ಲಾಭಗಳು:
- ಜವಳಿಯಲ್ಲಿ AI ಬಳಕೆಯ ನೈತಿಕ, ಡೇಟಾ ಗೌಪ್ಯತೆ, ಹಕ್ಕುಸ್ವಾಮ್ಯ ಮತ್ತು ಕಾರ್ಯಪಡೆಯ ಅಂಶಗಳನ್ನು ಸಮಗ್ರವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
- ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಎಂಡ್-ಟು-ಎಂಡ್ ವರ್ಕ್ಫ್ಲೋನಲ್ಲಿ ಸಂಯೋಜಿಸುವ ಗೊತ್ತುಪಡಿಸಿದ ಮಾನವ ಅನುಮೋದನೆ ಬಿಂದುಗಳೊಂದಿಗೆ ಸಿಸ್ಟಮ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಸಂಸ್ಥೆಯಲ್ಲಿ ಜವಾಬ್ದಾರಿಯುತ AI ಬಳಕೆಗಾಗಿ ಆಡಳಿತ, ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ನಿರಂತರ ಸುಧಾರಣೆ ಚೌಕಟ್ಟನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ
ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ
1. ಜವಳಿ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಔಟ್ಪುಟ್ನ ಅಪಾಯವನ್ನು ನಿರ್ಧರಿಸುವ ಮೂಲ ತತ್ವ ಯಾವುದು?
- ಎ) ಔಟ್ಪುಟ್ನ ಅಪಾಯವು ಆ ಔಟ್ಪುಟ್ ದೋಷಪೂರಿತವಾಗಿದ್ದರೆ ಅದು ಉಂಟುಮಾಡುವ ಹಾನಿಗೆ ಸಮಾನವಾಗಿರುತ್ತದೆ; ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮೌಲ್ಯೀಕರಣ ಮಾಪಕಗಳು ✔
- ಬಿ) ನಿರರ್ಗಳವಾಗಿ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಬರೆಯಲ್ಪಟ್ಟಿರುವುದರಿಂದ AI ಔಟ್ಪುಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಸುರಕ್ಷಿತವಾಗಿದೆ
- ಸಿ) ಪ್ರಸ್ತುತ ಮಾದರಿಯನ್ನು ಬಳಸಿದಾಗ ಮೌಲ್ಯೀಕರಣವು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ
- ಡಿ) ಔಟ್ಪುಟ್ ಪ್ರಮಾಣಿತವನ್ನು ಸೂಚಿಸಿದರೆ, ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ನಿಯಂತ್ರಣ ಅಗತ್ಯವಿಲ್ಲ
ವಿವರಣೆ: ಔಟ್ಪುಟ್ನ ಅಪಾಯವು ಆ ಔಟ್ಪುಟ್ ದೋಷಪೂರಿತವಾಗಿದ್ದರೆ ಅದು ಉಂಟುಮಾಡುವ ಹಾನಿಗೆ ಸಮಾನವಾಗಿರುತ್ತದೆ. ಮೂಡ್ಬೋರ್ಡ್ ಕಲ್ಪನೆಯಲ್ಲಿನ ತಪ್ಪು ನಿರುಪದ್ರವವಾಗಿದ್ದರೂ, ಡೈಯಿಂಗ್ ರೆಸಿಪಿ ಅಥವಾ ಫ್ಯಾಬ್ರಿಕ್ ಸಾಮರ್ಥ್ಯದ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿನ ತಪ್ಪು ಬ್ಯಾಚ್ ತ್ಯಾಜ್ಯ ಮತ್ತು ಔದ್ಯೋಗಿಕ ಸುರಕ್ಷತೆ/ಗುತ್ತಿಗೆ ಅಪಾಯಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು; ಆದ್ದರಿಂದ ಸಂಭವನೀಯ ಹಾನಿಯೊಂದಿಗೆ ಪರಿಶೀಲನೆ ತೀವ್ರತೆಯ ಮಾಪಕಗಳು.
2. ಒಬ್ಬ ಇಂಜಿನಿಯರ್ ನೂಲು ಬಲಕ್ಕಾಗಿ '85 cN/tex ಫಾರ್ ಹತ್ತಿ ನೂಲು' AI ಮೌಲ್ಯದ ಬಗ್ಗೆ ಸಂಶಯ ವ್ಯಕ್ತಪಡಿಸುತ್ತಾನೆ. ಈ ಅನುಮಾನವನ್ನು ದೃಢೀಕರಿಸಲು ತ್ವರಿತ ತಪಾಸಣೆ ಯಾವುದು?
- ಎ) ವರದಿಯ ಮೇಲೆ ನೇರವಾಗಿ ಮೌಲ್ಯವನ್ನು ಹಾಕಿ ಮತ್ತು ನಂತರ ಪ್ರಯೋಗಾಲಯವನ್ನು ಕೇಳಿ
- ಬಿ) ವಿಶಿಷ್ಟವಾದ ಹತ್ತಿ ನೂಲು ಶ್ರೇಣಿಯೊಂದಿಗೆ (ಅಂದಾಜು 12-22 ಸಿಎನ್/ಟೆಕ್ಸ್) ✔ ಪ್ರಮಾಣದ ಹೋಲಿಕೆಯ ಕ್ರಮವನ್ನು ಮಾಡಿ
- ಸಿ) ಮಾದರಿಯಿಂದ ಮತ್ತೆ ಅದೇ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವುದು ಮತ್ತು ಎರಡನೇ ಉತ್ತರವನ್ನು ನಂಬುವುದು
- ಡಿ) ಮೌಲ್ಯವು ಮೂಲಕ್ಕೆ ಉಲ್ಲೇಖವನ್ನು ಹೊಂದಿದ್ದರೆ ಸ್ವೀಕರಿಸಿ
ವಿವರಣೆ: ಇದು ಪರಿಮಾಣದ ನಿಯಂತ್ರಣದ ಕ್ರಮವಾಗಿದೆ. ರಿಂಗ್ ಹತ್ತಿ ನೂಲಿನಲ್ಲಿನ ಸಾಮರ್ಥ್ಯವು ಸಾಮಾನ್ಯವಾಗಿ 12-22 cN/tex ಕ್ರಮದಲ್ಲಿದೆ; 85 ಸಿಎನ್/ಟೆಕ್ಸ್ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಸಿಂಥೆಟಿಕ್/ಅರಾಮಿಡ್ ಮಟ್ಟವಾಗಿದೆ ಮತ್ತು ಹತ್ತಿಗೆ ದೈಹಿಕವಾಗಿ ಅಸಮಂಜಸವಾಗಿದೆ. ಈ ಪರಿಶೀಲನೆಯು ಸೆಕೆಂಡುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ಯುನಿಟ್/ಟೈಪ್ ದೋಷಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ.
3. ನೂಲು ಎಣಿಕೆ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ 'ನೆ' (ಬ್ರಿಟಿಷ್ ಹತ್ತಿ ಎಣಿಕೆ) ಗೆ ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಸರಿ?
- ಎ) ದಾರವು ದೊಡ್ಡದಾಗುತ್ತದೆ, ಅದು ದಪ್ಪವಾಗುತ್ತದೆ.
- ಬಿ) ನೇರ ವ್ಯವಸ್ಥೆ ಎಂದರೇನು, ಇದು ಟೆಕ್ಸ್ನಂತೆಯೇ ಅದೇ ದಿಕ್ಕಿನಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ
- ಸಿ) ಇದು ಯಾವ ಪರೋಕ್ಷ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ; ದೊಡ್ಡ ಸಂಖ್ಯೆ, ಥ್ರೆಡ್ ತೆಳುವಾದ ✔
- ಡಿ) ಸಿಂಥೆಟಿಕ್ ನೂಲುಗಳಿಗೆ ಮಾತ್ರ ಏನು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ
ವಿವರಣೆ: ಎಂತಹ ಪರೋಕ್ಷ ಸಂಖ್ಯೆಯ ವ್ಯವಸ್ಥೆ: ದೊಡ್ಡ ಸಂಖ್ಯೆ, ಥ್ರೆಡ್ ತೆಳುವಾಗಿರುತ್ತದೆ. ಟೆಕ್ಸ್ ಮತ್ತು ಡೆನಿಯರ್ ನೇರ ವ್ಯವಸ್ಥೆಗಳು; ದೊಡ್ಡ ಸಂಖ್ಯೆ, ಥ್ರೆಡ್ ದಪ್ಪವಾಗಿರುತ್ತದೆ. ಈ ವ್ಯತ್ಯಾಸವನ್ನು ತಿಳಿಯದಿರುವುದು AI ಔಟ್ಪುಟ್ನಲ್ಲಿ ಸಂಖ್ಯೆಯ ವ್ಯಾಖ್ಯಾನಗಳಲ್ಲಿ ಗಂಭೀರ ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
4. ಫ್ಯಾಬ್ರಿಕ್ ದೋಷಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಮಾದರಿಯಲ್ಲಿ ಹೆಚ್ಚಿನ 'ಸುಳ್ಳು ಋಣಾತ್ಮಕ' ದರವನ್ನು ಹೊಂದುವುದರ ಅರ್ಥವೇನು ಮತ್ತು ಅದು ಏಕೆ ನಿರ್ಣಾಯಕವಾಗಿದೆ?
- ಎ) ದೋಷಯುಕ್ತ ಬಟ್ಟೆಯನ್ನು ಪರಿಪೂರ್ಣವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಗ್ರಾಹಕರಿಗೆ ತಲುಪಿಸಲಾಗುತ್ತದೆ; ✔ ಗುಣಮಟ್ಟದಲ್ಲಿ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ರೀತಿಯ ದೋಷ
- ಬಿ) ಪರಿಪೂರ್ಣ ಬಟ್ಟೆಯನ್ನು ದೋಷಪೂರಿತವೆಂದು ಅನಗತ್ಯವಾಗಿ ಗುರುತಿಸುವುದು; ಇದು ಕೇವಲ ದಕ್ಷತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ
- ಸಿ) ಮಾದರಿಯು ಯಾವುದೇ ದೋಷಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುವುದಿಲ್ಲ; ಯಾವಾಗಲೂ ಒಳ್ಳೆಯ ಸಂಕೇತ
- ಡಿ) ಕ್ಯಾಮೆರಾದ ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್
ವಿವರಣೆ: ನಿಜವಾದ ದೋಷವನ್ನು 'ಪರಿಪೂರ್ಣ' ಎಂದು ವರ್ಗೀಕರಿಸಿದಾಗ ತಪ್ಪು ಋಣಾತ್ಮಕವಾಗಿರುತ್ತದೆ. ಇದರರ್ಥ ದೋಷಯುಕ್ತ ಬಟ್ಟೆಯು ಗ್ರಾಹಕರಿಗೆ ಹೋಗುತ್ತದೆ ಮತ್ತು ರಿಟರ್ನ್/ಹೆಸರು ವೆಚ್ಚವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಗುಣಮಟ್ಟ-ನಿರ್ಣಾಯಕ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ, ಮಿತಿಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ತಪ್ಪು ನಿರಾಕರಣೆಗಳನ್ನು ಕಡಿಮೆ ಇರಿಸಲು ಹೊಂದಿಸಲಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚಿದ ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಮಾನವ ತಪಾಸಣೆಯಿಂದ ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ.
5. ಬಣ್ಣ ನಿರ್ವಹಣೆಯಲ್ಲಿ 'ಡೆಲ್ಟಾ ಇ' (ΔE) ಮೌಲ್ಯದ ಅರ್ಥವೇನು?
- ಎ) ಪ್ರತಿ ಕಿಲೋಗ್ರಾಂ ಬಣ್ಣದ ಬೆಲೆ
- ಬಿ) ಎರಡು ಬಣ್ಣಗಳ ನಡುವಿನ ಒಟ್ಟು ಗ್ರಹಿಕೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವ ಮಾನದಂಡ ✔
- ಸಿ) ಬಟ್ಟೆಯ ಬೆಳಕಿನ ಪ್ರಸರಣ
- ಡಿ) ಡಿಗ್ರಿಗಳಲ್ಲಿ ಡೈಯಿಂಗ್ ತಾಪಮಾನದ ಮೌಲ್ಯ
ವಿವರಣೆ: ಡೆಲ್ಟಾ E ಎಂಬುದು CIELAB ಬಣ್ಣದ ಜಾಗದಲ್ಲಿ ಎರಡು ಬಣ್ಣಗಳ ನಡುವಿನ ಒಟ್ಟು ಗ್ರಹಿಕೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವ ಮಾನದಂಡವಾಗಿದೆ. ಸಣ್ಣ ΔE ಮೌಲ್ಯಗಳು ಬಣ್ಣಗಳು ಹತ್ತಿರದಲ್ಲಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ; ಜವಳಿಗಳಲ್ಲಿ, ಬ್ಯಾಚ್-ಟು-ಬ್ಯಾಚ್ ಸ್ವೀಕಾರ ಸಹಿಷ್ಣುತೆಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ΔE ಪರಿಭಾಷೆಯಲ್ಲಿ ಒಪ್ಪಂದದ ಮೂಲಕ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, 'ಹೊಂದಿರುವ ಬಣ್ಣ' ಎಂಬ ಹಕ್ಕು ಮಾಪನದ ಅಗತ್ಯವಿದೆ.
6. ಎರಡು ಮಾದರಿಗಳು ಒಂದು ಬೆಳಕಿನ ಮೂಲದ ಅಡಿಯಲ್ಲಿ ಒಂದೇ ರೀತಿ ಮತ್ತು ಇನ್ನೊಂದು ಬೆಳಕಿನ ಮೂಲದ ಅಡಿಯಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿ ಕಾಣುವಾಗ ಅದನ್ನು ಏನೆಂದು ಕರೆಯುತ್ತಾರೆ ಮತ್ತು ಬಣ್ಣ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಅದು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?
- ಎ) ಮೆಟಾಮೆರಿಸಂ; ಬಹು ಪ್ರಮಾಣಿತ ಬೆಳಕಿನ ಮೂಲಗಳ ಅಡಿಯಲ್ಲಿ ಬಣ್ಣ ದೃಢೀಕರಣವನ್ನು ಮಾಡಬೇಕು ✔
- ಬಿ) ಫ್ಲೋರೊಸೆನ್ಸ್; ಬಣ್ಣವು ಎಲ್ಲಾ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿ ಕಾಣುತ್ತದೆ
- ಸಿ) ಅಪಾರದರ್ಶಕತೆ; ಬಣ್ಣ ವ್ಯತ್ಯಾಸವು ದಪ್ಪವನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿರುತ್ತದೆ
- ಡಿ) ಮಾಪನಾಂಕ ನಿರ್ಣಯ; ಪರದೆಯ ಬಗ್ಗೆ ಮಾತ್ರ
ವಿವರಣೆ: ಈ ವಿದ್ಯಮಾನವನ್ನು ಮೆಟಾಮೆರಿಸಂ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ವಿಭಿನ್ನ ಸ್ಪೆಕ್ಟ್ರಲ್ ಪ್ರತಿಫಲನದೊಂದಿಗೆ ಎರಡು ಬಣ್ಣಗಳು ನಿರ್ದಿಷ್ಟ ಪ್ರಕಾಶದ ಅಡಿಯಲ್ಲಿ ಹೊಂದಿಕೆಯಾಗಬಹುದು ಮತ್ತು ಇತರ ಪ್ರಕಾಶದಲ್ಲಿ ಭಿನ್ನವಾಗಿರುತ್ತವೆ. ಆದ್ದರಿಂದ, ಬಣ್ಣದ ದೃಢೀಕರಣವನ್ನು ಒಂದೇ ಬೆಳಕಿನ ಮೂಲದಲ್ಲಿ ಮಾಡಬಾರದು, ಆದರೆ ಪ್ರಮಾಣಿತ ಬೆಳಕಿನ ಬೂತ್ನಲ್ಲಿ ಬಹು ಮೂಲಗಳ ಅಡಿಯಲ್ಲಿ (ಉದಾ. D65, TL84, A).
7. ಉತ್ಪಾದಕ AI ಯೊಂದಿಗೆ ತಯಾರಿಸಲಾದ ಜವಳಿ ಮಾದರಿಯ ವಾಣಿಜ್ಯ ಬಳಕೆಯ ಮೊದಲು ಮಾಡಬೇಕಾದ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಕಾನೂನು ಪರಿಶೀಲನೆ ಯಾವುದು?
- ಎ) ಮಾದರಿಯ ಬಣ್ಣಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು
- ಬಿ) ಮಾದರಿಯ ಫೈಲ್ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು
- ಸಿ) ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ರಕ್ಷಿತ ವಿನ್ಯಾಸಗಳೊಂದಿಗೆ ಹೋಲಿಕೆ/ಉಲ್ಲಂಘನೆ ಮತ್ತು ಹಕ್ಕುಸ್ವಾಮ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿದೆ ✔
- ಡಿ) ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ನಲ್ಲಿ ಮಾತ್ರ ಮಾದರಿಯನ್ನು ಉಳಿಸಿ
ವಿವರಣೆ: ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ರಕ್ಷಿತ ವಿನ್ಯಾಸಗಳು, ಟ್ರೇಡ್ಮಾರ್ಕ್ಗಳು ಅಥವಾ ಹಕ್ಕುಸ್ವಾಮ್ಯದ ಕೃತಿಗಳೊಂದಿಗೆ ತಯಾರಿಸಿದ ಮಾದರಿಯು ಯಾವುದೇ ಹೋಲಿಕೆ/ಉಲ್ಲಂಘನೆಯನ್ನು ಹೊಂದಿದೆಯೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಮಾದರಿಯ ತರಬೇತಿ ಡೇಟಾ ಮತ್ತು ಔಟ್ಪುಟ್ ಹಕ್ಕುಗಳ ಬಗ್ಗೆ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಅವಶ್ಯಕ. ಸ್ವಂತಿಕೆ ಮತ್ತು ಉಲ್ಲಂಘನೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ವಾಣಿಜ್ಯೀಕರಣವು ಹಕ್ಕುಸ್ವಾಮ್ಯ ದಾವೆಯ ಅಪಾಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
8. SKU ನಿಂದ ಬೇಡಿಕೆಯನ್ನು ಮುನ್ಸೂಚಿಸುವಲ್ಲಿ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಅತ್ಯಂತ ದೃಢವಾದ ವಿಧಾನ ಯಾವುದು?
- ಎ) ಮಾದರಿಯು ನೀಡಿದ ಏಕ ಬಿಂದು ಭವಿಷ್ಯವನ್ನು ಆದೇಶದ ಪ್ರಮಾಣಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದು
- ಬಿ) ಹಿಂದಿನ ಮಾರಾಟಗಳೊಂದಿಗೆ ಬ್ಯಾಕ್ಟೆಸ್ಟಿಂಗ್ ಮತ್ತು ವ್ಯಾಪಾರ ತೀರ್ಪು ಫಿಲ್ಟರ್ ಮೂಲಕ ದೋಷದ ಅಂಚು ಮೌಲ್ಯಮಾಪನ ✔
- ಸಿ) ಅತ್ಯಧಿಕ ಅಂದಾಜು ಆಯ್ಕೆ ಮತ್ತು ಹೆಚ್ಚುವರಿ ಸ್ಟಾಕ್ ಅನ್ನು ಇಟ್ಟುಕೊಳ್ಳುವುದು
- ಡಿ) ಪ್ರವೃತ್ತಿಯು ಹೆಚ್ಚು ಜನಪ್ರಿಯವಾಗಿದ್ದರೆ ಭವಿಷ್ಯವನ್ನು ದ್ವಿಗುಣಗೊಳಿಸಿ
ವಿವರಣೆ: ಹಿಂದಿನ ಮಾರಾಟದ ಸಾಕ್ಷಾತ್ಕಾರದ ವಿರುದ್ಧ ಮುನ್ಸೂಚನೆಯನ್ನು ಬ್ಯಾಕ್ಟೆಡ್ ಮಾಡಬೇಕು ಮತ್ತು ದಾಸ್ತಾನು, ಪ್ರಚಾರಗಳು, ಕಾಲೋಚಿತತೆ, ಇತ್ಯಾದಿಗಳಂತಹ ಸಂದರ್ಭದೊಂದಿಗೆ ವ್ಯಾಪಾರದ ತೀರ್ಪಿನ ಮೂಲಕ ಫಿಲ್ಟರ್ ಮಾಡಬೇಕು. ಮಾದರಿಯ ಒಂದು ಬಿಂದು ಮುನ್ಸೂಚನೆಯನ್ನು ಕುರುಡಾಗಿ ನಂಬುವ ಬದಲು, ದೋಷದ ಅಂಚು ಮತ್ತು ಸನ್ನಿವೇಶಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ.
9. ಉತ್ಪಾದನಾ ವೇಳಾಪಟ್ಟಿಯಲ್ಲಿ 'ತಿಳಿ ಬಣ್ಣದಿಂದ ಗಾಢ ಬಣ್ಣಕ್ಕೆ' ಪೇಂಟ್ ಬ್ಯಾಚ್ ಆದೇಶಕ್ಕೆ ಮುಖ್ಯ ಕಾರಣವೇನು?
- ಎ) ಗಾಢ ಬಣ್ಣಗಳು ಅಗ್ಗವಾಗಿವೆ
- ಬಿ) ಬಣ್ಣ ಮಾಲಿನ್ಯದ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು ಯಂತ್ರವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಸಮಯ ✔
- ಸಿ) ತಿಳಿ ಬಣ್ಣಗಳು ಹೆಚ್ಚು ಕಾಲ ಉಳಿಯುತ್ತವೆ
- ಡಿ) ಇದು ಕೇವಲ ಸೌಂದರ್ಯದ ಆದ್ಯತೆಯಾಗಿದೆ
ವಿವರಣೆ: ಅದೇ ಯಂತ್ರದಲ್ಲಿ ಗಾಢ ಬಣ್ಣದ ನಂತರ ತಿಳಿ ಬಣ್ಣವನ್ನು ಬಣ್ಣಿಸಿದರೆ, ಸ್ವಚ್ಛಗೊಳಿಸುವ / ಮಾಲಿನ್ಯದ ಅಪಾಯ ಮತ್ತು ಹೆಚ್ಚುವರಿ ತೊಳೆಯುವ ಸಮಯ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಬೆಳಕಿನಿಂದ ಕತ್ತಲೆಗೆ ವಿಂಗಡಣೆ ಮಾಡುವುದರಿಂದ ಬಣ್ಣದ ಸ್ಮೀಯರಿಂಗ್ ಮತ್ತು ಯಂತ್ರ ಶುಚಿಗೊಳಿಸುವ ಸಮಯಗಳ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. AI ಶಿಫಾರಸುಗಳು ಈ ಪ್ರಕ್ರಿಯೆಯ ನಿರ್ಬಂಧವನ್ನು ಒಳಗೊಂಡಿರಬೇಕು.
10. ಫ್ಯಾಬ್ರಿಕ್ನ ಪರಿಸರದ ಹೆಜ್ಜೆಗುರುತನ್ನು ವರದಿ ಮಾಡುವಾಗ, AI ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ 'ಮರುಬಳಕೆಯ ಪಾಲಿಯೆಸ್ಟರ್ ನೀರಿನ ಬಳಕೆಯನ್ನು 90% ಕಡಿಮೆ ಮಾಡುತ್ತದೆ' ಎಂಬಂತಹ ಕ್ಲೈಮ್ಗೆ ಸರಿಯಾದ ವರ್ತನೆ ಯಾವುದು?
- ಎ) ಮಾರ್ಕೆಟಿಂಗ್ ಕಾಪಿಯಲ್ಲಿರುವಂತೆ ಕ್ಲೈಮ್ ಹಾಕುವುದು
- ಬಿ) ಸಿಸ್ಟಮ್ ಬೌಂಡರಿ, ಡೇಟಾ ಮೂಲ ಮತ್ತು ಪ್ರಮಾಣಪತ್ರದೊಂದಿಗೆ ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ ಕ್ಲೈಮ್ ಅನ್ನು ಬಳಸದಿರುವುದು ✔
- ಸಿ) ಸಂಖ್ಯೆ ಹೆಚ್ಚಿದ್ದರೆ ಹಕ್ಕು ಬಲವಾಗಿದೆ ಎಂದು ಊಹಿಸಿ
- ಡಿ) ಸಂಖ್ಯೆಯನ್ನು ಸುತ್ತಿ ಮತ್ತು ಅದನ್ನು ಪ್ರಕಟಿಸಿ
ವಿವರಣೆ: ಸಿಸ್ಟಮ್ ಗಡಿ (ತೊಟ್ಟಿಲು-ಗೇಟ್ ಅಥವಾ ಗೇಟ್-ಟು-ಗೇಟ್), ಡೇಟಾ ಮೂಲ ಮತ್ತು ವ್ಯಾಪ್ತಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆ ಅಂತಹ ಹಕ್ಕು ಅರ್ಥಹೀನವಾಗಿದೆ; ಇದು ಪರಿಶೀಲಿಸಬಹುದಾದ LCA ಡೇಟಾ ಮತ್ತು ಪ್ರಮಾಣೀಕರಣವನ್ನು ಆಧರಿಸಿರಬೇಕು. ಇಲ್ಲದಿದ್ದರೆ, ಹಸಿರು ತೊಳೆಯುವುದು ಮತ್ತು ಕಾನೂನು ಅಪಾಯ ಉಂಟಾಗಬಹುದು. AI ಸಂಖ್ಯೆಗಳು ಸಮಂಜಸವೆಂದು ತೋರುತ್ತದೆಯಾದರೂ, ಅವು ಸ್ವತಂತ್ರವಾಗಿ ಮೂಲವಾಗಿವೆ.
11. ಪೈಥಾನ್ನೊಂದಿಗೆ ಪಾಂಡಾಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವಾಗ AI ಬರೆದ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಲು ಮೊದಲ ಹಂತ ಯಾವುದು?
- ಎ) ಕೋಡ್ ದೋಷಗಳಿಲ್ಲದೆ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ, ಫಲಿತಾಂಶವನ್ನು ಸರಿಯಾಗಿ ಸ್ವೀಕರಿಸಿ
- ಬಿ) ಔಟ್ಪುಟ್ ಅನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಸಣ್ಣ ಡೇಟಾ ಮಾದರಿಯಲ್ಲಿ ಘಟಕ ಮತ್ತು ತರ್ಕವನ್ನು ಪರಿಶೀಲಿಸಿ ✔
- ಸಿ) ಉತ್ಪಾದನಾ ವರದಿಗೆ ನೇರವಾಗಿ ಕೋಡ್ ಅನ್ನು ಸೇರಿಸುವುದು
- ಡಿ) ಗ್ರಾಫ್ ಉತ್ತಮವಾಗಿದ್ದರೆ, ಪೂರ್ಣಗೊಂಡ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪರಿಗಣಿಸಿ.
ಟಿಪ್ಪಣಿ: ಕೋಡ್ ಕೆಲಸ ಮಾಡಿದರೂ, ತರ್ಕವು ಸರಿಯಾಗಿದೆ ಎಂದು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ; ಹಸ್ತಚಾಲಿತ ಲೆಕ್ಕಪತ್ರ ಪರಿಶೀಲನೆಯನ್ನು ಘಟಕ, ಕಾಲಮ್ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಹಲವಾರು ಸಾಲುಗಳಲ್ಲಿ ಮಾಡಬೇಕು. ಉದಾಹರಣೆಗೆ, ವ್ಯಾಕರಣವನ್ನು ಸರಾಸರಿ ಮಾಡುವಾಗ, ತಪ್ಪಾದ ಗುಂಪು ಅಥವಾ ಘಟಕ ಗೊಂದಲವು ಮೌನವಾಗಿ ತಪ್ಪಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು. ಸಣ್ಣ ಮಾದರಿಯಲ್ಲಿ, ಹಸ್ತಚಾಲಿತ ಪರಿಶೀಲನೆಯು ವೇಗವಾದ ಭರವಸೆಯಾಗಿದೆ.
12. ಜವಳಿ ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು AI ಉಪಕರಣಕ್ಕೆ ಕಳುಹಿಸುವಾಗ ಡೇಟಾ ಗೌಪ್ಯತೆಯ ವಿಷಯದಲ್ಲಿ ಉತ್ತಮ ಅಭ್ಯಾಸ ಯಾವುದು?
- ಎ) ಎಲ್ಲಾ ನಿಜವಾದ ಗ್ರಾಹಕ ಮತ್ತು ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಮಾಹಿತಿಯನ್ನು ಹಾಗೆಯೇ ಕಳುಹಿಸಿ
- ಬಿ) ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ ಮತ್ತು ಅದನ್ನು ಪ್ರತಿನಿಧಿ ಲೇಬಲ್ಗಳೊಂದಿಗೆ ಮತ್ತು ಕಾರ್ಪೊರೇಟ್ ನೀತಿಗೆ ಅನುಗುಣವಾಗಿ ಕಳುಹಿಸಿ ✔
- ಸಿ) ತುಂಬಾ ಡೇಟಾ ಇರುವುದರಿಂದ ಗೌಪ್ಯತೆ ಮುಖ್ಯವಲ್ಲ ಎಂದು ಭಾವಿಸುವುದು.
- ಡಿ) ಫೈಲ್ ಹೆಸರನ್ನು ಬದಲಾಯಿಸಿ ಮತ್ತು ವಿಷಯವನ್ನು ಹಾಗೆಯೇ ಕಳುಹಿಸಿ
ವಿವರಣೆ: ಗ್ರಾಹಕರ ಹೆಸರು, ಪಾಕವಿಧಾನ ರಹಸ್ಯ, ಬೆಲೆ ಮತ್ತು ಪೂರೈಕೆದಾರರ ಮಾಹಿತಿಯಂತಹ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಬೇಕು ಅಥವಾ ಪ್ರತಿನಿಧಿ ಲೇಬಲ್ಗಳೊಂದಿಗೆ ನೀಡಬೇಕು (ಗ್ರಾಹಕ-A, ಪಾಕವಿಧಾನ-1). ಕಾರ್ಪೊರೇಟ್ ನೀತಿಗಳು ಮತ್ತು ಒಪ್ಪಂದಗಳನ್ನು ಉಲ್ಲಂಘಿಸಿ ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳು ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಮಾದರಿಗೆ ವರ್ಗಾಯಿಸಬಾರದು.
13. ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಮಾದರಿಯು ಉತ್ಪಾದನಾ ಸಾಲಿನಲ್ಲಿ 98% ನಿಖರತೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ ಆದರೆ ಕ್ಷೇತ್ರದಲ್ಲಿ ಅನೇಕ ದೋಷಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ. ಇದಕ್ಕೆ ಹೆಚ್ಚಾಗಿ ಕಾರಣವೇನು?
- ಎ) ಅಸಮತೋಲಿತ ಡೇಟಾದ ಕಾರಣ ನಿಖರತೆ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ದೋಷದ ವರ್ಗದ ಸೂಕ್ಷ್ಮತೆ (ಮರುಪಡೆಯುವಿಕೆ) ಕಡಿಮೆ ✔
- ಬಿ) ಮಾದರಿಯು ತುಂಬಾ ನಿಧಾನವಾಗಿ ಚಲಿಸುತ್ತಿದೆ
- ಸಿ) ಏಕೆಂದರೆ ಕ್ಯಾಮೆರಾ ಬಣ್ಣವಾಗಿದೆ
- ಡಿ) 98% ಈಗಾಗಲೇ ಪರಿಪೂರ್ಣವಾಗಿದೆ, ಸಮಸ್ಯೆ ಆಪರೇಟರ್ನಲ್ಲಿದೆ
ವಿವರಣೆ: ಡೇಟಾ ಸೆಟ್ನಲ್ಲಿ (ಅಸಮತೋಲಿತ ಡೇಟಾ) ದೋಷಗಳಿರುವ ಮಾದರಿಗಳು ಬಹಳ ಕಡಿಮೆಯಿರುವಾಗ, ಮಾದರಿಯು ಎಲ್ಲವನ್ನೂ 'ಪರಿಪೂರ್ಣ' ಎಂದು ಕರೆಯುವ ಮೂಲಕ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಬಹುದು ಆದರೆ ನಿಜವಾದ ದೋಷಗಳನ್ನು ಸೆರೆಹಿಡಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಆದ್ದರಿಂದ ನಿಖರತೆ ಮಾತ್ರ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ದೋಷದ ವರ್ಗಕ್ಕೆ ಸೂಕ್ಷ್ಮತೆ (ಮರುಪಡೆಯುವಿಕೆ) ಮತ್ತು ನಿಖರತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು.
14. ಮಾಡ್ಯೂಲ್ನಾದ್ಯಂತ ಒತ್ತಿಹೇಳಲಾದ ಪ್ರಮುಖ ತತ್ವದ ಪ್ರಕಾರ, ಸುರಕ್ಷತೆ ಮತ್ತು ಒಪ್ಪಂದ-ನಿರ್ಣಾಯಕ ಜವಳಿ ನಿರ್ಧಾರಗಳಲ್ಲಿ AI ನ ಪಾತ್ರವೇನು?
- ಎ) AI ತನ್ನದೇ ಆದ ಮೇಲೆ ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು ಏಕೆಂದರೆ ಅದು ವೇಗವಾಗಿರುತ್ತದೆ
- ಬಿ) AI ಸಹಾಯಕ; ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳನ್ನು ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆ ಮತ್ತು ದೈಹಿಕ ಪರೀಕ್ಷೆಯಿಂದ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ ✔
- ಸಿ) AI ಔಟ್ಪುಟ್ ಸಹಿ ಮಾಡಿದ ವರದಿಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ
- ಡಿ) ಅತ್ಯಂತ ಪ್ರಸ್ತುತ ಮಾದರಿಯನ್ನು ಬಳಸಿದಾಗ ಮಾನವ ದೃಢೀಕರಣವು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ
ವಿವರಣೆ: AI ಸಹಾಯಕ ಮತ್ತು ವೇಗವರ್ಧಕವಾಗಿದೆ; ಊಹೆಗಳನ್ನು ರಚಿಸುತ್ತದೆ, ಕರಡುಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ, ಮಾದರಿಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಪೇಂಟಿಂಗ್ ರೆಸಿಪಿ ಅನುಮೋದನೆ, ಗುಣಮಟ್ಟದ ಸ್ವೀಕಾರ, ಸಾಮರ್ಥ್ಯ/ಸುರಕ್ಷತೆಯ ಮೌಲ್ಯಮಾಪನದಂತಹ ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಿಗೆ ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆ ಮತ್ತು ದೈಹಿಕ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. AI ಔಟ್ಪುಟ್ ತಜ್ಞರ ಅನುಮೋದನೆಗೆ ಬದಲಿಯಾಗಿಲ್ಲ.