Integracija iki galo, MLOps ir inžinieriaus atsakomybė

Pelnas:

• Gebėjimas suprojektuoti AI remiamą automobilių projektą nuo koncepcijos iki gamybos ir jį prižiūrėti naudojant stebėjimo ciklą
• Gebėjimas įvertinti modelio versijų valdymo, duomenų dreifo ir perkvalifikavimo poreikius
• Galimybė saugiai keisti AI, išlaikant atskaitomybę, atsekamumą ir dokumentaciją viso projekto metu

Paskutiniame šio modulio skyriuje sujungiame visas dalis. Matėme, kaip dirbtinis intelektas naudojamas atskiruose padaliniuose – nuo ​​projektavimo iki gamybos, nuo testavimo iki tiekimo grandinės. Bet realiame projekte tai ne pavieniai žingsniai, o gyvavimo ciklas: renkami duomenys, sukonstruotas modelis, jis pradedamas gaminti, stebimas, o kai pasensta – atnaujinamas. Šio ciklo palaikymo disciplina vadinama MLOps (Machine Learning Operations). Šis skyrius apima AI varomo automobilių projekto nustatymą, priežiūrą ir atskaitomybės palaikymą nuo galo iki galo.

AI projekto gyvavimo ciklas

Tipiškas srautas nuo galo iki galo automobilių kontekste:

1. Problemos ir vertės apibrėžimas: kokią verslo problemą sprendžiame? How is success measured? Ar tai saugumui svarbi funkcija?
2. Duomenų rinkimas ir ženklinimas: šaltiniai (CAN, testavimas, gamyba, telematika), kokybė, konfidencialumas.
3. Modelio kūrimas: Atributas, modelis, patikra (nuotėkio kontrolė, įrenginio nuoseklumas).
4. Patikra ir saugumo įvertinimas: nepriklausomas bandymas, jei reikia ISO 26262/SOTIF.
5. Diegimas: modelio diegimas įrenginyje, tinkle arba debesyje.
6. Stebėjimas: našumas, duomenų nukrypimas, aliarmo tikslumas.
7. Perkvalifikavimas: modelio atnaujinimas, kai jis pasensta.
8. Dokumentacija ir atsekamumas: kiekvieno žingsnio įrašas; who, when, why.

Šis ciklas nesibaigia kartą ir visiems laikams; rotates constantly. Automobiliuose pavojinga „nustatyti ir pamiršti“ modelį.

Patarimas: pradėdamas projektą, „kas stebės šį modelį, kai jis bus lauke, su kokia metrika ir kaip dažnai? Jei negalite atsakyti į klausimą, modelis dar nėra paruoštas gamybai.

Modelio versijų valdymas ir atsekamumas

Atsekamumas automobilių pramonėje nėra prabanga, o dažnai teisinė prievolė. Iškilus problemai, turėtumėte atsakyti į klausimą „kokia modelio versija, kokiais duomenimis jis buvo apmokytas, kas jį patvirtino? Good practices:

• Modelio versijų kūrimas: įrašomas kiekvieno modelio numeris, treniruočių duomenys ir data.
• Duomenų versijų kūrimas: duomenys, pagal kuriuos buvo mokoma, yra užšaldyti.
• Sprendimų žurnalas: kas ir kokius įrodymus patvirtino.
• Atkūrimo planas: jei naujasis modelis pasirodė blogas, galite grįžti prie senojo.

daiktas

Why is it necessary

Risk if missing

Model version

Kuri versija yra lauke?

Problemos negalima atsekti

Data version

Su kuo jis buvo treniruotas?

not reproducible

Approval record

Kas atsakingas?

negali būti patrauktas atsakomybėn

undo

Return from bad version

Ilgos prastovos lauke

Duomenų dreifas ir modelio nykimas

Modelis yra pasaulio, kuriame jis mokomas, momentinė nuotrauka. Tačiau pasaulis keičiasi: naujas dalių tiekėjas atneša kitokią jutiklių toleranciją, pasirodo naujas transporto priemonės modelis, keičiasi sezonai, keičiasi vairavimo įpročiai. Modelio našumas tyliai mažėja, nes įvesties duomenų pasiskirstymas tolsta nuo mokymo laiko. Šis duomenų poslinkis ir dėl to sumažėjęs našumas vadinamas modelio mažėjimu.

Pavojus yra tas, kad šis nuosmukis tylus: modelis negriūva, nedaro klaidų, tik vis labiau klysta. Todėl:

• Monitoriaus įvesties paskirstymas (dreifų aptikimas).
• Stebėkite našumo metrikas su realiais rezultatais (ar pavojaus signalai buvo tikslūs?).
• Suaktyvinkite permokymą, kai viršijama riba.

Atsargiai: prielaida, kad „modelis bus išmokytas, jis visada bus toks pat efektyvus“ yra klaidinga ir rizikinga automobilių pramonėje. Modelis, pradėtas gaminti be dreifo stebėjimo, gali nesąmoningai tapti nepatikimas.

Visapusiško scenarijaus pavyzdys: numatomos priežiūros parkas

Sukonkretinkime. Krovinių parkui montuojate išankstinio įspėjimo apie turbokompresorių sistemą:

1. Vertė: Sumažinkite prastovų ir vilkimo išlaidas; sėkmė = užfiksuotas faktinis gedimo / klaidingo aliarmo balansas.
2. Duomenys: 40 transporto priemonių CAN signalai, istoriniai gedimų įrašai; VIN is anonymized.
3. Modelis: Anomalija + RUL; užkirstas kelias laiko eilučių nutekėjimui; Pateikiamas neapibrėžtumo diapazonas.
4. Patikrinimas: ankstesnių klaidų patikrinimas; Buvo pasverta klaidingo aliarmo kaina.
5. Gamyba: Dienos rezultatas debesyje; skydelį technikai.
6. Stebėjimas: Dreifo kontrolė, kai pridedamas naujas transporto priemonės modelis; žadintuvo tikslumas kas savaitę.
7. Perkvalifikavimas: kas ketvirtį pateikiami nauji transporto priemonės tipai ir nauji gedimų pavyzdžiai.
8. Dokumentacija: modelio versija, duomenų versija, registruotas sertifikavimo inžinierius.

Nė vienas šio srauto žingsnis nesako „AI nusprendė, padaryta“; Už kiekvieną etapą atsakingas žmogus.

Mini atvejų analizė

1 atvejis – tylus irimas. Kokybės kontrolės modelis gerai veikia vienerius metus, tada nuotėkio greitis lėtai didėja. Pagrindinė priežastis: pasikeitus tiekėjui, detalės paviršiaus tekstūra šiek tiek skyrėsi (dreifas), o modelis pradėjo manyti, kad tai „normalu“. Nustatomas dreifo stebėjimas ir modelis perkvalifikuojamas. Rezultatas: be stebėjimo pažeidžiamumas būtų buvęs nepastebėtas kelis mėnesius.

2 atvejis – atsekamumas išsaugotas. Iš lauko gaunamas melagingo pavojaus signalas. Iš sprendimų žurnalo komanda sužino, kuri modelio versija veikia su kokiais duomenimis; Jis nustato, kad problema kyla dėl tam tikros versijos slenksčio nustatymo, ir grąžina tą versiją. Rezultatas: jei nebuvo versijos ir sprendimo įrašo, problemos nepavyko atsekti.

3 atvejis – perkvalifikavimo disciplina. Prie automobilių parko prisijungus naujam elektriniam modeliui, esamas nuspėjamosios priežiūros modelis sukelia daug klaidingų šios transporto priemonės pavojaus signalų (jos dar nematė jėgos pavaros). Prieš pradedant eksploatuoti naująjį modelį, komanda užfiksuoja dreifo įspėjimą ir išplečia modelį naujais transporto priemonės duomenimis. Rezultatas: poslinkio stebėjimas anksti pastebėjo su naujuoju produktu susijusią degradaciją.

raginimo šablonai

1 šablonas – projekto plano projektas:

Vaidmuo: AI projekto vadovas (automobiliai).Užduotis: Padėkite man suplanuoti AI varomą projektą nuo galo iki galo.Kontekstas: Nuspėjama priežiūra; 40 automobilių parkas; VIN yra anoniminis. Apribojimas: atskirai apsvarstykite vertės apibrėžimo, duomenų, modelio, tikrinimo, gamybos, stebėjimo, perkvalifikavimo ir dokumentacijos veiksmus; nurodykite, kas atsakingas už kiekvieną žingsnį.Išvestis: Žingsnis | produkcija | atsakingas | rizikos lentelė.

2 šablonas – stebėjimo planas:

Vaidmuo: esate MLOps inžinierius. Užduotis: rekomenduoti kuriamo modelio stebėjimo planą. Kontekstas: įvesties paskirstymas laikui bėgant gali keistis (naujas tiekėjas, naujas įrankis); našumą galima išmatuoti realiais rezultatais.Išvestis: Metric to track | slenkstis | veiksmas, kurį reikia pradėti.

3 šablonas – dreifo įvertinimas:

Role: Data scientist. Užduotis: Paaiškinkite, kaip aptikti duomenų nukrypimą ir kada reikia persikvalifikuoti. Kontekstas: Gamybos linijos vizualinio patikrinimo modelis; Gali pasikeisti tiekėjas. Išėjimas: signalas | measurement | retraining trigger.

4 šablonas – atsekamumo kontrolinis sąrašas:

Vaidmuo: esate kokybės / atitikties auditorius. Užduotis: sukurkite modelio atsekamumo kontrolinį sąrašą. Context: Automotive; Iškilus problemai, reikia atsakyti į klausimą „kuri versija, kokie duomenys, kas ją patvirtino“.Išvestis: Prekė | why is it necessary | kaip išsaugoti diagramą.

Silpnas raginimas / Stiprus raginimas

Silpnas raginimas:

Įdėkite modelį į gamybą.

Jokio stebėjimo, versijų kūrimo, atskaitomybės ir jokių atšaukimų; Tylus nykimas ir neatsekamos problemos yra neišvengiamos.

Galingas raginimas:

Vaidmuo: esate MLOps ir automobilių kokybės konsultantas. Užduotis: Sukurkite kontrolinį sąrašą, kurio reikia atsakingai modelio gamybai. Kontekstas: numatomos techninės priežiūros parkas; Laikui bėgant pridedama naujų transporto priemonių tipų; VIN anoniminis. Apribojimas: įtraukite stebėjimą, dreifo aptikimą, versijų / duomenų registravimą, patvirtinimą ir grąžinimo planą; Nurodykite, kas atsakingas už kiekvieną elementą; „nustatykite ir pamirškite“ pasiūlymas. Išvestis: etapas | necessity | atsakingas | risk table.

Dažnos klaidos

• „Nustatykite ir pamirškite“ metodas. Be stebėjimo modelis tyliai genda.
• Versijų/duomenų įrašų nesaugomas. Problemos negalima atsekti ar atkurti.
• No rollback plan. Jei atsigavimas po blogo išleidimo užtruks ilgai, lauke įvyks ilgas gedimas.
• Not waiting for Drift. Naujas tiekėjas/įrankis/sezonas sutrikdo modelį; monitoring is essential.
• Atsakomybės palikimas neaiškiai. Atsakymas į klausimą „kas atsakingas“ turėtų būti aiškus kiekviename žingsnyje.

Apibendrinant

• AI varomas automobilių projektas yra ne vienkartinis, o nuolatinis gyvavimo ciklas (MLOps).
• Modelių ir duomenų versijų kūrimas, sprendimų registravimas ir atšaukimo planavimas yra būtini atsekamumui užtikrinti.
• Duomenų dreifas tyliai paneigia modelį; įvestis ir našumas turėtų būti stebimi ir prireikus perkvalifikuojami.
• Galutiniame pavyzdyje kiekvienas žingsnis turi atsakingą žmogų; Nėra „AI nusprendė, viskas baigta“.
• „Nustatykite ir pamirškite“ yra rizikinga automobilių pramonėje; stebėsena, dokumentacija ir atskaitomybė palaikoma viso projekto metu.

Taikymo užduotis

Sujunkite tai, ko išmokote šiame modulyje, į vieną projektą (pvz., gamybos linijos vizualinė apžiūra arba numatoma priežiūra). (1) Sudarykite projekto planą nuo galo iki galo naudodami 1 šabloną; Užsirašykite asmenį, atsakingą už kiekvieną žingsnį. (2) Apibrėžkite stebėjimo planą ir dreifo paleidiklius naudodami 2 šabloną. (3) Paruoškite atsekamumo kontrolinį sąrašą naudodami 4 šabloną. (4) Apibendrinkite pastraipoje, kaip taikėte tris pagrindines disciplinas nuo modulio pradžios šiame projekte.

kontrolinis sąrašas

• [ ] Projektą planavau kaip gyvavimo ciklą nuo galo iki galo.
• [ ] Apibrėžiau sprendimo įrašą modeliu ir duomenų versijomis.
• [ ] Nustatau stebėjimo planą ir dreifo trigerius.
• [ ] Paruošiau atšaukimo planą.
• [ ] Išsiaiškinau, kas atsakingas už kiekvieną žingsnį.
• [ ] Išlaikiau tris pagrindinio patvirtinimo disciplinas ir žmogaus saugumui svarbų patvirtinimą.

Modulio egzaminas

1. Koks yra dirbtinio intelekto išvesties vaidmuo priimant automobilių saugai svarbų sprendimą (pvz., tikrinant stabdžių programinę įrangą)?

• A) Paspartina analizę, tačiau galutinį patvirtinimą ir atsakomybę turi kompetentingas inžinierius ✔
• B) Jei yra pakankamai duomenų, jie gali būti pradėti gaminti be inžinieriaus patvirtinimo
• C) AI negali būti naudojamas jokiame kritinių sistemų, pvz., stabdžių, etape
• D) Jei modelio tikslumas viršija 99%, žmogaus tikrinimas nereikalingas

Aprašymas: Dirbtinis intelektas pagreitina analizę, generuoja kandidatų sprendimus ir santraukas; Tačiau už saugai svarbų sprendimą ir galutinį patvirtinimą atsako kompetentingas inžinierius. AI nepakeičia inžinieriaus patvirtinimo.

2. Kokie yra trys nepriklausomi patikrinimai, naudojami dirbtinio intelekto rezultatams patikrinti trijose tvirtinimo disciplinose?

• A) raginimo ilgis, kalba ir formatas
• B) Įrodymai dėl dydžio, inžinerinio pagrįstumo ir nepriklausomo bandymo / matavimo ✔
• C) Modelio dydis, mokymo laikas ir GPU skaičius
• D) Tiekėjo prekės ženklas, kaina ir pristatymo laikas

Aprašymas: Trys inkarai; eilės tvarka (užsakymo patikrinimas), inžinerinis patikimumas (fizika / patirtis) ir kryžminis patvirtinimas su nepriklausomų bandymų / matavimų įrodymais. Šie trys suteikia pasitikėjimą įrodymais, o ne AI.

3. Koks yra svarbiausias „pakaitinio modelio“, kuris pagreitina CFD arba FEA modeliavimą, išvesties patikrinimas?

• A) Pakaitinis modelis visada yra tikslesnis nei tikrasis sprendėjas
• B) Užtenka, kad vaizdas atrodytų estetiškai
• C) Palyginimas su etaloniniu sprendimu ir nepatikimumo priėmimas judant už treniruočių erdvės ribų ✔
• D) Nereikia žiūrėti į tinklo nepriklausomybę, jei vienas paleidimas susilieja

Aprašymas: Pakaitinis modelis sukuria greitas prognozes, o ne tikrasis sprendėjas; tačiau jis yra nepatikimas už projektavimo erdvės, kurioje buvo apmokytas, ribų. Išvestis turėtų būti patikrinta pažymint ekstrapoliacijos sritį su etaloniniu didelio tikslumo modeliavimu ir fizinėmis ribinėmis sąlygomis.

4. Kokia yra teisinga 2 lygio (dalinio automatizavimo) išraiška SAE automatizavimo lygiuose?

• A) Transporto priemonė gali važiuoti be vairuotojo bet kokiomis sąlygomis
• B) Sistema neatlieka jokių vairavimo pareigų, tik įspėja
• C) Gerai, jei jis nesėdi vairuotojo vietoje
• D) Sistema palaiko vairavimą ir greitį, tačiau vairuotojas išlaiko nuolatinę priežiūrą ir atsakomybę ✔

Aprašymas: 2 lygyje sistema palaiko vairavimą ir greitį/atstumą vienu metu, tačiau vairuotojas išlaiko nuolatinę priežiūrą ir yra pasirengęs bet kada perimti valdymą; Atsakomybė tenka vairuotojui. Esant 3 ir aukštesniam lygiui, sistema tam tikromis sąlygomis perima vairavimo pareigas.

5. Kodėl „pabėgimo greitis“ yra kritinė metrika aptinkant vaizdinius defektus gamybos linijoje?

• A) Sugedusios dalies patvirtinimas ir siuntimas į lauką kelia saugumo ir atšaukimo riziką ✔
• B) Tai svarbu tik todėl, kad lėtina linijos greitį
• C) Nuotėkio rodiklis galioja tik dažų defektams
• D) Nuotėkio greitis matuoja modelio mokymo laiką

Description: Illegal; Sugedusi dalis laikoma tobula ir eina per liniją (klaidingai neigiama). Automobilių saugos dalies nuotėkis yra daug brangesnis nei klaidingas atmetimas, nes tai gali sukelti gedimą arba atšaukimą lauke; Slenkstis atitinkamai koreguojamas.

6. Kaip tiksliausias „likusio naudingo tarnavimo laiko“ (RUL) įvertinimas naudojant numatomą techninę priežiūrą?

• A) RUL skaičiuojamas tik variklio alyvai
• B) Jis turėtų būti pateiktas su neapibrėžties diapazonu ir interpretuojamas pagal priežiūros langą ir saugos ribą ✔
• C) Ji turėtų būti laikoma vienos tikslios dienos reikšmė ir iki tos dienos neturėtų būti atliekami jokie patikrinimai.
• D) Jutikliai gali būti išjungti, jei RUL yra didelis

Aprašymas: RUL yra apskaičiuotas komponento veikimo laikas iki gedimo; Jis turėtų būti pateiktas su neapibrėžties diapazonu ir interpretuojamas pagal techninės priežiūros planą ir saugos ribą. Užuot aklai pasikliaujant vienu tašku, atsižvelgiama į pasikliautinąjį intervalą ir klaidingo aliarmo kainą.

7. Ką turėtų daryti inžinierius, kai AI pažymi anomaliją kelio bandymo įraše atliekant bandymo duomenų analizę?

• A) Kai matote anomaliją, testas turėtų būti automatiškai laikomas nesėkmingu.
• B) AI apskritai neturėtų žiūrėti į duomenis, jei jų nepažymėjo
• C) Patikrinkite anomaliją naudodami neapdorotus duomenis, matavimo neapibrėžtį ir pakartojamumą ✔
• D) Ištrinkite anomalijas ir išvalykite ataskaitą

Paaiškinimas: AI žymima anomalija yra užuomina, o ne išvada. Inžinierius turi patikrinti matavimo neapibrėžtį, jutiklio gedimo galimybę ir pakartojamumą bei patikrinti anomaliją naudodamas neapdorotus duomenis ir priėmimo kriterijus. Automatinis priėmimas arba atmetimas netinka.

8. Koks patikrinimas yra privalomas atliekant esminį AI siūlomą pakeitimą lengvojo svorio tyrime?

• A) Jis tiesiog turi būti lengvesnis
• B) Viena medžiaga duomenų bazės eilutė gali būti laikoma įrodymu
• C) Lengvų medžiagų susidūrimas nėra svarbus
• D) Mechaniniai, nuovargio, susidūrimo, gamybos ir sąnaudų reikalavimai turėtų būti išbandyti kartu ✔

Pastaba: medžiagos rekomendacijos negali būti priimtos remiantis vien tankio ir stiprumo santykiu; mechaninės savybės, nuovargis, elgsena susidūrimo metu, pagaminamumas, korozija, kainos ir saugos reikalavimai turi būti patikrinti kartu ir patvirtinti fiziniais bandymais.

9. Kodėl AI rekomendacijose reikia skirti ypatingą dėmesį „vieno šaltinio rizikai“ automobilių tiekimo grandinėje?

• A) sutrikimas vieno tiekėjo darbe gali sustabdyti visą gamybą; Antrasis šaltinis ir buferis turi būti įvertinti ✔
• B) Vienas šaltinis visada yra saugiausias pasirinkimas
• C) Rizikos analizė nereikalinga, jei siūloma AI
• D) Vieno šaltinio rizika taikoma tik padangai

Paaiškinimas: jei dalis tiekiama iš vieno tiekėjo, gamyba sustabdoma, kai iškyla problema su tuo tiekėju. AI gali rekomenduoti vieną išlaidų optimizavimo šaltinį; Inžinierius/planuotojas turi tai subalansuoti su antriniais ištekliais, atsargų buferiu ir scenarijaus analize. Kaina nėra vienintelis kriterijus.

10. Ką reiškia „duomenų nutekėjimas“ atliekant telemetrinę analizę su Python ir kodėl tai pavojinga?

• A) Duomenys nutekėjo iš disko ir ištrinami
• B) modelis mato treniruočių informaciją, kurios negalima žinoti numatymo metu; Išpučia rezultatą, griūva aikštelėje ✔
• C) Grafinių spalvų maišymas
• D) Atsiranda tik vaizdo duomenyse

Description: Data leak; Tai yra tada, kai modelis mokymo metu mato informaciją, kurios iš tikrųjų negalima žinoti numatymo metu (pavyzdžiui, ateities vertę arba su tikslu susijusį požymį). Tai dirbtinai padidina testo rezultatą, bet sutrinka lauko našumas. Praeities ir ateities skirtumas turi būti kruopščiai išlaikytas laiko eilutėse.

11. Ką ASIL klasifikacija nustato ISO 26262 funkcinės saugos kontekste?

• A) Didžiausias transporto priemonės greitis
• B) modelio mokymo duomenų rinkinio dydis
• C) ✔ Reikalingas saugos lygis pagal pavojaus sunkumą, poveikį ir valdomumą.
• D) Tiekėjo kredito reitingas

Aprašymas: ASIL (automobilių saugos vientisumo lygis) nustato saugos priemonių lygį (nuo A iki D, D yra aukščiausias), kurių reikia pavojui, įvertinus jo sunkumą, poveikį ir valdomumą. Aukštas ASIL reikalauja griežtesnio kūrimo, tikrinimo ir dokumentacijos.

12. Kuo ISO 21448 (SOTIF) skiriasi nuo klasikinės funkcinės saugos (ISO 26262)?

• A) Apdoroja tik aparatinės įrangos gedimus
• B) Reguliuoja tik programinės įrangos licencijavimą
• C) SOTIF yra senas ISO 26262 pavadinimas
• D) Pašalina riziką, kylančią dėl netinkamo funkcionalumo ir neatpažintų scenarijų, net ir nesant gedimo ✔

Aprašymas: ISO 26262 sprendžia rizikas, kylančias dėl gedimų / aparatinės įrangos ir programinės įrangos klaidų, SOTIF (numatomo funkcionalumo sauga) sprendžia riziką, kylančią dėl netinkamo aptikimo, neatpažintų scenarijų ir funkcinių ribų, net jei sistema visiškai neveikia; yra ypač svarbus AI pagrįstas aptikimas.

13. Koks yra geriausias požiūris į privatumą dirbant su vairuotojo ir transporto priemonės telemetrijos duomenimis?

• A) KVKK/GDPR atitikimas anonimiškumo, duomenų mažinimo ir tikslo apribojimo reikalavimams ✔
• B) Visų neapdorotų duomenų siuntimas į viešąjį modelį kartu su VIN
• C) Privatumas taikomas tik rinkodaros duomenims
• D) Vietos duomenys niekada nelaikomi asmens duomenimis

Aprašymas: tokie duomenys kaip vieta, vairavimo elgsena ir važiuoklės numeris (VIN) gali identifikuoti asmenį. Pats teisingiausias požiūris; duomenų anonimizavimas / pseudoniminimas, rinkimas tik tai, kas būtina (duomenų minimizavimas), tikslo ribojimas ir KVKK/BDAR atitiktis. Neapdoroto VIN arba vietos siuntimas trečiosios šalies įrankiams yra rizikingas.

14. Kodėl būtina stebėti „duomenų dreifus“ AI modelyje, kuris pradedamas gaminti?

• A) Kai modelis yra apmokytas, jis neribotą laiką atlieka tą patį našumą.
• B) našumas tyliai mažėja, nes laikui bėgant keičiasi įvesties paskirstymas; turi būti suaktyvintas perkvalifikavimas ✔
• C) Drift yra tik fizinė aparatūros vibracija
• D) Stebėti nereikia, nes modelis atnaujinamas automatiškai

Paaiškinimas: keičiasi realus pasaulis (naujas dalių tiekėjas, sezonas, naujas transporto priemonės modelis); Modelio našumas tyliai mažėja, nes įvesties paskirstymas tolsta nuo mokymo laiko. Perkvalifikavimą skatina dreifo stebėjimas ir veiklos rodikliai. Metodas „nustatyk ir pamiršk“ yra rizikingas automobilių pramonėje.