Gevinster:
- Evne til holistisk at evaluere de etiske, databeskyttelses-, copyright- og arbejdsstyrkeaspekter af AI-brug i tekstil
- Evne til at designe et system med udpegede menneskelige godkendelsespunkter, der kombinerer hele modulet i en end-to-end workflow
- Evne til at etablere en styrings-, validerings- og kontinuerlig forbedringsramme for ansvarlig AI-brug i en organisation
Modul eksamen
1. Hvilket af følgende er det grundlæggende princip, der bestemmer risikoen for en AI-output i tekstilteknik?
- A) Risikoen for et output er lig med den skade, det ville forårsage, hvis det output var defekt; valideringsskalaer i overensstemmelse hermed ✔
- B) AI-output er generelt sikkert, da det er skrevet flydende og sikkert
- C) Validering er unødvendig, når den mest aktuelle model anvendes
- D) Hvis udgangen refererer til en standard, kræves ingen yderligere kontrol
Forklaring: Risikoen for et output er lig med den skade, det vil forårsage, hvis det output er defekt. Mens en fejl i en moodboard-idé er harmløs, kan en fejl i en farvningsopskrift eller stofstyrkeberegning føre til batchspild og arbejdssikkerhed/kontraktrisici; så verifikationsintensiteten skalerer med potentiel skade.
2. En ingeniør er skeptisk over for AI-værdien på '85 cN/tex for bomuldsgarn' for garnstyrke. Hvad er det hurtigste tjek for at bekræfte denne mistanke?
- A) Sæt værdien direkte på rapporten og spørg laboratoriet senere
- B) Lav en størrelsesorden sammenligning med det typiske bomuldsgarnområde (ca. 12-22 cN/tex) ✔
- C) At stille det samme spørgsmål fra modellen igen og stole på det andet svar
- D) Accepter, hvis værdien indeholder en reference til en kilde
Beskrivelse: Det er en størrelsesorden kontrol. Styrken i ringbomuldsgarn er typisk i størrelsesordenen 12-22 cN/tex; 85 cN/tex er det højtydende syntetiske/aramidniveau og er fysisk urimeligt for bomuld. Denne kontrol tager sekunder og fanger de fleste enheds-/typefejl.
3. Hvilket af følgende gælder for 'Ne' (antal britisk bomuld) blandt garntællingssystemerne?
- A) Jo større tråden bliver, jo tykkere bliver den.
- B) Hvad er et direkte system, det virker i samme retning som tex
- C) Hvilket indirekte system er det; Jo større tal, jo tyndere tråd ✔
- D) Hvad defineres kun for syntetiske garner
Forklaring: Sikke et indirekte nummereringssystem: Jo større tal, jo tyndere tråd. Tex og denier er direkte systemer; Jo større tal, jo tykkere tråd. Ikke at kende denne skelnen fører til alvorlige fejl i talfortolkninger i AI-outputtet.
4. Hvad betyder det at have en høj 'falsk negativ' rate i en billedbehandlingsmodel, der registrerer stoffejl, og hvorfor er det kritisk?
- A) Det defekte stof anses for at være perfekt og leveret til kunden; ✔ Den farligste type fejl i kvalitet
- B) Unødvendig markering af perfekt stof som defekt; det reducerer blot effektiviteten
- C) Modellen finder ingen fejl; altid et godt tegn
- D) Lav opløsning af kameraet
Forklaring: En falsk negativ er, når en sand defekt er klassificeret som 'perfekt'. Det betyder, at det defekte stof tilfalder kunden og medfører omkostninger til returnering/omdømme. I kvalitetskritiske applikationer er tærsklen generelt sat til at holde falske negativer lav, og øgede falske positiver elimineres ved menneskelig inspektion.
5. Hvad betyder 'Delta E' (ΔE) værdien i farvestyring?
- A) Pris pr. kg maling
- B) Kriteriet, der kvantificerer den totale perceptuelle forskel mellem to farver ✔
- C) Lystransmission af stoffet
- D) Værdi af farvningstemperaturen i grader
Beskrivelse: Delta E er det kriterium, der kvantificerer den samlede perceptuelle forskel mellem to farver i CIELAB-farverummet. Små ΔE-værdier indikerer, at farverne er tæt på hinanden; I tekstiler er batch-til-batch accepttolerance normalt defineret kontraktuelt i form af ΔE. Derfor kræver påstanden om, at 'farven holdt', måling.
6. Hvad kaldes det, når to prøver ser ens ud under én lyskilde og forskellige under en anden lyskilde, og hvorfor er det vigtigt i farvestyring?
- A) Metamerisme; Farvebekræftelse skal udføres under flere standard lyskilder ✔
- B) Fluorescens; farven ser ens ud under alle forhold
- C) Opacitet; farveforskel afhænger kun af tykkelsen
- D) Kalibrering; vedrører kun skærmen
Beskrivelse: Dette fænomen kaldes metamerisme. To farver med forskellig spektral reflektans kan matche under bestemt belysning og divergere i anden belysning. Derfor bør farvebekræftelse ikke foretages på en enkelt lyskilde, men under flere kilder (f.eks. D65, TL84, A) i en standard lysboks.
7. Hvad er den mest kritiske juridiske kontrol, der skal foretages inden kommerciel brug af et tekstilmønster fremstillet med generativ AI?
- A) Reduktion af antallet af farver i mønsteret
- B) Reduktion af filstørrelsen af mønsteret
- C) Kontrol for lighed/krænkelse og ophavsrettigheder med eksisterende beskyttede designs ✔
- D) Gem kun mønsteret i høj opløsning
Forklaring: Det er nødvendigt at kontrollere, om det producerede mønster har nogen lighed/krænkelse med eksisterende beskyttede designs, varemærker eller ophavsretligt beskyttede værker, og at vurdere usikkerheden vedrørende modellens træningsdata og outputrettigheder. Kommercialisering uden at kontrollere originalitet og krænkelse skaber risiko for ophavsretssager.
8. Hvad er den mest robuste tilgang til at validere AI-output i prognoser for efterspørgsel efter SKU?
- A) Konvertering af enkeltpunktsforudsigelsen givet af modellen til ordremængden, som den er
- B) Backtesting med tidligere salg og evaluering af fejlmarginen gennem forretningsvurderingsfilter ✔
- C) At vælge det højeste skøn og beholde overskydende lager
- D) Fordoble forudsigelsen, hvis tendensen er den mest populære
Forklaring: Forecastet bør testes i forhold til tidligere salgsrealisering og filtreres gennem forretningsvurderinger med kontekst såsom lagerbeholdning, kampagner, sæsonbestemte osv. I stedet for blindt at stole på et enkelt punkts forudsigelse af modellen, evalueres fejlmarginen og scenarierne.
9. Hvad er hovedårsagen til bestillingen af malingbatch fra 'lys farve til mørk farve' i produktionsplanlægningen?
- A) Mørke farver er billigere
- B) Reduktion af risikoen for farveforurening og maskinrensningstider ✔
- C) Lyse farver holder længere
- D) Det er kun en æstetisk præference
Forklaring: Farves en lys farve efter en mørk farve i samme maskine, øges risikoen for rengøring/forurening og ekstra vasketid. Sortering fra lys til mørk øger effektiviteten ved at reducere risikoen for farveudtværing og maskinrensningstider. AI-anbefalinger bør omfatte denne procesbegrænsning.
10. Når du rapporterer et stofs miljømæssige fodaftryk, hvad er den korrekte holdning til en påstand som "genanvendt polyester reducerer vandforbruget med 90 %" produceret af AI?
- A) Anbringelse af kravet, som det er, i markedsføringseksemplaret
- B) Ikke at bruge kravet uden verifikation med systemgrænse, datakilde og certifikat ✔
- C) Forudsat at påstanden er stærk, hvis tallet er højt
- D) Afrund tallet og publicer det
Forklaring: En sådan påstand er meningsløs uden at specificere systemgrænsen (cradle-to-gate eller gate-to-gate), datakilde og omfang; Det skal være baseret på verificerbare LCA-data og certificering. Ellers kan der opstå greenwashing og juridisk risiko. Selvom AI-tal virker rimelige, er de uafhængige kilder.
11. Hvad skal være det første skridt til at verificere koden skrevet af AI, når man analyserer produktionsdata ved hjælp af pandaer med Python?
- A) Hvis koden fungerede uden fejl, accepteres resultatet som korrekt
- B) Beregn manuelt output og verificer enheden og logikken på en lille dataprøve ✔
- C) Tilføjelse af koden direkte til produktionsrapporten
- D) Hvis grafen viser sig at være god, betragtes analysen som afsluttet.
Bemærkning: Selvom koden virker, er det ikke garanteret, at logikken er korrekt; Manuel regnskabskontrol skal foretages på enhed, kolonnematchning og flere rækker. For eksempel, når gennemsnittet af gramvægt, forkert gruppering eller enhedsforvirring kan give ukorrekte resultater. I et lille udsnit er manuel verifikation den hurtigste sikkerhed.
12. Hvad er den bedste praksis med hensyn til databeskyttelse, når du sender tekstilproduktionsdata til et AI-værktøj?
- A) Send alle faktiske kunde- og receptoplysninger, som de er
- B) Anonymiser følsomme oplysninger og send dem med repræsentative etiketter og i overensstemmelse med virksomhedens politik ✔
- C) At antage, at privatlivets fred er ligegyldigt, fordi der er så meget data.
- D) Skift blot filnavnet og send indholdet, som det er
Explanation: Sensitive data such as customer name, recipe secret, price and supplier information should be anonymized or given with representative labels (Customer-A, Recipe-1). Forretningshemmeligheder og personlige data bør ikke overføres til en tredjepartsmodel i strid med virksomhedens politikker og aftaler.
13. En billedbehandlingsmodel rapporterer 98% nøjagtighed på en produktionslinje, men savner mange fejl i marken. Hvad er den mest sandsynlige årsag til dette?
- A) Nøjagtighed er vildledende på grund af ubalancerede data; Følsomheden (genkaldelse) af defektklassen er lav ✔
- B) Modellen kører meget langsomt
- C) Fordi kameraet er farve
- D) 98% er allerede perfekt, problemet ligger hos operatøren
Explanation: When samples with defects are very few in the data set (imbalanced data), the model can achieve high accuracy by calling everything 'perfect' but cannot capture the actual defects. Derfor er nøjagtighed alene vildledende; Følsomhed (tilbagekaldelse) og præcision for defektklassen bør overvåges.
14. Hvilken rolle spiller kunstig intelligens i forhold til sikkerheds- og kontraktkritiske tekstilbeslutninger i henhold til det centrale princip, der er fremhævet gennem hele modulet?
- A) AI kan træffe kritiske beslutninger på egen hånd, fordi den er hurtig
- B) AI er en assistent; kritiske beslutninger verificeres af kompetent ingeniørgodkendelse og fysisk test ✔
- C) AI-output erstatter den signerede rapport
- D) Menneskelig bekræftelse er unødvendig, når den mest aktuelle model anvendes
Beskrivelse: AI er en assistent og accelerator; genererer hypoteser, udarbejder udkast, fanger mønstre. However, critical decisions such as painting recipe approval, quality acceptance, strength/safety evaluation require competent engineer approval and physical testing. AI-output er ikke en erstatning for ekspertgodkendelse.