एंड-टू-एंड इंटिग्रेशन, MLOps आणि अभियंता जबाबदारी

नफा:

• संकल्पनेपासून उत्पादनापर्यंत एआय-समर्थित ऑटोमोटिव्ह प्रकल्प डिझाइन करण्याची आणि मॉनिटरिंग सायकलसह त्याची देखभाल करण्याची क्षमता
• मॉडेल आवृत्ती व्यवस्थापन, डेटा ड्रिफ्ट आणि पुनर्प्रशिक्षण आवश्यकतांचे मूल्यांकन करण्याची क्षमता
• संपूर्ण प्रकल्पात जबाबदारी, शोधण्यायोग्यता आणि दस्तऐवजीकरण राखून AI सुरक्षितपणे मोजण्याची क्षमता

या मॉड्यूलच्या शेवटच्या युनिटमध्ये, आम्ही सर्व तुकडे एकत्र आणतो. आम्ही पाहिले की कृत्रिम बुद्धिमत्ता वैयक्तिक युनिट्समध्ये, डिझाइनपासून उत्पादनापर्यंत, चाचणीपासून पुरवठा साखळीपर्यंत कशी वापरली जाते. परंतु वास्तविक प्रकल्पात, या वेगळ्या पायऱ्या नसून एक जीवनचक्र आहे: डेटा संकलित केला जातो, मॉडेल तयार केले जाते, ते उत्पादनात ठेवले जाते, त्याचे निरीक्षण केले जाते आणि जेव्हा ते जुने होते तेव्हा त्याचे नूतनीकरण केले जाते. हे चक्र राखण्याच्या शिस्तीला MLOps (मशीन लर्निंग ऑपरेशन्स) म्हणतात. या युनिटमध्ये एआय-चालित ऑटोमोटिव्ह प्रकल्पाची स्थापना, देखरेख आणि जबाबदारी सांभाळणे समाविष्ट आहे.

एआय प्रकल्पाचे जीवनचक्र

ऑटोमोटिव्ह संदर्भात एक विशिष्ट एंड-टू-एंड प्रवाह:

1. समस्या आणि मूल्य व्याख्या: आम्ही कोणती व्यवसाय समस्या सोडवत आहोत? यश कसे मोजले जाते? हे सुरक्षा-गंभीर कार्य आहे का?
2. डेटा संकलन आणि लेबलिंग: स्रोत (CAN, चाचणी, उत्पादन, टेलिमॅटिक्स), गुणवत्ता, गोपनीयता.
3. मॉडेल विकास: विशेषता, मॉडेल, सत्यापन (गळती नियंत्रण, युनिट सुसंगतता).
4. पडताळणी आणि सुरक्षितता मूल्यांकन: ISO 26262/SOTIF आवश्यक असल्यास स्वतंत्र चाचणी.
5. उपयोजन: मॉडेलला उपकरणावर, लाइनवर किंवा क्लाउडमध्ये तैनात करणे.
6. देखरेख: कार्यप्रदर्शन, डेटा ड्रिफ्ट, अलार्म अचूकता.
7. पुनर्प्रशिक्षण: मॉडेल जुने झाल्यावर अपडेट करणे.
8. दस्तऐवजीकरण आणि शोधण्यायोग्यता: प्रत्येक चरणाची नोंद; कोण, कधी, का.

हे चक्र एकदाच संपत नाही; सतत फिरते. ऑटोमोटिव्हमध्ये, मॉडेल "सेट आणि विसरणे" धोकादायक आहे.

टीप: प्रकल्प सुरू करताना, "हे मॉडेल फील्डमध्ये आल्यावर कोण निरीक्षण करेल, कोणत्या मेट्रिकसह आणि किती वेळा?" आपण प्रश्नाचे उत्तर देऊ शकत नसल्यास, मॉडेल अद्याप उत्पादनासाठी तयार नाही.

मॉडेल आवृत्ती व्यवस्थापन आणि शोधण्यायोग्यता

ऑटोमोटिव्हमधील ट्रेसेबिलिटी ही लक्झरी नसून अनेकदा कायदेशीर बंधन असते. जेव्हा एखादी समस्या उद्भवते, तेव्हा आपण "कोणत्या मॉडेल आवृत्ती, कोणत्या डेटासह प्रशिक्षित होते, कोणी मंजूर केले?" या प्रश्नाचे उत्तर देण्यास सक्षम असावे. चांगल्या पद्धती:

• मॉडेल व्हर्जनिंग: प्रत्येक मॉडेलचा नंबर, प्रशिक्षण डेटा आणि तारीख रेकॉर्ड केली जाते.
• डेटा व्हर्जनिंग: त्याला प्रशिक्षित केलेला डेटा गोठवला आहे.
• निर्णय नोंदी: मान्यता कोणी आणि कोणत्या पुराव्यासह दिली होती.
• रोलबॅक योजना: नवीन मॉडेल खराब असल्यास, तुम्ही जुन्याकडे परत जाऊ शकता.

आयटम

ते का आवश्यक आहे

गहाळ झाल्यास धोका

मॉडेल आवृत्ती

फील्डमध्ये कोणती आवृत्ती आहे?

समस्या शोधता येत नाही

डेटा आवृत्ती

त्याला कशाचे प्रशिक्षण दिले गेले?

पुनरुत्पादक नाही

मान्यता रेकॉर्ड

जबाबदार कोण?

जबाबदार धरता येत नाही

पूर्ववत करा

खराब आवृत्तीतून परत या

शेतात बराच वेळ डाउनटाइम

डेटा वाहून जाणे आणि मॉडेलचा क्षय

मॉडेल हा जगाचा एक स्नॅपशॉट आहे ज्यामध्ये ते प्रशिक्षित आहे. पण जग बदलते: नवीन भाग पुरवठादार एक वेगळी सेन्सर सहिष्णुता आणते, नवीन वाहन मॉडेल बाहेर येते, ऋतू बदलतात, वाहन चालवण्याच्या सवयी बदलतात. इनपुट डेटाचे वितरण प्रशिक्षण वेळेपासून दूर गेल्याने मॉडेलचे कार्यप्रदर्शन शांतपणे कमी होते. हा डेटा ड्रिफ्ट आणि परिणामी कामगिरी कमी होणे याला मॉडेल क्षय म्हणतात.

धोका हा आहे की ही घसरण शांत आहे: मॉडेल कोसळत नाही, चुका करत नाही, ते अधिकाधिक चुकीचे होत जाते. म्हणून:

• इनपुट वितरणाचे निरीक्षण करा (ड्रिफ्ट डिटेक्शन).
• वास्तविक परिणामांसह कार्यप्रदर्शन मेट्रिक्सचे निरीक्षण करा (अलार्म अचूक होते का?).
• थ्रेशोल्ड ओलांडल्यावर पुन्हा प्रशिक्षण ट्रिगर करा.

खबरदारी: "एकदा मॉडेल प्रशिक्षित झाले की, ते कायमचे समान कार्यप्रदर्शन देते" ही धारणा चुकीची आणि ऑटोमोटिव्हमध्ये धोकादायक आहे. ड्रिफ्ट मॉनिटरिंगशिवाय उत्पादनात ठेवलेले मॉडेल अजाणतेपणे अविश्वसनीय होऊ शकते.

एंड-टू-एंड उदाहरण परिस्थिती: भविष्यसूचक देखभाल फ्लीट

चला कंक्रीट करूया. तुम्ही मालवाहू फ्लीटसाठी टर्बो फेल्युअर लवकर चेतावणी प्रणाली स्थापित करत आहात:

1. मूल्य: डाउनटाइम आणि टोइंग खर्च कमी करा; यश = वास्तविक दोष/खोटे अलार्म शिल्लक कॅप्चर केले.
2. डेटा: 40 वाहनांचे CAN सिग्नल, ऐतिहासिक दोष नोंदी; VIN अनामित आहे.
3. मॉडेल: विसंगती + RUL; वेळ मालिका गळती प्रतिबंधित; अनिश्चितता श्रेणी सादर केली आहे.
4. पडताळणी: मागील दोषांवर बॅकटेस्टिंग; खोट्या अलार्मची किंमत मोजली गेली.
5. उत्पादन: मेघमध्ये दैनिक स्कोअर; तंत्रज्ञांना पॅनेल.
6. देखरेख: नवीन वाहन मॉडेल जोडल्यावर ड्रिफ्ट नियंत्रण; अलार्म अचूकता साप्ताहिक.
7. पुन्हा प्रशिक्षण: नवीन वाहन प्रकार आणि नवीन दोष उदाहरणांसह त्रैमासिक अद्यतन.
8. दस्तऐवजीकरण: मॉडेल आवृत्ती, डेटा आवृत्ती, प्रमाणित अभियंता नोंदणीकृत.

या प्रवाहातील एकही पाऊल "एआयने निर्णय घेतला, पूर्ण केले" असे म्हणत नाही; प्रत्येक टप्प्यासाठी एक व्यक्ती जबाबदार आहे.

मिनी केस स्टडी

केस 1 - मूक क्षय. गुणवत्ता नियंत्रण मॉडेल एका वर्षासाठी चांगले कार्य करते, त्यानंतर गळतीचे प्रमाण हळूहळू वाढते. मूळ कारण: जेव्हा पुरवठादार बदलला, तेव्हा त्या भागाची पृष्ठभागाची रचना थोडी वेगळी झाली (ड्रिफ्ट), आणि मॉडेलला हे "सामान्य" वाटू लागले. ड्रिफ्ट मॉनिटरिंग स्थापित केले आहे आणि मॉडेल पुन्हा प्रशिक्षित केले आहे. परिणाम: निरीक्षणाशिवाय, असुरक्षिततेकडे अनेक महिन्यांपर्यंत लक्ष दिले गेले नसते.

केस 2 - ट्रेसिबिलिटी जतन केली. शेतातून खोट्या गजराची तक्रार येत आहे. निर्णय लॉगमधून, टीम शोधते की कोणती मॉडेल आवृत्ती कोणत्या डेटासह कार्य करते; हे ओळखते की समस्या विशिष्ट आवृत्तीमधील थ्रेशोल्ड सेटिंगमधून आली आहे आणि ती आवृत्ती परत आणते. परिणाम: कोणतीही आवृत्ती आणि निर्णय रेकॉर्ड नसल्यास, समस्या शोधली जाऊ शकत नाही.

प्रकरण 3 - शिस्त पुन्हा प्रशिक्षित करणे. जेव्हा एखादे नवीन इलेक्ट्रिक मॉडेल ताफ्यात सामील होते, तेव्हा विद्यमान भविष्यसूचक देखभाल मॉडेल या वाहनावर बरेच खोटे अलार्म वाढवते (एक पॉवरट्रेन त्याने कधीही पाहिले नाही). नवीन मॉडेल सुरू करण्यापूर्वी, टीम ड्रिफ्ट चेतावणी कॅप्चर करते आणि नवीन वाहन डेटासह मॉडेलचा विस्तार करते. परिणाम: ड्रिफ्ट मॉनिटरिंगने नवीन उत्पादनासह आलेली अधोगती लवकर पकडली.

प्रॉम्प्ट टेम्पलेट्स

टेम्पलेट 1 - प्रकल्प योजना मसुदा:

भूमिका: AI प्रोजेक्ट लीडर (ऑटोमोटिव्ह).कार्य: एआय-सक्षम प्रकल्पाची योजना आखण्यात मला मदत करा. संदर्भ: भविष्यसूचक देखभाल; 40 वाहनांचा ताफा; VIN निनावी आहे. बंधन: मूल्य व्याख्या, डेटा, मॉडेल, पडताळणी, उत्पादन, निरीक्षण, पुनर्प्रशिक्षण आणि दस्तऐवजीकरण या चरणांचा स्वतंत्रपणे विचार करा; प्रत्येक चरणासाठी कोण जबाबदार आहे ते दर्शवा. आउटपुट: चरण | आउटपुट | जबाबदार | जोखीम सारणी.

टेम्पलेट 2 - देखरेख योजना:

भूमिका: तुम्ही MLOps अभियंता आहात. कार्य: फील्ड केलेल्या मॉडेलसाठी देखरेख योजनेची शिफारस करा. संदर्भ: इनपुट वितरण कालांतराने बदलू शकते (नवीन पुरवठादार, नवीन साधन); कार्यप्रदर्शन वास्तविक परिणामांद्वारे मोजले जाऊ शकते. आउटपुट: ट्रॅक करण्यासाठी मेट्रिक | उंबरठा | चालना देण्यासाठी क्रिया.

टेम्पलेट 3 - ड्रिफ्ट रेटिंग:

भूमिका: डेटा सायंटिस्ट. कार्य: डेटा ड्रिफ्ट कसा शोधायचा आणि केव्हा पुन्हा प्रशिक्षण आवश्यक आहे ते स्पष्ट करा. संदर्भ: उत्पादन लाइन व्हिज्युअल तपासणी मॉडेल; पुरवठादारात बदल होऊ शकतो. आउटपुट: सिग्नल | मोजमाप | पुन्हा प्रशिक्षण ट्रिगर.

टेम्पलेट 4 - ट्रेसिबिलिटी चेकलिस्ट:

भूमिका: तुम्ही गुणवत्ता/अनुपालन ऑडिटर आहात. कार्य: मॉडेलसाठी ट्रेसिबिलिटी चेकलिस्ट तयार करा. संदर्भ: ऑटोमोटिव्ह; जेव्हा एखादी समस्या येते तेव्हा 'कोणती आवृत्ती, कोणता डेटा, कोणी मंजूर केला' या प्रश्नाचे उत्तर दिले पाहिजे.आउटपुट: आयटम | का आवश्यक आहे | चार्ट कसा सेव्ह करायचा.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

मॉडेल उत्पादनात ठेवा.

ट्रॅकिंग नाही, आवृत्ती नाही, जबाबदारी नाही आणि रोलबॅक नाही; मूक क्षय आणि शोधण्यायोग्य समस्या अपरिहार्य आहेत.

शक्तिशाली सूचना:

भूमिका: तुम्ही MLOps आणि ऑटोमोटिव्ह गुणवत्ता सल्लागार आहात. कार्य: उत्पादनात एक मॉडेल जबाबदारीने ठेवण्यासाठी मला आवश्यक असलेली चेकलिस्ट तयार करा. संदर्भ: भविष्यसूचक देखभाल फ्लीट; कालांतराने नवीन वाहन प्रकार जोडले जातात; VIN निनावी. बंधन: निरीक्षण, ड्रिफ्ट डिटेक्शन, आवृत्ती/डेटा लॉगिंग, पुष्टीकरण आणि रोलबॅक योजना समाविष्ट करा; प्रत्येक वस्तूसाठी कोण जबाबदार आहे हे राज्य; 'सेट करा आणि विसरा' प्रस्ताव. आउटपुट: स्टेज | गरज | जबाबदार | जोखीम सारणी.

सामान्य चुका

• "सेट करा आणि विसरा" दृष्टीकोन. देखरेख न करता, मॉडेल शांतपणे सडते.
• आवृत्ती/डेटा रेकॉर्ड ठेवत नाही. समस्या शोधली जाऊ शकत नाही किंवा पुनरुत्पादित केली जाऊ शकत नाही.
• रोलबॅक योजना नाही. जर खराब रिलीझमधून पुनर्प्राप्तीसाठी बराच वेळ लागतो, तर फील्डमध्ये दीर्घ अपयश असेल.
• ड्रिफ्टची वाट पाहत नाही. नवीन पुरवठादार/साधन/हंगाम मॉडेलमध्ये व्यत्यय आणतो; देखरेख आवश्यक आहे.
• जबाबदारी अस्पष्ट सोडणे. "जबाबदार कोण" याचे उत्तर प्रत्येक टप्प्यावर स्पष्ट असले पाहिजे.

सारांशात

• एआय-चालित ऑटोमोटिव्ह प्रकल्प हा एकच नव्हे तर रोलिंग लाइफसायकल (MLOps) आहे.
• ट्रेसिबिलिटीसाठी मॉडेल आणि डेटा व्हर्जनिंग, निर्णय लॉगिंग आणि रोलबॅक नियोजन आवश्यक आहे.
• डेटा ड्रिफ्ट शांतपणे मॉडेलचे खंडन करते; इनपुट आणि कार्यप्रदर्शनाचे परीक्षण केले पाहिजे आणि आवश्यकतेनुसार पुन्हा प्रशिक्षित केले पाहिजे.
• एंड-टू-एंड उदाहरणामध्ये, प्रत्येक पायरीवर एक मानव जबाबदार असतो; "AI ठरवले, संपले" असे नाही.
• "हे सेट करा आणि विसरा" ऑटोमोटिव्हमध्ये धोकादायक आहे; संपूर्ण प्रकल्पामध्ये देखरेख, दस्तऐवजीकरण आणि जबाबदारी राखली जाते.

अर्ज कार्य

या मॉड्यूलमध्ये तुम्ही जे शिकलात ते एकाच प्रकल्पात एकत्र करा (उदा. उत्पादन लाइन व्हिज्युअल तपासणी किंवा अंदाजात्मक देखभाल). (1) टेम्प्लेट 1 सह एंड-टू-एंड प्रोजेक्ट प्लॅन तयार करा; प्रत्येक चरणासाठी जबाबदार व्यक्ती लिहा. (2) टेम्प्लेट 2 सह मॉनिटरिंग प्लॅन आणि ड्रिफ्ट ट्रिगर्स परिभाषित करा. (3) टेम्प्लेट 4 सह ट्रेसिबिलिटी चेकलिस्ट तयार करा. (4) या प्रोजेक्टमध्ये मॉड्यूलच्या सुरुवातीपासून तुम्ही तीन अँकर शिस्त कशा लागू केल्या हे एका परिच्छेदात सारांशित करा.

चेकलिस्ट

• [ ] मी प्रकल्पाची योजना शेवटपासून शेवटपर्यंतचे जीवन चक्र म्हणून केली.
• [] मी मॉडेल आणि डेटा व्हर्जनिंगसह निर्णय रेकॉर्ड परिभाषित केले.
• [ ] मी एक देखरेख योजना आणि ड्रिफ्ट ट्रिगर सेट केले.
• मी रोलबॅक योजना तयार केली आहे.
• प्रत्येक पायरीसाठी कोण जबाबदार आहे हे मी स्पष्ट केले आहे.
• [ ] मी तीन अँकर प्रमाणीकरण शिस्त आणि मानवी सुरक्षा-गंभीर प्रमाणीकरण राखले.

मॉड्यूल परीक्षा

1. ऑटोमोटिव्ह सुरक्षा-गंभीर निर्णयामध्ये AI आउटपुटची भूमिका काय आहे (उदा. ब्रेक सॉफ्टवेअर सत्यापन)?

• अ) विश्लेषणाला गती देते, परंतु अंतिम मान्यता आणि जबाबदारी सक्षम अभियंत्याकडेच राहते ✔
• ब) पुरेसा डेटा असल्यास, तो अभियंता मंजूरीशिवाय उत्पादनात ठेवला जाऊ शकतो
• क) ब्रेक्ससारख्या गंभीर प्रणालींमध्ये AI कोणत्याही टप्प्यावर वापरता येत नाही
• डी) मॉडेल अचूकता 99% पेक्षा जास्त असल्यास, मानवी सत्यापन अनावश्यक आहे

वर्णन: कृत्रिम बुद्धिमत्ता विश्लेषणास गती देते, उमेदवार उपाय आणि सारांश तयार करते; तथापि, सुरक्षितता-गंभीर निर्णय आणि अंतिम मंजुरी ही सक्षम अभियंत्याची जबाबदारी आहे. AI अभियंता प्रमाणीकरणासाठी बदली नाही.

2. तीन अँकर व्हॅलिडेशन विषयांमध्ये AI चे आउटपुट तपासण्यासाठी तीन स्वतंत्र चेक कोणते आहेत?

• अ) प्रॉम्प्टची लांबी, भाषा आणि स्वरूप
• ब) परिमाण, अभियांत्रिकी वाजवीपणा आणि स्वतंत्र चाचणी/मापनाचा पुरावा ✔
• क) मॉडेलचा आकार, प्रशिक्षण वेळ आणि GPU ची संख्या
• ड) पुरवठादार ब्रँड, किंमत आणि वितरण वेळ

वर्णन: तीन अँकर; ऑर्डर ऑफ मॅग्निट्यूड (ऑर्डर तपासणी), अभियांत्रिकी प्रशंसनीयता (भौतिकशास्त्र/अनुभव) आणि स्वतंत्र चाचणी/मापन पुराव्यासह क्रॉस-व्हॅलिडेशन. हे तिघे पुराव्यावर विश्वास देतात, AI वर विश्वास ठेवत नाहीत.

3. CFD किंवा FEA सिम्युलेशनला गती देणाऱ्या 'सरोगेट मॉडेल'च्या आउटपुटसाठी सर्वात गंभीर पडताळणी कोणती आहे?

• अ) सरोगेट मॉडेल नेहमी वास्तविक निराकरणापेक्षा अधिक अचूक असते
• ब) रेंडरला केवळ सौंदर्यदृष्ट्या सुखकारक बनवणे पुरेसे आहे
• सी) प्रशिक्षणाच्या जागेच्या बाहेर जाताना संदर्भ समाधान आणि अविश्वसनीयतेची स्वीकृती ✔
• ड) जर एकच धाव एकत्र आली तर नेटवर्कच्या स्वातंत्र्याकडे पाहण्याची गरज नाही

वर्णन: सरोगेट मॉडेल रिअल सॉल्व्हरऐवजी जलद अंदाज तयार करते; परंतु ते ज्या डिझाइन स्पेसमध्ये प्रशिक्षित होते त्या बाहेर ते अविश्वसनीय आहे. आउटपुट एक्सट्रापोलेशन क्षेत्रास संदर्भ उच्च-फिडेलिटी सिम्युलेशन आणि भौतिक सीमा परिस्थितीसह चिन्हांकित करून सत्यापित केले जावे.

4. SAE ऑटोमेशन स्तरांमध्ये लेव्हल 2 (आंशिक ऑटोमेशन) साठी योग्य अभिव्यक्ती काय आहे?

• अ) वाहन सर्व परिस्थितीत चालकाशिवाय चालवू शकते
• ब) प्रणाली कोणतीही ड्रायव्हिंग कर्तव्ये घेत नाही, फक्त इशारे देते
• क) तो ड्रायव्हरच्या सीटवर बसला नसेल तर ठीक आहे
• डी) सिस्टीम स्टीयरिंग आणि वेगाला समर्थन देते, परंतु ड्रायव्हर सतत पर्यवेक्षण आणि जबाबदारी राखून ठेवतो ✔

वर्णन: लेव्हल 2 मध्ये सिस्टीम एकाच वेळी स्टीयरिंग आणि वेग/अंतराचे समर्थन करते, परंतु ड्रायव्हर सतत पर्यवेक्षण ठेवतो आणि कधीही ताब्यात घेण्यास तयार असतो; जबाबदारी चालकाची आहे. स्तर 3 आणि त्यावरील, प्रणाली विशिष्ट परिस्थितींमध्ये ड्रायव्हिंग कर्तव्ये घेते.

5. प्रॉडक्शन लाइनवर व्हिज्युअल डिफेक्ट डिटेक्शनमध्ये 'एस्केप रेट' हा एक महत्त्वाचा मेट्रिक का आहे?

• अ) सदोष भाग मंजूर करणे आणि ते फील्डमध्ये पाठवणे सुरक्षितता आणि परत बोलावण्याचा धोका आहे ✔
• ब) हे केवळ महत्त्वाचे आहे कारण ते रेषेचा वेग कमी करते
• क) गळती दर केवळ पेंट दोषांसाठी वैध आहे
• ड) गळतीचा दर मॉडेलच्या प्रशिक्षणाचा कालावधी मोजतो

वर्णन: बेकायदेशीर; सदोष भाग परिपूर्ण मानला जातो आणि रेषेतून जातो (खोटे नकारात्मक). ऑटोमोटिव्ह सुरक्षेच्या भागासाठी, खोट्या नकारापेक्षा गळती जास्त महाग आहे कारण यामुळे फील्डमध्ये अपयश किंवा रिकॉल होऊ शकते; थ्रेशोल्ड त्यानुसार समायोजित केले आहे.

6. भविष्यसूचक देखभाल मध्ये 'उर्वरित उपयुक्त जीवन' (RUL) अंदाजाचा सर्वात अचूक वापर कोणता आहे?

• अ) RUL ची गणना फक्त इंजिन तेलासाठी केली जाते
• ब) हे अनिश्चिततेच्या श्रेणीसह सादर केले जावे आणि देखभाल विंडो आणि सुरक्षा मार्जिननुसार त्याचा अर्थ लावला जावा ✔
• क) हे एकच अचूक दिवसाचे मूल्य म्हणून घेतले जावे आणि त्या दिवसापर्यंत कोणतीही तपासणी केली जाऊ नये.
• ड) RUL जास्त असल्यास सेन्सर बंद केले जाऊ शकतात

वर्णन: RUL हा अयशस्वी होईपर्यंत घटकाचा अंदाजे उर्वरित ऑपरेटिंग वेळ आहे; हे अनिश्चिततेच्या श्रेणीसह सादर केले जावे आणि देखभाल योजना आणि सुरक्षा मार्जिननुसार त्याचा अर्थ लावला जावा. एका बिंदूच्या अंदाजावर आंधळेपणाने विसंबून राहण्याऐवजी, आत्मविश्वास मध्यांतर आणि खोट्या अलार्मची किंमत विचारात घेतली जाते.

7. चाचणी डेटा विश्लेषणामध्ये एआयने रोड टेस्ट रेकॉर्डिंगमध्ये विसंगती दर्शविली तेव्हा अभियंत्याने काय करावे?

• अ) विसंगती दिसल्यावर, चाचणी आपोआप अयशस्वी समजली जावी.
• ब) एआयने डेटावर चिन्हांकित केले नसल्यास ते अजिबात पाहू नये
• क) कच्चा डेटा, मापन अनिश्चितता आणि पुनरावृत्तीक्षमता ✔ सह विसंगती सत्यापित करा
• ड) विसंगती हटवा आणि अहवाल साफ करा

स्पष्टीकरण: AI ध्वजांकित केलेली विसंगती एक संकेत आहे, निष्कर्ष नाही. अभियंत्याने मोजमाप अनिश्चितता, सेन्सर अयशस्वी होण्याची शक्यता आणि पुनरावृत्ती योग्यता तपासणे आवश्यक आहे आणि कच्चा डेटा आणि स्वीकृती निकषांसह विसंगती सत्यापित करणे आवश्यक आहे. आपोआप स्वीकारणे किंवा नकार देणे योग्य नाही.

8. AI ने हलक्या वजनाच्या अभ्यासात सुचवलेल्या भौतिक बदलासाठी कोणती पडताळणी अनिवार्य आहे?

• अ) ते फक्त हलके असणे आवश्यक आहे
• ब) साहित्य डेटाबेसमधील एकच पंक्ती पुरावा म्हणून घेतली जाऊ शकते
• क) हलक्या वजनाच्या सामग्रीमध्ये क्रॅश वर्तन बिनमहत्त्वाचे आहे
• ड) यांत्रिक, थकवा, क्रॅश, उत्पादनक्षमता आणि खर्च आवश्यकता एकत्रितपणे तपासल्या पाहिजेत ✔

टिप्पणी: केवळ घनता/शक्ती गुणोत्तरावर आधारित सामग्रीची शिफारस स्वीकारली जाऊ शकत नाही; यांत्रिक गुणधर्म, थकवा, क्रॅश वर्तन, उत्पादनक्षमता, गंज, किंमत आणि सुरक्षितता आवश्यकता एकत्रितपणे सत्यापित करणे आणि शारीरिक चाचणीद्वारे पुष्टी करणे आवश्यक आहे.

9. एआय शिफारशींमध्ये ऑटोमोटिव्ह सप्लाय चेनमधील 'सिंगल-सोर्स रिस्क'कडे विशेष लक्ष देण्याची आवश्यकता का आहे?

• अ) एकाच पुरवठादारामध्ये व्यत्यय आल्यास सर्व उत्पादन थांबू शकते; द्वितीय स्त्रोत आणि बफरचे मूल्यमापन केले पाहिजे ✔
• ब) सिंगल सोर्स हा नेहमीच सर्वात सुरक्षित पर्याय असतो
• क) AI ने सुचवले असल्यास जोखीम विश्लेषण अनावश्यक आहे
• ड) सिंगल सोर्स रिस्क फक्त टायरला लागू होते

स्पष्टीकरण: जर एखादा भाग एकाच पुरवठादाराकडून आला तर, त्या पुरवठादाराला समस्या आल्यावर उत्पादन थांबते. एआय कॉस्ट ऑप्टिमायझेशनच्या एकल स्त्रोताची शिफारस करू शकते; अभियंता/नियोजकाने हे दुय्यम संसाधन, स्टॉक बफर आणि परिस्थिती विश्लेषणासह संतुलित केले पाहिजे. खर्च हा एकमेव निकष नाही.

10. पायथनसह टेलीमेट्री विश्लेषण करताना 'डेटा लीकेज' म्हणजे काय आणि ते धोकादायक का आहे?

• अ) डिस्कमधून डेटा लीक केला जातो आणि हटविला जातो
• ब) मॉडेल प्रशिक्षण माहितीमध्ये पाहतो जी भविष्यवाणीच्या वेळी ओळखली जाऊ शकत नाही; धावसंख्या वाढवते, मैदानावर कोसळते ✔
• क) ग्राफिक रंगांचे मिश्रण
• ड) केवळ प्रतिमा डेटामध्ये आढळते

वर्णन: डेटा लीक; हे असे होते जेव्हा मॉडेल प्रशिक्षण माहितीमध्ये पाहतो जी प्रत्यक्षात अंदाजाच्या वेळी ओळखली जाऊ शकत नाही (उदाहरणार्थ, भविष्यातील मूल्य किंवा लक्ष्य-संबंधित विशेषता). हे कृत्रिमरित्या चाचणी गुण वाढवते परंतु फील्ड कामगिरी क्रॅश करते. वेळ मालिकेत भूतकाळ/भविष्यातील फरक काळजीपूर्वक राखला गेला पाहिजे.

11. ISO 26262 कार्यात्मक सुरक्षिततेच्या संदर्भात ASIL वर्गीकरण काय ठरवते?

• अ) वाहनाचा कमाल वेग
• ब) मॉडेलच्या प्रशिक्षण डेटा सेटचा आकार
• क) ✔ धोक्याची तीव्रता, एक्सपोजर आणि नियंत्रणक्षमतेनुसार सुरक्षिततेची आवश्यक पातळी.
• ड) पुरवठादाराचे क्रेडिट रेटिंग

वर्णन: एएसआयएल (ऑटोमोटिव्ह सेफ्टी इंटिग्रिटी लेव्हल) धोक्याची तीव्रता, एक्सपोजर आणि नियंत्रणक्षमतेच्या मूल्यांकनावर आधारित सुरक्षा खबरदारीची पातळी (ए ते डी, डी सर्वात जास्त) निर्धारित करते. उच्च ASIL साठी अधिक कठोर विकास, पडताळणी आणि दस्तऐवजीकरण आवश्यक आहे.

12. ISO 21448 (SOTIF) हे शास्त्रीय कार्यात्मक सुरक्षिततेपेक्षा (ISO 26262) कोणत्या प्रकारे वेगळे आहे?

• अ) फक्त हार्डवेअर अपयश हाताळते
• ब) केवळ सॉफ्टवेअर परवाना नियमन करते
• C) SOTIF हे ISO 26262 चे जुने नाव आहे
• ड) अयशस्वी नसतानाही, अपर्याप्त कार्यक्षमता आणि अपरिचित परिस्थितींमुळे उद्भवलेल्या जोखमींचे निराकरण करते ✔

वर्णन: ISO 26262 खराबी/हार्डवेअर-सॉफ्टवेअर त्रुटींमुळे उद्भवणाऱ्या जोखमींना संबोधित करते, तर SOTIF (सेफ्टी ऑफ द इन्टेंडेड फंक्शनॅलिटी) अपुरी ओळख, अपरिचित परिस्थिती आणि कार्यात्मक मर्यादांमुळे उद्भवणाऱ्या जोखमींचे निराकरण करते, जरी सिस्टीम अजिबात खराब होत नसली तरीही; AI-आधारित शोधात विशेषतः गंभीर आहे.

13. ड्रायव्हर आणि वाहन टेलीमेट्री डेटासह काम करताना गोपनीयतेच्या दृष्टीने सर्वोत्तम दृष्टीकोन कोणता आहे?

• अ) KVKK/GDPR निनावीपणा, डेटा कमी करणे आणि उद्देश मर्यादा ✔
• ब) सर्व कच्चा डेटा व्हीआयएन सोबत सार्वजनिक मॉडेलवर पाठवणे
• क) गोपनीयता केवळ विपणन डेटावर लागू होते
• ड) स्थान डेटा कधीही वैयक्तिक डेटा मानला जात नाही

वर्णन: स्थान, ड्रायव्हिंग वर्तन आणि चेसिस नंबर (VIN) यांसारखा डेटा एखाद्या व्यक्तीला ओळखू शकतो. सर्वात योग्य दृष्टीकोन; निनावी/छद्मनामकरण डेटा, आवश्यक तेच गोळा करणे (डेटा कमी करणे), उद्देश मर्यादा आणि KVKK/GDPR अनुपालन. तृतीय-पक्ष साधनांना कच्चा VIN किंवा स्थान पाठवणे धोकादायक आहे.

14. उत्पादनात आणलेल्या AI मॉडेलमध्ये 'डेटा ड्रिफ्ट'चे निरीक्षण करणे का आवश्यक आहे?

• अ) एकदा मॉडेल प्रशिक्षित झाल्यानंतर, ते अनिश्चित काळासाठी समान कामगिरी देते.
• ब) वेळोवेळी इनपुट वितरण बदलत असताना कामगिरी शांतपणे कमी होते; पुन्हा प्रशिक्षण सुरू करणे आवश्यक आहे ✔
• क) ड्रिफ्ट हे हार्डवेअरचे फक्त भौतिक कंपन आहे
• डी) मॉनिटरिंग अनावश्यक आहे कारण मॉडेल आपोआप अपडेट होते

स्पष्टीकरण: वास्तविक जग बदलते (नवीन भाग पुरवठादार, हंगाम, नवीन वाहन मॉडेल); इनपुट वितरण प्रशिक्षण वेळेपासून दूर गेल्याने मॉडेलची कार्यक्षमता शांतपणे कमी होते. ड्रिफ्ट मॉनिटरिंग आणि कार्यप्रदर्शन मेट्रिक्सद्वारे पुनर्प्रशिक्षण ट्रिगर केले जाते. 'सेट करा आणि विसरा' ही पद्धत ऑटोमोटिव्हमध्ये धोकादायक आहे.