윤리, 개인정보 보호, 경계 및 엔드투엔드 통합

이득:

• 섬유 분야 AI 사용의 윤리적, 데이터 개인 정보 보호, 저작권 및 인력 측면을 전체적으로 평가할 수 있는 능력
• 엔드투엔드 워크플로에서 전체 모듈을 결합하는 지정된 인간 승인 지점을 사용하여 시스템을 설계하는 능력
• 조직에서 책임 있는 AI 사용을 위한 거버넌스, 검증 및 지속적인 개선 프레임워크를 구축하는 능력

모듈 시험

1. 다음 중 섬유공학에서 AI 결과물의 위험을 결정하는 기본 원칙은 무엇입니까?

• A) 출력의 위험은 해당 출력에 결함이 있을 경우 발생할 수 있는 피해와 동일합니다. 그에 따라 검증 규모가 조정됩니다 ✔
• 나) AI 출력물은 유창하고 자신있게 작성되었기 때문에 일반적으로 안전하다.
• 다) 최신 모델을 사용하는 경우에는 Validation이 불필요하다.
• D) 출력이 표준을 참조하는 경우 추가 제어가 필요하지 않습니다.

설명: 출력의 위험은 해당 출력에 결함이 있을 경우 발생하는 피해와 동일합니다. 무드보드 아이디어의 실수는 무해하지만, 염색 방법이나 직물 강도 계산의 실수는 배치 낭비와 산업 안전/계약 위험으로 이어질 수 있습니다. 따라서 검증 강도는 잠재적인 피해에 따라 증가합니다.

2. 한 엔지니어는 원사 강도에 대한 AI 값 '면사의 경우 85cN/tex'에 회의적입니다. 이 의심을 확인하는 가장 빠른 확인 방법은 무엇입니까?

• A) 보고서에 직접 값을 기재하고 나중에 실험실에 문의하십시오.
• B) 일반적인 면사 범위(약 12-22 cN/tex)와 크기를 비교합니다. ✔
• 다) 모델에게 같은 질문을 다시 하고 두 번째 답변을 신뢰한다.
• D) 값에 소스에 대한 참조가 포함되어 있으면 수락합니다.

설명: 이는 규모 제어의 순서입니다. 링 면사의 강도는 일반적으로 12-22 cN/tex 정도입니다. 85 cN/tex는 고성능 합성/아라미드 수준이며 면에는 물리적으로 적합하지 않습니다. 이 검사는 몇 초가 걸리며 대부분의 단위/유형 오류를 포착합니다.

3. 다음 중 원사계수 중 'Ne'(영국산 면수)에 대한 설명으로 옳은 것은?

• A) 실의 크기가 클수록 굵어집니다.
• B) 다이렉트 시스템이란 무엇이며, tex와 같은 방향으로 작동합니다.
• C) 얼마나 간접적인 시스템인가? 숫자가 클수록 실이 가늘어집니다 ✔
• 라) 합성사에 대해서만 정의되는 것

설명: 간접 번호 매기기 시스템입니다. 숫자가 클수록 실이 가늘어집니다. Tex와 denier는 직접 시스템입니다. 숫자가 클수록 실의 두께가 두꺼워집니다. 이러한 구별을 모르면 AI 출력의 숫자 해석에 심각한 오류가 발생합니다.

4. 직물 결함을 감지하는 이미지 처리 모델에서 높은 '거부성' 비율이 높다는 것은 무엇을 의미하며 왜 중요한가요?

• A) 결함이 있는 원단은 완벽한 것으로 간주되어 고객에게 배송됩니다. ✔ 가장 위험한 품질 오류 유형
• B) 완벽한 직물에 결함이 있는 것으로 불필요한 표시; 효율성만 떨어집니다
• C) 모델에서 결함이 발견되지 않았습니다. 언제나 좋은 징조
• D) 카메라의 낮은 해상도

설명: 거짓음성은 실제 결함이 '완벽함'으로 분류되는 경우입니다. 이는 결함이 있는 패브릭이 고객에게 전달되고 반품/평판 비용이 발생함을 의미합니다. 품질이 중요한 애플리케이션에서는 일반적으로 임계값이 거짓 음성을 낮게 유지하도록 설정되며 증가된 거짓 긍정은 사람의 검사를 통해 제거됩니다.

5. 색상 관리에서 '델타 E'(ΔE) 값은 무엇을 의미합니까?

• A) 페인트 1kg당 비용
• 나) 두 색상의 전체적인 인지 차이를 정량화하는 기준 ✔
• 다) 원단의 광투과율
• D) 염색 온도 값(도)

설명: Delta E는 CIELAB 색상 공간에서 두 색상 간의 전체 지각 차이를 정량화하는 기준입니다. 작은 ΔE 값은 색상이 서로 가깝다는 것을 나타냅니다. 직물에서 배치 간 허용 허용 오차는 일반적으로 계약상 ΔE로 정의됩니다. 그러므로 '보유된 색'이라는 주장은 측정이 필요하다.

6. 두 개의 샘플이 하나의 광원 아래에서는 동일하게 보이고 다른 광원 아래에서는 다르게 보이는 것을 무엇이라고 하며, 색상 관리에서 이것이 왜 중요한가요?

• A) 메타메리즘; 색상 확인은 다양한 표준 광원 하에서 이루어져야 합니다 ✔
• B) 형광; 색상은 모든 조건에서 동일하게 보입니다.
• C) 불투명도; 색상 차이는 두께에 따라 다릅니다.
• D) 교정; 화면에만 관련이 있습니다

설명: 이 현상을 등색 현상이라고 합니다. 스펙트럼 반사율이 다른 두 가지 색상은 특정 조명에서는 일치할 수 있고 다른 조명에서는 발산할 수 있습니다. 따라서 색상 확인은 단일 광원에서 수행하는 것이 아니라 표준 조명 부스의 여러 광원(예: D65, TL84, A)에서 수행해야 합니다.

7. 생성 AI로 제작된 텍스타일 패턴을 상업적으로 사용하기 전에 가장 중요한 법적 확인은 무엇입니까?

• A) 패턴의 색상 수를 줄입니다.
• 나) 패턴 파일 크기 줄이기
• 다) 기존 보호디자인과의 유사성/침해 여부, 저작권 여부 확인 ✔
• D) 패턴을 고해상도로만 저장하세요.

설명: 생성된 패턴이 기존 보호 디자인, 상표 또는 저작물과 유사성/침해를 포함하는지 확인하고 모델의 학습 데이터 및 출력 권한에 대한 불확실성을 평가해야 합니다. 독창성, 침해 여부를 확인하지 않은 채 상업화할 경우 저작권 소송의 위험이 있습니다.

8. SKU별 수요 예측 시 AI 결과를 검증하는 가장 강력한 접근 방식은 무엇입니까?

• A) 모델이 제시한 단일점 예측을 그대로 주문수량으로 변환
• 나) 과거 매출을 백테스팅하고 경영판단 필터를 통한 오차범위 평가 ✔
• 다) 가장 높은 견적을 선택하고 초과 재고를 유지합니다.
• D) 추세가 가장 인기가 있으면 예측을 두 배로 늘립니다.

설명: 예측은 과거 판매 실현에 대해 백테스트되어야 하며 재고, 캠페인, 계절성 등과 같은 맥락을 고려한 비즈니스 판단을 통해 필터링되어야 합니다. 모델의 단일 지점 예측을 맹목적으로 신뢰하는 대신 오류 한계 및 시나리오가 평가됩니다.

9. 생산일정에서 '연한색부터 어두운색'으로 도료 배치 순서를 정하는 주된 이유는 무엇입니까?

• A) 어두운 색상이 더 저렴합니다.
• B) 색상 오염 위험 감소 및 기계 청소 시간 감소 ✔
• C) 밝은 색상이 더 오래 지속됩니다.
• D) 미학적 선호일 뿐이다.

설명: 동일한 기계에서 어두운 색상을 염색한 후 밝은 색상을 염색할 경우 세척/오염의 위험이 있으며 추가 세탁 시간이 늘어납니다. 밝은 색에서 어두운 색으로 분류하면 색상 번짐 위험과 기계 청소 시간이 줄어들어 효율성이 높아집니다. AI 권장 사항에는 이 프로세스 제약 조건이 포함되어야 합니다.

10. 원단의 환경발자국을 보고할 때, AI가 제시하는 '재활용 폴리에스터가 물 사용량을 90% 줄인다'와 같은 주장에 대한 올바른 태도는 무엇입니까?

• A) 마케팅 카피에 주장을 그대로 넣는 것
• B) 시스템 경계, 데이터 원본, 인증서 확인 없이 청구를 사용하지 않음 ✔
• C) 숫자가 높을 경우 주장이 강력하다고 가정
• D) 숫자를 반올림하여 게시합니다.

설명: 이러한 주장은 시스템 경계(요람에서 게이트까지 또는 게이트에서 게이트까지), 데이터 소스 및 범위를 지정하지 않으면 의미가 없습니다. 이는 검증 가능한 LCA 데이터 및 인증을 기반으로 해야 합니다. 그렇지 않으면 Greenwashing 및 법적 위험이 발생할 수 있습니다. AI 수치는 합리적으로 보이지만 독립적으로 제공됩니다.

11. Python으로 Pandas를 사용하여 생산 데이터를 분석할 때 AI가 작성한 코드를 검증하려면 첫 번째 단계는 무엇입니까?

• A) 코드가 오류 없이 작동했다면 결과를 올바른 것으로 받아들입니다.
• B) 출력을 수동으로 계산하고 작은 데이터 샘플에서 단위와 논리를 확인합니다. ✔
• C) 생산 보고서에 직접 코드 추가
• D) 그래프가 양호하면 분석이 완료된 것으로 간주합니다.

비고: 코드가 작동하더라도 논리가 정확하다는 보장은 없습니다. 수동 회계 확인은 단위, 열 일치 및 여러 행에 대해 수행되어야 합니다. 예를 들어, 평량을 평균화할 때 잘못된 그룹화 또는 단위 혼동으로 인해 자동으로 잘못된 결과가 나타날 수 있습니다. 소규모 샘플에서는 수동 확인이 가장 빠른 보증입니다.

12. 섬유 생산 데이터를 AI 도구로 보낼 때 데이터 개인정보 보호 측면에서 가장 좋은 방법은 무엇입니까?

• A) 실제 고객 정보와 처방 정보를 모두 그대로 전송합니다.
• B) 민감한 정보는 익명화하여 회사 정책에 따라 대표 라벨과 함께 전송합니다 ✔
• C) 데이터가 너무 많기 때문에 개인 정보 보호가 중요하지 않다고 가정합니다.
• D) 파일명만 변경하고 내용은 그대로 보내주시면 됩니다.

설명: 고객 이름, 레시피 비밀, 가격 및 공급업체 정보와 같은 민감한 데이터는 익명화되거나 대표 라벨(고객-A, 레시피-1)과 함께 제공되어야 합니다. 기업 정책 및 계약을 위반하여 영업 비밀 및 개인 데이터를 제3자 모델로 이전해서는 안 됩니다.

13. 이미지 처리 모델은 생산 라인에서 98%의 정확도를 보고하지만 현장에서는 많은 결함을 놓칩니다. 이것의 가장 가능성 있는 원인은 무엇입니까?

• A) 데이터의 불균형으로 인해 정확성이 오해를 불러일으킵니다. 결함 클래스의 민감도(재현율)가 낮습니다 ✔
• B) 모델이 매우 느리게 실행됩니다.
• 다) 카메라가 컬러이기 때문에
• D) 98%는 이미 완벽하다. 문제는 운영자에게 있다

설명: 데이터 세트에서 결함이 있는 샘플이 거의 없는 경우(불균형 데이터) 모델은 모든 것을 '완벽함'으로 간주하여 높은 정확도를 달성할 수 있지만 실제 결함을 포착할 수는 없습니다. 그러므로 정확성만으로는 오해의 소지가 있습니다. 결함 클래스에 대한 민감도(재현율)와 정밀도를 모니터링해야 합니다.

14. 모듈 전반에 걸쳐 강조된 핵심 원칙에 따르면, 안전 및 계약에 중요한 섬유 결정에서 AI의 역할은 무엇입니까?

• A) AI는 빠르기 때문에 스스로 중요한 결정을 내릴 수 있다.
• B) AI는 조수입니다. 중요한 결정은 유능한 엔지니어 승인 및 물리적 테스트를 통해 검증됩니다 ✔
• C) AI 출력이 서명된 보고서를 대체합니다.
• D) 최신 모델을 사용하는 경우 사람의 확인이 필요하지 않습니다.

설명: AI는 보조자이자 가속기입니다. 가설을 생성하고, 초안을 준비하고, 패턴을 파악합니다. 그러나 도장 방법 승인, 품질 승인, 강도/안전성 평가와 같은 중요한 결정에는 유능한 엔지니어 승인 및 물리적 테스트가 필요합니다. AI 결과물은 전문가 승인을 대체할 수 없습니다.