רווחים:
- יכולת להעריך באופן הוליסטי את ההיבטים האתיים, פרטיות הנתונים, זכויות היוצרים וכוח העבודה של שימוש בבינה מלאכותית בטקסטיל
- יכולת לתכנן מערכת עם נקודות אישור אנושיות ייעודיות המשלבת את כל המודול בתהליך עבודה מקצה לקצה
- יכולת להקים מסגרת ממשל, אימות ושיפור מתמיד לשימוש ב-AI אחראי בארגון
מבחן מודול
1. איזה מהבאים הוא העיקרון הבסיסי הקובע את הסיכון של פלט AI בהנדסת טקסטיל?
- א) הסיכון של פלט שווה לנזק שהוא היה גורם לו פלט זה היה פגום; סולמות אימות בהתאם ✔
- ב) פלט AI הוא בדרך כלל בטוח מכיוון שהוא כתוב בצורה שוטפת ובטוחה
- ג) אימות מיותר כאשר נעשה שימוש במודל העדכני ביותר
- ד) אם הפלט מתייחס לתקן, אין צורך בשליטה נוספת
הסבר: הסיכון של פלט שווה לנזק שהוא יגרום אם פלט זה פגום. בעוד שטעות ברעיון לוח אווירה אינה מזיקה, טעות במתכון לצביעה או בחישוב חוזק הבד עלולה להוביל לפסולת אצווה ולסיכונים בבטיחות/חוזה בעבודה; כך שעוצמת האימות משתלמת עם נזק אפשרי.
2. מהנדס סקפטי לגבי ערך ה-AI של '85 cN/tex עבור חוט כותנה' עבור חוזק החוט. מהי הבדיקה המהירה ביותר לאשר את החשד הזה?
- א) שים את הערך ישירות על הדו"ח ושאל את המעבדה מאוחר יותר
- ב) בצע השוואה בסדר גודל עם טווח חוטי הכותנה הטיפוסי (בערך 12-22 cN/tex) ✔
- ג) שואלים שוב את אותה שאלה מהדגם ומסמכים על התשובה השנייה
- ד) קבל אם הערך מכיל הפניה למקור
תיאור: זוהי שליטה בסדר גודל. חוזק חוט כותנה טבעת הוא בדרך כלל בסדר גודל של 12-22 cN/tex; 85 cN/tex היא רמת הסינטטית/ארמיד בעלת הביצועים הגבוהים והיא בלתי סבירה מבחינה פיזית לכותנה. בדיקה זו נמשכת שניות ותופסת את רוב שגיאות היחידה/סוג.
3. מה מהבאים נכון לגבי 'Ne' (ספירת כותנה בריטית) בין מערכות ספירת החוטים?
- א) ככל שהחוט הופך גדול יותר, כך הוא נעשה עבה יותר.
- ב) מהי מערכת ישירה, היא פועלת באותו כיוון כמו טקס
- ג) איזו מערכת עקיפה היא; ככל שהמספר גדול יותר, החוט דק יותר ✔
- ד) מה מוגדר רק לחוטים סינתטיים
הסבר: איזו מערכת מספור עקיפה: ככל שהמספר גדול יותר, החוט דק יותר. טקס ומכחיש הן מערכות ישירות; ככל שהמספר גדול יותר, החוט עבה יותר. אי ידיעת ההבחנה הזו מובילה לשגיאות חמורות בפרשנויות המספרים בפלט הבינה המלאכותית.
4. מה המשמעות של שיעור 'שלילי שקרי' גבוה במודל עיבוד תמונה שמזהה פגמים בבד ולמה זה קריטי?
- א) הבד הפגום נחשב מושלם ונמסר ללקוח; ✔ הסוג המסוכן ביותר של שגיאה באיכות
- ב) סימון מיותר של בד מושלם כפגום; זה רק מפחית את היעילות
- ג) הדגם אינו מוצא תקלות; תמיד סימן טוב
- ד) רזולוציה נמוכה של המצלמה
הסבר: שלילית כוזבת היא כאשר פגם אמיתי מסווג כ'מושלם'. המשמעות היא שהבד הפגום עובר ללקוח וגורר עלויות החזרה/מוניטין. ביישומים קריטיים לאיכות, הסף מוגדר בדרך כלל כדי לשמור על תוצאות שליליות שגויות נמוכות, ותוצאות חיוביות שגויות מוגברות מתבטלות על ידי בדיקה אנושית.
5. מה המשמעות של הערך 'Delta E' (ΔE) בניהול צבע?
- א) עלות לק"ג צבע
- ב) הקריטריון המכמת את ההבדל התפיסתי הכולל בין שני צבעים ✔
- ג) העברת אור של הבד
- ד) ערך טמפרטורת הצביעה במעלות
תיאור: Delta E הוא הקריטריון המכמת את ההבדל התפיסתי הכולל בין שני צבעים במרחב הצבעים CIELAB. ערכי ΔE קטנים מציינים שהצבעים קרובים זה לזה; בטקסטיל, סובלנות קבלת אצווה לאצווה מוגדרת בדרך כלל חוזית במונחים של ΔE. לפיכך, הטענה ש'הצבע החזיק' מחייבת מדידה.
6. איך קוראים לזה כששתי דוגמאות נראות זהות מתחת למקור אור אחד ושונות מתחת למקור אור אחר, ולמה זה חשוב בניהול צבע?
- א) מטאמריות; אישור צבע חייב להיעשות תחת מספר מקורות אור סטנדרטיים ✔
- ב) פלואורסצנטיות; הצבע נראה אותו הדבר בכל התנאים
- ג) אטימות; ההבדל בצבע תלוי רק בעובי
- ד) כיול; נוגע רק למסך
תיאור: תופעה זו נקראת מטאמריות. שני צבעים עם החזר ספקטרלי שונה עשויים להתאים תחת תאורה מסוימת ולהתפצל בתאורה אחרת. לכן, אישור צבע לא צריך להיעשות על מקור אור בודד, אלא תחת מספר מקורות (למשל D65, TL84, A) בתא אור סטנדרטי.
7. מהי הבדיקה המשפטית הקריטית ביותר שיש לבצע לפני שימוש מסחרי בדפוס טקסטיל המיוצר עם בינה מלאכותית?
- א) הפחתת מספר הצבעים של הדוגמה
- ב) הקטנת גודל הקובץ של התבנית
- ג) בדיקת דמיון/הפרה וזכויות יוצרים עם עיצובים מוגנים קיימים ✔
- ד) שמור את התבנית ברזולוציה גבוהה בלבד
הסבר: יש לבדוק האם לתבנית המופקת יש דמיון/הפרה כלשהי לעיצובים מוגנים, סימנים מסחריים או יצירות המוגנות בזכויות יוצרים, ולהעריך את אי הוודאות לגבי נתוני ההדרכה וזכויות הפלט של המודל. מסחור ללא בדיקת מקוריות והפרה יוצרת סיכון להתדיינות משפטית בזכויות יוצרים.
8. מהי הגישה החזקה ביותר לאימות פלט AI בחיזוי ביקוש לפי מק"ט?
- א) המרת חיזוי הנקודה הבודדת שנתן המודל לכמות ההזמנה כפי שהיא
- ב) בדיקה לאחור עם מכירות קודמות והערכת מרווח הטעות באמצעות מסנן שיפוט עסקי ✔
- ג) בחירת האומדן הגבוה ביותר ושמירת מלאי עודף
- ד) הכפל את התחזית אם המגמה היא הפופולרית ביותר
הסבר: יש לבדוק את התחזית מול מימוש מכירות בעבר ולסנן באמצעות שיקול דעת עסקי עם הקשר כגון מלאי, קמפיינים, עונתיות וכו'. במקום לסמוך באופן עיוור על חיזוי נקודתי בודד של המודל, מרווח הטעות והתרחישים מוערכים.
9. מהי הסיבה העיקרית להזמנת אצווה צבע מ'צבע בהיר לצבע כהה' בתזמון הייצור?
- א) צבעים כהים זולים יותר
- ב) הפחתת הסיכון לזיהום צבע וזמני ניקוי מכונה ✔
- ג) צבעים בהירים מחזיקים מעמד זמן רב יותר
- ד) זוהי העדפה אסתטית בלבד
הסבר: אם צבע בהיר נצבע לאחר צבע כהה באותה מכונה, הסיכון לניקוי/זיהום וזמן כביסה נוסף עולה. מיון מבהיר לכהה מגביר את היעילות על ידי הפחתת הסיכון למריחת צבע וזמני ניקוי מכונה. המלצות AI צריכות לכלול אילוץ תהליך זה.
10. כאשר מדווחים על טביעת הרגל הסביבתית של בד, מה היחס הנכון כלפי טענה כמו 'פוליאסטר ממוחזר מפחית את השימוש במים ב-90%' המיוצר על ידי AI?
- א) הצבת התביעה כפי שהיא בעותק השיווקי
- ב) אי שימוש בתביעה ללא אימות עם גבול מערכת, מקור נתונים ואישור ✔
- ג) בהנחה שהטענה חזקה אם המספר גבוה
- ד) עיגל את המספר ופרסם אותו
הסבר: טענה כזו חסרת משמעות מבלי לציין את גבול המערכת (עריסה לשער או שער-לשער), מקור הנתונים וההיקף; זה חייב להיות מבוסס על נתוני LCA הניתנים לאימות והסמכה. אחרת עלולים להיווצר ניקוי ירוק וסיכון משפטי. בעוד שמספרי AI נראים הגיוניים, הם מקורם באופן עצמאי.
11. מה צריך להיות הצעד הראשון לאימות הקוד שנכתב על ידי ה-AI בעת ניתוח נתוני ייצור באמצעות פנדות עם Python?
- א) אם הקוד עבד ללא שגיאות, קבל את התוצאה כנכונה
- ב) חישוב ידני של הפלט ואמת את היחידה והלוגיקה על מדגם נתונים קטן ✔
- ג) הוספת הקוד ישירות לדוח הייצור
- ד) אם הגרף יוצא טוב, שקול את הניתוח שהושלם.
הערה: גם אם הקוד עובד, לא מובטח שהלוגיקה נכונה; יש לבצע בדיקה חשבונאית ידנית על התאמת יחידה, עמודות ומספר שורות. לדוגמה, בעת ממוצע דקדוק, קיבוץ שגוי או בלבול יחידה עלולים להפיק תוצאות שגויות בשקט. במדגם קטן, אימות ידני הוא הביטחון המהיר ביותר.
12. מהי השיטה הטובה ביותר מבחינת פרטיות הנתונים בעת שליחת נתוני ייצור טקסטיל לכלי AI?
- א) שלח את כל פרטי הלקוח והמרשמים בפועל כפי שהם
- ב) אנונימי מידע רגיש ולשלוח אותו עם תוויות מייצגות ובהתאם למדיניות הארגונית ✔
- ג) בהנחה שפרטיות אינה חשובה כי יש כל כך הרבה נתונים.
- ד) פשוט שנה את שם הקובץ ושלח את התוכן כפי שהוא
הסבר: נתונים רגישים כגון שם לקוח, סוד מתכון, מחיר ופרטי ספק צריכים להיות אנונימיים או לתת עם תוויות מייצגות (לקוח-A, מתכון-1). אין להעביר סודות מסחריים ונתונים אישיים למודל של צד שלישי תוך הפרה של מדיניות והסכמים של החברה.
13. מודל עיבוד תמונה מדווח על דיוק של 98% בפס ייצור אך מפספס ליקויים רבים בשטח. מה הסיבה הסבירה ביותר לכך?
- א) הדיוק מטעה עקב נתונים לא מאוזנים; הרגישות (ריקול) של מחלקת הפגמים נמוכה ✔
- ב) הדגם פועל לאט מאוד
- ג) כי המצלמה היא צבעונית
- ד) 98% כבר מושלם, הבעיה היא במפעיל
הסבר: כאשר דגימות עם פגמים מעטות מאוד במערך הנתונים (נתונים לא מאוזנים), המודל יכול להשיג דיוק גבוה על ידי קריאת הכל 'מושלם' אך אינו יכול לתפוס את הפגמים בפועל. לכן הדיוק לבדו מטעה; יש לעקוב אחר רגישות (ריקול) ודיוק עבור מחלקת הפגמים.
14. על פי עקרון המפתח המודגש לאורך המודול, מה תפקידה של AI בהחלטות טקסטיל קריטיות לבטיחות ולחוזה?
- א) בינה מלאכותית יכולה לקבל החלטות קריטיות בעצמה כי היא מהירה
- ב) AI הוא עוזר; החלטות קריטיות מאומתות על ידי אישור מהנדס מוסמך ובדיקות פיזיות ✔
- ג) פלט AI מחליף את הדוח החתום
- ד) אישור אנושי מיותר כאשר נעשה שימוש במודל העדכני ביותר
תיאור: AI הוא עוזר ומאיץ; מייצר השערות, מכין טיוטות, תופס דפוסים. עם זאת, החלטות קריטיות כגון אישור מתכוני צביעה, קבלת איכות, הערכת חוזק/בטיחות דורשות אישור מהנדס מוסמך ובדיקות פיזיות. פלט AI אינו תחליף לאישור מומחה.