എൻഡ്-ടു-എൻഡ് ഇൻ്റഗ്രേഷൻ, എംഎൽഒപ്‌സ്, എഞ്ചിനീയർ റെസ്‌പോൺസിബിലിറ്റി

നേട്ടങ്ങൾ:

• ആശയം മുതൽ ഉൽപ്പാദനം വരെ AI- പിന്തുണയുള്ള ഒരു ഓട്ടോമോട്ടീവ് പ്രോജക്റ്റ് രൂപകൽപ്പന ചെയ്യാനും ഒരു മോണിറ്ററിംഗ് സൈക്കിൾ ഉപയോഗിച്ച് പരിപാലിക്കാനുമുള്ള കഴിവ്
• മോഡൽ പതിപ്പ് മാനേജ്മെൻ്റ്, ഡാറ്റ ഡ്രിഫ്റ്റ്, റീട്രെയിനിംഗ് ആവശ്യങ്ങൾ എന്നിവ വിലയിരുത്താനുള്ള കഴിവ്
• പ്രോജക്റ്റിലുടനീളം ഉത്തരവാദിത്തവും കണ്ടെത്തലും ഡോക്യുമെൻ്റേഷനും നിലനിർത്തിക്കൊണ്ട് AI സുരക്ഷിതമായി അളക്കാനുള്ള കഴിവ്

ഈ മൊഡ്യൂളിൻ്റെ അവസാന യൂണിറ്റിൽ, ഞങ്ങൾ എല്ലാ ഭാഗങ്ങളും ഒരുമിച്ച് കൊണ്ടുവരുന്നു. വ്യക്തിഗത യൂണിറ്റുകളിൽ, ഡിസൈൻ മുതൽ ഉൽപ്പാദനം വരെ, ടെസ്റ്റിംഗ് മുതൽ വിതരണ ശൃംഖല വരെ കൃത്രിമബുദ്ധി ഉപയോഗിക്കുന്നത് എങ്ങനെയെന്ന് ഞങ്ങൾ കണ്ടു. എന്നാൽ ഒരു യഥാർത്ഥ പ്രോജക്റ്റിൽ, ഇവ ഒറ്റപ്പെട്ട ഘട്ടങ്ങളല്ല, മറിച്ച് ഒരു ജീവിത ചക്രം: ഡാറ്റ ശേഖരിക്കുന്നു, മോഡൽ നിർമ്മിക്കുന്നു, അത് ഉൽപ്പാദിപ്പിക്കുന്നു, അത് നിരീക്ഷിക്കുന്നു, അത് പഴയതായിരിക്കുമ്പോൾ, അത് പുതുക്കുന്നു. ഈ ചക്രം നിലനിർത്തുന്നതിനുള്ള അച്ചടക്കത്തെ MLOps (മെഷീൻ ലേണിംഗ് ഓപ്പറേഷൻസ്) എന്ന് വിളിക്കുന്നു. ഈ യൂണിറ്റ് AI- പവർഡ് ഓട്ടോമോട്ടീവ് പ്രോജക്റ്റിനായി അവസാനം മുതൽ അവസാനം വരെ ഉത്തരവാദിത്തം സജ്ജീകരിക്കുകയും പരിപാലിക്കുകയും പരിപാലിക്കുകയും ചെയ്യുന്നു.

ഒരു AI പദ്ധതിയുടെ ജീവിതചക്രം

ഒരു ഓട്ടോമോട്ടീവ് സന്ദർഭത്തിൽ ഒരു സാധാരണ എൻഡ്-ടു-എൻഡ് ഫ്ലോ:

1. പ്രശ്നവും മൂല്യ നിർവചനവും: ഞങ്ങൾ എന്ത് ബിസിനസ് പ്രശ്‌നമാണ് പരിഹരിക്കുന്നത്? വിജയം എങ്ങനെയാണ് അളക്കുന്നത്? ഇതൊരു സുരക്ഷാ നിർണായക പ്രവർത്തനമാണോ?
2. ഡാറ്റ ശേഖരണവും ലേബലിംഗും: ഉറവിടങ്ങൾ (CAN, ടെസ്റ്റിംഗ്, പ്രൊഡക്ഷൻ, ടെലിമാറ്റിക്സ്), ഗുണനിലവാരം, രഹസ്യാത്മകത.
3. മോഡൽ വികസനം: ആട്രിബ്യൂട്ട്, മോഡൽ, സ്ഥിരീകരണം (ചോർച്ച നിയന്ത്രണം, യൂണിറ്റ് സ്ഥിരത).
4. പരിശോധനയും സുരക്ഷാ വിലയിരുത്തലും: ISO 26262/SOTIF ആവശ്യമെങ്കിൽ സ്വതന്ത്ര പരിശോധന.
5. വിന്യാസം: ഉപകരണത്തിലേക്കോ ലൈനിലേക്കോ ക്ലൗഡിലേക്കോ മോഡൽ വിന്യസിക്കുന്നു.
6. നിരീക്ഷണം: പ്രകടനം, ഡാറ്റ ഡ്രിഫ്റ്റ്, അലാറം കൃത്യത.
7. വീണ്ടും പരിശീലനം: മോഡൽ പഴയതായിരിക്കുമ്പോൾ അത് അപ്ഡേറ്റ് ചെയ്യുന്നു.
8. ഡോക്യുമെൻ്റേഷനും കണ്ടെത്തലും: ഓരോ ഘട്ടത്തിൻ്റെയും റെക്കോർഡ്; ആരാണ്, എപ്പോൾ, എന്തുകൊണ്ട്.

ഈ ചക്രം ഒരിക്കൽ അവസാനിക്കുന്നില്ല; നിരന്തരം കറങ്ങുന്നു. ഓട്ടോമോട്ടീവിൽ, ഒരു മോഡൽ "സജ്ജീകരിക്കുകയും മറക്കുകയും" ചെയ്യുന്നത് അപകടകരമാണ്.

നുറുങ്ങ്: പ്രോജക്റ്റ് ആരംഭിക്കുമ്പോൾ, "ഈ മോഡൽ ഫീൽഡിൽ ഒരിക്കൽ, ഏത് മെട്രിക് ഉപയോഗിച്ച്, എത്ര തവണ ഇത് നിരീക്ഷിക്കും?" നിങ്ങൾക്ക് ചോദ്യത്തിന് ഉത്തരം നൽകാൻ കഴിയുന്നില്ലെങ്കിൽ, മോഡൽ ഇതുവരെ നിർമ്മാണത്തിന് തയ്യാറായിട്ടില്ല.

മോഡൽ പതിപ്പ് മാനേജ്മെൻ്റും കണ്ടെത്തലും

ഓട്ടോമോട്ടീവിലെ കണ്ടെത്തൽ ഒരു ആഡംബരമല്ല, പലപ്പോഴും നിയമപരമായ ബാധ്യതയാണ്. ഒരു പ്രശ്നം ഉണ്ടാകുമ്പോൾ, "ഏത് മോഡൽ പതിപ്പ്, ഏത് ഡാറ്റ ഉപയോഗിച്ചാണ് ഇത് പരിശീലിപ്പിച്ചത്, ആരാണ് ഇത് അംഗീകരിച്ചത്?" എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകാൻ നിങ്ങൾക്ക് കഴിയണം. നല്ല ശീലങ്ങൾ:

• മോഡൽ പതിപ്പിംഗ്: ഓരോ മോഡലിൻ്റെയും നമ്പർ, പരിശീലന ഡാറ്റ, തീയതി എന്നിവ രേഖപ്പെടുത്തിയിട്ടുണ്ട്.
• ഡാറ്റ പതിപ്പ്: ഇത് പരിശീലിപ്പിച്ച ഡാറ്റ മരവിപ്പിച്ചു.
• തീരുമാനരേഖ: അംഗീകാരം നൽകിയത് ആർ, എന്ത് തെളിവുകൾ സഹിതമാണ്.
• റോൾബാക്ക് പ്ലാൻ: പുതിയ മോഡൽ മോശമായാൽ, നിങ്ങൾക്ക് പഴയതിലേക്ക് മടങ്ങാം.

ഇനം

എന്തുകൊണ്ട് അത് ആവശ്യമാണ്

കാണാതെ പോയാൽ അപകടം

മോഡൽ പതിപ്പ്

ഏത് പതിപ്പാണ് ഫീൽഡിലുള്ളത്?

പ്രശ്നം കണ്ടെത്താൻ കഴിയില്ല

ഡാറ്റ പതിപ്പ്

അവൻ എന്താണ് പരിശീലിപ്പിച്ചത്?

പുനരുൽപ്പാദിപ്പിക്കാനാവില്ല

അംഗീകാര രേഖ

ആരാണ് ഉത്തരവാദി?

ഉത്തരവാദിത്തം ഏറ്റെടുക്കാൻ കഴിയില്ല

പഴയപടിയാക്കുക

മോശം പതിപ്പിൽ നിന്ന് മടങ്ങുക

ഫീൽഡിൽ നീണ്ട ഇടവേള

ഡാറ്റ ഡ്രിഫ്റ്റും മോഡൽ ക്ഷയവും

ഒരു മോഡൽ അത് പരിശീലിപ്പിക്കപ്പെടുന്ന ലോകത്തിൻ്റെ സ്നാപ്പ്ഷോട്ട് ആണ്. എന്നാൽ ലോകം മാറുന്നു: ഒരു പുതിയ ഭാഗങ്ങൾ വിതരണക്കാരൻ മറ്റൊരു സെൻസർ ടോളറൻസ് നൽകുന്നു, ഒരു പുതിയ വാഹന മോഡൽ വരുന്നു, സീസണുകൾ മാറുന്നു, ഡ്രൈവിംഗ് ശീലങ്ങൾ മാറുന്നു. ഇൻപുട്ട് ഡാറ്റയുടെ വിതരണം പരിശീലന സമയത്തിൽ നിന്ന് അകന്നുപോകുമ്പോൾ മോഡലിൻ്റെ പ്രകടനം നിശബ്ദമായി കുറയുന്നു. ഈ ഡാറ്റ ഡ്രിഫ്റ്റിനെയും ഫലമായുണ്ടാകുന്ന പ്രകടനത്തിലെ കുറവിനെയും മോഡൽ ഡീകേ എന്ന് വിളിക്കുന്നു.

ഈ തകർച്ച നിശബ്ദമാണ് എന്നതാണ് അപകടം: മോഡൽ തകരുന്നില്ല, തെറ്റുകൾ വരുത്തുന്നില്ല, അത് കൂടുതൽ കൂടുതൽ തെറ്റായി മാറുന്നു. അതുകൊണ്ട്:

• ഇൻപുട്ട് വിതരണം നിരീക്ഷിക്കുക (ഡ്രിഫ്റ്റ് ഡിറ്റക്ഷൻ).
• യഥാർത്ഥ ഫലങ്ങളുള്ള പ്രകടന അളവുകൾ നിരീക്ഷിക്കുക (അലാമുകൾ കൃത്യമായിരുന്നോ?).
• പരിധി കവിയുമ്പോൾ വീണ്ടും പരിശീലനം നടത്തുക.

മുന്നറിയിപ്പ്: "മോഡൽ ഒരിക്കൽ പരിശീലിപ്പിക്കപ്പെട്ടാൽ, അത് എന്നെന്നേക്കുമായി ഒരേ പ്രകടനം നൽകുന്നു" എന്ന അനുമാനം വാഹനത്തിൽ തെറ്റും അപകടകരവുമാണ്. ഡ്രിഫ്റ്റ് മോണിറ്ററിംഗ് ഇല്ലാതെ ഉൽപ്പാദിപ്പിക്കുന്ന ഒരു മോഡൽ അറിയാതെ വിശ്വസനീയമല്ലാതായി മാറിയേക്കാം.

എൻഡ്-ടു-എൻഡ് ഉദാഹരണ രംഗം: പ്രവചനാത്മക മെയിൻ്റനൻസ് ഫ്ലീറ്റ്

നമുക്ക് കോൺക്രീറ്റ് ചെയ്യാം. നിങ്ങൾ ഒരു കാർഗോ ഫ്ലീറ്റിനായി ടർബോ പരാജയം മുൻകൂട്ടിയുള്ള മുന്നറിയിപ്പ് സംവിധാനം ഇൻസ്റ്റാൾ ചെയ്യുന്നു:

1. മൂല്യം: പ്രവർത്തനരഹിതമായ സമയവും ടോവിംഗ് ചെലവുകളും കുറയ്ക്കുക; വിജയം = യഥാർത്ഥ തെറ്റ്/തെറ്റായ അലാറം ബാലൻസ് പിടിച്ചെടുത്തു.
2. ഡാറ്റ: 40 വാഹനങ്ങളുടെ CAN സിഗ്നലുകൾ, ചരിത്രപരമായ പിഴവ് രേഖകൾ; VIN അജ്ഞാതമാക്കി.
3. മോഡൽ: അനോമലി + RUL; സമയ ശ്രേണി ചോർച്ച തടഞ്ഞു; അനിശ്ചിതത്വ ശ്രേണി അവതരിപ്പിച്ചിരിക്കുന്നു.
4. സ്ഥിരീകരണം: മുൻകാല പിഴവുകൾ ബാക്ക്‌ടെസ്റ്റിംഗ്; തെറ്റായ അലാറം ചെലവ് തൂക്കി.
5. ഉത്പാദനം: ക്ലൗഡിൽ പ്രതിദിന സ്കോർ; സാങ്കേതിക വിദഗ്ധന് പാനൽ.
6. നിരീക്ഷണം: ഒരു പുതിയ വാഹന മോഡൽ ചേർക്കുമ്പോൾ ഡ്രിഫ്റ്റ് നിയന്ത്രണം; അലാറം കൃത്യത പ്രതിവാരം.
7. പുനർപരിശീലനം: പുതിയ വാഹന തരവും പുതിയ തെറ്റായ ഉദാഹരണങ്ങളും ഉപയോഗിച്ച് ത്രൈമാസ അപ്ഡേറ്റ്.
8. ഡോക്യുമെൻ്റേഷൻ: മോഡൽ പതിപ്പ്, ഡാറ്റ പതിപ്പ്, സർട്ടിഫൈയിംഗ് എഞ്ചിനീയർ രജിസ്റ്റർ ചെയ്തു.

ഈ ഫ്ലോയിലെ ഒരു ഘട്ടവും "AI തീരുമാനിച്ചു, ചെയ്തു" എന്ന് പറയുന്നില്ല; ഓരോ ഘട്ടത്തിനും ഒരു വ്യക്തി ഉത്തരവാദിയാണ്.

മിനി കേസ് പഠനങ്ങൾ

കേസ് 1 - നിശബ്ദമായ ക്ഷയം. ഒരു ഗുണനിലവാര നിയന്ത്രണ മോഡൽ ഒരു വർഷത്തേക്ക് നന്നായി പ്രവർത്തിക്കുന്നു, തുടർന്ന് ചോർച്ച നിരക്ക് പതുക്കെ വർദ്ധിക്കുന്നു. മൂലകാരണം: വിതരണക്കാരൻ മാറിയപ്പോൾ, ഭാഗത്തിൻ്റെ ഉപരിതല ഘടന അല്പം വ്യത്യസ്തമായി (ഡ്രിഫ്റ്റ്), മോഡൽ ഇത് "സാധാരണ" ആണെന്ന് കരുതാൻ തുടങ്ങി. ഡ്രിഫ്റ്റ് മോണിറ്ററിംഗ് സ്ഥാപിക്കുകയും മോഡൽ വീണ്ടും പരിശീലിപ്പിക്കുകയും ചെയ്യുന്നു. ഫലം: നിരീക്ഷണം ഇല്ലായിരുന്നെങ്കിൽ, അപകടസാധ്യത മാസങ്ങളോളം ശ്രദ്ധിക്കപ്പെടാതെ പോകുമായിരുന്നു.

കേസ് 2 - ട്രെയ്‌സിബിലിറ്റി സംരക്ഷിച്ചു. ഫീൽഡിൽ നിന്ന് ഒരു തെറ്റായ അലാറം പരാതി വരുന്നു. തീരുമാന രേഖയിൽ നിന്ന്, ഏത് ഡാറ്റയുമായി ഏത് മോഡൽ പതിപ്പാണ് പ്രവർത്തിക്കുന്നതെന്ന് ടീം കണ്ടെത്തുന്നു; ഒരു പ്രത്യേക പതിപ്പിലെ ത്രെഷോൾഡ് ക്രമീകരണത്തിൽ നിന്നാണ് പ്രശ്നം വരുന്നതെന്ന് ഇത് കണ്ടെത്തി ആ പതിപ്പ് തിരികെ കൊണ്ടുവരുന്നു. ഫലം: പതിപ്പും തീരുമാന രേഖകളും ഇല്ലെങ്കിൽ, പ്രശ്നം കണ്ടെത്താനായില്ല.

കേസ് 3 - അച്ചടക്കം വീണ്ടും പരിശീലിപ്പിക്കുക. ഒരു പുതിയ ഇലക്ട്രിക് മോഡൽ ഫ്ലീറ്റിൽ ചേരുമ്പോൾ, നിലവിലുള്ള പ്രെഡിക്റ്റീവ് മെയിൻ്റനൻസ് മോഡൽ ഈ വാഹനത്തിൽ ധാരാളം തെറ്റായ അലാറങ്ങൾ ഉയർത്തുന്നു (അത് ഒരിക്കലും കണ്ടിട്ടില്ലാത്ത ഒരു പവർട്രെയിൻ). പുതിയ മോഡൽ കമ്മീഷൻ ചെയ്യുന്നതിനുമുമ്പ്, ടീം ഡ്രിഫ്റ്റ് മുന്നറിയിപ്പ് ക്യാപ്‌ചർ ചെയ്യുകയും പുതിയ വാഹന ഡാറ്റ ഉപയോഗിച്ച് മോഡൽ വികസിപ്പിക്കുകയും ചെയ്യുന്നു. ഫലം: ഡ്രിഫ്റ്റ് മോണിറ്ററിംഗ് പുതിയ ഉൽപ്പന്നത്തിനൊപ്പം വന്ന ഡീഗ്രേഡേഷൻ നേരത്തെ കണ്ടെത്തി.

പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ടെംപ്ലേറ്റ് 1 - പ്രോജക്റ്റ് പ്ലാൻ ഡ്രാഫ്റ്റ്:

റോൾ: AI പ്രോജക്റ്റ് ലീഡർ (ഓട്ടോമോട്ടീവ്). ടാസ്‌ക്: AI- പവർഡ് പ്രോജക്റ്റ് അവസാനം മുതൽ അവസാനം വരെ ആസൂത്രണം ചെയ്യാൻ എന്നെ സഹായിക്കൂ. സന്ദർഭം: പ്രവചനാത്മക പരിപാലനം; 40 വാഹനങ്ങളുടെ ഫ്ലീറ്റ്; VIN അജ്ഞാതമാണ്.നിയന്ത്രണം: മൂല്യ നിർവചനം, ഡാറ്റ, മോഡൽ, പരിശോധന, ഉൽപ്പാദനം, നിരീക്ഷണം, പുനർപരിശീലനം, ഡോക്യുമെൻ്റേഷൻ എന്നിവയുടെ ഘട്ടങ്ങൾ പ്രത്യേകം പരിഗണിക്കുക; ഓരോ ഘട്ടത്തിനും ആരാണ് ഉത്തരവാദിയെന്ന് സൂചിപ്പിക്കുക. ഔട്ട്പുട്ട്: ഘട്ടം | ഔട്ട്പുട്ട് | ഉത്തരവാദിത്തം | അപകട പട്ടിക.

ടെംപ്ലേറ്റ് 2 - മോണിറ്ററിംഗ് പ്ലാൻ:

റോൾ: നിങ്ങൾ ഒരു MLOps എഞ്ചിനീയറാണ്. ടാസ്ക്: ഫീൽഡ് ചെയ്യുന്ന ഒരു മോഡലിനായി ഒരു മോണിറ്ററിംഗ് പ്ലാൻ ശുപാർശ ചെയ്യുക. സന്ദർഭം: ഇൻപുട്ട് വിതരണം കാലക്രമേണ മാറിയേക്കാം (പുതിയ വിതരണക്കാരൻ, പുതിയ ഉപകരണം); യഥാർത്ഥ ഫലങ്ങൾ ഉപയോഗിച്ച് പ്രകടനം അളക്കാൻ കഴിയും. ഔട്ട്‌പുട്ട്: ട്രാക്ക് ചെയ്യാനുള്ള മെട്രിക് | ഉമ്മരപ്പടി | പ്രവർത്തനക്ഷമമാക്കണം.

ടെംപ്ലേറ്റ് 3 - ഡ്രിഫ്റ്റ് റേറ്റിംഗ്:

പങ്ക്: ഡാറ്റ ശാസ്ത്രജ്ഞൻ. ടാസ്ക്: ഡാറ്റ ഡ്രിഫ്റ്റ് എങ്ങനെ കണ്ടെത്താമെന്നും എപ്പോൾ വീണ്ടും പരിശീലനം ആവശ്യമാണെന്നും വിശദീകരിക്കുക. സന്ദർഭം: പ്രൊഡക്ഷൻ ലൈൻ വിഷ്വൽ ഇൻസ്പെക്ഷൻ മോഡൽ; വിതരണക്കാരിൽ മാറ്റമുണ്ടാകാം. ഔട്ട്പുട്ട്: സിഗ്നൽ | അളവ് | വീണ്ടും പരിശീലന ട്രിഗർ.

ടെംപ്ലേറ്റ് 4 - ട്രെയ്‌സിബിലിറ്റി ചെക്ക്‌ലിസ്റ്റ്:

റോൾ: നിങ്ങളൊരു ഗുണനിലവാരം/അനുസരണ ഓഡിറ്ററാണ്. ടാസ്‌ക്: ഒരു മോഡലിനായി ഒരു ട്രെയ്‌സിബിലിറ്റി ചെക്ക്‌ലിസ്റ്റ് സൃഷ്‌ടിക്കുക. സന്ദർഭം: ഓട്ടോമോട്ടീവ്; ഒരു പ്രശ്നം സംഭവിക്കുമ്പോൾ, 'ഏത് പതിപ്പ്, ഏത് ഡാറ്റ, ആരാണ് ഇത് അംഗീകരിച്ചത്' എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകണം. ഔട്ട്പുട്ട്: ഇനം | എന്തുകൊണ്ട് അത് ആവശ്യമാണ് | ചാർട്ട് എങ്ങനെ സംരക്ഷിക്കാം.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

മോഡൽ ഉൽപ്പാദിപ്പിക്കുക.

ട്രാക്കിംഗില്ല, പതിപ്പില്ല, ഉത്തരവാദിത്തമില്ല, റോൾബാക്കുകളില്ല; നിശബ്ദമായ ക്ഷയവും കണ്ടെത്താനാകാത്ത പ്രശ്നങ്ങളും അനിവാര്യമാണ്.

ശക്തമായ നിർദ്ദേശം:

റോൾ: നിങ്ങൾ ഒരു MLOps ഉം ഓട്ടോമോട്ടീവ് ഗുണനിലവാര കൺസൾട്ടൻ്റുമാണ്. ടാസ്ക്: ഞാൻ ഉത്തരവാദിത്തത്തോടെ ഒരു മോഡൽ ഉൽപ്പാദിപ്പിക്കുന്നതിന് ആവശ്യമായ ചെക്ക്ലിസ്റ്റ് സൃഷ്ടിക്കുക. സന്ദർഭം: പ്രവചനാത്മക മെയിൻ്റനൻസ് ഫ്ലീറ്റ്; പുതിയ വാഹന തരങ്ങൾ കാലക്രമേണ ചേർക്കുന്നു; VIN അജ്ഞാതൻ.നിയന്ത്രണം: നിരീക്ഷണം, ഡ്രിഫ്റ്റ് കണ്ടെത്തൽ, പതിപ്പ്/ഡാറ്റ ലോഗിംഗ്, സ്ഥിരീകരണം, റോൾബാക്ക് പ്ലാൻ എന്നിവ ഉൾപ്പെടുന്നു; ഓരോ ഇനത്തിനും ആരാണ് ഉത്തരവാദിയെന്ന് പ്രസ്താവിക്കുക; 'ഇത് സജ്ജീകരിച്ച് മറക്കുക' നിർദ്ദേശം. ഔട്ട്പുട്ട്: സ്റ്റേജ് | ആവശ്യം | ഉത്തരവാദിത്തം | അപകട പട്ടിക.

സാധാരണ തെറ്റുകൾ

• "ഇത് സജ്ജമാക്കി മറക്കുക" സമീപനം. നിരീക്ഷണം കൂടാതെ, മോഡൽ നിശബ്ദമായി നശിക്കുന്നു.
• പതിപ്പ്/ഡാറ്റ റെക്കോർഡുകൾ സൂക്ഷിക്കുന്നില്ല. പ്രശ്നം കണ്ടെത്താനോ പുനർനിർമ്മിക്കാനോ കഴിയില്ല.
• റോൾബാക്ക് പ്ലാൻ ഇല്ല. മോശം റിലീസിൽ നിന്നുള്ള വീണ്ടെടുക്കൽ ദീർഘനേരം എടുത്താൽ, ഫീൽഡിൽ ഒരു നീണ്ട പരാജയം ഉണ്ടാകും.
• ഡ്രിഫ്റ്റിനായി കാത്തിരിക്കുന്നില്ല. പുതിയ വിതരണക്കാരൻ/ഉപകരണം/സീസൺ മോഡലിനെ തടസ്സപ്പെടുത്തുന്നു; നിരീക്ഷണം അത്യാവശ്യമാണ്.
• ഉത്തരവാദിത്തം അവ്യക്തമാക്കുന്നു. "ആരാണ് ഉത്തരവാദി" എന്നതിനുള്ള ഉത്തരം ഓരോ ഘട്ടത്തിലും വ്യക്തമായിരിക്കണം.

ചുരുക്കത്തിൽ

• AI- പവർഡ് ഓട്ടോമോട്ടീവ് പ്രോജക്റ്റ് ഒറ്റത്തവണയല്ല, ഒരു റോളിംഗ് ലൈഫ് സൈക്കിൾ (MLOps) ആണ്.
• മോഡൽ, ഡാറ്റ പതിപ്പ്, തീരുമാനം ലോഗിംഗ്, റോൾബാക്ക് പ്ലാനിംഗ് എന്നിവ കണ്ടെത്തുന്നതിന് അത്യന്താപേക്ഷിതമാണ്.
• ഡാറ്റ ഡ്രിഫ്റ്റ് മോഡലിനെ നിശബ്ദമായി നിരാകരിക്കുന്നു; ഇൻപുട്ടും പ്രകടനവും നിരീക്ഷിക്കുകയും ആവശ്യാനുസരണം വീണ്ടും പരിശീലിപ്പിക്കുകയും വേണം.
• അവസാനം മുതൽ അവസാനം വരെയുള്ള ഉദാഹരണത്തിൽ, ഓരോ ചുവടിലും ഒരു മനുഷ്യന് ഉത്തരവാദിയുണ്ട്; "AI തീരുമാനിച്ചു, അത് കഴിഞ്ഞു" എന്നൊന്നുമില്ല.
• "ഇത് സജ്ജമാക്കി മറക്കുക" എന്നത് ഓട്ടോമോട്ടീവിൽ അപകടകരമാണ്; പദ്ധതിയിലുടനീളം നിരീക്ഷണം, ഡോക്യുമെൻ്റേഷൻ, ഉത്തരവാദിത്തം എന്നിവ പരിപാലിക്കപ്പെടുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഈ മൊഡ്യൂളിൽ നിങ്ങൾ പഠിച്ചത് ഒരൊറ്റ പ്രോജക്റ്റിലേക്ക് സംയോജിപ്പിക്കുക (ഉദാ. പ്രൊഡക്ഷൻ ലൈൻ വിഷ്വൽ ഇൻസ്പെക്ഷൻ അല്ലെങ്കിൽ പ്രെഡിക്റ്റീവ് മെയിൻ്റനൻസ്). (1) ടെംപ്ലേറ്റ് 1 ഉപയോഗിച്ച് ഒരു എൻഡ്-ടു-എൻഡ് പ്രോജക്റ്റ് പ്ലാൻ തയ്യാറാക്കുക; ഓരോ ഘട്ടത്തിനും ഉത്തരവാദിയായ വ്യക്തിയെ എഴുതുക. (2) ടെംപ്ലേറ്റ് 2 ഉപയോഗിച്ച് ഒരു മോണിറ്ററിംഗ് പ്ലാനും ഡ്രിഫ്റ്റ് ട്രിഗറുകളും നിർവചിക്കുക. (3) ടെംപ്ലേറ്റ് 4 ഉപയോഗിച്ച് ഒരു ട്രെയ്‌സിബിലിറ്റി ചെക്ക്‌ലിസ്റ്റ് തയ്യാറാക്കുക. (4) മൊഡ്യൂളിൻ്റെ തുടക്കം മുതൽ ഈ പ്രോജക്റ്റിലേക്ക് നിങ്ങൾ മൂന്ന് ആങ്കർ ഡിസിപ്‌ലൈൻ പ്രയോഗിച്ചതെങ്ങനെയെന്ന് ഒരു ഖണ്ഡികയിൽ സംഗ്രഹിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] എൻഡ്-ടു-എൻഡ് ലൈഫ് സൈക്കിൾ എന്ന നിലയിലാണ് ഞാൻ പദ്ധതി ആസൂത്രണം ചെയ്തത്.
• [ ] മോഡലും ഡാറ്റ പതിപ്പും ഉപയോഗിച്ച് ഞാൻ തീരുമാന റെക്കോർഡ് നിർവചിച്ചു.
• [ ] ഞാൻ ഒരു മോണിറ്ററിംഗ് പ്ലാനും ഡ്രിഫ്റ്റ് ട്രിഗറുകളും സജ്ജമാക്കി.
• [ ] ഞാൻ ഒരു റോൾബാക്ക് പ്ലാൻ തയ്യാറാക്കി.
• [ ] ഓരോ ഘട്ടത്തിനും ഉത്തരവാദികൾ ആരാണെന്ന് ഞാൻ വ്യക്തമാക്കിയിട്ടുണ്ട്.
• [ ] ഞാൻ മൂന്ന് ആങ്കർ മൂല്യനിർണ്ണയ വിഭാഗങ്ങളും മനുഷ്യ സുരക്ഷ-നിർണ്ണായക മൂല്യനിർണ്ണയവും പാലിച്ചു.

മൊഡ്യൂൾ പരീക്ഷ

1. ഒരു ഓട്ടോമോട്ടീവ് സുരക്ഷാ-നിർണ്ണായക തീരുമാനത്തിൽ (ഉദാ. ബ്രേക്ക് സോഫ്‌റ്റ്‌വെയർ സ്ഥിരീകരണം) AI ഔട്ട്‌പുട്ടിൻ്റെ പങ്ക് എന്താണ്?

• A) വിശകലനം വേഗത്തിലാക്കുന്നു, എന്നാൽ അന്തിമ അംഗീകാരവും ഉത്തരവാദിത്തവും യോഗ്യതയുള്ള എഞ്ചിനീയർക്ക് തന്നെ ✔
• ബി) ആവശ്യത്തിന് ഡാറ്റ ഉണ്ടെങ്കിൽ, അത് എഞ്ചിനീയർ അംഗീകാരമില്ലാതെ ഉൽപ്പാദിപ്പിക്കാവുന്നതാണ്
• C) ബ്രേക്കുകൾ പോലുള്ള നിർണായക സംവിധാനങ്ങളിൽ ഒരു ഘട്ടത്തിലും AI ഉപയോഗിക്കാൻ കഴിയില്ല
• D) മോഡൽ കൃത്യത 99% കവിയുന്നുവെങ്കിൽ, മനുഷ്യ പരിശോധന ആവശ്യമില്ല

വിവരണം: കൃത്രിമബുദ്ധി വിശകലനം ത്വരിതപ്പെടുത്തുന്നു, സ്ഥാനാർത്ഥി പരിഹാരങ്ങളും സംഗ്രഹങ്ങളും സൃഷ്ടിക്കുന്നു; എന്നിരുന്നാലും, സുരക്ഷാ-നിർണ്ണായക തീരുമാനവും അന്തിമ അംഗീകാരവും യോഗ്യതയുള്ള എഞ്ചിനീയറുടെ ഉത്തരവാദിത്തമാണ്. AI എഞ്ചിനീയർ മൂല്യനിർണ്ണയത്തിന് പകരമല്ല.

2. മൂന്ന് ആങ്കർ മൂല്യനിർണ്ണയ വിഭാഗങ്ങളിൽ ഒരു AI യുടെ ഔട്ട്പുട്ട് പരിശോധിക്കാൻ ഉപയോഗിക്കുന്ന മൂന്ന് സ്വതന്ത്ര പരിശോധനകൾ ഏതൊക്കെയാണ്?

• എ) പ്രോംപ്റ്റിൻ്റെ ദൈർഘ്യം, ഭാഷ, ഫോർമാറ്റ്
• ബി) മാഗ്നിറ്റ്യൂഡിൻ്റെ ക്രമം, എഞ്ചിനീയറിംഗ് യുക്തിസഹത, സ്വതന്ത്ര പരിശോധന/അളവ് എന്നിവയുടെ തെളിവ് ✔
• സി) മോഡലിൻ്റെ വലിപ്പം, പരിശീലന സമയം, GPU-കളുടെ എണ്ണം
• ഡി) വിതരണക്കാരൻ്റെ ബ്രാൻഡ്, വില, ഡെലിവറി സമയം

വിവരണം: മൂന്ന് ആങ്കർമാർ; മാഗ്നിറ്റ്യൂഡിൻ്റെ ക്രമം (ഓർഡർ ചെക്ക്), എഞ്ചിനീയറിംഗ് പ്ലാസിബിലിറ്റി (ഭൗതികശാസ്ത്രം/പരിചയം) കൂടാതെ സ്വതന്ത്ര പരിശോധന/അളവ് തെളിവുകളുള്ള ക്രോസ്-വാലിഡേഷൻ. ഇവ മൂന്നും തെളിവുകളിൽ വിശ്വാസം നൽകുന്നു, AI യിൽ വിശ്വാസമില്ല.

3. CFD അല്ലെങ്കിൽ FEA സിമുലേഷൻ ത്വരിതപ്പെടുത്തുന്ന ഒരു 'സറോഗേറ്റ് മോഡലിൻ്റെ' ഔട്ട്‌പുട്ടിൻ്റെ ഏറ്റവും നിർണായകമായ സ്ഥിരീകരണം എന്താണ്?

• എ) സറോഗേറ്റ് മോഡൽ എല്ലായ്പ്പോഴും യഥാർത്ഥ സോൾവറിനേക്കാൾ കൃത്യമാണ്
• ബി) റെൻഡർ സൗന്ദര്യാത്മകമായി തോന്നിയാൽ മതി
• സി) റഫറൻസ് സൊല്യൂഷനുമായുള്ള താരതമ്യവും പരിശീലന സ്ഥലത്തിന് പുറത്ത് നീങ്ങുമ്പോൾ വിശ്വാസ്യതയില്ലാത്ത സ്വീകാര്യതയും ✔
• D) ഒരൊറ്റ റൺ കൂടിച്ചേരുകയാണെങ്കിൽ നെറ്റ്‌വർക്ക് സ്വാതന്ത്ര്യം നോക്കേണ്ടതില്ല

വിവരണം: സറോഗേറ്റ് മോഡൽ യഥാർത്ഥ സോൾവറിന് പകരം വേഗത്തിലുള്ള പ്രവചനങ്ങൾ നൽകുന്നു; എന്നാൽ അത് പരിശീലിപ്പിച്ച ഡിസൈൻ സ്ഥലത്തിന് പുറത്ത് ഇത് വിശ്വസനീയമല്ല. എക്‌സ്‌ട്രാപോളേഷൻ മേഖലയെ റഫറൻസ് ഹൈ-ഫിഡിലിറ്റി സിമുലേഷനും ഫിസിക്കൽ ബൗണ്ടറി അവസ്ഥകളും ഉപയോഗിച്ച് അടയാളപ്പെടുത്തി ഔട്ട്‌പുട്ട് പരിശോധിക്കണം.

4. SAE ഓട്ടോമേഷൻ ലെവലിൽ ലെവൽ 2-ൻ്റെ (ഭാഗിക ഓട്ടോമേഷൻ) ശരിയായ പദപ്രയോഗം എന്താണ്?

• എ) എല്ലാ സാഹചര്യങ്ങളിലും ഡ്രൈവർ ഇല്ലാതെ വാഹനം ഓടിക്കാൻ കഴിയും
• ബി) സിസ്റ്റം ഡ്രൈവിംഗ് ചുമതലകളൊന്നും ഏറ്റെടുക്കുന്നില്ല, മുന്നറിയിപ്പ് നൽകുന്നു
• സി) അവൻ ഡ്രൈവർ സീറ്റിൽ ഇരിക്കുന്നില്ലെങ്കിൽ കുഴപ്പമില്ല
• ഡി) സിസ്റ്റം സ്റ്റിയറിംഗും വേഗതയും പിന്തുണയ്ക്കുന്നു, എന്നാൽ ഡ്രൈവർ നിരന്തരമായ മേൽനോട്ടവും ഉത്തരവാദിത്തവും നിലനിർത്തുന്നു ✔

വിവരണം: ലെവൽ 2-ൽ സിസ്റ്റം സ്റ്റിയറിംഗും വേഗത/ദൂരവും ഒരേസമയം പിന്തുണയ്ക്കുന്നു, എന്നാൽ ഡ്രൈവർ നിരന്തരമായ മേൽനോട്ടം നിലനിർത്തുകയും എപ്പോൾ വേണമെങ്കിലും ഏറ്റെടുക്കാൻ തയ്യാറാവുകയും ചെയ്യുന്നു; ഉത്തരവാദിത്തം ഡ്രൈവർക്കാണ്. ലെവൽ 3-ലും അതിനുമുകളിലും, സിസ്റ്റം ചില വ്യവസ്ഥകളിൽ ഡ്രൈവിംഗ് ചുമതലകൾ ഏറ്റെടുക്കുന്നു.

5. പ്രൊഡക്ഷൻ ലൈനിലെ കാഴ്ച വൈകല്യം കണ്ടെത്തുന്നതിൽ 'എസ്‌കേപ്പ് റേറ്റ്' ഒരു നിർണായക മെട്രിക് ആയിരിക്കുന്നത് എന്തുകൊണ്ട്?

• A) കേടായ ഭാഗം അംഗീകരിച്ച് ഫീൽഡിലേക്ക് അയയ്ക്കുന്നത് ഒരു സുരക്ഷിതത്വവും തിരിച്ചുവിളിക്കാനുള്ള അപകടസാധ്യതയുമുണ്ടാക്കുന്നു ✔
• ബി) ഇത് ലൈൻ വേഗത കുറയ്ക്കുന്നതിനാൽ മാത്രം പ്രധാനമാണ്
• സി) ലീക്കേജ് നിരക്ക് പെയിൻ്റ് തകരാറുകൾക്ക് മാത്രമേ സാധുതയുള്ളൂ
• ഡി) ചോർച്ച നിരക്ക് മോഡലിൻ്റെ പരിശീലന സമയം അളക്കുന്നു

വിവരണം: നിയമവിരുദ്ധം; ഒരു വികലമായ ഭാഗം തികഞ്ഞതായി കണക്കാക്കുകയും ലൈനിലൂടെ കടന്നുപോകുകയും ചെയ്യുന്നു (തെറ്റായ നെഗറ്റീവ്). ഒരു ഓട്ടോമോട്ടീവ് സുരക്ഷാ ഭാഗത്തിന്, ചോർച്ച തെറ്റായ തിരസ്കരണത്തേക്കാൾ വളരെ ചെലവേറിയതാണ്, കാരണം ഇത് ഫീൽഡിൽ പരാജയപ്പെടാനോ തിരിച്ചുവിളിക്കാനോ ഇടയാക്കും; അതിനനുസരിച്ച് പരിധി ക്രമീകരിച്ചിരിക്കുന്നു.

6. പ്രെഡിക്റ്റീവ് മെയിൻ്റനൻസിൽ 'ശേഷിക്കുന്ന ഉപയോഗപ്രദമായ ജീവിതം' (RUL) എസ്റ്റിമേഷൻ്റെ ഏറ്റവും കൃത്യമായ ഉപയോഗം എന്താണ്?

• എ) RUL കണക്കാക്കുന്നത് എഞ്ചിൻ ഓയിലിന് മാത്രമാണ്
• B) ഇത് ഒരു അനിശ്ചിതത്വ ശ്രേണിയിൽ അവതരിപ്പിക്കുകയും മെയിൻ്റനൻസ് വിൻഡോയും സുരക്ഷാ മാർജിനും അനുസരിച്ച് വ്യാഖ്യാനിക്കുകയും വേണം ✔
• സി) ഇത് ഒരു കൃത്യമായ ദിവസ മൂല്യമായി എടുക്കണം, ആ ദിവസം വരെ യാതൊരു പരിശോധനയും നടത്തരുത്.
• D) RUL ഉയർന്നതാണെങ്കിൽ സെൻസറുകൾ ഓഫ് ചെയ്യാം

വിവരണം: പരാജയപ്പെടുന്നത് വരെ ഒരു ഘടകത്തിൻ്റെ ശേഷിക്കുന്ന പ്രവർത്തന സമയമാണ് RUL; ഇത് അനിശ്ചിതത്വ ശ്രേണിയിൽ അവതരിപ്പിക്കുകയും മെയിൻ്റനൻസ് പ്ലാനും സുരക്ഷാ മാർജിനും അനുസരിച്ച് വ്യാഖ്യാനിക്കുകയും വേണം. ഒരൊറ്റ പോയിൻ്റ് എസ്റ്റിമേറ്റിൽ അന്ധമായി ആശ്രയിക്കുന്നതിനുപകരം, ആത്മവിശ്വാസ ഇടവേളയും തെറ്റായ അലാറം ചെലവും കണക്കിലെടുക്കുന്നു.

7. ടെസ്റ്റ് ഡാറ്റ വിശകലനത്തിൽ ഒരു റോഡ് ടെസ്റ്റ് റെക്കോർഡിംഗിൽ AI ഒരു അപാകത ഫ്ലാഗ് ചെയ്യുമ്പോൾ ഒരു എഞ്ചിനീയർ എന്തുചെയ്യണം?

• എ) നിങ്ങൾ അപാകത കാണുമ്പോൾ, പരിശോധന യാന്ത്രികമായി പരാജയപ്പെട്ടതായി കണക്കാക്കണം.
• B) ഡാറ്റ അടയാളപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ AI അത് നോക്കരുത്
• C) അസംസ്‌കൃത ഡാറ്റ, അളക്കൽ അനിശ്ചിതത്വം, ആവർത്തനക്ഷമത എന്നിവ ഉപയോഗിച്ച് അപാകത സ്ഥിരീകരിക്കുക ✔
• ഡി) അപാകതകൾ ഇല്ലാതാക്കി റിപ്പോർട്ട് മായ്‌ക്കുക

വിശദീകരണം: AI ഫ്ലാഗുകൾ ഒരു സൂചനയാണ്, ഒരു നിഗമനമല്ല. എഞ്ചിനീയർ അളക്കൽ അനിശ്ചിതത്വം, സെൻസർ പരാജയപ്പെടാനുള്ള സാധ്യത, ആവർത്തനക്ഷമത എന്നിവ പരിശോധിക്കുകയും അസംസ്‌കൃത ഡാറ്റയും സ്വീകാര്യത മാനദണ്ഡവും ഉപയോഗിച്ച് അപാകത പരിശോധിക്കുകയും വേണം. സ്വയമേവയുള്ള സ്വീകാര്യതയോ നിരസിക്കലോ ഉചിതമല്ല.

8. ലൈറ്റ്‌വെയ്റ്റിംഗ് പഠനത്തിൽ AI നിർദ്ദേശിച്ച മെറ്റീരിയൽ മാറ്റത്തിന് എന്ത് സ്ഥിരീകരണം നിർബന്ധമാണ്?

• എ) ഇത് ഭാരം കുറഞ്ഞതായിരിക്കണം
• ബി) മെറ്റീരിയൽ ഡാറ്റാബേസിലെ ഒരൊറ്റ വരി തെളിവായി എടുക്കാം
• സി) ഭാരം കുറഞ്ഞ മെറ്റീരിയലുകളിൽ ക്രാഷ് സ്വഭാവം അപ്രധാനമാണ്
• ഡി) മെക്കാനിക്കൽ, ക്ഷീണം, ക്രാഷ്, നിർമ്മാണക്ഷമത, ചെലവ് ആവശ്യകതകൾ എന്നിവ ഒരുമിച്ച് പരിശോധിക്കണം ✔

കുറിപ്പ്: സാന്ദ്രത/ബലം അനുപാതം മാത്രം അടിസ്ഥാനമാക്കി മെറ്റീരിയൽ ശുപാർശ സ്വീകരിക്കാൻ കഴിയില്ല; മെക്കാനിക്കൽ ഗുണങ്ങൾ, ക്ഷീണം, ക്രാഷ് സ്വഭാവം, ഉൽപ്പാദനക്ഷമത, നാശം, ചെലവ്, സുരക്ഷാ ആവശ്യകതകൾ എന്നിവ ഒരുമിച്ച് പരിശോധിച്ച് ശാരീരിക പരിശോധനയിലൂടെ സ്ഥിരീകരിക്കണം.

9. ഓട്ടോമോട്ടീവ് വിതരണ ശൃംഖലയിലെ 'സിംഗിൾ-സോഴ്സ് റിസ്ക്' AI ശുപാർശകളിൽ പ്രത്യേക ശ്രദ്ധ ആവശ്യപ്പെടുന്നത് എന്തുകൊണ്ട്?

• എ) ഒരൊറ്റ വിതരണക്കാരൻ്റെ തടസ്സം എല്ലാ ഉൽപ്പാദനവും നിർത്തലാക്കും; രണ്ടാമത്തെ ഉറവിടവും ബഫറും വിലയിരുത്തണം ✔
• ബി) ഏക ഉറവിടം എല്ലായ്പ്പോഴും സുരക്ഷിതമായ ഓപ്ഷനാണ്
• സി) AI നിർദ്ദേശിച്ചാൽ റിസ്ക് വിശകലനം ആവശ്യമില്ല
• ഡി) സിംഗിൾ സോഴ്സ് റിസ്ക് ടയറിന് മാത്രമേ ബാധകമാകൂ

വിശദീകരണം: ഒരൊറ്റ വിതരണക്കാരനിൽ നിന്നാണ് ഒരു ഭാഗം വരുന്നതെങ്കിൽ, ആ വിതരണക്കാരനുമായി ഒരു പ്രശ്നമുണ്ടാകുമ്പോൾ ഉത്പാദനം നിർത്തുന്നു. ചെലവ് ഒപ്റ്റിമൈസേഷൻ്റെ ഏക ഉറവിടം AI-ക്ക് ശുപാർശ ചെയ്യാൻ കഴിയും; എഞ്ചിനീയർ/പ്ലാനർ ഇത് സെക്കൻഡറി റിസോഴ്‌സ്, സ്റ്റോക്ക് ബഫർ, സാഹചര്യ വിശകലനം എന്നിവയുമായി സന്തുലിതമാക്കണം. ചെലവ് മാത്രമല്ല മാനദണ്ഡം.

10. പൈത്തൺ ഉപയോഗിച്ച് ടെലിമെട്രി വിശകലനം നടത്തുമ്പോൾ 'ഡാറ്റ ചോർച്ച' എന്താണ് അർത്ഥമാക്കുന്നത്, എന്തുകൊണ്ട് ഇത് അപകടകരമാണ്?

• എ) ഡിസ്കിൽ നിന്ന് ഡാറ്റ ചോർന്ന് ഇല്ലാതാക്കി
• ബി) പ്രവചന സമയത്ത് അറിയാൻ കഴിയാത്ത പരിശീലന വിവരങ്ങൾ മോഡൽ കാണുന്നു; സ്കോർ വർദ്ധിപ്പിക്കുന്നു, ഫീൽഡിൽ തകരുന്നു ✔
• സി) ഗ്രാഫിക് നിറങ്ങളുടെ മിശ്രണം
• ഡി) ഇമേജ് ഡാറ്റയിൽ മാത്രം സംഭവിക്കുന്നു

വിവരണം: ഡാറ്റ ചോർച്ച; പ്രവചന സമയത്ത് യഥാർത്ഥത്തിൽ അറിയാൻ കഴിയാത്ത പരിശീലന വിവരങ്ങൾ മോഡൽ കാണുമ്പോഴാണിത് (ഉദാഹരണത്തിന്, ഭാവി മൂല്യം അല്ലെങ്കിൽ ലക്ഷ്യവുമായി ബന്ധപ്പെട്ട ആട്രിബ്യൂട്ട്). ഇത് കൃത്രിമമായി ടെസ്റ്റ് സ്കോർ ഉയർത്തുന്നു, പക്ഷേ ഫീൽഡ് പ്രകടനത്തെ തകർക്കുന്നു. ഭൂതകാല/ഭാവി വ്യത്യാസം സമയ ശ്രേണിയിൽ സൂക്ഷ്മമായി നിലനിർത്തണം.

11. ISO 26262 പ്രവർത്തന സുരക്ഷയുടെ പശ്ചാത്തലത്തിൽ ASIL വർഗ്ഗീകരണം എന്താണ് നിർണ്ണയിക്കുന്നത്?

• എ) വാഹനത്തിൻ്റെ പരമാവധി വേഗത
• ബി) മോഡലിൻ്റെ പരിശീലന ഡാറ്റ സെറ്റിൻ്റെ വലുപ്പം
• സി) ✔ അപകടത്തിൻ്റെ തീവ്രത, എക്സ്പോഷർ, നിയന്ത്രണക്ഷമത എന്നിവ അനുസരിച്ച് ആവശ്യമായ സുരക്ഷ.
• ഡി) വിതരണക്കാരൻ്റെ ക്രെഡിറ്റ് റേറ്റിംഗ്

വിവരണം: ASIL (ഓട്ടോമോട്ടീവ് സേഫ്റ്റി ഇൻ്റഗ്രിറ്റി ലെവൽ) തീവ്രത, എക്സ്പോഷർ, കൺട്രോളബിലിറ്റി എന്നിവയുടെ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കി ഒരു അപകടത്തിന് ആവശ്യമായ സുരക്ഷാ മുൻകരുതലുകളുടെ (എ മുതൽ ഡി വരെ, ഡി ഏറ്റവും ഉയർന്നത്) നിർണ്ണയിക്കുന്നു. ഉയർന്ന ASIL-ന് കൂടുതൽ കർശനമായ വികസനവും പരിശോധനയും ഡോക്യുമെൻ്റേഷനും ആവശ്യമാണ്.

12. ISO 21448 (SOTIF) ക്ലാസിക്കൽ ഫങ്ഷണൽ സുരക്ഷയിൽ നിന്ന് (ISO 26262) വ്യത്യാസപ്പെട്ടിരിക്കുന്നത് ഏത് വിധത്തിലാണ്?

• എ) ഹാർഡ്‌വെയർ പരാജയങ്ങൾ മാത്രം കൈകാര്യം ചെയ്യുന്നു
• ബി) സോഫ്റ്റ്‌വെയർ ലൈസൻസിംഗ് മാത്രം നിയന്ത്രിക്കുന്നു
• C) SOTIF എന്നത് ISO 26262 ൻ്റെ പഴയ പേരാണ്
• ഡി) പരാജയത്തിൻ്റെ അഭാവത്തിൽ പോലും, അപര്യാപ്തമായ പ്രവർത്തനക്ഷമതയിൽ നിന്നും തിരിച്ചറിയപ്പെടാത്ത സാഹചര്യങ്ങളിൽ നിന്നും ഉണ്ടാകുന്ന അപകടങ്ങളെ അഭിസംബോധന ചെയ്യുന്നു ✔

വിവരണം: തകരാറുകൾ/ഹാർഡ്‌വെയർ-സോഫ്റ്റ്‌വെയർ പിശകുകൾ എന്നിവയിൽ നിന്ന് ഉണ്ടാകുന്ന അപകടസാധ്യതകളെ ISO 26262 അഭിസംബോധന ചെയ്യുമ്പോൾ, SOTIF (ഉദ്ദേശിക്കപ്പെട്ട പ്രവർത്തനത്തിൻ്റെ സുരക്ഷ) അപര്യാപ്തമായ കണ്ടെത്തൽ, തിരിച്ചറിയാത്ത സാഹചര്യങ്ങൾ, പ്രവർത്തന പരിധികൾ എന്നിവയിൽ നിന്ന് ഉണ്ടാകുന്ന അപകടസാധ്യതകളെ അഭിസംബോധന ചെയ്യുന്നു. AI- അടിസ്ഥാനമാക്കിയുള്ള കണ്ടെത്തലിൽ ഇത് വളരെ നിർണായകമാണ്.

13. ഡ്രൈവർ, വെഹിക്കിൾ ടെലിമെട്രി ഡാറ്റയുമായി പ്രവർത്തിക്കുമ്പോൾ സ്വകാര്യതയുടെ കാര്യത്തിൽ ഏറ്റവും മികച്ച സമീപനം ഏതാണ്?

• A) KVKK/GDPR അജ്ഞാതവൽക്കരണം, ഡാറ്റ ചെറുതാക്കൽ, ഉദ്ദേശ്യ പരിമിതി എന്നിവയുമായി പൊരുത്തപ്പെടൽ ✔
• B) VIN സഹിതം എല്ലാ അസംസ്‌കൃത ഡാറ്റയും പൊതു മോഡലിലേക്ക് അയയ്ക്കുന്നു
• C) സ്വകാര്യത മാർക്കറ്റിംഗ് ഡാറ്റയ്ക്ക് മാത്രമേ ബാധകമാകൂ
• ഡി) ലൊക്കേഷൻ ഡാറ്റ ഒരിക്കലും വ്യക്തിഗത ഡാറ്റയായി കണക്കാക്കില്ല

വിവരണം: ലൊക്കേഷൻ, ഡ്രൈവിംഗ് പെരുമാറ്റം, ഷാസി നമ്പർ (VIN) എന്നിവ പോലുള്ള ഡാറ്റയ്ക്ക് ഒരു വ്യക്തിയെ തിരിച്ചറിയാൻ കഴിയും. ഏറ്റവും ശരിയായ സമീപനം; അജ്ഞാതമാക്കൽ/അപരനാമകരണം, ആവശ്യമുള്ളത് മാത്രം ശേഖരിക്കൽ (ഡാറ്റ ചെറുതാക്കൽ), ഉദ്ദേശ്യ പരിമിതി, കെവികെകെ/ജിഡിപിആർ പാലിക്കൽ. മൂന്നാം കക്ഷി ടൂളുകളിലേക്ക് റോ VIN അല്ലെങ്കിൽ ലൊക്കേഷൻ അയയ്ക്കുന്നത് അപകടകരമാണ്.

14. ഉൽപ്പാദിപ്പിക്കുന്ന ഒരു AI മോഡലിൽ 'ഡാറ്റ ഡ്രിഫ്റ്റ്' നിരീക്ഷിക്കേണ്ടത് എന്തുകൊണ്ട്?

• എ) ഒരിക്കൽ മോഡൽ പരിശീലിപ്പിച്ചാൽ, അത് അനിശ്ചിതമായി ഒരേ പ്രകടനം നൽകുന്നു.
• B) സമയത്തിനനുസരിച്ച് ഇൻപുട്ട് വിതരണം മാറുന്നതിനനുസരിച്ച് പ്രകടനം നിശബ്ദമായി കുറയുന്നു; വീണ്ടും പരിശീലനം ആരംഭിക്കണം ✔
• സി) ഡ്രിഫ്റ്റ് എന്നത് ഹാർഡ്‌വെയറിൻ്റെ ഫിസിക്കൽ വൈബ്രേഷൻ മാത്രമാണ്
• ഡി) മോഡൽ സ്വയം അപ്ഡേറ്റ് ചെയ്യുന്നതിനാൽ നിരീക്ഷണം ആവശ്യമില്ല

വിശദീകരണം: യഥാർത്ഥ ലോകം മാറുന്നു (പുതിയ ഭാഗങ്ങൾ വിതരണക്കാരൻ, സീസൺ, പുതിയ വാഹന മോഡൽ); ഇൻപുട്ട് ഡിസ്ട്രിബ്യൂഷൻ പരിശീലന സമയത്തിൽ നിന്ന് അകന്നുപോകുമ്പോൾ മോഡൽ പ്രകടനം നിശബ്ദമായി കുറയുന്നു. ഡ്രിഫ്റ്റ് മോണിറ്ററിംഗും പെർഫോമൻസ് മെട്രിക്‌സും ഉപയോഗിച്ചാണ് വീണ്ടും പരിശീലനം നടത്തുന്നത്. 'സെറ്റ് ഇറ്റ് ഫോർ ഇറ്റ് ഇറ്റ്' എന്ന സമീപനം ഓട്ടോമോട്ടീവിൽ അപകടകരമാണ്.