Ηθική, Απόρρητο, Όρια και Ενσωμάτωση από άκρο σε άκρο

Κέρδη:

• Ικανότητα ολιστικής αξιολόγησης των ηθικών πτυχών, της ιδιωτικής ζωής των δεδομένων, των πνευματικών δικαιωμάτων και του εργατικού δυναμικού της χρήσης τεχνητής νοημοσύνης σε κλωστοϋφαντουργικά προϊόντα
• Δυνατότητα σχεδίασης συστήματος με καθορισμένα σημεία έγκρισης από τον άνθρωπο που συνδυάζει ολόκληρη τη μονάδα σε μια ροή εργασίας από άκρο σε άκρο
• Ικανότητα δημιουργίας πλαισίου διακυβέρνησης, επικύρωσης και συνεχούς βελτίωσης για υπεύθυνη χρήση AI σε έναν οργανισμό

Εξέταση Ενοτήτων

1. Ποιο από τα παρακάτω είναι η βασική αρχή που καθορίζει τον κίνδυνο μιας παραγωγής τεχνητής νοημοσύνης στην κλωστοϋφαντουργία;

• Α) Ο κίνδυνος μιας παραγωγής είναι ίσος με τη ζημιά που θα προκαλούσε εάν αυτή η παραγωγή ήταν ελαττωματική. κλίμακες επικύρωσης αναλόγως ✔
• Β) Η έξοδος AI είναι γενικά ασφαλής καθώς είναι γραμμένη με ευχέρεια και σιγουριά
• Γ) Η επικύρωση δεν είναι απαραίτητη όταν χρησιμοποιείται το πιο πρόσφατο μοντέλο
• Δ) Εάν η έξοδος αναφέρεται σε ένα πρότυπο, δεν απαιτείται πρόσθετος έλεγχος

Εξήγηση: Ο κίνδυνος μιας παραγωγής είναι ίσος με τη ζημιά που θα προκαλέσει εάν αυτή η έξοδος είναι ελαττωματική. Ενώ ένα λάθος σε μια ιδέα του moodboard είναι αβλαβές, ένα λάθος σε μια συνταγή βαφής ή στον υπολογισμό της αντοχής του υφάσματος μπορεί να οδηγήσει σε σπατάλη παρτίδας και κινδύνους για την επαγγελματική ασφάλεια/συμβόλαιο. έτσι η ένταση της επαλήθευσης κλιμακώνεται με πιθανή βλάβη.

2. Ένας μηχανικός είναι δύσπιστος ως προς την τιμή AI των '85 cN/tex για βαμβακερά νήματα' για την αντοχή του νήματος. Ποιος είναι ο πιο γρήγορος έλεγχος για την επιβεβαίωση αυτής της υποψίας;

• Α) Βάλτε την τιμή απευθείας στην αναφορά και ρωτήστε το εργαστήριο αργότερα
• Β) Κάντε μια σύγκριση μεγέθους με την τυπική σειρά βαμβακερών νημάτων (περίπου 12-22 cN/tex) ✔
• Γ) Κάνοντας ξανά την ίδια ερώτηση από το μοντέλο και εμπιστευόμενοι τη δεύτερη απάντηση
• Δ) Αποδοχή εάν η τιμή περιέχει αναφορά σε μια πηγή

Περιγραφή: Είναι έλεγχος τάξης μεγέθους. Η αντοχή στο νήμα από βαμβάκι είναι συνήθως της τάξης των 12-22 cN/tex. Το 85 cN/tex είναι το συνθετικό/αραμιδικό επίπεδο υψηλής απόδοσης και είναι φυσικά παράλογο για το βαμβάκι. Αυτός ο έλεγχος διαρκεί δευτερόλεπτα και εντοπίζει τα περισσότερα σφάλματα μονάδας/τύπου.

3. Τι από τα παρακάτω ισχύει για το «Ne» (αριθμός βρετανικού βαμβακιού) μεταξύ των συστημάτων μέτρησης νημάτων;

• Α) Όσο μεγαλύτερο γίνεται το νήμα τόσο πιο χοντρό γίνεται.
• Β) Αυτό που είναι ένα άμεσο σύστημα, λειτουργεί στην ίδια κατεύθυνση με το tex
• Γ) Τι έμμεσο σύστημα είναι; Όσο μεγαλύτερος είναι ο αριθμός, τόσο πιο λεπτό είναι το νήμα ✔
• Δ) Τι ορίζεται μόνο για τα συνθετικά νήματα

Εξήγηση: Τι έμμεσο σύστημα αρίθμησης: όσο μεγαλύτερος είναι ο αριθμός, τόσο πιο λεπτό είναι το νήμα. Το Tex και το Denier είναι άμεσα συστήματα. Όσο μεγαλύτερος είναι ο αριθμός, τόσο πιο παχύ είναι το νήμα. Η μη γνώση αυτής της διάκρισης οδηγεί σε σοβαρά σφάλματα στις ερμηνείες αριθμών στην έξοδο AI.

4. Τι σημαίνει να έχετε υψηλό ποσοστό «ψευδώς αρνητικών» σε ένα μοντέλο επεξεργασίας εικόνας που ανιχνεύει ελαττώματα υφάσματος και γιατί είναι κρίσιμο;

• Α) Το ελαττωματικό ύφασμα θεωρείται τέλειο και παραδίδεται στον πελάτη. ✔ Το πιο επικίνδυνο είδος λάθους στην ποιότητα
• Β) Περιττή σήμανση τέλειου υφάσματος ως ελαττωματικό. απλά μειώνει την αποτελεσματικότητα
• Γ) Το μοντέλο δεν βρίσκει σφάλματα. πάντα καλό σημάδι
• Δ) Χαμηλή ανάλυση της κάμερας

Εξήγηση: Ένα ψευδώς αρνητικό είναι όταν ένα αληθινό ελάττωμα ταξινομείται ως "τέλειο". Αυτό σημαίνει ότι το ελαττωματικό ύφασμα πηγαίνει στον πελάτη και επιβαρύνεται με κόστος επιστροφής/φήμης. Σε κρίσιμες για την ποιότητα εφαρμογές, το όριο γενικά ορίζεται για να διατηρεί τα ψευδώς αρνητικά χαμηλά και τα αυξημένα ψευδώς θετικά εξαλείφονται με την ανθρώπινη επιθεώρηση.

5. Τι σημαίνει η τιμή «Delta E» (ΔE) στη διαχείριση χρώματος;

• Α) Κόστος ανά κιλό χρώματος
• Β) Το κριτήριο που ποσοτικοποιεί τη συνολική αντιληπτική διαφορά μεταξύ δύο χρωμάτων ✔
• Γ) Φωτοπερατότητα του υφάσματος
• Δ) Τιμή της θερμοκρασίας βαφής σε βαθμούς

Περιγραφή: Το Delta E είναι το κριτήριο που ποσοτικοποιεί τη συνολική αντιληπτική διαφορά μεταξύ δύο χρωμάτων στον χρωματικό χώρο CIELAB. Οι μικρές τιμές ΔE υποδεικνύουν ότι τα χρώματα είναι κοντά μεταξύ τους. Στα κλωστοϋφαντουργικά προϊόντα, η ανοχή αποδοχής από παρτίδα συνήθως ορίζεται συμβατικά με όρους ΔΕ. Επομένως, ο ισχυρισμός ότι «το χρώμα διατηρείται» απαιτεί μέτρηση.

6. Πώς λέγεται όταν δύο δείγματα φαίνονται ίδια κάτω από μια πηγή φωτός και διαφορετικά κάτω από μια άλλη πηγή φωτός και γιατί είναι σημαντικό στη διαχείριση χρώματος;

• Α) Μεταμερισμός. Η επιβεβαίωση χρώματος πρέπει να γίνεται κάτω από πολλαπλές τυπικές πηγές φωτός ✔
• Β) Φθορισμός; το χρώμα φαίνεται το ίδιο σε όλες τις συνθήκες
• Γ) Αδιαφάνεια. Η διαφορά χρώματος εξαρτάται μόνο από το πάχος
• Δ) Βαθμονόμηση. αφορά μόνο την οθόνη

Περιγραφή: Αυτό το φαινόμενο ονομάζεται μεταμερισμός. Δύο χρώματα με διαφορετική φασματική ανάκλαση μπορεί να ταιριάζουν κάτω από συγκεκριμένο φωτισμό και να αποκλίνουν σε άλλο φωτισμό. Επομένως, η επιβεβαίωση χρώματος δεν πρέπει να γίνεται σε μία μόνο πηγή φωτός, αλλά σε πολλαπλές πηγές (π.χ. D65, TL84, A) σε ένα τυπικό θάλαμο φωτός.

7. Ποιος είναι ο πιο κρίσιμος νομικός έλεγχος που πρέπει να γίνει πριν από την εμπορική χρήση ενός προτύπου κλωστοϋφαντουργίας που παράγεται με γενετική τεχνητή νοημοσύνη;

• Α) Μείωση του αριθμού των χρωμάτων του σχεδίου
• Β) Μείωση του μεγέθους αρχείου του μοτίβου
• Γ) Έλεγχος για ομοιότητα/παραβίαση και πνευματικά δικαιώματα με υπάρχοντα προστατευόμενα σχέδια ✔
• Δ) Αποθηκεύστε το μοτίβο μόνο σε υψηλή ανάλυση

Επεξήγηση: Είναι απαραίτητο να ελεγχθεί εάν το παραγόμενο μοτίβο φέρει οποιαδήποτε ομοιότητα/παραβίαση με υπάρχοντα προστατευόμενα σχέδια, εμπορικά σήματα ή έργα που προστατεύονται από πνευματικά δικαιώματα και να αξιολογηθούν οι αβεβαιότητες σχετικά με τα δεδομένα εκπαίδευσης και τα δικαιώματα παραγωγής του μοντέλου. Η εμπορευματοποίηση χωρίς έλεγχο πρωτοτυπίας και παραβίασης δημιουργεί τον κίνδυνο διαφορών για τα πνευματικά δικαιώματα.

8. Ποια είναι η πιο ισχυρή προσέγγιση για την επικύρωση της παραγωγής AI στην πρόβλεψη ζήτησης από το SKU;

• Α) Μετατροπή της πρόβλεψης ενός σημείου που δίνεται από το μοντέλο στην ποσότητα παραγγελίας ως έχει
• Β) Έλεγχος εκ των υστέρων με προηγούμενες πωλήσεις και αξιολόγηση του περιθωρίου λάθους μέσω του φίλτρου επιχειρηματικής κρίσης ✔
• Γ) Επιλογή της υψηλότερης εκτίμησης και διατήρηση πλεονάζοντος αποθέματος
• Δ) Διπλασιάστε την πρόβλεψη εάν η τάση είναι η πιο δημοφιλής

Επεξήγηση: Η πρόβλεψη θα πρέπει να ελεγχθεί σε σχέση με προηγούμενες πραγματοποιήσεις πωλήσεων και να φιλτραριστεί μέσω επιχειρηματικής κρίσης με πλαίσιο όπως το απόθεμα, οι καμπάνιες, η εποχικότητα κ.λπ. Αντί να εμπιστευόμαστε τυφλά μια πρόβλεψη μεμονωμένου σημείου του μοντέλου, αξιολογούνται το περιθώριο σφάλματος και τα σενάρια.

9. Ποιος είναι ο κύριος λόγος για την παραγγελία παρτίδας βαφής από «ανοιχτό σε σκούρο χρώμα» στον προγραμματισμό παραγωγής;

• Α) Τα σκούρα χρώματα είναι φθηνότερα
• Β) Μείωση του κινδύνου μόλυνσης του χρώματος και των χρόνων καθαρισμού του μηχανήματος ✔
• Γ) Τα ανοιχτά χρώματα διαρκούν περισσότερο
• Δ) Είναι μόνο αισθητική προτίμηση

Εξήγηση: Εάν ένα ανοιχτό χρώμα βαφτεί μετά από ένα σκούρο χρώμα στο ίδιο μηχάνημα, ο κίνδυνος καθαρισμού/μόλυνσης και επιπλέον χρόνος πλύσης αυξάνεται. Η ταξινόμηση από ανοιχτό σε σκούρο αυξάνει την απόδοση μειώνοντας τον κίνδυνο λεκέδων χρώματος και τους χρόνους καθαρισμού του μηχανήματος. Οι συστάσεις τεχνητής νοημοσύνης θα πρέπει να περιλαμβάνουν αυτόν τον περιορισμό διαδικασίας.

10. Όταν αναφέρετε το περιβαλλοντικό αποτύπωμα ενός υφάσματος, ποια είναι η σωστή στάση απέναντι σε έναν ισχυρισμό όπως «ο ανακυκλωμένος πολυεστέρας μειώνει τη χρήση νερού κατά 90%» που παράγεται από την τεχνητή νοημοσύνη;

• Α) Τοποθέτηση της αξίωσης ως έχει στο αντίγραφο μάρκετινγκ
• Β) Μη χρήση της αξίωσης χωρίς επαλήθευση με όριο συστήματος, πηγή δεδομένων και πιστοποιητικό ✔
• Γ) Υποθέτοντας ότι ο ισχυρισμός είναι ισχυρός εάν ο αριθμός είναι υψηλός
• Δ) Στρογγυλοποιήστε τον αριθμό και δημοσιεύστε τον

Εξήγηση: Ένας τέτοιος ισχυρισμός δεν έχει νόημα χωρίς να προσδιορίζει το όριο του συστήματος (από λίκνο σε πύλη ή πύλη σε πύλη), την πηγή δεδομένων και το πεδίο εφαρμογής. Πρέπει να βασίζεται σε επαληθεύσιμα δεδομένα LCA και πιστοποίηση. Διαφορετικά, μπορεί να προκύψει γκαζόν και νομικός κίνδυνος. Ενώ οι αριθμοί AI φαίνονται λογικοί, προέρχονται από ανεξάρτητη πηγή.

11. Ποιο θα πρέπει να είναι το πρώτο βήμα για την επαλήθευση του κώδικα που γράφτηκε από το AI κατά την ανάλυση δεδομένων παραγωγής χρησιμοποιώντας πάντα με Python;

• Α) Εάν ο κωδικός λειτούργησε χωρίς σφάλματα, αποδεχτείτε το αποτέλεσμα ως σωστό
• Β) Υπολογίστε χειροκίνητα την έξοδο και επαληθεύστε τη μονάδα και τη λογική σε ένα μικρό δείγμα δεδομένων ✔
• Γ) Προσθήκη του κωδικού απευθείας στην αναφορά παραγωγής
• Δ) Εάν το γράφημα αποδειχθεί καλό, θεωρήστε την ανάλυση ολοκληρωμένη.

Παρατήρηση: Ακόμα κι αν ο κώδικας λειτουργεί, δεν είναι εγγυημένο ότι η λογική είναι σωστή. Πρέπει να γίνει χειροκίνητος λογιστικός έλεγχος σε αντιστοίχιση μονάδων, στηλών και σε πολλές σειρές. Για παράδειγμα, όταν υπολογίζεται ο μέσος όρος της γραμματικής, η εσφαλμένη ομαδοποίηση ή η σύγχυση μονάδων μπορεί να παράγει σιωπηλά εσφαλμένα αποτελέσματα. Σε ένα μικρό δείγμα, η μη αυτόματη επαλήθευση είναι η ταχύτερη διασφάλιση.

12. Ποια είναι η βέλτιστη πρακτική όσον αφορά το απόρρητο δεδομένων κατά την αποστολή δεδομένων παραγωγής κλωστοϋφαντουργικών προϊόντων σε ένα εργαλείο τεχνητής νοημοσύνης;

• Α) Στείλτε όλες τις πραγματικές πληροφορίες πελατών και συνταγών ως έχουν
• Β) Ανωνυμοποιήστε ευαίσθητες πληροφορίες και στείλτε τις με αντιπροσωπευτικές ετικέτες και σύμφωνα με την εταιρική πολιτική ✔
• Γ) Υποθέτοντας ότι το απόρρητο είναι ασήμαντο επειδή υπάρχουν τόσα πολλά δεδομένα.
• Δ) Απλώς αλλάξτε το όνομα του αρχείου και στείλτε το περιεχόμενο ως έχει

Επεξήγηση: Τα ευαίσθητα δεδομένα όπως το όνομα πελάτη, το μυστικό της συνταγής, η τιμή και οι πληροφορίες προμηθευτή θα πρέπει να είναι ανώνυμα ή να δίνονται με αντιπροσωπευτικές ετικέτες (Πελάτης-Α, Συνταγή-1). Τα εμπορικά μυστικά και τα προσωπικά δεδομένα δεν πρέπει να μεταβιβάζονται σε μοντέλο τρίτου μέρους κατά παράβαση των εταιρικών πολιτικών και συμφωνιών.

13. Ένα μοντέλο επεξεργασίας εικόνας αναφέρει ακρίβεια 98% σε μια γραμμή παραγωγής αλλά χάνει πολλά ελαττώματα στο πεδίο. Ποια είναι η πιο πιθανή αιτία για αυτό;

• Α) Η ακρίβεια είναι παραπλανητική λόγω μη ισορροπημένων δεδομένων. Η ευαισθησία (ανάκληση) της κατηγορίας ελαττώματος είναι χαμηλή ✔
• Β) Το μοντέλο λειτουργεί πολύ αργά
• Γ) Επειδή η κάμερα είναι έγχρωμη
• Δ) Το 98% είναι ήδη τέλειο, το πρόβλημα είναι στον χειριστή

Επεξήγηση: Όταν τα δείγματα με ελαττώματα είναι πολύ λίγα στο σύνολο δεδομένων (μη ισορροπημένα δεδομένα), το μοντέλο μπορεί να επιτύχει υψηλή ακρίβεια αποκαλώντας τα πάντα «τέλεια», αλλά δεν μπορεί να καταγράψει τα πραγματικά ελαττώματα. Επομένως, η ακρίβεια από μόνη της είναι παραπλανητική. Η ευαισθησία (ανάκληση) και η ακρίβεια για την κατηγορία ελαττώματος θα πρέπει να παρακολουθούνται.

14. Σύμφωνα με τη βασική αρχή που τονίζεται σε όλη την ενότητα, ποιος είναι ο ρόλος της τεχνητής νοημοσύνης σε αποφάσεις σχετικά με την ασφάλεια και τις κρίσιμες για τη σύμβαση κλωστοϋφαντουργικά προϊόντα;

• Α) Η τεχνητή νοημοσύνη μπορεί να πάρει κρίσιμες αποφάσεις από μόνη της γιατί είναι γρήγορη
• Β) Το AI είναι βοηθός. Οι κρίσιμες αποφάσεις επαληθεύονται με έγκριση αρμόδιου μηχανικού και φυσική δοκιμή ✔
• Γ) Η έξοδος AI αντικαθιστά την υπογεγραμμένη αναφορά
• Δ) Η ανθρώπινη επιβεβαίωση δεν είναι απαραίτητη όταν χρησιμοποιείται το πιο πρόσφατο μοντέλο

Περιγραφή: Το AI είναι βοηθός και επιταχυντής. δημιουργεί υποθέσεις, προετοιμάζει προσχέδια, πιάνει μοτίβα. Ωστόσο, κρίσιμες αποφάσεις όπως η έγκριση συνταγής βαφής, η αποδοχή της ποιότητας, η αξιολόγηση αντοχής/ασφάλειας απαιτούν έγκριση από ικανό μηχανικό και φυσική δοκιμή. Η έξοδος AI δεν υποκαθιστά την έγκριση ειδικών.