سود:
- توانایی ارزیابی کلی جنبه های اخلاقی، حریم خصوصی داده ها، کپی رایت و نیروی کار استفاده از هوش مصنوعی در پارچه
- توانایی طراحی یک سیستم با نقاط تایید انسانی تعیین شده که کل ماژول را در یک گردش کار انتها به انتها ترکیب می کند
- توانایی ایجاد یک چارچوب حاکمیتی، اعتبار سنجی و بهبود مستمر برای استفاده مسئولانه از هوش مصنوعی در یک سازمان
امتحان ماژول
1. کدام یک از موارد زیر اصل اساسی است که ریسک خروجی هوش مصنوعی در مهندسی نساجی را تعیین می کند؟
- الف) خطر یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. بر این اساس مقیاس های اعتبارسنجی ✔
- ب) خروجی هوش مصنوعی به طور کلی امن است زیرا روان و با اطمینان نوشته شده است
- ج) زمانی که از جدیدترین مدل استفاده می شود، اعتبارسنجی غیر ضروری است
- د) اگر خروجی به یک استاندارد اشاره دارد، نیازی به کنترل اضافی نیست
توضیح: ریسک یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. در حالی که یک اشتباه در ایده مودبرد بی ضرر است، اشتباه در دستورالعمل رنگرزی یا محاسبه قدرت پارچه می تواند منجر به ضایعات دسته ای و خطرات ایمنی/قرارداد شغلی شود. بنابراین شدت تأیید مقیاس با آسیب احتمالی است.
2. یک مهندس نسبت به ارزش هوش مصنوعی '85 cN/tex برای نخ پنبه' برای استحکام نخ تردید دارد. سریعترین بررسی برای تأیید این سوء ظن چیست؟
- الف) مقدار را مستقیماً روی گزارش قرار دهید و بعداً از آزمایشگاه بپرسید
- ب) یک مرتبه مقایسه بزرگی با محدوده نخ پنبه معمولی (تقریباً 12-22 cN/tex) انجام دهید ✔
- ج) پرسیدن مجدد همان سوال از مدل و اعتماد به پاسخ دوم
- د) اگر مقدار حاوی ارجاع به منبع باشد، بپذیرید
توضیحات: این یک مرتبه کنترل است. استحکام در نخ پنبه حلقه ای معمولاً در حدود 12-22 cN/tex است. 85 cN/tex سطح ترکیبی/آرامیدی با عملکرد بالا است و از نظر فیزیکی برای پنبه غیر منطقی است. این بررسی چند ثانیه طول می کشد و اکثر خطاهای واحد/نوع را می گیرد.
3. کدام یک از موارد زیر برای 'Ne' (تعداد پنبه بریتانیایی) در میان سیستم های شمارش نخ صادق است؟
- الف) هر چه نخ بزرگتر شود ضخیم تر می شود.
- ب) آنچه که یک سیستم مستقیم است، در همان جهت با tex کار می کند
- ج) چه سیستم غیر مستقیمی است; هر چه عدد بزرگتر باشد نخ نازکتر ✔
- د) آنچه که فقط برای نخ های مصنوعی تعریف شده است
توضیح: چه سیستم شماره گذاری غیر مستقیم: هر چه عدد بزرگتر باشد نخ نازکتر است. Tex و Denier سیستم های مستقیم هستند. هر چه عدد بزرگتر باشد، نخ ضخیم تر است. ندانستن این تمایز منجر به خطاهای جدی در تفسیر اعداد در خروجی هوش مصنوعی می شود.
4. داشتن نرخ منفی کاذب بالا در یک مدل پردازش تصویر که عیوب پارچه را تشخیص میدهد به چه معناست و چرا حیاتی است؟
- الف) پارچه معیوب کامل تلقی شده و به مشتری تحویل داده می شود. ✔ خطرناک ترین نوع خطا در کیفیت
- ب) علامت گذاری غیر ضروری پارچه کامل به عنوان معیوب. فقط کارایی را کاهش می دهد
- ج) مدل هیچ نقصی پیدا نمی کند. همیشه نشانه خوبی است
- د) وضوح پایین دوربین
توضیح: منفی کاذب زمانی است که یک نقص واقعی به عنوان "کامل" طبقه بندی شود. این بدان معنی است که پارچه معیوب به مشتری می رود و هزینه های بازگشت / شهرت را متحمل می شود. در کاربردهای حیاتی کیفیت، آستانه معمولاً برای پایین نگه داشتن منفی های کاذب تنظیم می شود و افزایش مثبت کاذب با بازرسی انسانی حذف می شود.
5. مقدار دلتا E (ΔE) در مدیریت رنگ به چه معناست؟
- الف) هزینه هر کیلوگرم رنگ
- ب) معیاری که کل تفاوت ادراکی بین دو رنگ را کمیت می کند ✔
- ج) عبور نور پارچه
- د) مقدار دمای رنگرزی بر حسب درجه
توضیحات: دلتا E معیاری است که کل تفاوت ادراکی بین دو رنگ را در فضای رنگی CIELAB تعیین می کند. مقادیر کوچک ΔE نشان می دهد که رنگ ها به هم نزدیک هستند. در منسوجات، تحمل پذیرش دسته به دسته معمولاً به صورت قراردادی بر حسب ΔE تعریف می شود. بنابراین، این ادعا که "رنگ نگه داشته شده" نیاز به اندازه گیری دارد.
6. وقتی دو نمونه در زیر یک منبع نور یکسان و در زیر منبع نور دیگر متفاوت به نظر می رسند، چه نامیده می شود و چرا در مدیریت رنگ اهمیت دارد؟
- الف) متامریسم؛ تایید رنگ باید تحت چندین منبع نور استاندارد انجام شود ✔
- ب) فلورسانس; رنگ در همه شرایط یکسان به نظر می رسد
- ج) شفافیت؛ تفاوت رنگ فقط به ضخامت بستگی دارد
- د) کالیبراسیون؛ فقط مربوط به صفحه نمایش است
توضیحات: این پدیده متامریسم نامیده می شود. دو رنگ با بازتاب طیفی متفاوت ممکن است تحت نور خاصی مطابقت داشته باشند و در نورهای دیگر از هم جدا شوند. بنابراین، تأیید رنگ نباید بر روی یک منبع نور واحد، بلکه تحت چندین منبع (مانند D65، TL84، A) در یک غرفه نور استاندارد انجام شود.
7. مهم ترین بررسی قانونی که باید قبل از استفاده تجاری از یک الگوی نساجی تولید شده با هوش مصنوعی مولد انجام شود چیست؟
- الف) کاهش تعداد رنگ های الگو
- ب) کاهش حجم فایل الگو
- ج) بررسی شباهت/نقض و کپی رایت با طرح های حفاظت شده موجود ✔
- د) الگو را فقط با وضوح بالا ذخیره کنید
توضیح: بررسی اینکه آیا الگوی تولید شده دارای شباهت/نقض با طرحهای حفاظت شده، علائم تجاری یا آثار دارای حق چاپ موجود است یا خیر و عدم قطعیتهای مربوط به دادههای آموزشی و حقوق خروجی مدل، ضروری است. تجاری سازی بدون بررسی اصالت و نقض، خطر دعوای حق چاپ را ایجاد می کند.
8. قوی ترین رویکرد برای اعتبارسنجی خروجی هوش مصنوعی در پیش بینی تقاضا توسط SKU چیست؟
- الف) تبدیل پیش بینی تک نقطه ای ارائه شده توسط مدل به مقدار سفارش همانطور که هست
- ب) بک تست با فروش گذشته و ارزیابی حاشیه خطا از طریق فیلتر قضاوت تجاری ✔
- ج) انتخاب بالاترین برآورد و حفظ موجودی مازاد
- د) اگر روند محبوب ترین باشد، پیش بینی را دو برابر کنید
توضیح: پیش بینی باید در مقابل فروش قبلی مورد آزمایش قرار گیرد و از طریق قضاوت تجاری با زمینه هایی مانند موجودی، کمپین ها، فصلی بودن و غیره فیلتر شود. به جای اعتماد کورکورانه به یک پیش بینی نقطه ای مدل، حاشیه خطا و سناریوها ارزیابی می شوند.
9. دلیل اصلی سفارش دسته ای رنگ از "رنگ روشن تا رنگ تیره" در برنامه ریزی تولید چیست؟
- الف) رنگ های تیره ارزان تر هستند
- ب) کاهش خطر آلودگی رنگ و زمان تمیز کردن دستگاه ✔
- ج) رنگ های روشن ماندگاری بیشتری دارند
- د) این فقط یک ترجیح زیبایی شناختی است
توضیح: اگر یک رنگ روشن بعد از یک رنگ تیره در همان ماشین رنگ آمیزی شود، خطر تمیز کردن/آلودگی و زمان شستشوی اضافی افزایش می یابد. مرتب سازی از روشن به تیره با کاهش خطر لکه دار شدن رنگ و زمان تمیز کردن ماشین، کارایی را افزایش می دهد. توصیه های هوش مصنوعی باید شامل این محدودیت فرآیند باشد.
10. هنگام گزارش ردپای محیطی پارچه، نگرش صحیح نسبت به ادعایی مانند «پلی استر بازیافتی مصرف آب را تا 90 درصد کاهش میدهد» که توسط هوش مصنوعی تولید میشود چیست؟
- الف) قرار دادن ادعا به همان صورتی که در نسخه بازاریابی است
- ب) عدم استفاده از ادعا بدون تأیید با مرز سیستم، منبع داده و گواهی ✔
- ج) با فرض قوی بودن ادعا در صورت زیاد بودن عدد
- د) عدد را گرد کرده و منتشر کنید
توضیح: چنین ادعایی بدون تعیین مرز سیستم (گهواره به دروازه یا دروازه به دروازه)، منبع داده و محدوده بی معنی است. این باید بر اساس داده های LCA قابل تأیید و گواهی باشد. در غیر این صورت، گرین واشینگ و خطر قانونی ممکن است ایجاد شود. در حالی که اعداد هوش مصنوعی معقول به نظر می رسند، آنها مستقلا منبع هستند.
11. هنگام تجزیه و تحلیل داده های تولید با استفاده از پانداها با پایتون، اولین قدم برای تأیید کد نوشته شده توسط هوش مصنوعی چیست؟
- الف) اگر کد بدون خطا کار کرد، نتیجه را صحیح بپذیرید
- ب) خروجی را به صورت دستی محاسبه کنید و واحد و منطق را روی یک نمونه داده کوچک بررسی کنید ✔
- ج) افزودن کد مستقیماً به گزارش تولید
- د) اگر نمودار خوب بود، آنالیز را تکمیل شده در نظر بگیرید.
نکته: حتی اگر کد کار کند، تضمین نمی شود که منطق درست باشد. بررسی حسابداری دستی باید روی واحد، تطبیق ستون و چندین ردیف انجام شود. به عنوان مثال، هنگام میانگین گیری گرامر، گروه بندی نادرست یا سردرگمی واحد ممکن است بی سر و صدا نتایج نادرستی ایجاد کند. در یک نمونه کوچک، تأیید دستی سریعترین اطمینان است.
12. بهترین روش از نظر حفظ حریم خصوصی داده ها هنگام ارسال داده های تولید پارچه به ابزار هوش مصنوعی چیست؟
- الف) تمام اطلاعات واقعی مشتری و نسخه را همانطور که هست ارسال کنید
- ب) اطلاعات حساس را ناشناس کنید و با برچسب های نمایندگی و مطابق با خط مشی شرکت ارسال کنید ✔
- ج) با فرض اینکه حریم خصوصی مهم نیست زیرا داده های زیادی وجود دارد.
- د) فقط نام فایل را تغییر دهید و محتوا را همانطور که هست ارسال کنید
توضیح: داده های حساس مانند نام مشتری، راز دستور غذا، قیمت و اطلاعات تامین کننده باید ناشناس باشند یا با برچسب های نماینده (مشتری-الف، دستور غذا-1) ارائه شوند. اسرار تجاری و داده های شخصی نباید به مدل شخص ثالث بر خلاف سیاست ها و توافق نامه های شرکت منتقل شود.
13. یک مدل پردازش تصویر 98 درصد دقت را در خط تولید گزارش می دهد اما بسیاری از عیوب را در این زمینه از دست می دهد. محتمل ترین علت این امر چیست؟
- الف) دقت به دلیل نامتعادل بودن داده ها گمراه کننده است. حساسیت ( فراخوان ) کلاس نقص کم است ✔
- ب) مدل بسیار کند کار می کند
- ج) چون دوربین رنگی است
- د) 98٪ در حال حاضر کامل است، مشکل از اپراتور است
توضیح: وقتی نمونههای دارای نقص در مجموعه دادهها بسیار کم هستند (دادههای نامتعادل)، مدل میتواند با نامیدن همه چیز "عالی" به دقت بالایی دست یابد، اما نمیتواند عیوب واقعی را ثبت کند. بنابراین دقت به تنهایی گمراه کننده است. حساسیت (یادآوری) و دقت برای کلاس نقص باید نظارت شود.
14. با توجه به اصل کلیدی که در سراسر ماژول تاکید شده است، نقش هوش مصنوعی در تصمیمگیریهای نساجی حیاتی و ایمنی و قرارداد چیست؟
- الف) هوش مصنوعی می تواند به تنهایی تصمیمات حیاتی بگیرد زیرا سریع است
- ب) هوش مصنوعی یک دستیار است. تصمیمات حیاتی با تأیید مهندس صالح و آزمایش فیزیکی تأیید می شوند
- ج) خروجی هوش مصنوعی جایگزین گزارش امضا شده می شود
- د) هنگامی که از جدیدترین مدل استفاده می شود، تأیید انسانی غیر ضروری است
توضیحات: هوش مصنوعی یک دستیار و شتاب دهنده است. فرضیه ها را ایجاد می کند، پیش نویس ها را آماده می کند، الگوها را می گیرد. با این حال، تصمیمات حیاتی مانند تأیید دستورالعمل نقاشی، پذیرش کیفیت، ارزیابی قدرت/ایمنی نیاز به تأیید مهندس صالح و آزمایش فیزیکی دارد. خروجی هوش مصنوعی جایگزینی برای تایید کارشناسان نیست.