शुरू से अंत तक एकीकरण, एमएलओपीएस और इंजीनियर जिम्मेदारी

लाभ:

• अवधारणा से उत्पादन तक एआई-समर्थित ऑटोमोटिव परियोजना को डिजाइन करने और निगरानी चक्र के साथ इसे बनाए रखने की क्षमता
• मॉडल संस्करण प्रबंधन, डेटा बहाव और पुनर्प्रशिक्षण आवश्यकताओं का मूल्यांकन करने की क्षमता
• पूरे प्रोजेक्ट में जवाबदेही, पता लगाने की क्षमता और दस्तावेज़ीकरण को बनाए रखते हुए एआई को सुरक्षित रूप से स्केल करने की क्षमता

इस मॉड्यूल की अंतिम इकाई में, हम सभी टुकड़ों को एक साथ लाते हैं। हमने देखा है कि डिज़ाइन से लेकर उत्पादन तक, परीक्षण से लेकर आपूर्ति श्रृंखला तक, व्यक्तिगत इकाइयों में कृत्रिम बुद्धिमत्ता का उपयोग कैसे किया जाता है। लेकिन एक वास्तविक परियोजना में, ये अलग-अलग चरण नहीं हैं, बल्कि एक जीवन चक्र है: डेटा एकत्र किया जाता है, मॉडल बनाया जाता है, इसे उत्पादन में लगाया जाता है, इसकी निगरानी की जाती है, और जब यह पुराना हो जाता है, तो इसे नवीनीकृत किया जाता है। इस चक्र को बनाए रखने के अनुशासन को MLOps (मशीन लर्निंग ऑपरेशंस) कहा जाता है। यह इकाई एआई-संचालित ऑटोमोटिव परियोजना के लिए शुरू से अंत तक जवाबदेही स्थापित करने, बनाए रखने और बनाए रखने को कवर करती है।

एआई परियोजना का जीवनचक्र

ऑटोमोटिव संदर्भ में एक विशिष्ट एंड-टू-एंड प्रवाह:

1. समस्या और मूल्य परिभाषा: हम किस व्यावसायिक समस्या का समाधान कर रहे हैं? सफलता कैसे मापी जाती है? क्या यह एक सुरक्षा-महत्वपूर्ण कार्य है?
2. डेटा संग्रह और लेबलिंग: स्रोत (CAN, परीक्षण, उत्पादन, टेलीमैटिक्स), गुणवत्ता, गोपनीयता।
3. मॉडल विकास: गुण, मॉडल, सत्यापन (रिसाव नियंत्रण, इकाई स्थिरता)।
4. सत्यापन और सुरक्षा मूल्यांकन: आईएसओ 26262/एसओटीआईएफ की आवश्यकता होने पर स्वतंत्र परीक्षण।
5. परिनियोजन: मॉडल को उपकरण, ऑन लाइन या क्लाउड में परिनियोजित करना।
6. निगरानी: प्रदर्शन, डेटा बहाव, अलार्म सटीकता।
7. पुनःप्रशिक्षण: मॉडल पुराना हो जाने पर उसे अद्यतन करना।
8. दस्तावेज़ीकरण और पता लगाने की क्षमता: हर चरण का रिकॉर्ड; कौन, कब, क्यों।

यह चक्र एक बार और हमेशा के लिए समाप्त नहीं होता है; लगातार घूमता रहता है. ऑटोमोटिव में, किसी मॉडल को "सेट करना और भूल जाना" खतरनाक है।

युक्ति: प्रोजेक्ट शुरू करते समय, "क्षेत्र में आने के बाद इस मॉडल की निगरानी कौन करेगा, किस मीट्रिक के साथ और कितनी बार?" यदि आप प्रश्न का उत्तर नहीं दे सकते हैं, तो मॉडल अभी उत्पादन के लिए तैयार नहीं है।

मॉडल संस्करण प्रबंधन और ट्रैसेबिलिटी

ऑटोमोटिव में ट्रैसेबिलिटी कोई विलासिता नहीं है, बल्कि अक्सर एक कानूनी दायित्व है। जब कोई समस्या उत्पन्न होती है, तो आपको इस प्रश्न का उत्तर देने में सक्षम होना चाहिए कि "कौन सा मॉडल संस्करण, इसे किस डेटा के साथ प्रशिक्षित किया गया था, इसे किसने अनुमोदित किया था?" अच्छी प्रथाएँ:

• मॉडल संस्करण: प्रत्येक मॉडल का नंबर, प्रशिक्षण डेटा और तारीख दर्ज की जाती है।
• डेटा वर्जनिंग: जिस डेटा पर इसे प्रशिक्षित किया गया था, उसे फ़्रीज़ कर दिया गया है।
• निर्णय लॉग: अनुमोदन किसके द्वारा और किन साक्ष्यों के साथ दिया गया।
• रोलबैक योजना: यदि नया मॉडल खराब हो जाता है, तो आप पुराने मॉडल पर वापस जा सकते हैं।

आइटम

यह क्यों जरूरी है

गायब होने पर जोखिम

मॉडल संस्करण

कौन सा संस्करण फ़ील्ड में है?

समस्या का पता नहीं लगाया जा सकता

डेटा संस्करण

उन्हें किससे प्रशिक्षित किया गया था?

प्रतिलिपि प्रस्तुत करने योग्य नहीं

अनुमोदन अभिलेख

कौन जिम्मेदार है?

जवाबदेह नहीं ठहराया जा सकता

पूर्ववत करें

ख़राब संस्करण से वापसी

क्षेत्र में लंबे समय तक निष्क्रिय रहना

डेटा बहाव और मॉडल क्षय

एक मॉडल उस दुनिया का एक स्नैपशॉट है जिसमें उसे प्रशिक्षित किया जाता है। लेकिन दुनिया बदल जाती है: एक नया पार्ट्स आपूर्तिकर्ता एक अलग सेंसर सहनशीलता लाता है, एक नया वाहन मॉडल सामने आता है, मौसम बदलता है, ड्राइविंग की आदतें बदल जाती हैं। जैसे-जैसे इनपुट डेटा का वितरण प्रशिक्षण समय से दूर होता जाता है, मॉडल का प्रदर्शन चुपचाप कम हो जाता है। इस डेटा बहाव और परिणामी प्रदर्शन में कमी को मॉडल क्षय कहा जाता है।

खतरा यह है कि यह गिरावट खामोश है: मॉडल ढहता नहीं है, गलतियाँ नहीं करता है, यह बस और अधिक गलत होता जाता है। इसलिए:

• इनपुट वितरण (बहाव का पता लगाना) की निगरानी करें।
• वास्तविक परिणामों के साथ प्रदर्शन मेट्रिक्स की निगरानी करें (क्या अलार्म सटीक थे?)।
• सीमा पार होने पर पुन: प्रशिक्षण को ट्रिगर करें।

सावधानी: यह धारणा कि "एक बार मॉडल को प्रशिक्षित किया जाता है, यह हमेशा एक ही प्रदर्शन देता है" ऑटोमोटिव में गलत और जोखिम भरा है। बहाव की निगरानी के बिना उत्पादन में लगाया गया मॉडल अनजाने में अविश्वसनीय हो सकता है।

एंड-टू-एंड उदाहरण परिदृश्य: पूर्वानुमानित रखरखाव बेड़ा

आइये इसे ठोस बनायें. आप कार्गो बेड़े के लिए टर्बो विफलता प्रारंभिक चेतावनी प्रणाली स्थापित कर रहे हैं:

1. मूल्य: डाउनटाइम और टोइंग लागत कम करें; सफलता = वास्तविक गलती/झूठा अलार्म संतुलन कैप्चर किया गया।
2. डेटा: 40 वाहनों के कैन सिग्नल, ऐतिहासिक दोष रिकॉर्ड; VIN अज्ञात है.
3. मॉडल: विसंगति + आरयूएल; समय श्रृंखला रिसाव रोका गया; अनिश्चितता सीमा प्रस्तुत की गई है।
4. सत्यापन: पिछले दोषों पर बैकटेस्टिंग; झूठे अलार्म की लागत का आकलन किया गया।
5. उत्पादन: क्लाउड में दैनिक स्कोर; तकनीशियन को पैनल।
6. निगरानी: नया वाहन मॉडल जोड़े जाने पर बहाव नियंत्रण; अलार्म सटीकता साप्ताहिक।
7. पुनर्प्रशिक्षण: नए वाहन प्रकार और नए दोष उदाहरणों के साथ त्रैमासिक अद्यतन।
8. दस्तावेज़ीकरण: मॉडल संस्करण, डेटा संस्करण, प्रमाणित इंजीनियर पंजीकृत।

इस प्रवाह में कोई भी कदम यह नहीं कहता कि "एआई ने फैसला कर लिया, हो गया"; प्रत्येक चरण के लिए एक व्यक्ति जिम्मेदार होता है।

लघु केस अध्ययन

केस 1 - मौन क्षय। एक गुणवत्ता नियंत्रण मॉडल एक वर्ष तक अच्छा काम करता है, फिर रिसाव दर धीरे-धीरे बढ़ती है। मूल कारण: जब आपूर्तिकर्ता बदल गया, तो हिस्से की सतह की बनावट थोड़ी अलग (बहाव) हो गई, और मॉडल को यह "सामान्य" लगने लगा। बहाव निगरानी स्थापित की गई है और मॉडल को पुनः प्रशिक्षित किया गया है। परिणाम: निगरानी के बिना, भेद्यता पर महीनों तक ध्यान नहीं दिया जाता।

केस 2 - पता लगाने की क्षमता सहेजी गई। क्षेत्र से गलत अलार्म की शिकायत आ रही है। निर्णय लॉग से, टीम को पता चलता है कि कौन सा मॉडल संस्करण किस डेटा के साथ काम करता है; यह पता लगाता है कि समस्या किसी विशेष संस्करण में थ्रेशोल्ड सेटिंग से आती है और उस संस्करण को वापस लाती है। परिणाम: यदि कोई संस्करण और निर्णय रिकॉर्ड नहीं था, तो समस्या का पता नहीं लगाया जा सका।

केस 3 - अनुशासन को पुनः प्रशिक्षित करना। जब कोई नया इलेक्ट्रिक मॉडल बेड़े में शामिल होता है, तो मौजूदा पूर्वानुमानित रखरखाव मॉडल इस वाहन पर बहुत सारे झूठे अलार्म बजाता है (ऐसा पावरट्रेन जो उसने कभी नहीं देखा है)। नए मॉडल को चालू करने से पहले, टीम बहाव की चेतावनी को पकड़ती है और नए वाहन डेटा के साथ मॉडल का विस्तार करती है। परिणाम: ड्रिफ्ट मॉनिटरिंग ने नए उत्पाद के साथ आने वाली गिरावट को जल्दी ही पकड़ लिया।

शीघ्र टेम्पलेट्स

टेम्प्लेट 1 - परियोजना योजना का मसौदा:

भूमिका: एआई प्रोजेक्ट लीडर (ऑटोमोटिव)। कार्य: एआई-संचालित प्रोजेक्ट की शुरू से अंत तक योजना बनाने में मेरी मदद करें। संदर्भ: पूर्वानुमानित रखरखाव; 40 वाहनों का बेड़ा; वीआईएन गुमनाम है। बाधा: मूल्य परिभाषा, डेटा, मॉडल, सत्यापन, उत्पादन, निगरानी, ​​पुनः प्रशिक्षण और दस्तावेज़ीकरण के चरणों पर अलग से विचार करें; इंगित करें कि प्रत्येक चरण के लिए कौन जिम्मेदार है। आउटपुट: चरण | आउटपुट | जिम्मेदार | जोखिम तालिका.

टेम्प्लेट 2 - निगरानी योजना:

भूमिका: आप एक एमएलओपीएस इंजीनियर हैं। कार्य: फ़ील्ड किए जा रहे मॉडल के लिए एक निगरानी योजना की अनुशंसा करना। संदर्भ: इनपुट वितरण समय के साथ बदल सकता है (नया आपूर्तिकर्ता, नया उपकरण); प्रदर्शन को वास्तविक परिणामों से मापा जा सकता है। आउटपुट: ट्रैक करने के लिए मीट्रिक | दहलीज | कार्रवाई शुरू की जानी है.

टेम्प्लेट 3 - बहाव रेटिंग:

भूमिका: डेटा वैज्ञानिक. कार्य: बताएं कि डेटा बहाव का पता कैसे लगाया जाए और कब पुनः प्रशिक्षण की आवश्यकता है। संदर्भ: उत्पादन लाइन दृश्य निरीक्षण मॉडल; सप्लायर में बदलाव हो सकता है. आउटपुट: सिग्नल | माप | पुनःप्रशिक्षण ट्रिगर।

टेम्प्लेट 4 - ट्रैसेबिलिटी चेकलिस्ट:

भूमिका: आप एक गुणवत्ता/अनुपालन लेखा परीक्षक हैं। कार्य: किसी मॉडल के लिए ट्रैसेबिलिटी चेकलिस्ट बनाएं। प्रसंग: ऑटोमोटिव; जब कोई समस्या आती है, तो 'कौन सा संस्करण, कौन सा डेटा, इसे किसने मंजूरी दी' प्रश्न का उत्तर दिया जाना चाहिए। आउटपुट: आइटम | यह क्यों आवश्यक है | चार्ट कैसे सेव करें.

कमजोर संकेत/मजबूत संकेत

कमजोर संकेत:

मॉडल को उत्पादन में लगाएं.

कोई ट्रैकिंग नहीं, कोई वर्जनिंग नहीं, कोई जवाबदेही नहीं और कोई रोलबैक नहीं; मौन क्षय और अप्राप्य समस्याएं अपरिहार्य हैं।

शक्तिशाली संकेत:

भूमिका: आप एक एमएलओपीएस और ऑटोमोटिव गुणवत्ता सलाहकार हैं। कार्य: एक मॉडल को जिम्मेदारीपूर्वक उत्पादन में लगाने के लिए आवश्यक चेकलिस्ट बनाएं। संदर्भ: पूर्वानुमानित रखरखाव बेड़ा; समय के साथ नए वाहन प्रकार जोड़े जाते हैं; वीआईएन अनाम। बाधा: निगरानी, ​​​​बहाव का पता लगाना, संस्करण/डेटा लॉगिंग, पुष्टिकरण और रोलबैक योजना शामिल करें; बताएं कि प्रत्येक वस्तु के लिए कौन जिम्मेदार है; 'इसे सेट करें और इसे भूल जाएं' प्रस्ताव। आउटपुट: स्टेज | आवश्यकता | जिम्मेदार | जोखिम तालिका.

सामान्य गलतियाँ

• "इसे सेट करें और इसे भूल जाएं" दृष्टिकोण। निगरानी के बिना, मॉडल चुपचाप ख़राब हो जाता है।
• संस्करण/डेटा रिकॉर्ड नहीं रखना। समस्या का पता नहीं लगाया जा सकता या पुन: उत्पन्न नहीं किया जा सकता.
• कोई रोलबैक योजना नहीं. यदि ख़राब रिलीज़ से उबरने में लंबा समय लगता है, तो क्षेत्र में लंबी विफलता होगी।
• ड्रिफ्ट का इंतज़ार नहीं. नया आपूर्तिकर्ता/उपकरण/मौसम मॉडल को बाधित करता है; निगरानी जरूरी है.
• जिम्मेदारी छोड़ना अस्पष्ट. "जिम्मेदार कौन है" का उत्तर हर कदम पर स्पष्ट होना चाहिए।

संक्षेप में

• एआई-संचालित ऑटोमोटिव परियोजना एकबारगी नहीं बल्कि एक सतत जीवनचक्र (एमएलओपीएस) है।
• ट्रेसेबिलिटी के लिए मॉडल और डेटा वर्जनिंग, निर्णय लॉगिंग और रोलबैक प्लानिंग आवश्यक हैं।
• डेटा ड्रिफ्ट चुपचाप मॉडल का खंडन करता है; इनपुट और प्रदर्शन की निगरानी की जानी चाहिए और आवश्यकतानुसार पुनः प्रशिक्षित किया जाना चाहिए।
• अंत-से-अंत उदाहरण में, प्रत्येक चरण में एक मानव जिम्मेदार होता है; ऐसा कोई नहीं है कि "एआई ने फैसला कर लिया है, यह खत्म हो गया है"।
• ऑटोमोटिव में "इसे सेट करें और भूल जाएं" जोखिम भरा है; पूरे प्रोजेक्ट में निगरानी, ​​दस्तावेज़ीकरण और जवाबदेही बनाए रखी जाती है।

आवेदन कार्य

इस मॉड्यूल में आपने जो सीखा है उसे एक ही प्रोजेक्ट में संयोजित करें (उदाहरण के लिए उत्पादन लाइन दृश्य निरीक्षण या पूर्वानुमानित रखरखाव)। (1) टेम्प्लेट 1 के साथ शुरू से अंत तक एक परियोजना योजना का मसौदा तैयार करें; प्रत्येक चरण के लिए जिम्मेदार व्यक्ति को लिखें। (2) टेम्प्लेट 2 के साथ एक निगरानी योजना और ड्रिफ्ट ट्रिगर्स को परिभाषित करें। (3) टेम्प्लेट 4 के साथ एक ट्रैसेबिलिटी चेकलिस्ट तैयार करें। (4) एक पैराग्राफ में संक्षेप में बताएं कि आपने इस प्रोजेक्ट में मॉड्यूल की शुरुआत से तीन एंकर विषयों को कैसे लागू किया।

चेकलिस्ट

• [ ] मैंने इस परियोजना की योजना शुरू से अंत तक के जीवन चक्र के रूप में बनाई है।
• [ ] मैंने मॉडल और डेटा संस्करण के साथ निर्णय रिकॉर्ड को परिभाषित किया।
• [ ] मैंने एक निगरानी योजना और ड्रिफ्ट ट्रिगर सेट किए हैं।
• [ ] मैंने एक रोलबैक योजना तैयार की।
• [ ] मैंने स्पष्ट कर दिया है कि प्रत्येक चरण के लिए कौन जिम्मेदार है।
• [ ] मैंने तीन एंकर सत्यापन विषयों और मानव सुरक्षा-महत्वपूर्ण सत्यापन को बनाए रखा।

मॉड्यूल परीक्षा

1. ऑटोमोटिव सुरक्षा-महत्वपूर्ण निर्णय (जैसे ब्रेक सॉफ्टवेयर सत्यापन) में एआई आउटपुट की क्या भूमिका है?

• ए) विश्लेषण को गति देता है, लेकिन अंतिम अनुमोदन और जिम्मेदारी सक्षम इंजीनियर के पास रहती है ✔
• बी) यदि पर्याप्त डेटा है, तो इसे इंजीनियर की मंजूरी के बिना उत्पादन में लगाया जा सकता है
• सी) ब्रेक जैसी महत्वपूर्ण प्रणालियों में किसी भी स्तर पर एआई का उपयोग नहीं किया जा सकता है
• डी) यदि मॉडल सटीकता 99% से अधिक है, तो मानव सत्यापन अनावश्यक है

विवरण: कृत्रिम बुद्धिमत्ता विश्लेषण को गति देती है, उम्मीदवार समाधान और सारांश तैयार करती है; हालाँकि, सुरक्षा-महत्वपूर्ण निर्णय और अंतिम अनुमोदन सक्षम इंजीनियर की जिम्मेदारी है। एआई इंजीनियर सत्यापन का प्रतिस्थापन नहीं है।

2. तीन एंकर सत्यापन विषयों में एआई के आउटपुट का परीक्षण करने के लिए उपयोग की जाने वाली तीन स्वतंत्र जांचें क्या हैं?

• ए) प्रॉम्प्ट की लंबाई, भाषा और प्रारूप
• बी) परिमाण के क्रम, इंजीनियरिंग तर्कसंगतता और स्वतंत्र परीक्षण/माप का साक्ष्य ✔
• सी) मॉडल का आकार, प्रशिक्षण समय और जीपीयू की संख्या
• डी) आपूर्तिकर्ता ब्रांड, कीमत और डिलीवरी का समय

विवरण: तीन एंकर; परिमाण का क्रम (आदेश जांच), इंजीनियरिंग संभाव्यता (भौतिकी/अनुभव) और स्वतंत्र परीक्षण/माप साक्ष्य के साथ क्रॉस-सत्यापन। ये तीनों सबूतों पर भरोसा करते हैं, एआई पर भरोसा नहीं।

3. सीएफडी या एफईए सिमुलेशन को तेज करने वाले 'सरोगेट मॉडल' के आउटपुट के लिए सबसे महत्वपूर्ण सत्यापन क्या है?

• ए) सरोगेट मॉडल हमेशा वास्तविक सॉल्वर की तुलना में अधिक सटीक होता है
• बी) केवल रेंडर को सौंदर्य की दृष्टि से मनभावन बनाना ही काफी है
• सी) प्रशिक्षण स्थान से बाहर जाने पर संदर्भ समाधान और अविश्वसनीयता की स्वीकृति के साथ तुलना
• डी) यदि एक रन अभिसरण होता है तो नेटवर्क स्वतंत्रता को देखने की कोई आवश्यकता नहीं है

विवरण: सरोगेट मॉडल वास्तविक सॉल्वर के बजाय तेज़ भविष्यवाणियाँ उत्पन्न करता है; लेकिन यह उस डिज़ाइन स्थान के बाहर अविश्वसनीय है जिसमें इसे प्रशिक्षित किया गया था। आउटपुट को संदर्भ उच्च-निष्ठा सिमुलेशन और भौतिक सीमा स्थितियों के साथ एक्सट्रपलेशन क्षेत्र को चिह्नित करके सत्यापित किया जाना चाहिए।

4. SAE स्वचालन स्तरों में स्तर 2 (आंशिक स्वचालन) के लिए सही अभिव्यक्ति क्या है?

• A) वाहन सभी परिस्थितियों में बिना ड्राइवर के चल सकता है
• बी) सिस्टम कोई ड्राइविंग कर्तव्य नहीं निभाता, केवल चेतावनी देता है
• ग) अगर वह ड्राइवर की सीट पर नहीं बैठा है तो कोई बात नहीं
• डी) सिस्टम स्टीयरिंग और गति का समर्थन करता है, लेकिन ड्राइवर निरंतर पर्यवेक्षण और जिम्मेदारी बरकरार रखता है ✔

विवरण: लेवल 2 में सिस्टम एक साथ स्टीयरिंग और गति/दूरी का समर्थन करता है, लेकिन ड्राइवर निरंतर निगरानी रखता है और किसी भी समय कार्यभार संभालने के लिए तैयार रहता है; जिम्मेदारी ड्राइवर की है. स्तर 3 और उससे ऊपर पर, सिस्टम कुछ स्थितियों में ड्राइविंग कर्तव्य संभालता है।

5. उत्पादन लाइन पर दृश्य दोष का पता लगाने में 'एस्केप रेट' एक महत्वपूर्ण मीट्रिक क्यों है?

• ए) दोषपूर्ण हिस्से को मंजूरी देना और उसे फ़ील्ड में भेजना सुरक्षा और रिकॉल जोखिम पैदा करता है ✔
• बी) यह केवल इसलिए महत्वपूर्ण है क्योंकि यह लाइन की गति को धीमा कर देता है
• सी) रिसाव दर केवल पेंट दोषों के लिए मान्य है
• डी) रिसाव दर मॉडल के प्रशिक्षण समय को मापती है

विवरण: अवैध; एक दोषपूर्ण भाग को उत्तम माना जाता है और वह रेखा से होकर गुजरता है (झूठा नकारात्मक)। ऑटोमोटिव सुरक्षा भाग के लिए, रिसाव झूठी अस्वीकृति की तुलना में बहुत अधिक महंगा है क्योंकि इससे क्षेत्र में विफलता या वापसी हो सकती है; सीमा को तदनुसार समायोजित किया जाता है।

6. पूर्वानुमानित रखरखाव में 'शेष उपयोगी जीवन' (आरयूएल) अनुमान का सबसे सटीक उपयोग क्या है?

• ए) आरयूएल की गणना केवल इंजन ऑयल के लिए की जाती है
• बी) इसे अनिश्चितता सीमा के साथ प्रस्तुत किया जाना चाहिए और रखरखाव विंडो और सुरक्षा मार्जिन ✔ के अनुसार व्याख्या की जानी चाहिए
• सी) इसे एक सटीक दिन के मूल्य के रूप में लिया जाना चाहिए और उस दिन तक कोई जांच नहीं की जानी चाहिए।
• डी) आरयूएल अधिक होने पर सेंसर बंद किया जा सकता है

विवरण: आरयूएल किसी घटक के विफल होने तक उसका अनुमानित शेष परिचालन समय है; इसे अनिश्चितता सीमा के साथ प्रस्तुत किया जाना चाहिए और रखरखाव योजना और सुरक्षा मार्जिन के अनुसार व्याख्या की जानी चाहिए। एकल बिंदु अनुमान पर आंख मूंदकर भरोसा करने के बजाय, विश्वास अंतराल और झूठी अलार्म लागत को ध्यान में रखा जाता है।

7. जब एआई परीक्षण डेटा विश्लेषण में सड़क परीक्षण रिकॉर्डिंग में एक विसंगति को चिह्नित करता है तो एक इंजीनियर को क्या करना चाहिए?

• ए) जब आप विसंगति देखते हैं, तो परीक्षण स्वचालित रूप से असफल माना जाना चाहिए।
• बी) एआई को डेटा को बिल्कुल भी नहीं देखना चाहिए अगर उसने इसे चिह्नित नहीं किया है
• सी) कच्चे डेटा, माप अनिश्चितता और दोहराव के साथ विसंगति को सत्यापित करें ✔
• डी) विसंगतियों को हटाएं और रिपोर्ट साफ़ करें

स्पष्टीकरण: एआई झंडे वाली विसंगति एक सुराग है, निष्कर्ष नहीं। इंजीनियर को माप अनिश्चितता, सेंसर विफलता की संभावना और दोहराव की जांच करनी चाहिए और कच्चे डेटा और स्वीकृति मानदंडों के साथ विसंगति को सत्यापित करना चाहिए। स्वत: स्वीकृति या अस्वीकृति उचित नहीं है.

8. लाइटवेटिंग अध्ययन में एआई द्वारा सुझाए गए सामग्री परिवर्तन के लिए कौन सा सत्यापन अनिवार्य है?

• ए) इसे बस हल्का होना चाहिए
• बी) सामग्री डेटाबेस में एक पंक्ति को साक्ष्य के रूप में लिया जा सकता है
• सी) हल्के पदार्थों में क्रैश व्यवहार महत्वहीन है
• डी) यांत्रिक, थकान, दुर्घटना, विनिर्माण क्षमता और लागत आवश्यकताओं का एक साथ परीक्षण किया जाना चाहिए ✔

टिप्पणी: केवल घनत्व/शक्ति अनुपात के आधार पर सामग्री की अनुशंसा स्वीकार नहीं की जा सकती; यांत्रिक गुणों, थकान, दुर्घटना व्यवहार, विनिर्माण क्षमता, संक्षारण, लागत और सुरक्षा आवश्यकताओं को एक साथ सत्यापित किया जाना चाहिए और भौतिक परीक्षण द्वारा पुष्टि की जानी चाहिए।

9. ऑटोमोटिव आपूर्ति श्रृंखला में 'एकल-स्रोत जोखिम' को एआई अनुशंसाओं में विशेष ध्यान देने की आवश्यकता क्यों है?

• ए) किसी एक आपूर्तिकर्ता के यहां व्यवधान से सारा उत्पादन रुक सकता है; दूसरे स्रोत और बफ़र का मूल्यांकन किया जाना चाहिए ✔
• बी) एकल स्रोत हमेशा सबसे सुरक्षित विकल्प होता है
• सी) यदि एआई ने सुझाव दिया है तो जोखिम विश्लेषण अनावश्यक है
• डी) एकल स्रोत जोखिम केवल टायर पर लागू होता है

स्पष्टीकरण: यदि कोई हिस्सा एक ही आपूर्तिकर्ता से आता है, तो उस आपूर्तिकर्ता के साथ कोई समस्या होने पर उत्पादन बंद हो जाता है। एआई लागत अनुकूलन के एकल स्रोत की सिफारिश कर सकता है; इंजीनियर/योजनाकार को इसे द्वितीयक संसाधन, स्टॉक बफर और परिदृश्य विश्लेषण के साथ संतुलित करना होगा। लागत ही एकमात्र मानदंड नहीं है.

10. पायथन के साथ टेलीमेट्री विश्लेषण करते समय 'डेटा लीकेज' का क्या मतलब है और यह खतरनाक क्यों है?

• A) डिस्क से डेटा लीक हो जाता है और डिलीट हो जाता है
• बी) मॉडल प्रशिक्षण में ऐसी जानकारी देखता है जिसे भविष्यवाणी के समय नहीं जाना जा सकता है; स्कोर बढ़ा देता है, मैदान पर गिर जाता है ✔
• सी) ग्राफिक रंगों का मिश्रण
• डी) केवल छवि डेटा में होता है

विवरण: डेटा लीक; ऐसा तब होता है जब मॉडल प्रशिक्षण में ऐसी जानकारी देखता है जिसे भविष्यवाणी के समय वास्तव में नहीं जाना जा सकता है (उदाहरण के लिए, भविष्य का मूल्य या लक्ष्य-संबंधित विशेषता)। यह कृत्रिम रूप से परीक्षण स्कोर बढ़ाता है लेकिन फ़ील्ड प्रदर्शन को क्रैश कर देता है। समय श्रृंखला में अतीत/भविष्य के भेद को सावधानीपूर्वक बनाए रखा जाना चाहिए।

11. ISO 26262 कार्यात्मक सुरक्षा के संदर्भ में ASIL वर्गीकरण क्या निर्धारित करता है?

• ए) वाहन की अधिकतम गति
• बी) मॉडल के प्रशिक्षण डेटा सेट का आकार
• सी) ✔ खतरे की गंभीरता, जोखिम और नियंत्रणीयता के अनुसार सुरक्षा का आवश्यक स्तर।
• डी) आपूर्तिकर्ता की क्रेडिट रेटिंग

विवरण: एएसआईएल (ऑटोमोटिव सेफ्टी इंटीग्रिटी लेवल) सुरक्षा सावधानियों के स्तर को निर्धारित करता है (ए से डी तक, डी उच्चतम है) जो किसी खतरे की गंभीरता, जोखिम और नियंत्रणीयता के आकलन के आधार पर आवश्यक होता है। उच्च ASIL के लिए अधिक कठोर विकास, सत्यापन और दस्तावेज़ीकरण की आवश्यकता होती है।

12. ISO 21448 (SOTIF) शास्त्रीय कार्यात्मक सुरक्षा (ISO 26262) से किस प्रकार भिन्न है?

• ए) केवल हार्डवेयर विफलताओं को संभालता है
• बी) केवल सॉफ्टवेयर लाइसेंसिंग को विनियमित करता है
• C) SOTIF ISO 26262 का पुराना नाम है
• डी) विफलता की अनुपस्थिति में भी, अपर्याप्त कार्यक्षमता और अपरिचित परिदृश्यों से उत्पन्न होने वाले जोखिमों का समाधान करता है ✔

विवरण: जबकि ISO 26262 खराबी/हार्डवेयर-सॉफ्टवेयर त्रुटियों से उत्पन्न होने वाले जोखिमों को संबोधित करता है, SOTIF (इच्छित कार्यक्षमता की सुरक्षा) अपर्याप्त पहचान, अपरिचित परिदृश्यों और कार्यात्मक सीमाओं से उत्पन्न होने वाले जोखिमों को संबोधित करता है, भले ही सिस्टम बिल्कुल भी खराब न हो; एआई-आधारित पहचान में विशेष रूप से महत्वपूर्ण है।

13. ड्राइवर और वाहन टेलीमेट्री डेटा के साथ काम करते समय गोपनीयता के संदर्भ में सबसे अच्छा तरीका क्या है?

• ए) गुमनामीकरण, डेटा न्यूनतमकरण और उद्देश्य सीमा के साथ केवीकेके/जीडीपीआर अनुपालन ✔
• बी) वीआईएन के साथ सभी कच्चे डेटा को सार्वजनिक मॉडल पर भेजना
• सी) गोपनीयता केवल मार्केटिंग डेटा पर लागू होती है
• डी) स्थान डेटा को कभी भी व्यक्तिगत डेटा नहीं माना जाता है

विवरण: स्थान, ड्राइविंग व्यवहार और चेसिस नंबर (वीआईएन) जैसे डेटा से किसी व्यक्ति की पहचान की जा सकती है। सबसे सही दृष्टिकोण; डेटा को अज्ञात/छद्म नाम देना, केवल वही एकत्र करना जो आवश्यक है (डेटा न्यूनतमकरण), उद्देश्य सीमा और केवीकेके/जीडीपीआर अनुपालन। तृतीय-पक्ष टूल को कच्चा VIN या स्थान भेजना जोखिम भरा है।

14. उत्पादन में लगाए गए एआई मॉडल में 'डेटा बहाव' की निगरानी करना क्यों आवश्यक है?

• ए) एक बार मॉडल प्रशिक्षित हो जाने के बाद, यह अनिश्चित काल तक वही प्रदर्शन देता है।
• बी) जैसे-जैसे समय के साथ इनपुट वितरण बदलता है, प्रदर्शन चुपचाप कम हो जाता है; पुनर्प्रशिक्षण शुरू किया जाना चाहिए ✔
• सी) ड्रिफ्ट हार्डवेयर का सिर्फ भौतिक कंपन है
• डी) निगरानी अनावश्यक है क्योंकि मॉडल स्वतः ही अपडेट हो जाता है

स्पष्टीकरण: वास्तविक दुनिया बदलती है (नए भागों के आपूर्तिकर्ता, मौसम, नए वाहन मॉडल); जैसे ही इनपुट वितरण प्रशिक्षण समय से दूर जाता है, मॉडल का प्रदर्शन चुपचाप कम हो जाता है। ड्रिफ्ट मॉनिटरिंग और प्रदर्शन मेट्रिक्स द्वारा पुनर्प्रशिक्षण शुरू किया जाता है। ऑटोमोटिव में 'इसे सेट करो और भूल जाओ' दृष्टिकोण जोखिम भरा है।