifikaci LCA. Jinak může vzniknout greenwashing a právní riziko. I když se čísla AI zdají rozumná, pocházejí z nezávislých zdrojů.
11. Jaký by měl být první krok k ověření kódu napsaného AI při analýze produkčních dat pomocí pand s Pythonem?
- A) Pokud kód fungoval bez chyb, přijměte výsledek jako správný
- B) Manuálně spočítejte výstup a ověřte jednotku a logiku na malém vzorku dat ✔
- C) Přidání kódu přímo do výkazu výroby
- D) Pokud graf dopadne dobře, považujte analýzu za dokončenou.
Poznámka: I když kód funguje, není zaručeno, že jeho logika je správná; Ruční kontrola účtování musí být provedena na jednotce, párování sloupců a několika řádcích. Například při zprůměrování gramáže může nesprávné seskupení nebo záměna jednotek v tichosti vést k nesprávným výsledkům. V malém vzorku je manuální ověření nejrychlejší zárukou.
12. Jaký je nejlepší postup z hlediska ochrany osobních údajů při odesílání údajů o textilní výrobě do nástroje umělé inteligence?
- A) Odešlete všechny aktuální informace o zákazníkovi a předpisech tak, jak jsou
- B) Anonymizovat citlivé informace a odesílat je s reprezentativními štítky a v souladu s firemní politikou ✔
- C) Za předpokladu, že soukromí není důležité, protože existuje tolik dat.
- D) Stačí změnit název souboru a odeslat obsah tak, jak je
Vysvětlení: Citlivé údaje, jako je jméno zákazníka, tajemství receptury, cena a informace o dodavateli, by měly být anonymizovány nebo opatřeny reprezentativními štítky (Zákazník-A, Recept-1). Obchodní tajemství a osobní údaje by neměly být přenášeny do modelu třetí strany v rozporu s firemními zásadami a dohodami.
13. Model zpracování obrazu hlásí 98% přesnost na výrobní lince, ale v poli chybí mnoho vad. Co je toho nejpravděpodobnější příčinou?
- A) Přesnost je zavádějící kvůli nevyváženým údajům; Citlivost (vyvolání) třídy defektu je nízká ✔
- B) Model běží velmi pomalu
- C) Protože je fotoaparát barevný
- D) 98% už je perfektní, problém je u operátora
Vysvětlení: Když je v sadě dat velmi málo vzorků s defekty (nevyvážená data), model může dosáhnout vysoké přesnosti tím, že vše nazývá „dokonalým“, ale nedokáže zachytit skutečné defekty. Samotná přesnost je proto zavádějící; Měla by být sledována citlivost (vyvolání) a přesnost pro třídu defektů.
14. Jaká je podle klíčového principu zdůrazněného v modulu, jaká je role umělé inteligence v rozhodování v oblasti bezpečnosti a v oblasti textilu, která jsou kritická pro smlouvy?
- A) Umělá inteligence může činit zásadní rozhodnutí sama, protože je rychlá
- B) AI je asistent; kritická rozhodnutí jsou ověřena schválením kompetentního inženýra a fyzickým testováním ✔
- C) Výstup AI nahradí podepsanou zprávu
- D) Při použití nejaktuálnějšího modelu není nutné potvrzení člověkem
Popis: AI je asistent a akcelerátor; generuje hypotézy, připravuje návrhy, chytá vzory. Nicméně kritická rozhodnutí, jako je schválení receptury nátěru, přijetí kvality, hodnocení pevnosti/bezpečnosti, vyžadují schválení kompetentním inženýrem a fyzické testování. Výstup AI nenahrazuje odborné schválení.