Pilnīga integrācija, MLOps un inženiera atbildība

Ieguvumi:

• Spēja izstrādāt AI atbalstītu automobiļu projektu no koncepcijas līdz ražošanai un uzturēt to ar uzraudzības ciklu
• Spēja novērtēt modeļa versiju pārvaldību, datu dreifēšanu un pārkvalifikācijas vajadzības
• Spēja droši mērogot AI, vienlaikus saglabājot atbildību, izsekojamību un dokumentāciju visa projekta laikā

Šī moduļa pēdējā vienībā mēs apvienojam visus gabalus. Mēs esam redzējuši, kā mākslīgais intelekts tiek izmantots atsevišķās vienībās, no projektēšanas līdz ražošanai, no testēšanas līdz piegādes ķēdei. Bet reālā projektā tie nav atsevišķi soļi, bet dzīves cikls: tiek savākti dati, uzbūvēts modelis, tas tiek nodots ražošanā, tiek uzraudzīts un, kad tas noveco, tiek atjaunots. Šī cikla uzturēšanas disciplīnu sauc par MLOps (Machine Learning Operations). Šī vienība aptver AI darbināma automobiļu projekta iestatīšanu, uzturēšanu un atbildības uzturēšanu no gala līdz beigām.

AI projekta dzīves cikls

Tipiska plūsma no gala līdz galam automobiļu kontekstā:

1. Problēmas un vērtību definīcija: kādu biznesa problēmu mēs risinām? Kā mēra panākumus? Vai šī funkcija ir svarīga drošībai?
2. Datu vākšana un marķēšana: avoti (CAN, testēšana, ražošana, telemātika), kvalitāte, konfidencialitāte.
3. Modeļa izstrāde: Atribūts, modelis, verifikācija (noplūdes kontrole, vienības konsekvence).
4. Verifikācija un drošības novērtējums: neatkarīga pārbaude, ja nepieciešams ISO 26262/SOTIF.
5. Izvietošana: modeļa izvietošana ierīcē, tiešsaistē vai mākonī.
6. Uzraudzība: veiktspēja, datu novirze, trauksmes precizitāte.
7. Pārkvalifikācija: modeļa atjaunināšana, kad tas kļūst vecs.
8. Dokumentācija un izsekojamība: katra soļa uzskaite; kurš, kad, kāpēc.

Šis cikls vienreiz un uz visiem laikiem nebeidzas; pastāvīgi griežas. Automobiļu rūpniecībā ir bīstami "noteikt un aizmirst" modeli.

Padoms. Uzsākot projektu, "kas uzraudzīs šo modeli, kad tas būs laukā, ar kādu metriku un cik bieži?" Ja nevarat atbildēt uz jautājumu, modelis vēl nav gatavs ražošanai.

Modeļa versiju pārvaldība un izsekojamība

Izsekojamība automobiļu nozarē nav greznība, bet bieži vien juridisks pienākums. Kad rodas problēma, jums vajadzētu būt iespējai atbildēt uz jautājumu "kāda modeļa versija, ar kādiem datiem tas tika apmācīts, kas to apstiprināja?" Labās prakses:

• Modeļa versiju noteikšana: tiek reģistrēts katra modeļa numurs, apmācības dati un datums.
• Datu versiju noteikšana: dati, par kuriem tas tika apmācīts, ir iesaldēti.
• Lēmumu žurnāls: apstiprinājumu sniedza kas un ar kādiem pierādījumiem.
• Atcelšanas plāns: ja jaunais modelis izrādās slikts, varat atgriezties pie vecā.

vienumu

Kāpēc tas ir nepieciešams

Risks, ja trūkst

Modeļa versija

Kura versija ir šajā jomā?

Problēmu nevar izsekot

Datu versija

Ar ko viņš tika apmācīts?

nav reproducējams

Apstiprināšanas ieraksts

Kurš ir atbildīgs?

nevar saukt pie atbildības

atsaukt

Atgriezties no sliktas versijas

Ilga dīkstāve uz lauka

Datu novirze un modeļa samazināšanās

Modelis ir momentuzņēmums no pasaules, kurā tas ir apmācīts. Bet pasaule mainās: jauns detaļu piegādātājs ienes atšķirīgu sensoru toleranci, iznāk jauns transportlīdzekļa modelis, mainās gadalaiki, mainās braukšanas paradumi. Modeļa veiktspēja klusi samazinās, jo ievades datu sadalījums attālinās no apmācības laika. Šo datu novirzi un no tā izrietošo veiktspējas samazināšanos sauc par modeļa samazināšanos.

Bīstamība ir tāda, ka šis kritums ir kluss: modelis nesabrūk, nepieļauj kļūdas, tas vienkārši kļūst arvien vairāk greizs. Tāpēc:

• Monitora ievades sadalījums (drift noteikšana).
• Pārraugiet veiktspējas rādītājus ar reāliem rezultātiem (vai trauksmes signāli bija precīzi?).
• Aktivizēt pārmācību, kad slieksnis ir pārsniegts.

Uzmanību: pieņēmums, ka "kad modelis ir apmācīts, tas vienmēr nodrošina tādu pašu veiktspēju" ir nepareizs un riskants automobiļu jomā. Modelis, kas nodots ražošanā bez novirzes uzraudzības, var neapzināti kļūt neuzticams.

Pilnīga scenārija piemērs: paredzamās apkopes autoparks

Konkrētu. Jūs uzstādāt turbo atteices agrīnās brīdināšanas sistēmu kravas flotei:

1. Vērtība: Samazināt dīkstāves un vilkšanas izmaksas; panākumi = faktiskā kļūda/viltus trauksmes līdzsvars fiksēts.
2. Dati: 40 transportlīdzekļu CAN signāli, vēsturiski kļūdu ieraksti; VIN ir anonimizēts.
3. Modelis: Anomālija + RUL; novērsta laikrindu noplūde; Tiek parādīts nenoteiktības diapazons.
4. Verifikācija: pagātnes kļūdu atpakaļpārbaude; Viltus trauksmes izmaksas tika izsvērtas.
5. Ražošana: ikdienas rādītājs mākonī; paneli tehniķim.
6. Uzraudzība: Drifta kontrole, kad tiek pievienots jauns transportlīdzekļa modelis; trauksmes precizitāte katru nedēļu.
7. Pārkvalifikācija: ceturkšņa atjauninājums ar jaunu transportlīdzekļa tipu un jauniem kļūdu piemēriem.
8. Dokumentācija: modeļa versija, datu versija, reģistrēts sertificējošais inženieris.

Neviens solis šajā plūsmā nesaka "AI nolemts, darīts"; Par katru posmu ir atbildīgs cilvēks.

Mini gadījumu izpēte

1. gadījums — klusā sabrukšana. Kvalitātes kontroles modelis labi darbojas vienu gadu, pēc tam noplūdes līmenis lēnām palielinās. Galvenais iemesls: mainoties piegādātājam, detaļas virsmas faktūra nedaudz atšķīrās (drift), un modelis sāka uzskatīt, ka tas ir "normāli". Ir izveidota dreifēšanas uzraudzība un modelis tiek pārkvalificēts. Rezultāts: bez uzraudzības ievainojamība būtu bijusi nepamanīta vairākus mēnešus.

2. gadījums — izsekojamība saglabāta. No lauka tiek saņemta sūdzība par viltus trauksmi. No lēmumu žurnāla komanda uzzina, kura modeļa versija darbojas ar kādiem datiem; Tas nosaka, ka problēma rodas no sliekšņa iestatījuma noteiktā versijā, un atceļ šo versiju. Rezultāts: ja nebija versijas un lēmuma ieraksta, problēmu nevarēja izsekot.

3. gadījums – pārkvalifikācijas disciplīna. Kad autoparkam pievienojas jauns elektriskais modelis, esošais paredzamās apkopes modelis rada daudz viltus trauksmes signālu par šo transportlīdzekli (piedziņas piedziņu tas nekad nav redzējis). Pirms jaunā modeļa nodošanas ekspluatācijā komanda uztver brīdinājumu par novirzi un paplašina modeli ar jauniem transportlīdzekļa datiem. Rezultāts: novirzes uzraudzība agri konstatēja degradāciju, kas radās ar jauno produktu.

uzvedņu veidnes

1. veidne — projekta plāna projekts:

Loma: AI projekta vadītājs (automobiļu rūpniecība).Uzdevums: Palīdziet man plānot ar AI darbinātu projektu līdz galam.Konteksts: paredzamā apkope; 40 automašīnu flote; VIN ir anonīms.Ierobežojums: Apsveriet vērtības noteikšanas, datu, modeļa, verifikācijas, ražošanas, uzraudzības, pārkvalifikācijas un dokumentācijas soļus atsevišķi; norādiet, kurš ir atbildīgs par katru soli.Izvade: Solis | izlaide | atbildīgs | riska tabula.

2. veidne — uzraudzības plāns:

Loma: Jūs esat MLOps inženieris. Uzdevums: Ieteikt monitoringa plānu modelim, kas tiek izmantots. Konteksts: ievades sadalījums laika gaitā var mainīties (jauns piegādātājs, jauns rīks); sniegumu var izmērīt pēc reāliem rezultātiem.Izvade: Metric to track | slieksnis | jāaktivizē darbība.

3. veidne — novirzes vērtējums:

Loma: datu zinātnieks. Uzdevums: Paskaidrojiet, kā noteikt datu novirzi un kad nepieciešama pārkvalifikācija. Konteksts: ražošanas līnijas vizuālās pārbaudes modelis; Var būt piegādātāja maiņa. Izeja: Signāls | mērījums | pārkvalifikācijas izraisītājs.

4. veidne — izsekojamības kontrolsaraksts:

Loma: Jūs esat kvalitātes/atbilstības auditors. Uzdevums: izveidojiet modeļa izsekojamības kontrolsarakstu. Konteksts: Automobiļi; Ja rodas problēma, jāatbild uz jautājumu "kura versija, kādi dati, kas to apstiprināja".Izvade: Prece | kāpēc tas ir nepieciešams | kā saglabāt diagrammu.

Vāja uzvedne / spēcīga uzvedne

Vāja uzvedne:

Ievietojiet modeli ražošanā.

Bez izsekošanas, bez versiju izveides, bez atbildības un bez atcelšanas; Klusa sabrukšana un neizsekojamas problēmas ir neizbēgamas.

Spēcīga uzvedne:

Loma: Jūs esat MLOps un automobiļu kvalitātes konsultants. Uzdevums: Izveidojiet kontrolsarakstu, kas man ir nepieciešams, lai atbildīgi nodotu modeli ražošanā. Konteksts: paredzamās apkopes autoparks; Laika gaitā tiek pievienoti jauni transportlīdzekļu veidi; VIN anonīms.Ierobežojums: ietver uzraudzību, novirzes noteikšanu, versiju/datu reģistrēšanu, apstiprināšanu un atcelšanas plānu; Norādiet, kurš ir atbildīgs par katru preci; 'iestatiet to un aizmirstiet' priekšlikums.Izvade: Stage | nepieciešamība | atbildīgs | riska tabula.

Biežas kļūdas

• “Iestatiet un aizmirstiet” pieeja. Bez uzraudzības modelis klusi sabojājas.
• Versiju/datu ierakstu neglabāšana. Problēmu nevar izsekot vai atveidot.
• Nav atcelšanas plāna. Ja atkopšanās pēc sliktas izlaišanas aizņem ilgu laiku, laukā būs ilgstoša kļūme.
• Negaidot Drift. Jauns piegādātājs/rīks/sezona izjauc modeli; uzraudzība ir būtiska.
• Atstāt atbildību neskaidru. Atbildei uz jautājumu "kurš ir atbildīgs" jābūt skaidrai ik uz soļa.

Rezumējot

• Ar AI darbināms automobiļu projekts nav vienreizējs, bet gan mainīgs dzīves cikls (MLOps).
• Modeļu un datu versiju veidošana, lēmumu reģistrēšana un atcelšanas plānošana ir būtiska izsekojamībai.
• Datu novirze klusi atspēko modeli; ievade un veiktspēja ir jāuzrauga un pēc vajadzības jāpārkvalificē.
• Piemērā no gala līdz galam katram solim ir atbildīgs cilvēks; Nav "AI nolēmis, viss ir beidzies".
• “Iestatiet un aizmirstiet” ir riskanti automobiļu nozarē; visa projekta laikā tiek uzturēta uzraudzība, dokumentācija un atbildība.

Lietojumprogrammas uzdevums

Apvienojiet šajā modulī apgūto vienā projektā (piemēram, ražošanas līnijas vizuālā pārbaude vai paredzamā apkope). (1) Izstrādājiet visaptverošu projekta plānu, izmantojot 1. veidni; Pierakstiet personu, kas ir atbildīga par katru soli. (2) Definējiet monitoringa plānu un novirzes trigerus, izmantojot 2. veidni. (3) Sagatavojiet izsekojamības kontrolsarakstu ar 4. veidni. (4) Apkopojiet rindkopā, kā šim projektam izmantojāt trīs enkura disciplīnas no moduļa sākuma.

kontrolsaraksts

• [ ] Es plānoju projektu kā dzīves ciklu no gala līdz galam.
• [ ] Es definēju lēmuma ierakstu ar modeļa un datu versiju veidošanu.
• [ ] Es iestatu monitoringa plānu un dreifēšanas izraisītājus.
• [ ] Es sagatavoju atcelšanas plānu.
• [ ] Esmu noskaidrojis, kurš ir atbildīgs par katru soli.
• [ ] Es uzturēju trīs enkura validācijas disciplīnas un cilvēkdrošībai kritisko validāciju.

Moduļa eksāmens

1. Kāda ir mākslīgā intelekta izvades nozīme automobiļu drošībai kritiskā lēmumā (piemēram, bremžu programmatūras pārbaude)?

• A) Paātrina analīzi, bet galīgais apstiprinājums un atbildība paliek kompetentajam inženierim ✔
• B) Ja ir pietiekami daudz datu, to var nodot ražošanā bez inženiera apstiprinājuma
• C) AI nevar izmantot nevienā posmā kritiskās sistēmās, piemēram, bremzēs
• D) Ja modeļa precizitāte pārsniedz 99%, cilvēka pārbaude nav nepieciešama

Apraksts: Mākslīgais intelekts paātrina analīzi, ģenerē kandidātu risinājumus un kopsavilkumus; Tomēr par drošībai būtisko lēmumu un galīgo apstiprinājumu ir atbildīgs kompetentais inženieris. AI neaizstāj inženieru validāciju.

2. Kādas ir trīs neatkarīgās pārbaudes, ko izmanto, lai pārbaudītu AI izvadi trīs enkura validācijas disciplīnās?

• A) Uzvednes garums, valoda un formāts
• B) Pierādījumi par lielumu, inženiertehnisko pamatotību un neatkarīgu testēšanu/mērīšanu ✔
• C) Modeļa izmērs, apmācības laiks un GPU skaits
• D) Piegādātāja zīmols, cena un piegādes laiks

Apraksts: Trīs enkuri; lieluma secība (pasūtījuma pārbaude), inženiertehniskā ticamība (fizika/pieredze) un savstarpēja validācija ar neatkarīgu testu/mērījumu pierādījumiem. Šie trīs nodrošina uzticību pierādījumiem, nevis uzticību AI.

3. Kāda ir vissvarīgākā “surogātmodeļa” izejas pārbaude, kas paātrina CFD vai FEA simulāciju?

• A) Surogātmodelis vienmēr ir precīzāks par reālo risinātāju
• B) Pietiek ar to, ka apmetums izskatās estētiski patīkams
• C) Salīdzinājums ar atsauces risinājumu un neuzticamības pieņemšana, pārvietojoties ārpus mācību telpas ✔
• D) Nav nepieciešams aplūkot tīkla neatkarību, ja saplūst viena darbība

Apraksts: surogātmodelis rada ātras prognozes, nevis reālo risinātāju; bet tas ir neuzticams ārpus dizaina telpas, kurā tas tika apmācīts. Izvade ir jāpārbauda, ​​atzīmējot ekstrapolācijas reģionu ar augstas precizitātes atsauces simulāciju un fiziskiem robežnosacījumiem.

4. Kāda ir pareizā izteiksme 2. līmenim (daļēja automatizācija) SAE automatizācijas līmeņos?

• A) Transportlīdzeklis var braukt bez vadītāja jebkuros apstākļos
• B) Sistēma neuzņemas nekādus braukšanas pienākumus, tikai brīdina
• C) Tas ir labi, ja viņš nesēž vadītāja sēdeklī
• D) Sistēma atbalsta stūrēšanu un ātrumu, bet vadītājs saglabā pastāvīgu uzraudzību un atbildību ✔

Apraksts: 2. līmenī sistēma atbalsta stūrēšanu un ātrumu/attālumu vienlaicīgi, bet vadītājs saglabā pastāvīgu uzraudzību un ir gatavs jebkurā laikā pārņemt vadību; Atbildība gulstas uz šoferi. 3. un augstākā līmenī sistēma noteiktos apstākļos pārņem braukšanas pienākumus.

5. Kāpēc “aizbēgšanas ātrums” ir kritisks rādītājs vizuālo defektu noteikšanā ražošanas līnijā?

• A) Bojātās daļas apstiprināšana un nosūtīšana uz lauka rada drošības un atsaukšanas risku ✔
• B) Tas ir svarīgi tikai tāpēc, ka tas palēnina līnijas ātrumu
• C) Noplūdes koeficients ir spēkā tikai krāsas defektiem
• D) Noplūdes ātrums mēra modeļa apmācības laiku

Apraksts: Nelegāls; Bojāta daļa tiek uzskatīta par perfektu un iet caur līniju (viltus negatīvs). Automobiļu drošības daļai noplūde ir daudz dārgāka nekā nepatiesa noraidīšana, jo tā var izraisīt kļūmi vai atsaukšanu uz vietas; Slieksnis tiek attiecīgi pielāgots.

6. Kā visprecīzāk izmanto “atlikušā lietderīgās lietošanas laika” (RUL) aprēķinu paredzamajā apkopē?

• A) RUL tiek aprēķināts tikai motoreļļai
• B) Tas jāuzrāda ar nenoteiktības diapazonu un jāinterpretē atbilstoši apkopes logam un drošības rezervei ✔
• C) Tā ir jāuzskata par vienu precīzu dienas vērtību, un līdz šai dienai nevajadzētu veikt nekādas pārbaudes.
• D) Sensorus var izslēgt, ja RUL ir augsts

Apraksts: RUL ir aprēķinātais atlikušais komponenta darbības laiks līdz atteicei; Tas jāuzrāda ar nenoteiktības diapazonu un jāinterpretē saskaņā ar apkopes plānu un drošības rezervi. Tā vietā, lai akli paļautos uz viena punkta aplēsi, tiek ņemts vērā ticamības intervāls un viltus trauksmes izmaksas.

7. Kas jādara inženierim, ja AI atzīmē anomāliju ceļa testa ierakstā testa datu analīzē?

• A) Ja redzat anomāliju, tests automātiski jāuzskata par neveiksmīgu.
• B) AI vispār nevajadzētu skatīt datus, ja tas nav tos atzīmējis
• C) Pārbaudiet anomāliju ar neapstrādātiem datiem, mērījumu nenoteiktību un atkārtojamību ✔
• D) Izdzēsiet anomālijas un notīriet ziņojumu

Paskaidrojums: anomālija, ko AI apzīmē, ir mājiens, nevis secinājums. Inženierim jāpārbauda mērījumu nenoteiktība, sensora kļūmes iespējamība un atkārtojamība un jāpārbauda anomālija, izmantojot neapstrādātus datus un pieņemšanas kritērijus. Automātiska pieņemšana vai noraidīšana nav piemērota.

8. Kāda pārbaude ir obligāta materiālām izmaiņām, ko AI ierosinājis vieglā svara pētījumā?

• A) Tam vienkārši jābūt vieglākam
• B) Vienu rindu materiālu datubāzē var uzskatīt par pierādījumu
• C) Vieglos materiālos triecienizturība nav svarīga
• D) Mehāniskās, noguruma, avārijas, izgatavojamības un izmaksu prasības jāpārbauda kopā ✔

Piezīme: materiālu ieteikumu nevar pieņemt, pamatojoties tikai uz blīvuma/izturības attiecību; mehāniskās īpašības, nogurums, triecienizturība, izgatavojamība, korozija, izmaksas un drošības prasības ir jāpārbauda kopā un jāapstiprina ar fizisko testēšanu.

9. Kāpēc AI ieteikumos īpaša uzmanība jāpievērš “viena avota riskam” automobiļu piegādes ķēdē?

• A) viena piegādātāja darbības traucējumi var apturēt visu ražošanu; Otrais avots un buferis ir jānovērtē ✔
• B) Viens avots vienmēr ir drošākais risinājums
• C) Riska analīze nav nepieciešama, ja tiek ieteikts AI
• D) Viena avota risks attiecas tikai uz riepu

Paskaidrojums: ja detaļa nāk no viena piegādātāja, ražošana tiek pārtraukta, ja rodas problēma ar šo piegādātāju. AI var ieteikt vienu izmaksu optimizācijas avotu; Inženierim/plānotājam tas jāsabalansē ar sekundāro resursu, krājumu bufera un scenāriju analīzi. Izmaksas nav vienīgais kritērijs.

10. Ko nozīmē “datu noplūde”, veicot telemetrijas analīzi ar Python, un kāpēc tā ir bīstama?

• A) Dati tiek nopludināti no diska un izdzēsti
• B) modelis apmācībā redz informāciju, ko nevar zināt prognozēšanas brīdī; Uzpūš rezultātu, sabrūk laukumā ✔
• C) Grafisko krāsu sajaukšana
• D) Parādās tikai attēla datos

Apraksts: Datu noplūde; Tas ir tad, kad modelis apmācībā redz informāciju, kuru prognozēšanas brīdī faktiski nevar zināt (piemēram, nākotnes vērtību vai ar mērķi saistītu atribūtu). Tas mākslīgi palielina testa rezultātu, bet sagrauj lauka veiktspēju. Laika rindās ir rūpīgi jāsaglabā pagātnes/nākotnes atšķirība.

11. Ko ASIL klasifikācija nosaka ISO 26262 funkcionālās drošības kontekstā?

• A) Transportlīdzekļa maksimālais ātrums
• B) Modeļa apmācības datu kopas lielums
• C) ✔ Nepieciešamais drošības līmenis atbilstoši apdraudējuma smagumam, iedarbībai un vadāmībai.
• D) Piegādātāja kredītreitings

Apraksts: ASIL (Automotive Safety Integrity Level) nosaka drošības pasākumu līmeni (no A līdz D, D ir augstākais), kas ir nepieciešams apdraudējumam, pamatojoties uz tā smaguma, iedarbības un vadāmības novērtējumu. Augstam ASIL ir nepieciešama stingrāka izstrāde, pārbaude un dokumentācija.

12. Ar ko ISO 21448 (SOTIF) atšķiras no klasiskās funkcionālās drošības (ISO 26262)?

• A) Apstrādā tikai aparatūras kļūmes
• B) Regulē tikai programmatūras licencēšanu
• C) SOTIF ir ISO 26262 vecais nosaukums
• D) Novērš riskus, kas rodas no neatbilstošas funkcionalitātes un neatpazītiem scenārijiem, pat ja nav kļūmes ✔

Apraksts: ISO 26262 pievēršas riskiem, kas izriet no darbības traucējumiem/aparatūras un programmatūras kļūdām, SOTIF (Paredzētās funkcionalitātes drošība) risina riskus, kas rodas no neatbilstošas noteikšanas, neatpazītiem scenārijiem un funkcionāliem ierobežojumiem, pat ja sistēma nedarbojas vispār; ir īpaši svarīga uz AI balstītā noteikšanā.

13. Kāda ir labākā pieeja privātuma ziņā, strādājot ar vadītāja un transportlīdzekļa telemetrijas datiem?

• A) KVKK/GDPR atbilstība anonimizācijai, datu minimizēšanai un mērķa ierobežojumam ✔
• B) Visu neapstrādāto datu nosūtīšana uz publisko modeli kopā ar VIN
• C) Privātums attiecas tikai uz mārketinga datiem
• D) Atrašanās vietas dati nekad netiek uzskatīti par personas datiem

Apraksts: tādi dati kā atrašanās vieta, braukšanas paradumi un šasijas numurs (VIN) var identificēt personu. Pareizākā pieeja; datu anonimizācija/pseidonimizācija, tikai nepieciešamā vākšana (datu minimizēšana), mērķa ierobežošana un KVKK/GDPR atbilstība. Neapstrādāta VIN vai atrašanās vietas nosūtīšana trešās puses rīkiem ir riskanta.

14. Kāpēc ir nepieciešams uzraudzīt “datu novirzi” AI modelī, kas tiek nodots ražošanā?

• A) Kad modelis ir apmācīts, tas bezgalīgi sniedz tādu pašu sniegumu.
• B) veiktspēja klusi samazinās, jo laika gaitā mainās ievades sadalījums; jāiedarbina pārkvalifikācija ✔
• C) Drift ir tikai fiziska aparatūras vibrācija
• D) Uzraudzība nav nepieciešama, jo modelis tiek automātiski atjaunināts

Paskaidrojums: mainās reālā pasaule (jauns detaļu piegādātājs, sezona, jauns transportlīdzekļa modelis); Modeļa veiktspēja klusi samazinās, jo ievades sadalījums attālinās no apmācības laika. Pārkvalifikāciju izraisa novirzes uzraudzība un veiktspējas rādītāji. Pieeja “iestati un aizmirsti” ir riskanta automobiļu nozarē.