Keuntungan:
- Kemampuan untuk mengevaluasi secara holistik aspek etika, privasi data, hak cipta, dan tenaga kerja dari penggunaan AI di bidang tekstil
- Kemampuan untuk merancang sistem dengan titik persetujuan manusia yang ditunjuk yang menggabungkan seluruh modul dalam alur kerja ujung ke ujung
- Kemampuan untuk menetapkan kerangka tata kelola, validasi, dan perbaikan berkelanjutan untuk penggunaan AI yang bertanggung jawab dalam suatu organisasi
Ujian Modul
1. Prinsip dasar manakah yang menentukan risiko keluaran AI dalam bidang teknik tekstil?
- A) Risiko suatu keluaran sama dengan kerugian yang ditimbulkan jika keluaran tersebut salah; skala validasi yang sesuai ✔
- B) Keluaran AI umumnya aman karena ditulis dengan lancar dan percaya diri
- C) Validasi tidak diperlukan bila model terkini digunakan
- D) Jika keluarannya mengacu pada suatu standar, tidak diperlukan pengendalian tambahan
Penjelasan: Risiko suatu keluaran sama dengan kerugian yang ditimbulkan jika keluaran tersebut salah. Meskipun kesalahan dalam ide moodboard tidak berbahaya, kesalahan dalam resep pewarnaan atau penghitungan kekuatan kain dapat menyebabkan limbah batch dan risiko keselamatan/kontrak kerja; jadi intensitas verifikasi berskala dengan potensi bahaya.
2. Seorang insinyur skeptis terhadap nilai AI '85 cN/tex untuk benang katun' untuk kekuatan benang. Pemeriksaan apa yang paling cepat untuk memastikan kecurigaan ini?
- A) Cantumkan nilainya langsung pada laporan dan tanyakan ke laboratorium nanti
- B) Buat perbandingan urutan besarnya dengan kisaran benang katun pada umumnya (kira-kira 12-22 cN/tex) ✔
- C) Mengajukan pertanyaan yang sama lagi kepada model dan memercayai jawaban kedua
- D) Terima jika nilainya berisi referensi ke sumber
Deskripsi: Ini adalah kontrol urutan besarnya. Kekuatan benang katun ring biasanya berkisar antara 12-22 cN/tex; 85 cN/tex adalah tingkat sintetik/aramid berkinerja tinggi dan secara fisik tidak masuk akal untuk kapas. Pemeriksaan ini memerlukan waktu beberapa detik dan mendeteksi sebagian besar kesalahan unit/tipe.
3. Manakah dari berikut ini yang benar untuk 'Ne' (penghitungan kapas Inggris) di antara sistem penghitungan benang?
- A) Semakin besar benangnya, semakin tebal jadinya.
- B) Apa yang dimaksud dengan sistem langsung, kerjanya searah dengan tex
- C) Betapa sistem tidak langsungnya; Semakin besar angkanya maka semakin tipis benangnya ✔
- D) Yang didefinisikan hanya untuk benang sintetis
Penjelasan: Sungguh sistem penomoran tidak langsung: semakin besar angkanya, semakin tipis benangnya. Tex dan denier adalah sistem langsung; Semakin besar angkanya, semakin tebal benangnya. Tidak mengetahui perbedaan ini menyebabkan kesalahan serius dalam interpretasi angka pada keluaran AI.
4. Apa yang dimaksud dengan tingkat 'negatif palsu' yang tinggi dalam model pemrosesan gambar yang mendeteksi cacat kain dan mengapa hal ini penting?
- A) Kain yang cacat dianggap sempurna dan dikirimkan ke pelanggan; ✔ Jenis kesalahan kualitas yang paling berbahaya
- B) Penandaan yang tidak perlu pada kain sempurna sebagai cacat; itu hanya mengurangi efisiensi
- C) Model tidak menemukan kesalahan; selalu merupakan pertanda baik
- D) Resolusi kamera rendah
Penjelasan: Negatif palsu adalah ketika cacat sebenarnya diklasifikasikan sebagai 'sempurna'. Artinya, kain yang rusak akan sampai ke tangan pelanggan dan menimbulkan biaya pengembalian/reputasi. Dalam aplikasi yang kritis terhadap kualitas, ambang batas umumnya ditetapkan untuk menjaga agar negatif palsu tetap rendah, dan peningkatan positif palsu dihilangkan melalui inspeksi manusia.
5. Apa arti nilai 'Delta E' (ΔE) dalam manajemen warna?
- A) Biaya per kilogram cat
- B) Kriteria yang mengukur perbedaan persepsi total antara dua warna ✔
- C) Transmisi cahaya pada kain
- D) Nilai suhu pencelupan dalam derajat
Deskripsi: Delta E adalah kriteria yang mengkuantifikasi total perbedaan persepsi antara dua warna dalam ruang warna CIELAB. Nilai ΔE yang kecil menunjukkan bahwa warna-warna tersebut berdekatan; Dalam tekstil, toleransi penerimaan batch-to-batch biasanya ditentukan secara kontrak dalam bentuk ΔE. Oleh karena itu, klaim bahwa 'warna yang dimiliki' memerlukan pengukuran.
6. Disebut apakah bila dua sampel terlihat sama di bawah satu sumber cahaya dan berbeda di bawah sumber cahaya lain, dan mengapa hal ini penting dalam manajemen warna?
- A) Metamerisme; Konfirmasi warna harus dilakukan di bawah beberapa sumber cahaya standar ✔
- B) Fluoresensi; warna terlihat sama di semua kondisi
- C) Opasitas; perbedaan warna hanya tergantung pada ketebalan
- D) Kalibrasi; hanya menyangkut layar
Deskripsi: Fenomena ini disebut metamerisme. Dua warna dengan reflektansi spektral berbeda mungkin cocok dalam pencahayaan tertentu dan berbeda dalam pencahayaan lain. Oleh karena itu, konfirmasi warna tidak boleh dilakukan pada satu sumber cahaya, namun pada beberapa sumber (misalnya D65, TL84, A) dalam bilik lampu standar.
7. Pemeriksaan hukum apa yang paling penting yang harus dilakukan sebelum penggunaan komersial atas pola tekstil yang diproduksi dengan AI generatif?
- A) Mengurangi jumlah warna pola
- B) Mengurangi ukuran file pola
- C) Memeriksa kesamaan/pelanggaran dan hak cipta dengan desain yang dilindungi yang ada ✔
- D) Simpan pola hanya dalam resolusi tinggi
Penjelasan: Penting untuk memeriksa apakah pola yang dihasilkan memiliki kesamaan/pelanggaran dengan desain, merek dagang, atau karya berhak cipta yang dilindungi, dan untuk mengevaluasi ketidakpastian terkait data pelatihan model dan hak keluaran. Komersialisasi tanpa memeriksa orisinalitas dan pelanggaran menimbulkan risiko litigasi hak cipta.
8. Pendekatan apa yang paling kuat untuk memvalidasi keluaran AI dalam memperkirakan permintaan berdasarkan SKU?
- A) Mengubah prediksi titik tunggal yang diberikan model menjadi kuantitas pesanan sebagaimana adanya
- B) Melakukan pengujian ulang dengan penjualan sebelumnya dan mengevaluasi margin kesalahan melalui filter penilaian bisnis ✔
- C) Memilih estimasi tertinggi dan menjaga kelebihan stok
- D) Gandakan prediksi jika trennya paling populer
Penjelasan: Perkiraan harus diuji ulang terhadap realisasi penjualan di masa lalu dan disaring melalui penilaian bisnis dengan konteks seperti inventaris, kampanye, musim, dll. Daripada hanya mempercayai satu titik prediksi model, margin kesalahan dan skenario dievaluasi.
9. Apa alasan utama urutan batch cat dari 'warna terang ke warna gelap' dalam penjadwalan produksi?
- A) Warna gelap lebih murah
- B) Mengurangi risiko kontaminasi warna dan waktu pembersihan mesin ✔
- C) Warna terang bertahan lebih lama
- D) Ini hanya preferensi estetika
Penjelasan: Jika warna terang diwarnai setelah warna gelap di mesin yang sama, risiko pembersihan/kontaminasi dan waktu pencucian tambahan meningkat. Penyortiran dari terang ke gelap meningkatkan efisiensi dengan mengurangi risiko noda warna dan waktu pembersihan mesin. Rekomendasi AI harus mencakup batasan proses ini.
10. Saat melaporkan dampak lingkungan pada suatu kain, bagaimana sikap yang benar terhadap klaim seperti 'poliester daur ulang mengurangi penggunaan air sebesar 90%' yang dibuat oleh AI?
- A) Menempatkan klaim sebagaimana adanya dalam salinan pemasaran
- B) Tidak menggunakan klaim tanpa verifikasi dengan batas sistem, sumber data dan sertifikat ✔
- C) Dengan asumsi klaim kuat jika jumlahnya tinggi
- D) Bulatkan angkanya dan publikasikan
Penjelasan: Klaim seperti itu tidak ada artinya tanpa menentukan batas sistem (cradle-to-gate atau gate-to-gate), sumber data dan ruang lingkup; Hal ini harus didasarkan pada data dan sertifikasi LCA yang dapat diverifikasi. Jika tidak, maka akan timbul risiko greenwashing dan hukum. Meskipun angka-angka AI tampak masuk akal, angka-angka tersebut diperoleh secara independen.
11. Apa langkah pertama yang harus dilakukan untuk memverifikasi kode yang ditulis oleh AI saat menganalisis data produksi menggunakan panda dengan Python?
- A) Jika kode berfungsi tanpa kesalahan, terimalah hasilnya sebagai benar
- B) Hitung output secara manual dan verifikasi unit dan logika pada sampel data kecil ✔
- C) Menambahkan kode langsung ke laporan produksi
- D) Jika grafiknya bagus, analisis dianggap selesai.
Catatan: Sekalipun kodenya berfungsi, tidak ada jaminan bahwa logikanya benar; Pengecekan akuntansi secara manual harus dilakukan pada satuan, pencocokan kolom dan beberapa baris. Misalnya, ketika membuat rata-rata tata bahasa, pengelompokan yang salah, atau kebingungan unit mungkin secara diam-diam memberikan hasil yang salah. Dalam sampel kecil, verifikasi manual adalah jaminan tercepat.
12. Apa praktik terbaik dalam hal privasi data saat mengirimkan data produksi tekstil ke alat AI?
- A) Kirim semua informasi pelanggan dan resep aktual apa adanya
- B) Anonimkan informasi sensitif dan kirimkan dengan label yang mewakili dan sesuai dengan kebijakan perusahaan ✔
- C) Dengan asumsi privasi tidak penting karena begitu banyak data.
- D) Ubah saja nama file dan kirimkan konten apa adanya
Penjelasan: Data sensitif seperti nama pelanggan, rahasia resep, harga dan informasi pemasok harus dianonimkan atau diberikan dengan label yang mewakili (Pelanggan-A, Resep-1). Rahasia dagang dan data pribadi tidak boleh dialihkan ke pihak ketiga yang melanggar kebijakan dan perjanjian perusahaan.
13. Model pemrosesan gambar melaporkan akurasi 98% pada lini produksi tetapi banyak kekurangan di lapangan yang hilang. Apa penyebab paling mungkin dari hal ini?
- A) Akurasi menyesatkan karena data tidak seimbang; Sensitivitas (recall) kelas cacat rendah ✔
- B) Model berjalan sangat lambat
- C) Karena kameranya berwarna
- D) 98% sudah sempurna, masalahnya ada di operator
Penjelasan: Ketika sampel dengan cacat sangat sedikit dalam kumpulan data (data tidak seimbang), model dapat mencapai akurasi tinggi dengan menyebut semuanya 'sempurna' tetapi tidak dapat menangkap cacat sebenarnya. Oleh karena itu akurasi saja sudah menyesatkan; Sensitivitas (recall) dan presisi untuk kelas cacat harus dipantau.
14. Berdasarkan prinsip utama yang ditekankan dalam modul ini, apa peran AI dalam keputusan terkait keselamatan dan tekstil yang penting bagi kontrak?
- A) AI dapat mengambil keputusan penting sendiri karena cepat
- B) AI adalah asisten; keputusan penting diverifikasi oleh persetujuan insinyur yang kompeten dan pengujian fisik ✔
- C) Keluaran AI menggantikan laporan yang ditandatangani
- D) Konfirmasi manusia tidak diperlukan bila model terkini yang digunakan
Deskripsi: AI adalah asisten dan akselerator; menghasilkan hipotesis, menyiapkan draf, menangkap pola. Namun, keputusan penting seperti persetujuan resep pengecatan, penerimaan kualitas, evaluasi kekuatan/keamanan memerlukan persetujuan insinyur yang kompeten dan pengujian fisik. Keluaran AI bukanlah pengganti persetujuan para ahli.