ಎಂಡ್-ಟು-ಎಂಡ್ ಇಂಟಿಗ್ರೇಷನ್, MLOps ಮತ್ತು ಇಂಜಿನಿಯರ್ ಜವಾಬ್ದಾರಿ

ಲಾಭಗಳು:

• ಪರಿಕಲ್ಪನೆಯಿಂದ ಉತ್ಪಾದನೆಗೆ AI-ಬೆಂಬಲಿತ ಆಟೋಮೋಟಿವ್ ಯೋಜನೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣಾ ಚಕ್ರದೊಂದಿಗೆ ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಮಾದರಿ ಆವೃತ್ತಿ ನಿರ್ವಹಣೆ, ಡೇಟಾ ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಮರುತರಬೇತಿ ಅಗತ್ಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ಯೋಜನೆಯ ಉದ್ದಕ್ಕೂ ಹೊಣೆಗಾರಿಕೆ, ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಮತ್ತು ದಾಖಲಾತಿಗಳನ್ನು ನಿರ್ವಹಿಸುವಾಗ AI ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಅಳೆಯುವ ಸಾಮರ್ಥ್ಯ

ಈ ಮಾಡ್ಯೂಲ್ನ ಕೊನೆಯ ಘಟಕದಲ್ಲಿ, ನಾವು ಎಲ್ಲಾ ತುಣುಕುಗಳನ್ನು ಒಟ್ಟಿಗೆ ತರುತ್ತೇವೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಪ್ರತ್ಯೇಕ ಘಟಕಗಳಲ್ಲಿ, ವಿನ್ಯಾಸದಿಂದ ಉತ್ಪಾದನೆಗೆ, ಪರೀಕ್ಷೆಯಿಂದ ಪೂರೈಕೆ ಸರಪಳಿಗೆ ಹೇಗೆ ಬಳಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ನೋಡಿದ್ದೇವೆ. ಆದರೆ ನಿಜವಾದ ಯೋಜನೆಯಲ್ಲಿ, ಇವುಗಳು ಪ್ರತ್ಯೇಕ ಹಂತಗಳಲ್ಲ, ಆದರೆ ಜೀವನ ಚಕ್ರ: ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ, ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲಾಗುತ್ತದೆ, ಅದನ್ನು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇರಿಸಲಾಗುತ್ತದೆ, ಅದನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಅದು ಹಳೆಯದಾದಾಗ, ಅದನ್ನು ನವೀಕರಿಸಲಾಗುತ್ತದೆ. ಈ ಚಕ್ರವನ್ನು ನಿರ್ವಹಿಸುವ ಶಿಸ್ತನ್ನು MLOps (ಯಂತ್ರ ಕಲಿಕೆಯ ಕಾರ್ಯಾಚರಣೆಗಳು) ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಈ ಘಟಕವು AI-ಚಾಲಿತ ಆಟೋಮೋಟಿವ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗೆ ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಹೊಂದಿಸುವುದು, ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದನ್ನು ಒಳಗೊಳ್ಳುತ್ತದೆ.

AI ಯೋಜನೆಯ ಜೀವನಚಕ್ರ

ಆಟೋಮೋಟಿವ್ ಸಂದರ್ಭದಲ್ಲಿ ವಿಶಿಷ್ಟವಾದ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಹರಿವು:

1. ಸಮಸ್ಯೆ ಮತ್ತು ಮೌಲ್ಯದ ವ್ಯಾಖ್ಯಾನ: ನಾವು ಯಾವ ವ್ಯವಹಾರ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತಿದ್ದೇವೆ? ಯಶಸ್ಸನ್ನು ಹೇಗೆ ಅಳೆಯಲಾಗುತ್ತದೆ? ಇದು ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ಕಾರ್ಯವೇ?
2. ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಲೇಬಲಿಂಗ್: ಮೂಲಗಳು (CAN, ಪರೀಕ್ಷೆ, ಉತ್ಪಾದನೆ, ಟೆಲಿಮ್ಯಾಟಿಕ್ಸ್), ಗುಣಮಟ್ಟ, ಗೌಪ್ಯತೆ.
3. ಮಾದರಿ ಅಭಿವೃದ್ಧಿ: ಗುಣಲಕ್ಷಣ, ಮಾದರಿ, ಪರಿಶೀಲನೆ (ಸೋರಿಕೆ ನಿಯಂತ್ರಣ, ಘಟಕದ ಸ್ಥಿರತೆ).
4. ಪರಿಶೀಲನೆ ಮತ್ತು ಭದ್ರತಾ ಮೌಲ್ಯಮಾಪನ: ISO 26262/SOTIF ಅಗತ್ಯವಿದ್ದರೆ ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆ.
5. ನಿಯೋಜನೆ: ಮಾದರಿಯನ್ನು ಅಪ್ಲೈಯನ್ಸ್‌ಗೆ, ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಅಥವಾ ಕ್ಲೌಡ್‌ನಲ್ಲಿ ನಿಯೋಜಿಸುವುದು.
6. ಮಾನಿಟರಿಂಗ್: ಕಾರ್ಯಕ್ಷಮತೆ, ಡೇಟಾ ಡ್ರಿಫ್ಟ್, ಎಚ್ಚರಿಕೆಯ ನಿಖರತೆ.
7. ಮರುತರಬೇತಿ: ಅದು ಹಳೆಯದಾದಾಗ ಮಾದರಿಯನ್ನು ನವೀಕರಿಸುವುದು.
8. ದಾಖಲೆ ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವಿಕೆ: ಪ್ರತಿ ಹಂತದ ದಾಖಲೆ; ಯಾರು, ಯಾವಾಗ, ಏಕೆ.

ಈ ಚಕ್ರವು ಒಮ್ಮೆ ಮತ್ತು ಎಲ್ಲರಿಗೂ ಕೊನೆಗೊಳ್ಳುವುದಿಲ್ಲ; ನಿರಂತರವಾಗಿ ಸುತ್ತುತ್ತದೆ. ಆಟೋಮೋಟಿವ್‌ನಲ್ಲಿ, ಮಾದರಿಯನ್ನು "ಹೊಂದಿಸುವುದು ಮತ್ತು ಮರೆತುಬಿಡುವುದು" ಅಪಾಯಕಾರಿ.

ಸಲಹೆ: ಯೋಜನೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವಾಗ, "ಈ ಮಾದರಿಯು ಕ್ಷೇತ್ರದಲ್ಲಿ ಒಮ್ಮೆ, ಯಾವ ಮೆಟ್ರಿಕ್‌ನೊಂದಿಗೆ ಮತ್ತು ಎಷ್ಟು ಬಾರಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತದೆ?" ನೀವು ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೆ, ಮಾದರಿಯು ಇನ್ನೂ ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧವಾಗಿಲ್ಲ.

ಮಾದರಿ ಆವೃತ್ತಿ ನಿರ್ವಹಣೆ ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವಿಕೆ

ಆಟೋಮೋಟಿವ್‌ನಲ್ಲಿ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಒಂದು ಐಷಾರಾಮಿ ಅಲ್ಲ, ಆದರೆ ಸಾಮಾನ್ಯವಾಗಿ ಕಾನೂನು ಬಾಧ್ಯತೆಯಾಗಿದೆ. ಸಮಸ್ಯೆ ಉಂಟಾದಾಗ, "ಯಾವ ಮಾದರಿ ಆವೃತ್ತಿ, ಯಾವ ಡೇಟಾದೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಲಾಗಿದೆ, ಯಾರು ಅದನ್ನು ಅನುಮೋದಿಸಿದ್ದಾರೆ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ನೀವು ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು:

• ಮಾದರಿ ಆವೃತ್ತಿ: ಪ್ರತಿ ಮಾದರಿಯ ಸಂಖ್ಯೆ, ತರಬೇತಿ ಡೇಟಾ ಮತ್ತು ದಿನಾಂಕವನ್ನು ದಾಖಲಿಸಲಾಗಿದೆ.
• ಡೇಟಾ ಆವೃತ್ತಿ: ಇದು ತರಬೇತಿ ಪಡೆದ ಡೇಟಾವನ್ನು ಫ್ರೀಜ್ ಮಾಡಲಾಗಿದೆ.
• ನಿರ್ಧಾರದ ದಾಖಲೆ: ಅನುಮೋದನೆಯನ್ನು ಯಾರಿಂದ ಮತ್ತು ಯಾವ ಪುರಾವೆಗಳೊಂದಿಗೆ ನೀಡಲಾಗಿದೆ.
• ರೋಲ್ಬ್ಯಾಕ್ ಯೋಜನೆ: ಹೊಸ ಮಾದರಿಯು ಕೆಟ್ಟದ್ದಾಗಿದ್ದರೆ, ನೀವು ಹಳೆಯದಕ್ಕೆ ಹಿಂತಿರುಗಬಹುದು.

ಐಟಂ

ಅದು ಏಕೆ ಅಗತ್ಯ

ತಪ್ಪಿದರೆ ಅಪಾಯ

ಮಾದರಿ ಆವೃತ್ತಿ

ಯಾವ ಆವೃತ್ತಿಯು ಕ್ಷೇತ್ರದಲ್ಲಿದೆ?

ಸಮಸ್ಯೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಿಲ್ಲ

ಡೇಟಾ ಆವೃತ್ತಿ

ಅವನು ಏನು ತರಬೇತಿ ಪಡೆದನು?

ಪುನರುತ್ಪಾದಿಸಲಾಗುವುದಿಲ್ಲ

ಅನುಮೋದನೆ ದಾಖಲೆ

ಯಾರು ಹೊಣೆ?

ಜವಾಬ್ದಾರರಾಗಿರಲು ಸಾಧ್ಯವಿಲ್ಲ

ರದ್ದುಮಾಡು

ಕೆಟ್ಟ ಆವೃತ್ತಿಯಿಂದ ಹಿಂತಿರುಗಿ

ಕ್ಷೇತ್ರದಲ್ಲಿ ದೀರ್ಘ ಅಲಭ್ಯತೆ

ಡೇಟಾ ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಮಾದರಿ ಕೊಳೆತ

ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಪ್ರಪಂಚದ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್ ಆಗಿದೆ. ಆದರೆ ಪ್ರಪಂಚವು ಬದಲಾಗುತ್ತದೆ: ಹೊಸ ಬಿಡಿಭಾಗಗಳ ಪೂರೈಕೆದಾರರು ವಿಭಿನ್ನ ಸಂವೇದಕ ಸಹಿಷ್ಣುತೆಯನ್ನು ತರುತ್ತಾರೆ, ಹೊಸ ವಾಹನ ಮಾದರಿಯು ಹೊರಬರುತ್ತದೆ, ಋತುಗಳು ಬದಲಾಗುತ್ತವೆ, ಚಾಲನಾ ಅಭ್ಯಾಸಗಳು ಬದಲಾಗುತ್ತವೆ. ಇನ್‌ಪುಟ್ ಡೇಟಾದ ವಿತರಣೆಯು ತರಬೇತಿ ಸಮಯದಿಂದ ದೂರ ಹೋದಂತೆ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯು ಮೌನವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಈ ಡೇಟಾ ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ಇಳಿಕೆಯನ್ನು ಮಾದರಿ ಕೊಳೆತ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.

ಅಪಾಯವೆಂದರೆ ಈ ಕುಸಿತವು ಮೌನವಾಗಿದೆ: ಮಾದರಿಯು ಕುಸಿಯುವುದಿಲ್ಲ, ದೋಷಗಳನ್ನು ಮಾಡುವುದಿಲ್ಲ, ಅದು ಹೆಚ್ಚು ಹೆಚ್ಚು ತಪ್ಪಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ:

• ಇನ್‌ಪುಟ್ ವಿತರಣೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ (ಡ್ರಿಫ್ಟ್ ಪತ್ತೆ).
• ನೈಜ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ (ಅಲಾರಮ್‌ಗಳು ನಿಖರವಾಗಿವೆಯೇ?).
• ಮಿತಿ ಮೀರಿದಾಗ ಮರುತರಬೇತಿಯನ್ನು ಪ್ರಚೋದಿಸಿ.

ಎಚ್ಚರಿಕೆ: "ಮಾದರಿಯು ಒಮ್ಮೆ ತರಬೇತಿ ಪಡೆದರೆ, ಅದು ಶಾಶ್ವತವಾಗಿ ಅದೇ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ" ಎಂಬ ಊಹೆಯು ವಾಹನದಲ್ಲಿ ತಪ್ಪು ಮತ್ತು ಅಪಾಯಕಾರಿಯಾಗಿದೆ. ಡ್ರಿಫ್ಟ್ ಮಾನಿಟರಿಂಗ್ ಇಲ್ಲದೆ ಉತ್ಪಾದನೆಗೆ ಒಳಪಡಿಸಿದ ಮಾದರಿಯು ತಿಳಿಯದೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.

ಎಂಡ್-ಟು-ಎಂಡ್ ಉದಾಹರಣೆ ಸನ್ನಿವೇಶ: ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ ಫ್ಲೀಟ್

ಅದನ್ನು ಕಾಂಕ್ರೀಟ್ ಮಾಡೋಣ. ನೀವು ಕಾರ್ಗೋ ಫ್ಲೀಟ್‌ಗಾಗಿ ಟರ್ಬೊ ವೈಫಲ್ಯದ ಮುಂಚಿನ ಎಚ್ಚರಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಸ್ಥಾಪಿಸುತ್ತಿರುವಿರಿ:

1. ಮೌಲ್ಯ: ಅಲಭ್ಯತೆ ಮತ್ತು ಎಳೆಯುವ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಿ; ಯಶಸ್ಸು = ನಿಜವಾದ ತಪ್ಪು/ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ಸಮತೋಲನವನ್ನು ಸೆರೆಹಿಡಿಯಲಾಗಿದೆ.
2. ಡೇಟಾ: 40 ವಾಹನಗಳ CAN ಸಂಕೇತಗಳು, ಐತಿಹಾಸಿಕ ತಪ್ಪು ದಾಖಲೆಗಳು; VIN ಅನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಲಾಗಿದೆ.
3. ಮಾದರಿ: ಅಸಂಗತತೆ + RUL; ಸಮಯ ಸರಣಿ ಸೋರಿಕೆಯನ್ನು ತಡೆಗಟ್ಟಲಾಗಿದೆ; ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ.
4. ಪರಿಶೀಲನೆ: ಹಿಂದಿನ ದೋಷಗಳ ಬಗ್ಗೆ ಬ್ಯಾಕ್‌ಟೆಸ್ಟಿಂಗ್; ಸುಳ್ಳು ಎಚ್ಚರಿಕೆಯ ವೆಚ್ಚವನ್ನು ಅಳೆಯಲಾಯಿತು.
5. ಉತ್ಪಾದನೆ: ಕ್ಲೌಡ್‌ನಲ್ಲಿ ದೈನಂದಿನ ಸ್ಕೋರ್; ತಂತ್ರಜ್ಞನಿಗೆ ಫಲಕ.
6. ಮಾನಿಟರಿಂಗ್: ಹೊಸ ವಾಹನ ಮಾದರಿಯನ್ನು ಸೇರಿಸಿದಾಗ ಡ್ರಿಫ್ಟ್ ನಿಯಂತ್ರಣ; ವಾರಕ್ಕೊಮ್ಮೆ ಎಚ್ಚರಿಕೆಯ ನಿಖರತೆ.
7. ಮರುತರಬೇತಿ: ಹೊಸ ವಾಹನದ ಪ್ರಕಾರ ಮತ್ತು ಹೊಸ ದೋಷದ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ತ್ರೈಮಾಸಿಕ ನವೀಕರಿಸಿ.
8. ದಾಖಲೆ: ಮಾದರಿ ಆವೃತ್ತಿ, ಡೇಟಾ ಆವೃತ್ತಿ, ಪ್ರಮಾಣೀಕರಿಸುವ ಎಂಜಿನಿಯರ್ ನೋಂದಾಯಿಸಲಾಗಿದೆ.

ಈ ಹರಿವಿನ ಯಾವುದೇ ಹಂತವು "AI ನಿರ್ಧರಿಸಿದೆ, ಮುಗಿದಿದೆ" ಎಂದು ಹೇಳುವುದಿಲ್ಲ; ಪ್ರತಿ ಹಂತಕ್ಕೂ ಒಬ್ಬ ವ್ಯಕ್ತಿ ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ.

ಮಿನಿ ಕೇಸ್ ಸ್ಟಡೀಸ್

ಪ್ರಕರಣ 1 - ಮೌನ ಕೊಳೆತ. ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ ಮಾದರಿಯು ಒಂದು ವರ್ಷದವರೆಗೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ನಂತರ ಸೋರಿಕೆ ಪ್ರಮಾಣವು ನಿಧಾನವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ. ಮೂಲ ಕಾರಣ: ಪೂರೈಕೆದಾರ ಬದಲಾದಾಗ, ಭಾಗದ ಮೇಲ್ಮೈ ವಿನ್ಯಾಸವು ಸ್ವಲ್ಪ ವಿಭಿನ್ನವಾಯಿತು (ಡ್ರಿಫ್ಟ್), ಮತ್ತು ಮಾದರಿಯು ಇದನ್ನು "ಸಾಮಾನ್ಯ" ಎಂದು ಭಾವಿಸಲು ಪ್ರಾರಂಭಿಸಿತು. ಡ್ರಿಫ್ಟ್ ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿದೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ. ಫಲಿತಾಂಶ: ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ, ದುರ್ಬಲತೆಯು ತಿಂಗಳುಗಳವರೆಗೆ ಗಮನಕ್ಕೆ ಬರುವುದಿಲ್ಲ.

ಪ್ರಕರಣ 2 - ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಉಳಿಸಲಾಗಿದೆ. ಕ್ಷೇತ್ರದಿಂದ ಸುಳ್ಳು ಎಚ್ಚರಿಕೆಯ ದೂರು ಬರುತ್ತಿದೆ. ನಿರ್ಧಾರದ ಲಾಗ್‌ನಿಂದ, ಯಾವ ಮಾದರಿಯ ಆವೃತ್ತಿಯು ಯಾವ ಡೇಟಾದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ತಂಡವು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ; ನಿರ್ದಿಷ್ಟ ಆವೃತ್ತಿಯಲ್ಲಿನ ಥ್ರೆಶೋಲ್ಡ್ ಸೆಟ್ಟಿಂಗ್‌ನಿಂದ ಸಮಸ್ಯೆ ಬಂದಿದೆ ಎಂದು ಅದು ಪತ್ತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಆ ಆವೃತ್ತಿಯನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ಫಲಿತಾಂಶ: ಯಾವುದೇ ಆವೃತ್ತಿ ಮತ್ತು ನಿರ್ಧಾರ ದಾಖಲೆ ಇಲ್ಲದಿದ್ದರೆ, ಸಮಸ್ಯೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಪ್ರಕರಣ 3 - ಮರುತರಬೇತಿ ಶಿಸ್ತು. ಹೊಸ ಎಲೆಕ್ಟ್ರಿಕ್ ಮಾದರಿಯು ಫ್ಲೀಟ್‌ಗೆ ಸೇರಿದಾಗ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಭವಿಷ್ಯ ನಿರ್ವಹಣಾ ಮಾದರಿಯು ಈ ವಾಹನದ ಮೇಲೆ ಬಹಳಷ್ಟು ಸುಳ್ಳು ಎಚ್ಚರಿಕೆಗಳನ್ನು ಹುಟ್ಟುಹಾಕುತ್ತದೆ (ಇದು ಎಂದಿಗೂ ನೋಡದ ಪವರ್‌ಟ್ರೇನ್). ಹೊಸ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸುವ ಮೊದಲು, ತಂಡವು ಡ್ರಿಫ್ಟ್ ಎಚ್ಚರಿಕೆಯನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಹೊಸ ವಾಹನ ಡೇಟಾದೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ. ಫಲಿತಾಂಶ: ಡ್ರಿಫ್ಟ್ ಮಾನಿಟರಿಂಗ್ ಹೊಸ ಉತ್ಪನ್ನದೊಂದಿಗೆ ಬಂದ ಅವನತಿಯನ್ನು ಮೊದಲೇ ಹಿಡಿದಿದೆ.

ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೆಟ್ಗಳು

ಟೆಂಪ್ಲೇಟ್ 1 - ಪ್ರಾಜೆಕ್ಟ್ ಪ್ಲಾನ್ ಡ್ರಾಫ್ಟ್:

ಪಾತ್ರ: AI ಪ್ರಾಜೆಕ್ಟ್ ಲೀಡರ್ (ಆಟೋಮೋಟಿವ್).ಕಾರ್ಯ: AI-ಚಾಲಿತ ಯೋಜನೆಯನ್ನು ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ ಯೋಜಿಸಲು ನನಗೆ ಸಹಾಯ ಮಾಡಿ. ಸಂದರ್ಭ: ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ; 40 ವಾಹನಗಳ ಫ್ಲೀಟ್; VIN ಅನಾಮಧೇಯವಾಗಿದೆ.ನಿರ್ಬಂಧ: ಮೌಲ್ಯ ವ್ಯಾಖ್ಯಾನ, ಡೇಟಾ, ಮಾದರಿ, ಪರಿಶೀಲನೆ, ಉತ್ಪಾದನೆ, ಮೇಲ್ವಿಚಾರಣೆ, ಮರುತರಬೇತಿ ಮತ್ತು ದಾಖಲೀಕರಣದ ಹಂತಗಳನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಪರಿಗಣಿಸಿ; ಪ್ರತಿ ಹಂತಕ್ಕೆ ಯಾರು ಜವಾಬ್ದಾರರು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ. ಔಟ್ಪುಟ್: ಹಂತ | ಔಟ್ಪುಟ್ | ಜವಾಬ್ದಾರಿ | ಅಪಾಯ ಕೋಷ್ಟಕ.

ಟೆಂಪ್ಲೇಟ್ 2 - ಮಾನಿಟರಿಂಗ್ ಯೋಜನೆ:

ಪಾತ್ರ: ನೀವು MLOps ಇಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಫೀಲ್ಡ್ ಮಾಡಲಾದ ಮಾದರಿಗಾಗಿ ಮೇಲ್ವಿಚಾರಣಾ ಯೋಜನೆಯನ್ನು ಶಿಫಾರಸು ಮಾಡಿ. ಸಂದರ್ಭ: ಇನ್‌ಪುಟ್ ವಿತರಣೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗಬಹುದು (ಹೊಸ ಪೂರೈಕೆದಾರ, ಹೊಸ ಉಪಕರಣ); ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೈಜ ಫಲಿತಾಂಶಗಳಿಂದ ಅಳೆಯಬಹುದು. ಔಟ್‌ಪುಟ್: ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಮೆಟ್ರಿಕ್ | ಮಿತಿ | ಪ್ರಚೋದಿಸಬೇಕಾದ ಕ್ರಿಯೆ.

ಟೆಂಪ್ಲೇಟ್ 3 - ಡ್ರಿಫ್ಟ್ ರೇಟಿಂಗ್:

ಪಾತ್ರ: ಡೇಟಾ ವಿಜ್ಞಾನಿ. ಕಾರ್ಯ: ಡೇಟಾ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ಹೇಗೆ ಕಂಡುಹಿಡಿಯುವುದು ಮತ್ತು ಮರುತರಬೇತಿ ಅಗತ್ಯವಿದ್ದಾಗ ವಿವರಿಸಿ. ಸಂದರ್ಭ: ಉತ್ಪಾದನಾ ಸಾಲಿನ ದೃಶ್ಯ ತಪಾಸಣೆ ಮಾದರಿ; ಪೂರೈಕೆದಾರರಲ್ಲಿ ಬದಲಾವಣೆ ಇರಬಹುದು. ಔಟ್ಪುಟ್: ಸಿಗ್ನಲ್ | ಅಳತೆ | ಮರುತರಬೇತಿ ಪ್ರಚೋದಕ.

ಟೆಂಪ್ಲೇಟ್ 4 - ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ:

ಪಾತ್ರ: ನೀವು ಗುಣಮಟ್ಟ/ಅನುಸರಣೆ ಲೆಕ್ಕ ಪರಿಶೋಧಕರು. ಕಾರ್ಯ: ಮಾದರಿಗಾಗಿ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ರಚಿಸಿ. ಸಂದರ್ಭ: ಆಟೋಮೋಟಿವ್; ಸಮಸ್ಯೆ ಉಂಟಾದಾಗ, 'ಯಾವ ಆವೃತ್ತಿ, ಯಾವ ಡೇಟಾ, ಯಾರು ಅದನ್ನು ಅನುಮೋದಿಸಿದ್ದಾರೆ' ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಬೇಕು. ಔಟ್‌ಪುಟ್: ಐಟಂ | ಏಕೆ ಬೇಕು | ಚಾರ್ಟ್ ಅನ್ನು ಹೇಗೆ ಉಳಿಸುವುದು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಮಾದರಿಯನ್ನು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇರಿಸಿ.

ಯಾವುದೇ ಟ್ರ್ಯಾಕಿಂಗ್ ಇಲ್ಲ, ಯಾವುದೇ ಆವೃತ್ತಿಯಿಲ್ಲ, ಯಾವುದೇ ಹೊಣೆಗಾರಿಕೆ ಮತ್ತು ರೋಲ್ಬ್ಯಾಕ್ಗಳಿಲ್ಲ; ಮೌನ ಕೊಳೆತ ಮತ್ತು ಪತ್ತೆಹಚ್ಚಲಾಗದ ಸಮಸ್ಯೆಗಳು ಅನಿವಾರ್ಯ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಪಾತ್ರ: ನೀವು MLOps ಮತ್ತು ಆಟೋಮೋಟಿವ್ ಗುಣಮಟ್ಟದ ಸಲಹೆಗಾರರು. ಕಾರ್ಯ: ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ರಚಿಸಿ ನಾನು ಜವಾಬ್ದಾರಿಯುತವಾಗಿ ಉತ್ಪಾದನೆಗೆ ಮಾದರಿಯನ್ನು ಹಾಕಬೇಕಾಗಿದೆ. ಸಂದರ್ಭ: ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ ಫ್ಲೀಟ್; ಹೊಸ ವಾಹನ ಪ್ರಕಾರಗಳನ್ನು ಕಾಲಾನಂತರದಲ್ಲಿ ಸೇರಿಸಲಾಗುತ್ತದೆ; ವಿಐಎನ್ ಅನಾಮಧೇಯ. ನಿರ್ಬಂಧ: ಮೇಲ್ವಿಚಾರಣೆ, ಡ್ರಿಫ್ಟ್ ಪತ್ತೆ, ಆವೃತ್ತಿ/ಡೇಟಾ ಲಾಗಿಂಗ್, ದೃಢೀಕರಣ ಮತ್ತು ರೋಲ್‌ಬ್ಯಾಕ್ ಯೋಜನೆ; ಪ್ರತಿ ಐಟಂಗೆ ಯಾರು ಜವಾಬ್ದಾರರು ಎಂದು ತಿಳಿಸಿ; 'ಅದನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಮರೆತುಬಿಡಿ' ಪ್ರತಿಪಾದನೆ. ಔಟ್‌ಪುಟ್: ಹಂತ | ಅವಶ್ಯಕತೆ | ಜವಾಬ್ದಾರಿ | ಅಪಾಯ ಕೋಷ್ಟಕ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• "ಅದನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಮರೆತುಬಿಡಿ" ವಿಧಾನ. ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ, ಮಾದರಿಯು ಸದ್ದಿಲ್ಲದೆ ಕೊಳೆಯುತ್ತದೆ.
• ಆವೃತ್ತಿ/ಡೇಟಾ ದಾಖಲೆಗಳನ್ನು ಇಟ್ಟುಕೊಳ್ಳುತ್ತಿಲ್ಲ. ಸಮಸ್ಯೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಅಥವಾ ಪುನರುತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
• ಯಾವುದೇ ರೋಲ್ಬ್ಯಾಕ್ ಯೋಜನೆ ಇಲ್ಲ. ಕೆಟ್ಟ ಬಿಡುಗಡೆಯಿಂದ ಚೇತರಿಸಿಕೊಳ್ಳಲು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಂಡರೆ, ಕ್ಷೇತ್ರದಲ್ಲಿ ದೀರ್ಘ ವೈಫಲ್ಯ ಇರುತ್ತದೆ.
• ಡ್ರಿಫ್ಟ್‌ಗಾಗಿ ಕಾಯುತ್ತಿಲ್ಲ. ಹೊಸ ಪೂರೈಕೆದಾರ/ಉಪಕರಣ/ಋತುವು ಮಾದರಿಯನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ; ಮೇಲ್ವಿಚಾರಣೆ ಅತ್ಯಗತ್ಯ.
• ಜವಾಬ್ದಾರಿಯನ್ನು ಅಸ್ಪಷ್ಟವಾಗಿ ಬಿಡುವುದು. "ಯಾರು ಹೊಣೆ" ಎಂಬುದಕ್ಕೆ ಉತ್ತರವು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಸ್ಪಷ್ಟವಾಗಿರಬೇಕು.

ಸಾರಾಂಶದಲ್ಲಿ

• AI-ಚಾಲಿತ ಆಟೋಮೋಟಿವ್ ಯೋಜನೆಯು ಒಂದು-ಆಫ್ ಅಲ್ಲ ಆದರೆ ರೋಲಿಂಗ್ ಜೀವನಚಕ್ರ (MLOps).
• ಮಾದರಿ ಮತ್ತು ಡೇಟಾ ಆವೃತ್ತಿ, ನಿರ್ಧಾರ ಲಾಗಿಂಗ್ ಮತ್ತು ರೋಲ್‌ಬ್ಯಾಕ್ ಯೋಜನೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆಗೆ ಅತ್ಯಗತ್ಯ.
• ಡೇಟಾ ಡ್ರಿಫ್ಟ್ ಮೌನವಾಗಿ ಮಾದರಿಯನ್ನು ನಿರಾಕರಿಸುತ್ತದೆ; ಇನ್ಪುಟ್ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು ಮತ್ತು ಅಗತ್ಯವಿರುವಂತೆ ಮರುತರಬೇತಿ ನೀಡಬೇಕು.
• ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಉದಾಹರಣೆಯಲ್ಲಿ, ಪ್ರತಿ ಹಂತಕ್ಕೂ ಒಬ್ಬ ಮಾನವನು ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ; "AI ನಿರ್ಧರಿಸಿದೆ, ಅದು ಮುಗಿದಿದೆ" ಇಲ್ಲ.
• "ಅದನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಮರೆತುಬಿಡಿ" ವಾಹನದಲ್ಲಿ ಅಪಾಯಕಾರಿ; ಯೋಜನೆಯ ಉದ್ದಕ್ಕೂ ಮೇಲ್ವಿಚಾರಣೆ, ದಾಖಲಾತಿ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯನ್ನು ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಈ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ನೀವು ಕಲಿತದ್ದನ್ನು ಒಂದೇ ಪ್ರಾಜೆಕ್ಟ್‌ಗೆ ಸಂಯೋಜಿಸಿ (ಉದಾ. ಉತ್ಪಾದನಾ ಸಾಲಿನ ದೃಶ್ಯ ತಪಾಸಣೆ ಅಥವಾ ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ). (1) ಟೆಂಪ್ಲೇಟ್ 1 ನೊಂದಿಗೆ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಯೋಜನೆಯ ಯೋಜನೆಯನ್ನು ಕರಡು ಮಾಡಿ; ಪ್ರತಿ ಹಂತಕ್ಕೂ ಜವಾಬ್ದಾರರಾಗಿರುವ ವ್ಯಕ್ತಿಯನ್ನು ಬರೆಯಿರಿ. (2) ಟೆಂಪ್ಲೇಟ್ 2 ನೊಂದಿಗೆ ಮಾನಿಟರಿಂಗ್ ಪ್ಲಾನ್ ಮತ್ತು ಡ್ರಿಫ್ಟ್ ಟ್ರಿಗ್ಗರ್‌ಗಳನ್ನು ವಿವರಿಸಿ. (3) ಟೆಂಪ್ಲೇಟ್ 4 ನೊಂದಿಗೆ ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ತಯಾರಿಸಿ. (4) ಈ ಯೋಜನೆಗೆ ಮಾಡ್ಯೂಲ್‌ನ ಪ್ರಾರಂಭದಿಂದ ನೀವು ಮೂರು ಆಂಕರ್ ವಿಭಾಗಗಳನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಪ್ಯಾರಾಗ್ರಾಫ್‌ನಲ್ಲಿ ಸಾರಾಂಶಗೊಳಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಯೋಜನೆಯನ್ನು ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಜೀವನ ಚಕ್ರವಾಗಿ ಯೋಜಿಸಿದೆ.
• [ ] ನಾನು ನಿರ್ಧಾರದ ದಾಖಲೆಯನ್ನು ಮಾದರಿ ಮತ್ತು ಡೇಟಾ ಆವೃತ್ತಿಯೊಂದಿಗೆ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಮೇಲ್ವಿಚಾರಣಾ ಯೋಜನೆ ಮತ್ತು ಡ್ರಿಫ್ಟ್ ಟ್ರಿಗ್ಗರ್‌ಗಳನ್ನು ಹೊಂದಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ರೋಲ್‌ಬ್ಯಾಕ್ ಯೋಜನೆಯನ್ನು ಸಿದ್ಧಪಡಿಸಿದೆ.
• [ ] ಪ್ರತಿ ಹಂತಕ್ಕೂ ಯಾರು ಹೊಣೆ ಎಂದು ನಾನು ಸ್ಪಷ್ಟಪಡಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಮೂರು ಆಂಕರ್ ಮೌಲ್ಯೀಕರಣ ವಿಭಾಗಗಳು ಮತ್ತು ಮಾನವ ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ಮೌಲ್ಯೀಕರಣವನ್ನು ನಿರ್ವಹಿಸಿದೆ.

ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ

1. ಆಟೋಮೋಟಿವ್ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರದಲ್ಲಿ AI ಔಟ್‌ಪುಟ್‌ನ ಪಾತ್ರವೇನು (ಉದಾ. ಬ್ರೇಕ್ ಸಾಫ್ಟ್‌ವೇರ್ ಪರಿಶೀಲನೆ)?

• ಎ) ವಿಶ್ಲೇಷಣೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಅಂತಿಮ ಅನುಮೋದನೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯು ಸಮರ್ಥ ಇಂಜಿನಿಯರ್ ✔ ಬಳಿ ಇರುತ್ತದೆ
• ಬಿ) ಸಾಕಷ್ಟು ಡೇಟಾ ಇದ್ದರೆ, ಅದನ್ನು ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯಿಲ್ಲದೆ ಉತ್ಪಾದನೆಗೆ ಹಾಕಬಹುದು
• C) ಬ್ರೇಕ್‌ಗಳಂತಹ ನಿರ್ಣಾಯಕ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ AI ಅನ್ನು ಯಾವುದೇ ಹಂತದಲ್ಲಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ
• ಡಿ) ಮಾದರಿಯ ನಿಖರತೆಯು 99% ಮೀರಿದರೆ, ಮಾನವ ಪರಿಶೀಲನೆಯು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ

ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವಿಶ್ಲೇಷಣೆಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಅಭ್ಯರ್ಥಿ ಪರಿಹಾರಗಳು ಮತ್ತು ಸಾರಾಂಶಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆದಾಗ್ಯೂ, ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರ ಮತ್ತು ಅಂತಿಮ ಅನುಮೋದನೆಯು ಸಮರ್ಥ ಎಂಜಿನಿಯರ್‌ನ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ. AI ಇಂಜಿನಿಯರ್ ಮೌಲ್ಯೀಕರಣಕ್ಕೆ ಬದಲಿಯಾಗಿಲ್ಲ.

2. ಮೂರು ಆಂಕರ್ ಮೌಲ್ಯೀಕರಣ ವಿಭಾಗಗಳಲ್ಲಿ AI ಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಲು ಬಳಸಲಾಗುವ ಮೂರು ಸ್ವತಂತ್ರ ಚೆಕ್‌ಗಳು ಯಾವುವು?

• ಎ) ಪ್ರಾಂಪ್ಟ್‌ನ ಉದ್ದ, ಭಾಷೆ ಮತ್ತು ಸ್ವರೂಪ
• ಬಿ) ಪರಿಮಾಣದ ಕ್ರಮದ ಪುರಾವೆ, ಎಂಜಿನಿಯರಿಂಗ್ ಸಮಂಜಸತೆ ಮತ್ತು ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆ/ಮಾಪನ ✔
• ಸಿ) ಮಾದರಿಯ ಗಾತ್ರ, ತರಬೇತಿ ಸಮಯ ಮತ್ತು GPU ಗಳ ಸಂಖ್ಯೆ
• ಡಿ) ಪೂರೈಕೆದಾರ ಬ್ರ್ಯಾಂಡ್, ಬೆಲೆ ಮತ್ತು ವಿತರಣಾ ಸಮಯ

ವಿವರಣೆ: ಮೂರು ಲಂಗರುಗಳು; ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್ (ಆರ್ಡರ್ ಚೆಕ್), ಇಂಜಿನಿಯರಿಂಗ್ ಪ್ಲಾಸಿಬಿಲಿಟಿ (ಭೌತಶಾಸ್ತ್ರ/ಅನುಭವ) ಮತ್ತು ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆ/ಮಾಪನ ಪುರಾವೆಗಳೊಂದಿಗೆ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ. ಈ ಮೂರು ಪುರಾವೆಯಲ್ಲಿ ನಂಬಿಕೆಯನ್ನು ನೀಡುತ್ತದೆ, AI ನಲ್ಲಿ ನಂಬಿಕೆಯಿಲ್ಲ.

3. CFD ಅಥವಾ FEA ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ವೇಗಗೊಳಿಸುವ 'ಬಾಡಿಗೆ ಮಾದರಿ'ಯ ಔಟ್‌ಪುಟ್‌ಗೆ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಪರಿಶೀಲನೆ ಯಾವುದು?

• ಎ) ಬಾಡಿಗೆ ಮಾದರಿಯು ಯಾವಾಗಲೂ ನೈಜ ಪರಿಹಾರಕಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ
• ಬಿ) ರೆಂಡರ್ ಅನ್ನು ಕಲಾತ್ಮಕವಾಗಿ ಹಿತಕರವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡಿದರೆ ಸಾಕು
• ಸಿ) ತರಬೇತಿ ಸ್ಥಳದ ಹೊರಗೆ ಚಲಿಸುವಾಗ ಉಲ್ಲೇಖ ಪರಿಹಾರ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯ ಸ್ವೀಕಾರದೊಂದಿಗೆ ಹೋಲಿಕೆ ✔
• ಡಿ) ಒಂದೇ ರನ್ ಒಮ್ಮುಖವಾದರೆ ನೆಟ್‌ವರ್ಕ್ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ನೋಡುವ ಅಗತ್ಯವಿಲ್ಲ

ವಿವರಣೆ: ಸರೊಗೇಟ್ ಮಾದರಿಯು ನೈಜ ಪರಿಹಾರಕಕ್ಕೆ ಬದಲಾಗಿ ವೇಗದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆದರೆ ಇದು ತರಬೇತಿ ಪಡೆದ ವಿನ್ಯಾಸ ಸ್ಥಳದ ಹೊರಗೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ. ಉಲ್ಲೇಖದ ಹೈ-ಫಿಡೆಲಿಟಿ ಸಿಮ್ಯುಲೇಶನ್ ಮತ್ತು ಭೌತಿಕ ಗಡಿ ಪರಿಸ್ಥಿತಿಗಳೊಂದಿಗೆ ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಷನ್ ಪ್ರದೇಶವನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಬೇಕು.

4. SAE ಆಟೋಮೇಷನ್ ಹಂತಗಳಲ್ಲಿ ಹಂತ 2 (ಭಾಗಶಃ ಯಾಂತ್ರೀಕೃತಗೊಂಡ) ಗಾಗಿ ಸರಿಯಾದ ಅಭಿವ್ಯಕ್ತಿ ಯಾವುದು?

• ಎ) ಎಲ್ಲಾ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಚಾಲಕ ಇಲ್ಲದೆ ವಾಹನವನ್ನು ಓಡಿಸಬಹುದು
• ಬಿ) ವ್ಯವಸ್ಥೆಯು ಯಾವುದೇ ಚಾಲನಾ ಕರ್ತವ್ಯಗಳನ್ನು ಕೈಗೊಳ್ಳುವುದಿಲ್ಲ, ಕೇವಲ ಎಚ್ಚರಿಕೆಗಳನ್ನು ನೀಡುತ್ತದೆ
• ಸಿ) ಅವನು ಡ್ರೈವರ್ ಸೀಟಿನಲ್ಲಿ ಕುಳಿತುಕೊಳ್ಳದಿದ್ದರೂ ಪರವಾಗಿಲ್ಲ
• ಡಿ) ಸಿಸ್ಟಮ್ ಸ್ಟೀರಿಂಗ್ ಮತ್ತು ವೇಗವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಆದರೆ ಚಾಲಕ ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾನೆ ✔

ವಿವರಣೆ: ಹಂತ 2 ರಲ್ಲಿ ಸಿಸ್ಟಮ್ ಏಕಕಾಲದಲ್ಲಿ ಸ್ಟೀರಿಂಗ್ ಮತ್ತು ವೇಗ/ದೂರವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ, ಆದರೆ ಚಾಲಕ ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಾನೆ ಮತ್ತು ಯಾವುದೇ ಸಮಯದಲ್ಲಿ ತೆಗೆದುಕೊಳ್ಳಲು ಸಿದ್ಧವಾಗಿದೆ; ಜವಾಬ್ದಾರಿ ಚಾಲಕನ ಮೇಲಿದೆ. ಹಂತ 3 ಮತ್ತು ಮೇಲಿನ ಹಂತದಲ್ಲಿ, ಸಿಸ್ಟಮ್ ಕೆಲವು ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಡ್ರೈವಿಂಗ್ ಕರ್ತವ್ಯಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.

5. ಉತ್ಪಾದನಾ ಸಾಲಿನಲ್ಲಿ ದೃಷ್ಟಿ ದೋಷ ಪತ್ತೆಗೆ 'ಎಸ್ಕೇಪ್ ರೇಟ್' ಏಕೆ ನಿರ್ಣಾಯಕ ಮೆಟ್ರಿಕ್ ಆಗಿದೆ?

• ಎ) ದೋಷಪೂರಿತ ಭಾಗವನ್ನು ಅನುಮೋದಿಸುವುದು ಮತ್ತು ಅದನ್ನು ಕ್ಷೇತ್ರಕ್ಕೆ ಕಳುಹಿಸುವುದು ಸುರಕ್ಷತೆ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ✔
• ಬಿ) ಇದು ಲೈನ್ ವೇಗವನ್ನು ನಿಧಾನಗೊಳಿಸುವುದರಿಂದ ಮಾತ್ರ ಮುಖ್ಯವಾಗಿದೆ
• ಸಿ) ಲೀಕೇಜ್ ದರವು ಪೇಂಟ್ ದೋಷಗಳಿಗೆ ಮಾತ್ರ ಮಾನ್ಯವಾಗಿರುತ್ತದೆ
• ಡಿ) ಸೋರಿಕೆ ದರವು ಮಾದರಿಯ ತರಬೇತಿ ಸಮಯವನ್ನು ಅಳೆಯುತ್ತದೆ

ವಿವರಣೆ: ಅಕ್ರಮ; ದೋಷಯುಕ್ತ ಭಾಗವನ್ನು ಪರಿಪೂರ್ಣವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ರೇಖೆಯ ಮೂಲಕ ಹಾದುಹೋಗುತ್ತದೆ (ಸುಳ್ಳು ಋಣಾತ್ಮಕ). ಆಟೋಮೋಟಿವ್ ಸುರಕ್ಷತಾ ಭಾಗಕ್ಕಾಗಿ, ಸೋರಿಕೆಯು ತಪ್ಪು ನಿರಾಕರಣೆಗಿಂತ ಹೆಚ್ಚು ದುಬಾರಿಯಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಕ್ಷೇತ್ರದಲ್ಲಿ ವೈಫಲ್ಯ ಅಥವಾ ಮರುಪಡೆಯುವಿಕೆಗೆ ಕಾರಣವಾಗಬಹುದು; ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮಿತಿಯನ್ನು ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ.

6. ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯಲ್ಲಿ 'ಉಳಿದ ಉಪಯುಕ್ತ ಜೀವನ' (RUL) ಅಂದಾಜಿನ ಅತ್ಯಂತ ನಿಖರವಾದ ಬಳಕೆ ಯಾವುದು?

• ಎ) RUL ಅನ್ನು ಎಂಜಿನ್ ತೈಲಕ್ಕಾಗಿ ಮಾತ್ರ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ
• ಬಿ) ಇದನ್ನು ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಬೇಕು ಮತ್ತು ನಿರ್ವಹಣೆ ವಿಂಡೋ ಮತ್ತು ಸುರಕ್ಷತಾ ಅಂಚು ✔ ಪ್ರಕಾರ ಅರ್ಥೈಸಿಕೊಳ್ಳಬೇಕು
• ಸಿ) ಇದನ್ನು ಒಂದೇ ನಿಖರವಾದ ದಿನದ ಮೌಲ್ಯವಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬೇಕು ಮತ್ತು ಆ ದಿನದವರೆಗೆ ಯಾವುದೇ ತಪಾಸಣೆ ಮಾಡಬಾರದು.
• ಡಿ) RUL ಅಧಿಕವಾಗಿದ್ದರೆ ಸಂವೇದಕಗಳನ್ನು ಆಫ್ ಮಾಡಬಹುದು

ವಿವರಣೆ: RUL ಎನ್ನುವುದು ವೈಫಲ್ಯದವರೆಗೆ ಘಟಕದ ಅಂದಾಜು ಉಳಿದ ಕಾರ್ಯಾಚರಣೆಯ ಸಮಯವಾಗಿದೆ; ಇದನ್ನು ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಯೊಂದಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸಬೇಕು ಮತ್ತು ನಿರ್ವಹಣಾ ಯೋಜನೆ ಮತ್ತು ಸುರಕ್ಷತೆಯ ಅಂಚುಗಳ ಪ್ರಕಾರ ಅರ್ಥೈಸಿಕೊಳ್ಳಬೇಕು. ಒಂದೇ ಪಾಯಿಂಟ್ ಅಂದಾಜಿನ ಮೇಲೆ ಕುರುಡಾಗಿ ಅವಲಂಬಿಸುವ ಬದಲು, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರ ಮತ್ತು ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ವೆಚ್ಚವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ.

7. ಪರೀಕ್ಷಾ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ರಸ್ತೆ ಪರೀಕ್ಷಾ ರೆಕಾರ್ಡಿಂಗ್‌ನಲ್ಲಿ AI ಅಸಂಗತತೆಯನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದಾಗ ಎಂಜಿನಿಯರ್ ಏನು ಮಾಡಬೇಕು?

• ಎ) ನೀವು ಅಸಂಗತತೆಯನ್ನು ನೋಡಿದಾಗ, ಪರೀಕ್ಷೆಯು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಫಲವಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಬೇಕು.
• ಬಿ) AI ಅದನ್ನು ಗುರುತಿಸದಿದ್ದರೆ ಡೇಟಾವನ್ನು ನೋಡಬಾರದು
• ಸಿ) ಕಚ್ಚಾ ಡೇಟಾ, ಮಾಪನ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಪುನರಾವರ್ತನೆಯೊಂದಿಗೆ ಅಸಂಗತತೆಯನ್ನು ಪರಿಶೀಲಿಸಿ ✔
• ಡಿ) ವೈಪರೀತ್ಯಗಳನ್ನು ಅಳಿಸಿ ಮತ್ತು ವರದಿಯನ್ನು ತೆರವುಗೊಳಿಸಿ

ವಿವರಣೆ: AI ಫ್ಲ್ಯಾಗ್‌ಗಳ ಅಸಂಗತತೆಯು ಒಂದು ಸುಳಿವು, ಒಂದು ತೀರ್ಮಾನವಲ್ಲ. ಇಂಜಿನಿಯರ್ ಮಾಪನ ಅನಿಶ್ಚಿತತೆ, ಸಂವೇದಕ ವೈಫಲ್ಯದ ಸಾಧ್ಯತೆ ಮತ್ತು ಪುನರಾವರ್ತಿತತೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಕಚ್ಚಾ ಡೇಟಾ ಮತ್ತು ಸ್ವೀಕಾರ ಮಾನದಂಡಗಳೊಂದಿಗೆ ಅಸಂಗತತೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು. ಸ್ವಯಂಚಾಲಿತ ಸ್ವೀಕಾರ ಅಥವಾ ನಿರಾಕರಣೆ ಸೂಕ್ತವಲ್ಲ.

8. ಹಗುರವಾದ ಅಧ್ಯಯನದಲ್ಲಿ AI ಸೂಚಿಸಿದ ವಸ್ತು ಬದಲಾವಣೆಗೆ ಯಾವ ಪರಿಶೀಲನೆ ಕಡ್ಡಾಯವಾಗಿದೆ?

• ಎ) ಇದು ಹಗುರವಾಗಿರಬೇಕು
• ಬಿ) ವಸ್ತು ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಒಂದೇ ಸಾಲನ್ನು ಸಾಕ್ಷಿಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳಬಹುದು
• ಸಿ) ಹಗುರವಾದ ವಸ್ತುಗಳಲ್ಲಿ ಕ್ರ್ಯಾಶ್ ನಡವಳಿಕೆಯು ಮುಖ್ಯವಲ್ಲ
• ಡಿ) ಯಾಂತ್ರಿಕ, ಆಯಾಸ, ಕುಸಿತ, ಉತ್ಪಾದನೆ ಮತ್ತು ವೆಚ್ಚದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಒಟ್ಟಿಗೆ ಪರೀಕ್ಷಿಸಬೇಕು ✔

ಟಿಪ್ಪಣಿ: ಕೇವಲ ಸಾಂದ್ರತೆ/ಶಕ್ತಿಯ ಅನುಪಾತವನ್ನು ಆಧರಿಸಿ ವಸ್ತು ಶಿಫಾರಸನ್ನು ಸ್ವೀಕರಿಸಲಾಗುವುದಿಲ್ಲ; ಯಾಂತ್ರಿಕ ಗುಣಲಕ್ಷಣಗಳು, ಆಯಾಸ, ಕುಸಿತದ ನಡವಳಿಕೆ, ಉತ್ಪಾದನೆ, ತುಕ್ಕು, ವೆಚ್ಚ ಮತ್ತು ಸುರಕ್ಷತೆಯ ಅಗತ್ಯತೆಗಳನ್ನು ಒಟ್ಟಿಗೆ ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಭೌತಿಕ ಪರೀಕ್ಷೆಯ ಮೂಲಕ ದೃಢೀಕರಿಸಬೇಕು.

9. ಆಟೋಮೋಟಿವ್ ಪೂರೈಕೆ ಸರಪಳಿಯಲ್ಲಿನ 'ಏಕ-ಮೂಲ ಅಪಾಯ'ಕ್ಕೆ AI ಶಿಫಾರಸುಗಳಲ್ಲಿ ವಿಶೇಷ ಗಮನ ಏಕೆ ಬೇಕು?

• ಎ) ಒಂದೇ ಪೂರೈಕೆದಾರರಲ್ಲಿ ಅಡ್ಡಿಯು ಎಲ್ಲಾ ಉತ್ಪಾದನೆಯನ್ನು ನಿಲ್ಲಿಸಬಹುದು; ಎರಡನೇ ಮೂಲ ಮತ್ತು ಬಫರ್ ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು ✔
• ಬಿ) ಒಂದೇ ಮೂಲವು ಯಾವಾಗಲೂ ಸುರಕ್ಷಿತ ಆಯ್ಕೆಯಾಗಿದೆ
• ಸಿ) AI ಸೂಚಿಸಿದರೆ ಅಪಾಯದ ವಿಶ್ಲೇಷಣೆ ಅನಗತ್ಯ
• ಡಿ) ಏಕ ಮೂಲದ ಅಪಾಯವು ಟೈರ್‌ಗೆ ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತದೆ

ವಿವರಣೆ: ಒಂದು ಭಾಗವು ಒಂದೇ ಪೂರೈಕೆದಾರರಿಂದ ಬಂದರೆ, ಆ ಪೂರೈಕೆದಾರರೊಂದಿಗೆ ಸಮಸ್ಯೆ ಉಂಟಾದಾಗ ಉತ್ಪಾದನೆಯು ನಿಲ್ಲುತ್ತದೆ. AI ವೆಚ್ಚ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನ ಏಕೈಕ ಮೂಲವನ್ನು ಶಿಫಾರಸು ಮಾಡಬಹುದು; ಇಂಜಿನಿಯರ್/ಯೋಜಕರು ಇದನ್ನು ದ್ವಿತೀಯ ಸಂಪನ್ಮೂಲ, ಸ್ಟಾಕ್ ಬಫರ್ ಮತ್ತು ಸನ್ನಿವೇಶ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಸಮತೋಲನಗೊಳಿಸಬೇಕು. ವೆಚ್ಚ ಮಾತ್ರ ಮಾನದಂಡವಲ್ಲ.

10. ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಟೆಲಿಮೆಟ್ರಿ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮಾಡುವಾಗ 'ಡೇಟಾ ಸೋರಿಕೆ' ಎಂದರೆ ಏನು ಮತ್ತು ಅದು ಏಕೆ ಅಪಾಯಕಾರಿ?

• ಎ) ಡಿಸ್ಕ್‌ನಿಂದ ಡೇಟಾ ಸೋರಿಕೆಯಾಗಿದೆ ಮತ್ತು ಅಳಿಸಲಾಗಿದೆ
• ಬಿ) ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ತಿಳಿಯಲಾಗದ ತರಬೇತಿ ಮಾಹಿತಿಯನ್ನು ಮಾದರಿಯು ನೋಡುತ್ತದೆ; ಸ್ಕೋರ್ ಅನ್ನು ಹೆಚ್ಚಿಸಿ, ಮೈದಾನದಲ್ಲಿ ಕುಸಿಯುತ್ತದೆ ✔
• ಸಿ) ಗ್ರಾಫಿಕ್ ಬಣ್ಣಗಳ ಮಿಶ್ರಣ
• ಡಿ) ಚಿತ್ರದ ಡೇಟಾದಲ್ಲಿ ಮಾತ್ರ ಸಂಭವಿಸುತ್ತದೆ

ವಿವರಣೆ: ಡೇಟಾ ಸೋರಿಕೆ; ಈ ಮಾದರಿಯು ತರಬೇತಿಯ ಮಾಹಿತಿಯನ್ನು ನೋಡಿದಾಗ ಅದು ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ನಿಜವಾಗಿ ತಿಳಿದಿರುವುದಿಲ್ಲ (ಉದಾಹರಣೆಗೆ, ಭವಿಷ್ಯದ ಮೌಲ್ಯ ಅಥವಾ ಗುರಿ-ಸಂಬಂಧಿತ ಗುಣಲಕ್ಷಣ). ಇದು ಕೃತಕವಾಗಿ ಪರೀಕ್ಷಾ ಸ್ಕೋರ್ ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಆದರೆ ಕ್ಷೇತ್ರದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕ್ರ್ಯಾಶ್ ಮಾಡುತ್ತದೆ. ಹಿಂದಿನ/ಭವಿಷ್ಯದ ವ್ಯತ್ಯಾಸವನ್ನು ಸಮಯ ಸರಣಿಯಲ್ಲಿ ಸೂಕ್ಷ್ಮವಾಗಿ ನಿರ್ವಹಿಸಬೇಕು.

11. ISO 26262 ಕ್ರಿಯಾತ್ಮಕ ಸುರಕ್ಷತೆಯ ಸಂದರ್ಭದಲ್ಲಿ ASIL ವರ್ಗೀಕರಣವು ಏನು ನಿರ್ಧರಿಸುತ್ತದೆ?

• ಎ) ವಾಹನದ ಗರಿಷ್ಠ ವೇಗ
• ಬಿ) ಮಾದರಿಯ ತರಬೇತಿ ಡೇಟಾ ಸೆಟ್‌ನ ಗಾತ್ರ
• ಸಿ) ✔ ಅಪಾಯದ ತೀವ್ರತೆ, ಒಡ್ಡುವಿಕೆ ಮತ್ತು ನಿಯಂತ್ರಣಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಅಗತ್ಯ ಮಟ್ಟದ ಸುರಕ್ಷತೆ.
• ಡಿ) ಪೂರೈಕೆದಾರರ ಕ್ರೆಡಿಟ್ ರೇಟಿಂಗ್

ವಿವರಣೆ: ASIL (ಆಟೋಮೋಟಿವ್ ಸೇಫ್ಟಿ ಇಂಟೆಗ್ರಿಟಿ ಲೆವೆಲ್) ಸುರಕ್ಷತಾ ಮುನ್ನೆಚ್ಚರಿಕೆಗಳ ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ (A ನಿಂದ D, D ವರೆಗೆ ಹೆಚ್ಚಿನದು) ಅಪಾಯವು ಅದರ ತೀವ್ರತೆ, ಮಾನ್ಯತೆ ಮತ್ತು ನಿಯಂತ್ರಣದ ಮೌಲ್ಯಮಾಪನದ ಆಧಾರದ ಮೇಲೆ ಅಗತ್ಯವಿದೆ. ಹೆಚ್ಚಿನ ASIL ಗೆ ಹೆಚ್ಚು ಕಟ್ಟುನಿಟ್ಟಾದ ಅಭಿವೃದ್ಧಿ, ಪರಿಶೀಲನೆ ಮತ್ತು ದಾಖಲೆಗಳ ಅಗತ್ಯವಿದೆ.

12. ISO 21448 (SOTIF) ಶಾಸ್ತ್ರೀಯ ಕ್ರಿಯಾತ್ಮಕ ಸುರಕ್ಷತೆಯಿಂದ (ISO 26262) ಯಾವ ರೀತಿಯಲ್ಲಿ ಭಿನ್ನವಾಗಿದೆ?

• ಎ) ಹಾರ್ಡ್‌ವೇರ್ ವೈಫಲ್ಯಗಳನ್ನು ಮಾತ್ರ ನಿರ್ವಹಿಸುತ್ತದೆ
• ಬಿ) ಸಾಫ್ಟ್‌ವೇರ್ ಪರವಾನಗಿಯನ್ನು ಮಾತ್ರ ನಿಯಂತ್ರಿಸುತ್ತದೆ
• ಸಿ) SOTIF ಎಂಬುದು ISO 26262 ನ ಹಳೆಯ ಹೆಸರು
• ಡಿ) ಅಸಮರ್ಪಕ ಕಾರ್ಯನಿರ್ವಹಣೆ ಮತ್ತು ಗುರುತಿಸಲಾಗದ ಸನ್ನಿವೇಶಗಳಿಂದ ಉಂಟಾಗುವ ಅಪಾಯಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ವೈಫಲ್ಯದ ಅನುಪಸ್ಥಿತಿಯಲ್ಲಿಯೂ ಸಹ ✔

ವಿವರಣೆ: ISO 26262 ಅಸಮರ್ಪಕ ಕಾರ್ಯಗಳು/ಹಾರ್ಡ್‌ವೇರ್-ಸಾಫ್ಟ್‌ವೇರ್ ದೋಷಗಳಿಂದ ಉಂಟಾಗುವ ಅಪಾಯಗಳನ್ನು ತಿಳಿಸುತ್ತದೆ, SOTIF (ಉದ್ದೇಶಿತ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಸುರಕ್ಷತೆ) ಅಸಮರ್ಪಕ ಪತ್ತೆಹಚ್ಚುವಿಕೆ, ಗುರುತಿಸದ ಸನ್ನಿವೇಶಗಳು ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಮಿತಿಗಳಿಂದ ಉಂಟಾಗುವ ಅಪಾಯಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ವ್ಯವಸ್ಥೆಯು ಅಸಮರ್ಪಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದರೂ ಸಹ; AI ಆಧಾರಿತ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯಲ್ಲಿ ವಿಶೇಷವಾಗಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ.

13. ಚಾಲಕ ಮತ್ತು ವಾಹನ ಟೆಲಿಮೆಟ್ರಿ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ಗೌಪ್ಯತೆಯ ವಿಷಯದಲ್ಲಿ ಉತ್ತಮ ವಿಧಾನ ಯಾವುದು?

• ಎ) ಅನಾಮಧೇಯತೆ, ಡೇಟಾ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಉದ್ದೇಶದ ಮಿತಿಯೊಂದಿಗೆ KVKK/GDPR ಅನುಸರಣೆ ✔
• ಬಿ) VIN ಜೊತೆಗೆ ಸಾರ್ವಜನಿಕ ಮಾದರಿಗೆ ಎಲ್ಲಾ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಕಳುಹಿಸುವುದು
• ಸಿ) ಗೌಪ್ಯತೆ ಮಾರ್ಕೆಟಿಂಗ್ ಡೇಟಾಗೆ ಮಾತ್ರ ಅನ್ವಯಿಸುತ್ತದೆ
• ಡಿ) ಸ್ಥಳ ಡೇಟಾವನ್ನು ಎಂದಿಗೂ ವೈಯಕ್ತಿಕ ಡೇಟಾ ಎಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ

ವಿವರಣೆ: ಸ್ಥಳ, ಡ್ರೈವಿಂಗ್ ನಡವಳಿಕೆ ಮತ್ತು ಚಾಸಿಸ್ ಸಂಖ್ಯೆ (VIN) ನಂತಹ ಡೇಟಾವು ವ್ಯಕ್ತಿಯನ್ನು ಗುರುತಿಸಬಹುದು. ಅತ್ಯಂತ ಸರಿಯಾದ ವಿಧಾನ; ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು/ಹುಸಿನಾಮಕರಣ ಮಾಡುವುದು, ಅಗತ್ಯವಿರುವುದನ್ನು ಮಾತ್ರ ಸಂಗ್ರಹಿಸುವುದು (ಡೇಟಾ ಮಿನಿಮೈಸೇಶನ್), ಉದ್ದೇಶದ ಮಿತಿ ಮತ್ತು KVKK/GDPR ಅನುಸರಣೆ. ಕಚ್ಚಾ VIN ಅಥವಾ ಸ್ಥಳವನ್ನು ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಪರಿಕರಗಳಿಗೆ ಕಳುಹಿಸುವುದು ಅಪಾಯಕಾರಿ.

14. ಉತ್ಪಾದನೆಗೆ ಒಳಪಡಿಸಲಾದ AI ಮಾದರಿಯಲ್ಲಿ 'ಡೇಟಾ ಡ್ರಿಫ್ಟ್' ಅನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಏಕೆ ಅಗತ್ಯ?

• ಎ) ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಪಡೆದ ನಂತರ, ಅದು ಅನಿರ್ದಿಷ್ಟವಾಗಿ ಅದೇ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ.
• ಬಿ) ಇನ್‌ಪುಟ್ ವಿತರಣೆಯು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾದಂತೆ ಕಾರ್ಯಕ್ಷಮತೆ ಮೌನವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ; ಮರುತರಬೇತಿಯನ್ನು ಪ್ರಚೋದಿಸಬೇಕು ✔
• ಸಿ) ಡ್ರಿಫ್ಟ್ ಯಂತ್ರಾಂಶದ ಭೌತಿಕ ಕಂಪನವಾಗಿದೆ
• ಡಿ) ಮಾನಿಟರಿಂಗ್ ಅನಾವಶ್ಯಕ ಏಕೆಂದರೆ ಮಾದರಿಯು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನವೀಕರಿಸುತ್ತದೆ

ವಿವರಣೆ: ನೈಜ ಪ್ರಪಂಚದ ಬದಲಾವಣೆಗಳು (ಹೊಸ ಭಾಗಗಳ ಪೂರೈಕೆದಾರ, ಋತು, ಹೊಸ ವಾಹನ ಮಾದರಿ); ತರಬೇತಿ ಸಮಯದಿಂದ ಇನ್‌ಪುಟ್ ವಿತರಣೆಯು ದೂರ ಹೋದಂತೆ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯು ಮೌನವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಡ್ರಿಫ್ಟ್ ಮಾನಿಟರಿಂಗ್ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳಿಂದ ಮರುತರಬೇತಿಯನ್ನು ಪ್ರಚೋದಿಸಲಾಗುತ್ತದೆ. 'ಇದನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಮರೆತುಬಿಡಿ' ವಿಧಾನವು ಆಟೋಮೋಟಿವ್‌ನಲ್ಲಿ ಅಪಾಯಕಾರಿಯಾಗಿದೆ.