Ενσωμάτωση από άκρο σε άκρο, MLOps και ευθύνη μηχανικού

Κέρδη:

• Δυνατότητα σχεδίασης ενός έργου αυτοκινήτου που υποστηρίζεται από τεχνητή νοημοσύνη από την ιδέα μέχρι την παραγωγή και τη διατήρησή του με έναν κύκλο παρακολούθησης
• Δυνατότητα αξιολόγησης διαχείρισης εκδόσεων μοντέλου, μετατόπισης δεδομένων και αναγκών επανεκπαίδευσης
• Δυνατότητα κλιμάκωσης της τεχνητής νοημοσύνης με ασφάλεια, διατηρώντας παράλληλα υπευθυνότητα, ιχνηλασιμότητα και τεκμηρίωση σε όλο το έργο

Στην τελευταία ενότητα αυτής της ενότητας, συγκεντρώνουμε όλα τα κομμάτια. Είδαμε πώς η τεχνητή νοημοσύνη χρησιμοποιείται σε μεμονωμένες μονάδες, από το σχεδιασμό μέχρι την παραγωγή, από τις δοκιμές στην αλυσίδα εφοδιασμού. Αλλά σε ένα πραγματικό έργο, αυτά δεν είναι μεμονωμένα βήματα, αλλά ένας κύκλος ζωής: συλλέγονται δεδομένα, κατασκευάζεται το μοντέλο, τίθεται σε παραγωγή, παρακολουθείται και όταν παλιώσει, ανανεώνεται. Η πειθαρχία της διατήρησης αυτού του κύκλου ονομάζεται MLOps (Machine Learning Operations). Αυτή η ενότητα καλύπτει τη δημιουργία, τη διατήρηση και τη διατήρηση της λογοδοσίας για ένα αυτοκινητιστικό έργο με τεχνητή νοημοσύνη από άκρη σε άκρη.

Κύκλος ζωής ενός έργου AI

Μια τυπική ροή από άκρο σε άκρο σε ένα πλαίσιο αυτοκινήτου:

1. Ορισμός προβλήματος και αξίας: Ποιο επιχειρηματικό πρόβλημα επιλύουμε; Πώς μετριέται η επιτυχία; Είναι αυτή μια κρίσιμη για την ασφάλεια λειτουργία;
2. Συλλογή και επισήμανση δεδομένων: Πηγές (CAN, δοκιμή, παραγωγή, τηλεματική), ποιότητα, εμπιστευτικότητα.
3. Ανάπτυξη μοντέλου: Χαρακτηριστικό, μοντέλο, επαλήθευση (έλεγχος διαρροής, συνέπεια μονάδας).
4. Επαλήθευση και αξιολόγηση ασφάλειας: Ανεξάρτητη δοκιμή εάν απαιτείται ISO 26262/SOTIF.
5. Ανάπτυξη: Ανάπτυξη του μοντέλου στη συσκευή, on line ή στο cloud.
6. Παρακολούθηση: Απόδοση, μετατόπιση δεδομένων, ακρίβεια συναγερμού.
7. Επανεκπαίδευση: Ενημέρωση του μοντέλου όταν γίνει παλιό.
8. Τεκμηρίωση και ιχνηλασιμότητα: Καταγραφή κάθε βήματος. ποιος, πότε, γιατί.

Αυτός ο κύκλος δεν τελειώνει μια για πάντα. περιστρέφεται συνεχώς. Στην αυτοκινητοβιομηχανία είναι επικίνδυνο να «στήσεις και να ξεχάσεις» ένα μοντέλο.

Συμβουλή: Κατά την έναρξη του έργου, "ποιος θα παρακολουθεί αυτό το μοντέλο όταν είναι στο πεδίο, με ποια μέτρηση και πόσο συχνά;" Εάν δεν μπορείτε να απαντήσετε στην ερώτηση, το μοντέλο δεν είναι ακόμα έτοιμο για παραγωγή.

Διαχείριση εκδόσεων μοντέλου και ιχνηλασιμότητα

Η ιχνηλασιμότητα στην αυτοκινητοβιομηχανία δεν είναι πολυτέλεια, αλλά συχνά νομική υποχρέωση. Όταν προκύπτει ένα πρόβλημα, θα πρέπει να μπορείτε να απαντήσετε στην ερώτηση "ποια έκδοση μοντέλου, με ποια δεδομένα εκπαιδεύτηκε, ποιος το ενέκρινε;" Καλές πρακτικές:

• Εκδόσεις μοντέλου: Καταγράφονται ο αριθμός, τα δεδομένα εκπαίδευσης και η ημερομηνία κάθε μοντέλου.
• Διαμόρφωση δεδομένων: Τα δεδομένα στα οποία εκπαιδεύτηκε είναι παγωμένα.
• Ημερολόγιο αποφάσεων: Έγκριση δόθηκε από ποιον και με ποια στοιχεία.
• Σχέδιο επαναφοράς: Εάν το νέο μοντέλο αποδειχθεί κακό, μπορείτε να επιστρέψετε στο παλιό.

αντικείμενο

Γιατί είναι απαραίτητο

Κίνδυνος εάν λείπει

Έκδοση μοντέλου

Ποια έκδοση είναι στο πεδίο;

Το πρόβλημα δεν μπορεί να εντοπιστεί

Έκδοση δεδομένων

Με τι εκπαιδεύτηκε;

μη αναπαραγώγιμη

Αρχείο έγκρισης

Ποιος είναι υπεύθυνος;

δεν μπορεί να λογοδοτήσει

αναίρεση

Επιστροφή από κακή έκδοση

Μεγάλος χρόνος διακοπής στο χωράφι

Μετατόπιση δεδομένων και αποσύνθεση μοντέλου

Ένα μοντέλο είναι ένα στιγμιότυπο του κόσμου στον οποίο εκπαιδεύεται. Αλλά ο κόσμος αλλάζει: ένας νέος προμηθευτής ανταλλακτικών φέρνει μια διαφορετική ανοχή αισθητήρα, ένα νέο μοντέλο οχήματος βγαίνει, οι εποχές αλλάζουν, οι συνήθειες οδήγησης αλλάζουν. Η απόδοση του μοντέλου μειώνεται σιωπηλά καθώς η κατανομή των δεδομένων εισόδου απομακρύνεται από τον χρόνο εκπαίδευσης. Αυτή η μετατόπιση δεδομένων και η προκύπτουσα μείωση της απόδοσης ονομάζεται αποσύνθεση μοντέλου.

Ο κίνδυνος είναι ότι αυτή η πτώση είναι σιωπηλή: το μοντέλο δεν καταρρέει, δεν κάνει λάθη, απλώς γίνεται όλο και πιο λάθος. Επομένως:

• Παρακολούθηση κατανομής εισόδου (ανίχνευση μετατόπισης).
• Παρακολουθήστε τις μετρήσεις απόδοσης με πραγματικά αποτελέσματα (ήταν ακριβείς οι συναγερμοί;).
• Ενεργοποιήστε την επανεκπαίδευση όταν ξεπεραστεί το όριο.

Προσοχή: Η υπόθεση ότι «από τη στιγμή που το μοντέλο εκπαιδεύεται, δίνει την ίδια απόδοση για πάντα» είναι λανθασμένη και επικίνδυνη στην αυτοκινητοβιομηχανία. Ένα μοντέλο που τίθεται σε παραγωγή χωρίς παρακολούθηση μετατόπισης μπορεί εν αγνοία του να γίνει αναξιόπιστο.

Παράδειγμα σεναρίου από άκρο σε άκρο: στόλος πρόβλεψης συντήρησης

Ας το κάνουμε συγκεκριμένο. Εγκαθιστάτε ένα σύστημα έγκαιρης προειδοποίησης αστοχίας στροβιλοκινητήρα για έναν στόλο φορτίου:

1. Αξία: Μειώστε το χρόνο διακοπής λειτουργίας και το κόστος ρυμούλκησης. επιτυχία = καταγράφηκε η πραγματική ισορροπία σφάλματος/ψευδούς συναγερμού.
2. Δεδομένα: σήματα CAN 40 οχημάτων, ιστορικά αρχεία βλαβών. Το VIN είναι ανώνυμο.
3. Μοντέλο: Ανωμαλία + RUL; Αποτράπηκε η διαρροή χρονοσειρών. Παρουσιάζεται το εύρος αβεβαιότητας.
4. Επαλήθευση: Εκ των υστέρων έλεγχος σε προηγούμενα σφάλματα. Το κόστος του ψευδούς συναγερμού ζυγίστηκε.
5. Παραγωγή: Ημερήσια βαθμολογία στο σύννεφο. πίνακα στον τεχνικό.
6. Παρακολούθηση: Έλεγχος μετατόπισης όταν προστίθεται νέο μοντέλο οχήματος. ακρίβεια συναγερμού εβδομαδιαία.
7. Επανεκπαίδευση: Τριμηνιαία ενημέρωση με νέο τύπο οχήματος και νέα παραδείγματα βλαβών.
8. Τεκμηρίωση: Έκδοση μοντέλου, έκδοση δεδομένων, εγγεγραμμένος πιστοποιητικός μηχανικός.

Κανένα βήμα σε αυτή τη ροή δεν λέει "Η AI αποφάσισε, έγινε". Ένα άτομο είναι υπεύθυνο για κάθε στάδιο.

Μίνι περιπτωσιολογικές μελέτες

Περίπτωση 1 - Σιωπηλή αποσύνθεση. Ένα μοντέλο ποιοτικού ελέγχου λειτουργεί καλά για ένα χρόνο και μετά ο ρυθμός διαρροής αυξάνεται αργά. Βασική αιτία: Όταν άλλαξε ο προμηθευτής, η υφή της επιφάνειας του εξαρτήματος έγινε ελαφρώς διαφορετική (drift) και το μοντέλο άρχισε να πιστεύει ότι αυτό ήταν "φυσιολογικό". Καθιερώνεται η παρακολούθηση ολίσθησης και το μοντέλο επανεκπαιδεύεται. Αποτέλεσμα: Χωρίς παρακολούθηση, η ευπάθεια θα είχε περάσει απαρατήρητη για μήνες.

Περίπτωση 2 - Η ιχνηλασιμότητα αποθηκεύτηκε. Μια καταγγελία ψευδούς συναγερμού έρχεται από το γήπεδο. Από το αρχείο καταγραφής αποφάσεων, η ομάδα ανακαλύπτει ποια έκδοση μοντέλου λειτουργεί με ποια δεδομένα. Εντοπίζει ότι το πρόβλημα προέρχεται από τη ρύθμιση ορίου σε μια συγκεκριμένη έκδοση και επαναφέρει αυτήν την έκδοση. Αποτέλεσμα: Εάν δεν υπήρχε έκδοση και εγγραφή απόφασης, δεν ήταν δυνατός ο εντοπισμός του προβλήματος.

Περίπτωση 3 - Πειθαρχία επανεκπαίδευσης. Όταν ένα νέο ηλεκτρικό μοντέλο εντάσσεται στον στόλο, το υπάρχον μοντέλο προγνωστικής συντήρησης προκαλεί πολλούς ψευδείς συναγερμούς σε αυτό το όχημα (ένα σύστημα μετάδοσης κίνησης που δεν έχει δει ποτέ). Προτού τεθεί σε λειτουργία το νέο μοντέλο, η ομάδα καταγράφει την προειδοποίηση ολίσθησης και επεκτείνει το μοντέλο με νέα δεδομένα οχήματος. Αποτέλεσμα: Η παρακολούθηση μετατόπισης εντόπισε νωρίς την υποβάθμιση που προέκυψε με το νέο προϊόν.

πρότυπα προτροπής

Πρότυπο 1 - Προσχέδιο σχεδίου έργου:

Ρόλος: Υπεύθυνος έργου AI (αυτοκίνητο). Εργασία: Βοηθήστε με να σχεδιάσω ένα έργο με τεχνητή νοημοσύνη από άκρο σε άκρο. Πλαίσιο: Προγνωστική συντήρηση. Στόλος 40 οχημάτων. Το VIN είναι ανώνυμο.Περιορισμός: Εξετάστε τα βήματα ορισμού αξίας, δεδομένων, μοντέλου, επαλήθευσης, παραγωγής, παρακολούθησης, επανεκπαίδευσης και τεκμηρίωσης ξεχωριστά. υποδείξτε ποιος είναι υπεύθυνος για κάθε βήμα.Έξοδος: Βήμα | έξοδος | υπεύθυνος | πίνακα κινδύνου.

Πρότυπο 2 - Σχέδιο παρακολούθησης:

Ρόλος: Είστε μηχανικός MLOps. Εργασία: Προτείνετε ένα σχέδιο παρακολούθησης για ένα μοντέλο που παρουσιάζεται. Πλαίσιο: Η διανομή εισροών μπορεί να αλλάξει με την πάροδο του χρόνου (νέος προμηθευτής, νέο εργαλείο). Η απόδοση μπορεί να μετρηθεί με πραγματικά αποτελέσματα.Έξοδος: Μετρική για παρακολούθηση | κατώφλι | δράση που πρέπει να ενεργοποιηθεί.

Πρότυπο 3 - Βαθμολογία Drift:

Ρόλος: Επιστήμονας δεδομένων. Εργασία: Εξηγήστε πώς να ανιχνεύσετε τη μετατόπιση δεδομένων και πότε χρειάζεται επανεκπαίδευση. Πλαίσιο: Μοντέλο οπτικής επιθεώρησης γραμμής παραγωγής. Μπορεί να υπάρξει αλλαγή στον προμηθευτή. Έξοδος: Σήμα | μέτρηση | έναυσμα επανεκπαίδευσης.

Πρότυπο 4 - Λίστα ελέγχου ιχνηλασιμότητας:

Ρόλος: Είστε ελεγκτής ποιότητας/συμμόρφωσης. Εργασία: Δημιουργήστε μια λίστα ελέγχου ιχνηλασιμότητας για ένα μοντέλο. Πλαίσιο: Αυτοκίνητο; Όταν παρουσιαστεί ένα πρόβλημα, θα πρέπει να απαντηθεί η ερώτηση «ποια έκδοση, ποια δεδομένα, ποιος το ενέκρινε». Έξοδος: Στοιχείο | γιατί είναι απαραίτητο | πώς να αποθηκεύσετε το γράφημα.

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμη προτροπή:

Βάλτε το μοντέλο στην παραγωγή.

Χωρίς παρακολούθηση, χωρίς εκδόσεις, χωρίς λογοδοσία και χωρίς επαναλήψεις. Η σιωπηλή αποσύνθεση και τα ανιχνεύσιμα προβλήματα είναι αναπόφευκτα.

Ισχυρή προτροπή:

Ρόλος: Είστε σύμβουλος MLOps και ποιότητας αυτοκινήτου. Εργασία: Δημιουργήστε τη λίστα ελέγχου που χρειάζομαι για να βάλω υπεύθυνα ένα μοντέλο στην παραγωγή. Πλαίσιο: Στόλος προγνωστικής συντήρησης. Νέοι τύποι οχημάτων προστίθενται με την πάροδο του χρόνου. VIN ανώνυμο. Περιορισμός: Συμπεριλάβετε παρακολούθηση, ανίχνευση μετατόπισης, καταγραφή έκδοσης/δεδομένων, επιβεβαίωση και σχέδιο επαναφοράς. Δηλώστε ποιος είναι υπεύθυνος για κάθε στοιχείο. Πρόταση 'θέστε το και ξεχάστε το'. Έξοδος: Στάδιο | αναγκαιότητα | υπεύθυνος | πίνακα κινδύνου.

Συνήθη λάθη

• Προσέγγιση «Ρυθμίστε το και ξεχάστε το». Χωρίς παρακολούθηση, το μοντέλο αποσυντίθεται αθόρυβα.
• Μη τήρηση αρχείων έκδοσης/δεδομένων. Το πρόβλημα δεν μπορεί να εντοπιστεί ή να αναπαραχθεί.
• Κανένα σχέδιο επαναφοράς. Εάν η ανάκαμψη από μια κακή έκδοση διαρκεί πολύ, θα υπάρξει μεγάλη αποτυχία στο πεδίο.
• Δεν περιμένουμε το Drift. Νέος προμηθευτής/εργαλείο/εποχή διαταράσσει το μοντέλο. η παρακολούθηση είναι απαραίτητη.
• Αφήνοντας ασαφή την ευθύνη. Η απάντηση στο «ποιος ευθύνεται» θα πρέπει να είναι ξεκάθαρη σε κάθε βήμα.

Συνοπτικά

• Ένα αυτοκινητοβιομηχανικό έργο με τεχνητή νοημοσύνη δεν είναι ένα μεμονωμένο, αλλά ένας κυλιόμενος κύκλος ζωής (MLOps).
• Η έκδοση μοντέλων και δεδομένων, η καταγραφή αποφάσεων και ο σχεδιασμός επαναφοράς είναι απαραίτητα για την ιχνηλασιμότητα.
• Η μετατόπιση δεδομένων διαψεύδει σιωπηλά το μοντέλο. η εισροή και η απόδοση θα πρέπει να παρακολουθούνται και να επανεκπαιδεύονται όπως απαιτείται.
• Στο παράδειγμα από άκρο σε άκρο, κάθε βήμα έχει έναν άνθρωπο υπεύθυνο. Δεν υπάρχει «Αποφάσισε το AI, τελείωσε».
• «Ρυθμίστε το και ξεχάστε το» είναι επικίνδυνο στην αυτοκινητοβιομηχανία. η παρακολούθηση, η τεκμηρίωση και η λογοδοσία διατηρούνται καθ' όλη τη διάρκεια του έργου.

Εργασία εφαρμογής

Συνδυάστε όσα μάθατε σε αυτήν την ενότητα σε ένα μόνο έργο (π.χ. οπτική επιθεώρηση γραμμής παραγωγής ή προγνωστική συντήρηση). (1) Σχεδιάστε ένα σχέδιο έργου από άκρο σε άκρο με το Πρότυπο 1. Καταγράψτε το άτομο που είναι υπεύθυνο για κάθε βήμα. (2) Καθορίστε ένα σχέδιο παρακολούθησης και ενεργοποιητές ολίσθησης με το Πρότυπο 2. (3) Προετοιμάστε μια λίστα ελέγχου ιχνηλασιμότητας με το Πρότυπο 4. (4) Συνοψίστε σε μια παράγραφο πώς εφαρμόσατε τους τρεις κλάδους αγκύρωσης από την αρχή της ενότητας σε αυτό το έργο.

λίστα ελέγχου

• [ ] Σχεδίασα το έργο ως κύκλο ζωής από άκρο σε άκρο.
• [ ] Καθόρισα την εγγραφή απόφασης με έκδοση μοντέλου και δεδομένων.
• [ ] Έχω ορίσει ένα σχέδιο παρακολούθησης και παρασύρω έναυσμα.
• [ ] Ετοίμασα ένα σχέδιο επαναφοράς.
• [ ] Έχω διευκρινίσει ποιος είναι υπεύθυνος για κάθε βήμα.
• [ ] Διατήρησα τους τρεις κλάδους επικύρωσης άγκυρας και την επικύρωση κρίσιμης σημασίας για την ανθρώπινη ασφάλεια.

Εξέταση Ενοτήτων

1. Ποιος είναι ο ρόλος της παραγωγής AI σε μια κρίσιμη για την ασφάλεια του αυτοκινήτου απόφαση (π.χ. επαλήθευση λογισμικού πέδησης);

• Α) Επιταχύνει την ανάλυση, αλλά η τελική έγκριση και ευθύνη παραμένει στον αρμόδιο μηχανικό ✔
• Β) Εάν υπάρχουν αρκετά δεδομένα, μπορεί να τεθεί σε παραγωγή χωρίς έγκριση μηχανικού
• Γ) Το AI δεν μπορεί να χρησιμοποιηθεί σε κανένα στάδιο σε κρίσιμα συστήματα όπως τα φρένα
• Δ) Εάν η ακρίβεια του μοντέλου υπερβαίνει το 99%, η ανθρώπινη επαλήθευση δεν είναι απαραίτητη

Περιγραφή: Η τεχνητή νοημοσύνη επιταχύνει την ανάλυση, δημιουργεί υποψήφιες λύσεις και περιλήψεις. Ωστόσο, η κρίσιμη για την ασφάλεια απόφαση και η τελική έγκριση είναι ευθύνη του αρμόδιου μηχανικού. Το AI δεν αντικαθιστά την επικύρωση μηχανικού.

2. Ποιοι είναι οι τρεις ανεξάρτητοι έλεγχοι που χρησιμοποιούνται για τη δοκιμή της εξόδου μιας τεχνητής νοημοσύνης στους τρεις κλάδους επικύρωσης αγκύρωσης;

• Α) Μήκος, γλώσσα και μορφή της προτροπής
• Β) Στοιχεία τάξης μεγέθους, μηχανικής λογικής και ανεξάρτητης δοκιμής/μέτρησης ✔
• Γ) Μέγεθος μοντέλου, χρόνος εκπαίδευσης και αριθμός GPU
• Δ) Επωνυμία προμηθευτή, τιμή και χρόνος παράδοσης

Περιγραφή: Τρεις άγκυρες. τάξη μεγέθους (έλεγχος σειράς), μηχανική αληθοφάνεια (φυσική/εμπειρία) και διασταυρούμενη επικύρωση με ανεξάρτητες αποδείξεις δοκιμής/μέτρησης. Αυτά τα τρία παρέχουν εμπιστοσύνη στα στοιχεία, όχι στην τεχνητή νοημοσύνη.

3. Ποια είναι η πιο κρίσιμη επαλήθευση για την έξοδο ενός «υποκατάστατου μοντέλου» που επιταχύνει την προσομοίωση CFD ή FEA;

• Α) Το υποκατάστατο μοντέλο είναι πάντα πιο ακριβές από τον πραγματικό λύτη
• Β) Αρκεί μόνο να κάνει το render να φαίνεται αισθητικά ευχάριστο
• Γ) Σύγκριση με τη λύση αναφοράς και αποδοχή αναξιοπιστίας κατά την κίνηση εκτός του προπονητικού χώρου ✔
• Δ) Δεν χρειάζεται να εξετάσουμε την ανεξαρτησία του δικτύου εάν συγκλίνει μία μόνο εκτέλεση

Περιγραφή: Το υποκατάστατο μοντέλο παράγει γρήγορες προβλέψεις αντί του πραγματικού λύτη. αλλά είναι αναξιόπιστο εκτός του σχεδιαστικού χώρου στον οποίο εκπαιδεύτηκε. Η έξοδος θα πρέπει να επαληθεύεται σημειώνοντας την περιοχή παρέκτασης με προσομοίωση υψηλής πιστότητας αναφοράς και φυσικές οριακές συνθήκες.

4. Ποια είναι η σωστή έκφραση για το Επίπεδο 2 (μερικός αυτοματισμός) στα επίπεδα αυτοματισμού SAE;

• Α) Το όχημα μπορεί να οδηγεί χωρίς οδηγό σε όλες τις συνθήκες
• Β) Το σύστημα δεν αναλαμβάνει καθήκοντα οδήγησης, δίνει μόνο προειδοποιήσεις
• Γ) Είναι εντάξει αν δεν κάθεται στη θέση του οδηγού
• Δ) Το σύστημα υποστηρίζει το τιμόνι και την ταχύτητα, αλλά ο οδηγός διατηρεί συνεχή επίβλεψη και ευθύνη ✔

Περιγραφή: Στο Επίπεδο 2, το σύστημα υποστηρίζει ταυτόχρονα τιμόνι και ταχύτητα/απόσταση, αλλά ο οδηγός διατηρεί συνεχή επίβλεψη και είναι έτοιμος να αναλάβει ανά πάσα στιγμή. Η ευθύνη ανήκει στον οδηγό. Στο επίπεδο 3 και άνω, το σύστημα αναλαμβάνει καθήκοντα οδήγησης υπό ορισμένες συνθήκες.

5. Γιατί ο «ρυθμός διαφυγής» είναι μια κρίσιμη μέτρηση για την ανίχνευση οπτικών ελαττωμάτων στη γραμμή παραγωγής;

• Α) Η έγκριση του ελαττωματικού εξαρτήματος και η αποστολή του στο πεδίο ενέχει κίνδυνο ασφάλειας και ανάκλησης ✔
• Β) Είναι σημαντικό μόνο επειδή επιβραδύνει την ταχύτητα της γραμμής
• Γ) Το ποσοστό διαρροής ισχύει μόνο για ελαττώματα βαφής
• Δ) Ο ρυθμός διαρροής μετρά τον χρόνο εκπαίδευσης του μοντέλου

Περιγραφή: Παράνομο; Ένα ελαττωματικό μέρος θεωρείται τέλειο και διέρχεται από τη γραμμή (ψευδώς αρνητικό). Για ένα εξάρτημα ασφαλείας αυτοκινήτου, η διαρροή είναι πολύ πιο δαπανηρή από την ψευδή απόρριψη, καθώς μπορεί να οδηγήσει σε αστοχία ή ανάκληση στο πεδίο. Το όριο προσαρμόζεται ανάλογα.

6. Ποια είναι η πιο ακριβής χρήση της εκτίμησης «υπόλοιπης ωφέλιμης ζωής» (RUL) στην προγνωστική συντήρηση;

• A) Το RUL υπολογίζεται μόνο για λάδι κινητήρα
• Β) Θα πρέπει να παρουσιάζεται με ένα εύρος αβεβαιότητας και να ερμηνεύεται σύμφωνα με το παράθυρο συντήρησης και το περιθώριο ασφαλείας ✔
• Γ) Θα πρέπει να λαμβάνεται ως ενιαία ακριβής τιμή ημέρας και δεν θα πρέπει να γίνονται έλεγχοι μέχρι εκείνη την ημέρα.
• Δ) Οι αισθητήρες μπορούν να απενεργοποιηθούν εάν το RUL είναι υψηλό

Περιγραφή: RUL είναι ο εκτιμώμενος υπολειπόμενος χρόνος λειτουργίας ενός εξαρτήματος μέχρι την αστοχία. Θα πρέπει να παρουσιάζεται με το εύρος αβεβαιότητας και να ερμηνεύεται σύμφωνα με το σχέδιο συντήρησης και το περιθώριο ασφαλείας. Αντί να βασιζόμαστε τυφλά σε μια εκτίμηση μεμονωμένων σημείων, λαμβάνονται υπόψη το διάστημα εμπιστοσύνης και το κόστος ψευδούς συναγερμού.

7. Τι πρέπει να κάνει ένας μηχανικός όταν η τεχνητή νοημοσύνη επισημαίνει μια ανωμαλία σε μια καταγραφή δοκιμών δρόμου στην ανάλυση δεδομένων δοκιμής;

• Α) Όταν δείτε την ανωμαλία, η δοκιμή θα πρέπει αυτόματα να θεωρείται ανεπιτυχής.
• Β) Η τεχνητή νοημοσύνη δεν πρέπει να κοιτάζει καθόλου τα δεδομένα εάν δεν τα έχει σημαδέψει
• Γ) Επαληθεύστε την ανωμαλία με πρωτογενή δεδομένα, αβεβαιότητα μέτρησης και επαναληψιμότητα ✔
• Δ) Διαγράψτε τις ανωμαλίες και διαγράψτε την αναφορά

Εξήγηση: Η ανωμαλία ότι οι σημαίες AI είναι μια ένδειξη, όχι ένα συμπέρασμα. Ο μηχανικός πρέπει να ελέγξει την αβεβαιότητα της μέτρησης, την πιθανότητα αστοχίας του αισθητήρα και την επαναληψιμότητα και να επαληθεύσει την ανωμαλία με πρωτογενή δεδομένα και κριτήρια αποδοχής. Η αυτόματη αποδοχή ή απόρριψη δεν είναι κατάλληλη.

8. Ποια επαλήθευση είναι υποχρεωτική για μια ουσιαστική αλλαγή που προτείνεται από την τεχνητή νοημοσύνη σε μια μελέτη ελαφρού βάρους;

• Α) Απλά πρέπει να είναι πιο ελαφρύ
• Β) Μία μόνο σειρά στη βάση δεδομένων υλικού μπορεί να ληφθεί ως αποδεικτικό στοιχείο
• Γ) Η συμπεριφορά σύγκρουσης είναι ασήμαντη σε ελαφριά υλικά
• Δ) Οι μηχανικές απαιτήσεις, η κόπωση, η σύγκρουση, η κατασκευαστικότητα και οι απαιτήσεις κόστους πρέπει να ελέγχονται μαζί ✔

Παρατήρηση: Η σύσταση υλικού δεν μπορεί να γίνει αποδεκτή με βάση αποκλειστικά την αναλογία πυκνότητας/αντοχής. Οι μηχανικές ιδιότητες, η κόπωση, η συμπεριφορά πρόσκρουσης, η κατασκευαστικότητα, η διάβρωση, το κόστος και οι απαιτήσεις ασφάλειας πρέπει να επαληθεύονται μαζί και να επιβεβαιώνονται με φυσική δοκιμή.

9. Γιατί ο «κίνδυνος μιας πηγής» στην αλυσίδα εφοδιασμού αυτοκινήτων απαιτεί ιδιαίτερη προσοχή στις συστάσεις τεχνητής νοημοσύνης;

• Α) Μια διακοπή σε έναν μόνο προμηθευτή μπορεί να σταματήσει όλη την παραγωγή. Η δεύτερη πηγή και η προσωρινή μνήμη πρέπει να αξιολογηθούν ✔
• Β) Η μοναδική πηγή είναι πάντα η ασφαλέστερη επιλογή
• Γ) Η ανάλυση κινδύνου δεν είναι απαραίτητη εάν προτείνεται η τεχνητή νοημοσύνη
• Δ) Ο κίνδυνος μιας πηγής ισχύει μόνο για το ελαστικό

Εξήγηση: Εάν ένα εξάρτημα προέρχεται από έναν μόνο προμηθευτή, η παραγωγή σταματά όταν υπάρχει πρόβλημα με αυτόν τον προμηθευτή. Η τεχνητή νοημοσύνη μπορεί να προτείνει μία μόνο πηγή βελτιστοποίησης κόστους. Ο μηχανικός/σχεδιαστής πρέπει να το εξισορροπήσει με δευτερεύοντες πόρους, buffer αποθέματος και ανάλυση σεναρίων. Το κόστος δεν είναι το μόνο κριτήριο.

10. Τι σημαίνει «διαρροή δεδομένων» κατά την εκτέλεση ανάλυσης τηλεμετρίας με Python και γιατί είναι επικίνδυνη;

• Α) Τα δεδομένα διαρρέουν από το δίσκο και διαγράφονται
• Β) Το μοντέλο βλέπει στην εκπαίδευση πληροφορίες που δεν είναι γνωστές τη στιγμή της πρόβλεψης. Φουσκώνει το σκορ, καταρρέει στο γήπεδο ✔
• Γ) Ανάμειξη γραφικών χρωμάτων
• Δ) Εμφανίζεται μόνο σε δεδομένα εικόνας

Περιγραφή: Διαρροή δεδομένων. Αυτό συμβαίνει όταν το μοντέλο βλέπει στην εκπαίδευση πληροφορίες που δεν είναι πραγματικά γνωστές τη στιγμή της πρόβλεψης (για παράδειγμα, μελλοντική τιμή ή χαρακτηριστικό που σχετίζεται με τον στόχο). Αυτό αυξάνει τεχνητά το σκορ της δοκιμής αλλά καταρρέει την απόδοση πεδίου. Η διάκριση παρελθόντος/μέλλοντος πρέπει να διατηρείται σχολαστικά στις χρονοσειρές.

11. Τι καθορίζει η ταξινόμηση ASIL στο πλαίσιο της λειτουργικής ασφάλειας ISO 26262;

• Α) Μέγιστη ταχύτητα του οχήματος
• Β) Μέγεθος του συνόλου δεδομένων εκπαίδευσης του μοντέλου
• Γ) ✔ Το απαιτούμενο επίπεδο ασφάλειας ανάλογα με τη σοβαρότητα, την έκθεση και τη δυνατότητα ελέγχου του κινδύνου.
• Δ) Αξιολόγηση πιστοληπτικής ικανότητας του προμηθευτή

Περιγραφή: Το ASIL (Automotive Safety Integrity Level) καθορίζει το επίπεδο των προφυλάξεων ασφαλείας (από το A έως το D, το D είναι το υψηλότερο) που απαιτεί ένας κίνδυνος με βάση την αξιολόγηση της σοβαρότητας, της έκθεσης και της δυνατότητας ελέγχου. Το υψηλό ASIL απαιτεί πιο αυστηρή ανάπτυξη, επαλήθευση και τεκμηρίωση.

12. Σε τι διαφέρει το ISO 21448 (SOTIF) από την κλασική λειτουργική ασφάλεια (ISO 26262);

• Α) Διαχειρίζεται μόνο αστοχίες υλικού
• Β) Ρυθμίζει μόνο την αδειοδότηση λογισμικού
• Γ) SOTIF είναι η παλιά ονομασία του ISO 26262
• Δ) Αντιμετωπίζει κινδύνους που προκύπτουν από ανεπαρκή λειτουργικότητα και μη αναγνωρισμένα σενάρια, ακόμη και απουσία αποτυχίας ✔

Περιγραφή: Ενώ το ISO 26262 αντιμετωπίζει κινδύνους που προκύπτουν από δυσλειτουργίες/λάθη υλικού-λογισμικού, το SOTIF (Ασφάλεια της προβλεπόμενης λειτουργικότητας) αντιμετωπίζει κινδύνους που προκύπτουν από ανεπαρκή εντοπισμό, μη αναγνωρισμένα σενάρια και λειτουργικά όρια, ακόμη και αν το σύστημα δεν δυσλειτουργεί καθόλου. είναι ιδιαίτερα κρίσιμο στην ανίχνευση που βασίζεται σε AI.

13. Ποια είναι η καλύτερη προσέγγιση όσον αφορά το απόρρητο κατά την εργασία με δεδομένα τηλεμετρίας οδηγού και οχήματος;

• Α) Συμμόρφωση KVKK/GDPR με την ανωνυμοποίηση, την ελαχιστοποίηση δεδομένων και τον περιορισμό σκοπού ✔
• Β) Αποστολή όλων των ακατέργαστων δεδομένων σε δημόσιο μοντέλο μαζί με VIN
• Γ) Το απόρρητο ισχύει μόνο για δεδομένα μάρκετινγκ
• Δ) Τα δεδομένα τοποθεσίας δεν θεωρούνται ποτέ προσωπικά δεδομένα

Περιγραφή: Δεδομένα όπως η τοποθεσία, η οδηγική συμπεριφορά και ο αριθμός πλαισίου (VIN) μπορούν να ταυτοποιήσουν ένα άτομο. Η πιο σωστή προσέγγιση. ανωνυμοποίηση/ψευδωνυμοποίηση δεδομένων, συλλογή μόνο των απαραίτητων (ελαχιστοποίηση δεδομένων), περιορισμός σκοπού και συμμόρφωση KVKK/GDPR. Η αποστολή ακατέργαστων VIN ή τοποθεσίας σε εργαλεία τρίτων είναι επικίνδυνη.

14. Γιατί είναι απαραίτητο να παρακολουθείται η «μετακίνηση δεδομένων» σε ένα μοντέλο τεχνητής νοημοσύνης που τίθεται σε παραγωγή;

• Α) Μόλις το μοντέλο εκπαιδευτεί, δίνει την ίδια απόδοση επ' αόριστον.
• Β) Η απόδοση μειώνεται σιωπηλά καθώς η κατανομή εισόδου αλλάζει με την πάροδο του χρόνου. πρέπει να ενεργοποιηθεί η επανεκπαίδευση ✔
• Γ) Το Drift είναι απλώς φυσική δόνηση του υλικού
• Δ) Η παρακολούθηση δεν είναι απαραίτητη γιατί το μοντέλο ενημερώνεται αυτόματα

Εξήγηση: Ο πραγματικός κόσμος αλλάζει (νέος προμηθευτής ανταλλακτικών, εποχή, νέο μοντέλο οχήματος). Η απόδοση του μοντέλου μειώνεται σιωπηλά καθώς η κατανομή εισόδου απομακρύνεται από τον χρόνο εκπαίδευσης. Η επανεκπαίδευση ενεργοποιείται από την παρακολούθηση μετατόπισης και τις μετρήσεις απόδοσης. Η προσέγγιση «θέστε το και ξεχάστε το» είναι επικίνδυνη στην αυτοκινητοβιομηχανία.