लाभ:
- कपडामा एआई प्रयोगको नैतिक, डाटा गोपनीयता, प्रतिलिपि अधिकार र कार्यबल पक्षहरूको समग्र मूल्याङ्कन गर्ने क्षमता
- नामित मानव अनुमोदन बिन्दुहरूको साथ प्रणाली डिजाइन गर्ने क्षमता जसले सम्पूर्ण मोड्युललाई अन्त-देखि-अन्त कार्यप्रवाहमा जोड्दछ।
- संस्थामा जिम्मेवार एआई प्रयोगको लागि शासन, प्रमाणीकरण र निरन्तर सुधार ढाँचा स्थापना गर्ने क्षमता
मोड्युल परीक्षा
1. तलका मध्ये कुन आधारभूत सिद्धान्त हो जसले टेक्सटाइल इन्जिनियरिङमा एआई आउटपुटको जोखिम निर्धारण गर्छ?
- क) आउटपुटको जोखिम बराबर हुन्छ यदि त्यो आउटपुट दोषपूर्ण थियो भने यसले निम्त्याउने हानि; तदनुसार प्रमाणीकरण स्केल ✔
- B) AI आउटपुट सामान्यतया सुरक्षित छ किनकि यो धाराप्रवाह र आत्मविश्वासका साथ लेखिएको छ
- C) सबैभन्दा हालको मोडेल प्रयोग गर्दा प्रमाणीकरण अनावश्यक हुन्छ
- D) यदि आउटपुटले मानकलाई जनाउँछ भने, कुनै अतिरिक्त नियन्त्रण आवश्यक पर्दैन
स्पष्टीकरण: आउटपुटको जोखिम बराबर हानि हुन्छ यदि त्यो आउटपुट दोषपूर्ण छ भने। जबकि एक मूडबोर्ड विचार मा एक गल्ती हानिरहित छ, रङ बनाउने नुस्खा वा कपडा बल गणना मा गल्ती ब्याच फोहोर र व्यावसायिक सुरक्षा / अनुबंध जोखिम निम्त्याउन सक्छ; त्यसैले सम्भावित हानिको साथ प्रमाणीकरण तीव्रता मापन।
2. एक इन्जिनियरले धागोको बलको लागि '85 cN/tex for cotton यार्न' को AI मानमा शंका गर्छ। यो शङ्का पुष्टि गर्न सबैभन्दा छिटो जाँच के हो?
- A) रिपोर्टमा सीधै मूल्य राख्नुहोस् र प्रयोगशालालाई पछि सोध्नुहोस्
- ख) सामान्य सूती धागोको दायरा (लगभग १२-२२ cN/tex) सँग तुलना परिमाणको अर्डर बनाउनुहोस् ✔
- ग) मोडेलबाट एउटै प्रश्न फेरि सोध्ने र दोस्रो जवाफमा विश्वास गर्ने
- D) यदि मानमा स्रोतको सन्दर्भ समावेश छ भने स्वीकार गर्नुहोस्
विवरण: यो परिमाण नियन्त्रण को एक आदेश हो। रिंग कपास धागोको बल सामान्यतया 12-22 cN/tex को अर्डरमा हुन्छ; 85 cN/tex उच्च प्रदर्शन सिंथेटिक / aramid स्तर हो र कपासको लागि शारीरिक रूपमा अनुचित छ। यो जाँचले सेकेन्ड लिन्छ र धेरै एकाइ/प्रकार त्रुटिहरू समात्छ।
3. धागो गणना प्रणालीहरू मध्ये 'ने' (ब्रिटिश कपास गणना) को लागि निम्न मध्ये कुन सही छ?
- क) धागो जति ठूलो हुन्छ, उति मोटो हुन्छ।
- ख) प्रत्यक्ष प्रणाली के हो, यसले टेक्स जस्तै दिशामा काम गर्दछ
- ग) यो कस्तो अप्रत्यक्ष प्रणाली हो; जति ठूलो संख्या, धागो पातलो ✔
- घ) सिंथेटिक धागोका लागि मात्र परिभाषित के हो
स्पष्टीकरण: कस्तो अप्रत्यक्ष संख्या प्रणाली: ठूलो संख्या, पातलो थ्रेड। Tex र denier प्रत्यक्ष प्रणाली हो; संख्या जति ठूलो हुन्छ, धागो उति बाक्लो हुन्छ। यो भिन्नता नजान्दा एआई आउटपुटमा संख्याको व्याख्यामा गम्भीर त्रुटिहरू निम्त्याउँछ।
4. कपडाको दोष पत्ता लगाउने छवि प्रशोधन मोडेलमा उच्च 'फल्स नेगेटिभ' दर हुनुको अर्थ के हो र यो किन महत्त्वपूर्ण छ?
- A) दोषपूर्ण कपडालाई उत्तम मानिन्छ र ग्राहकलाई डेलिभर गरिन्छ; ✔ गुणस्तर मा त्रुटि को सबैभन्दा खतरनाक प्रकार
- ख) सही कपडाको अनावश्यक रूपमा दोषपूर्ण चिन्ह लगाउने; यसले मात्र दक्षता घटाउँछ
- सी) मोडेलले कुनै गल्ती फेला पार्दैन; सधैं राम्रो संकेत
- D) क्यामेराको कम रिजोल्युसन
स्पष्टीकरण: गलत नकारात्मक भनेको जब साँचो दोषलाई 'पूर्ण' भनी वर्गीकृत गरिन्छ। यसको मतलब दोषपूर्ण कपडा ग्राहकमा जान्छ र फिर्ता / प्रतिष्ठा लागत लाग्दछ। गुणस्तर-महत्वपूर्ण अनुप्रयोगहरूमा, थ्रेसहोल्ड सामान्यतया गलत नकारात्मकहरूलाई कम राख्न सेट गरिन्छ, र बढेको झूटा सकारात्मकहरू मानव निरीक्षणद्वारा हटाइन्छ।
5. रंग व्यवस्थापनमा 'डेल्टा ई' (ΔE) मानको अर्थ के हो?
- क) प्रति किलोग्राम रंगको लागत
- B) दुई रङहरू बीचको कुल अवधारणात्मक भिन्नतालाई परिमाण गर्ने मापदण्ड ✔
- C) कपडाको प्रकाश प्रसारण
- D) डिग्रीमा रंगाइको तापक्रमको मान
विवरण: डेल्टा ई मापदण्ड हो जसले CIELAB रङ स्पेसमा दुई रङहरू बीचको कुल अवधारणात्मक भिन्नतालाई परिमाण गर्छ। सानो ΔE मानहरूले संकेत गर्दछ कि रंगहरू सँगै नजिक छन्; कपडाहरूमा, ब्याच-देखि-ब्याच स्वीकृति सहिष्णुता सामान्यतया ΔE को सर्तमा अनुबंधित रूपमा परिभाषित गरिन्छ। तसर्थ, दावी 'होल्ड रङ' मापन आवश्यक छ।
6. दुईवटा नमूनाहरू एउटा प्रकाशको स्रोतमा उस्तै र अर्को प्रकाश स्रोतमा फरक देख्दा यसलाई के भनिन्छ र रङ व्यवस्थापनमा किन महत्त्वपूर्ण छ?
- ए) मेटामेरिज्म; रङ पुष्टिकरण धेरै मानक प्रकाश स्रोतहरू अन्तर्गत हुनुपर्छ ✔
- बी) प्रतिदीप्ति; रंग सबै अवस्थामा समान देखिन्छ
- सी) अस्पष्टता; रंग भिन्नता मात्र मोटाई मा निर्भर गर्दछ
- डी) क्यालिब्रेसन; केवल स्क्रिनको चिन्ता
विवरण: यो घटनालाई मेटामेरिज्म भनिन्छ। फरक वर्णक्रमीय प्रतिबिम्ब भएका दुई रङहरू निश्चित प्रकाशमा मिल्न सक्छन् र अन्य रोशनीमा भिन्न हुन्छन्। त्यसकारण, रङ पुष्टिकरण एकल प्रकाश स्रोतमा गरिनु हुँदैन, तर मानक लाइट बूथमा धेरै स्रोतहरू (जस्तै D65, TL84, A) अन्तर्गत।
7. जेनेरेटिभ AI बाट उत्पादित कपडा ढाँचाको व्यावसायिक प्रयोग गर्नु अघि गर्नु पर्ने सबैभन्दा महत्त्वपूर्ण कानूनी जाँच के हो?
- A) ढाँचाको रंगहरूको संख्या घटाउँदै
- B) ढाँचाको फाइल आकार घटाउँदै
- C) अवस्थित संरक्षित डिजाइनहरूसँग समानता/उल्लंघन र प्रतिलिपि अधिकारहरू जाँच गर्दै ✔
- D) उच्च रिजोल्युसनमा मात्र ढाँचा बचत गर्नुहोस्
स्पष्टीकरण: उत्पादन गरिएको ढाँचाले अवस्थित संरक्षित डिजाइन, ट्रेडमार्क वा प्रतिलिपि अधिकार भएका कामहरूसँग कुनै समानता/उल्लंघन गरेको छ कि छैन भनेर जाँच गर्न र मोडेलको प्रशिक्षण डेटा र आउटपुट अधिकारहरू सम्बन्धी अनिश्चितताहरूको मूल्याङ्कन गर्न आवश्यक छ। मौलिकता र उल्लङ्घन जाँच नगरी व्यापारीकरणले प्रतिलिपि अधिकार मुद्दाको जोखिम सिर्जना गर्दछ।
8. SKU द्वारा पूर्वानुमान मागमा AI आउटपुट प्रमाणित गर्न सबैभन्दा बलियो दृष्टिकोण के हो?
- A) मोडेलले दिएको एकल बिन्दु भविष्यवाणीलाई क्रम मात्रामा परिवर्तन गर्दै
- ख) विगतको बिक्रीको साथ ब्याकटेस्टिङ र व्यापार निर्णय फिल्टर मार्फत त्रुटिको मार्जिन मूल्याङ्कन ✔
- ग) उच्चतम अनुमान छनोट गर्ने र अतिरिक्त स्टक राख्ने
- D) प्रचलन सबैभन्दा लोकप्रिय छ भने भविष्यवाणी दोब्बर गर्नुहोस्
स्पष्टीकरण: पूर्वानुमानलाई विगतको बिक्री प्राप्तिको बिरूद्ध ब्याकप्याट गरिनु पर्छ र इन्भेन्टरी, अभियान, मौसमीता, आदि जस्ता सन्दर्भको साथ व्यापार निर्णय मार्फत फिल्टर गरिनु पर्छ। मोडेलको एकल बिन्दु भविष्यवाणीमा अन्धाधुन्ध विश्वास गर्नुको सट्टा, त्रुटिको मार्जिन र परिदृश्यहरू मूल्याङ्कन गरिन्छ।
9. उत्पादन तालिकामा 'हल्का रङबाट गाढा रङमा' पेन्ट ब्याच अर्डरको मुख्य कारण के हो?
- क) गाढा रंग सस्तो छ
- B) रङ प्रदूषण र मेसिन सफा गर्ने समयको जोखिम कम गर्दै ✔
- ग) हल्का रंगहरू लामो समयसम्म टिक्छन्
- D) यो केवल एक सौन्दर्य प्राथमिकता हो
स्पष्टीकरण: यदि एउटै मेसिनमा गाढा रङ पछि हल्का रङमा रङ लगाइयो भने, सफाई/दूषित हुने जोखिम र थप धुने समय बढ्छ। उज्यालोबाट अँध्यारोमा क्रमबद्ध गर्नाले रङ स्मेयरिङ र मेसिन सफा गर्ने समयको जोखिम घटाएर दक्षता बढाउँछ। AI सिफारिसहरूले यो प्रक्रिया बाधा समावेश गर्नुपर्छ।
10. कपडाको वातावरणीय पदचिह्न रिपोर्ट गर्दा, AI द्वारा उत्पादित 'रिसाइकल गरिएको पलिएस्टरले पानीको प्रयोग 90% घटाउँछ' जस्ता दावीप्रति सही दृष्टिकोण के हो?
- क) मार्केटिङ प्रतिलिपिमा जस्तै दाबी राख्नु
- B) प्रणाली सीमा, डाटा स्रोत र प्रमाणपत्र ✔ प्रमाणीकरण बिना दावी प्रयोग नगर्ने
- C) संख्या बढी भएमा दाबी बलियो छ भनी मान्दै
- घ) नम्बर राउन्ड गरी प्रकाशित गर्नुहोस्
स्पष्टीकरण: यस्तो दाबी प्रणाली सीमा (पाळा-देखि-गेट वा गेट-टू-गेट), डेटा स्रोत र दायरा निर्दिष्ट नगरी अर्थहीन छ; यो प्रमाणित LCA डाटा र प्रमाणीकरण मा आधारित हुनुपर्छ। अन्यथा, हरियो धुने र कानूनी जोखिम उत्पन्न हुन सक्छ। जबकि AI नम्बरहरू व्यावहारिक देखिन्छन्, तिनीहरू स्वतन्त्र रूपमा स्रोत हुन्।
11. पाइथनसँग पान्डाहरू प्रयोग गरेर उत्पादन डेटाको विश्लेषण गर्दा AI द्वारा लेखिएको कोड प्रमाणित गर्न पहिलो चरण के हुनुपर्छ?
- A) यदि कोडले त्रुटि बिना काम गर्यो भने, परिणाम सही रूपमा स्वीकार गर्नुहोस्
- B) म्यानुअल रूपमा आउटपुट गणना गर्नुहोस् र सानो डेटा नमूनामा एकाइ र तर्क प्रमाणित गर्नुहोस् ✔
- C) उत्पादन रिपोर्टमा सीधा कोड थप्दै
- D) यदि ग्राफ राम्रो भयो भने, विश्लेषण पूरा भएको विचार गर्नुहोस्।
टिप्पणी: यदि कोडले काम गर्छ भने, यो तर्क सही छ भन्ने ग्यारेन्टी छैन; म्यानुअल लेखा जाँच एकाइ, स्तम्भ मिलान र धेरै पङ्क्तिहरूमा हुनुपर्छ। उदाहरणका लागि, व्याकरणको औसत गर्दा, गलत समूहीकरण वा एकाइ भ्रमले चुपचाप गलत परिणामहरू उत्पादन गर्न सक्छ। एउटा सानो नमूनामा, म्यानुअल प्रमाणिकरण सबैभन्दा छिटो आश्वासन हो।
12. एआई उपकरणमा कपडा उत्पादन डाटा पठाउँदा डाटा गोपनीयताको सन्दर्भमा उत्तम अभ्यास के हो?
- क) सबै वास्तविक ग्राहक र प्रिस्क्रिप्शन जानकारी पठाउनुहोस्
- ख) संवेदनशील जानकारी गुमाउन र यसलाई प्रतिनिधि लेबल र कर्पोरेट नीति अनुसार पठाउनुहोस् ✔
- C) गोपनीयता महत्वहीन छ किनभने त्यहाँ धेरै डाटा छ भनेर मान्दै।
- D) केवल फाइल नाम परिवर्तन गर्नुहोस् र सामग्री पठाउनुहोस् जस्तो छ
स्पष्टीकरण: ग्राहकको नाम, रेसिपी गोप्य, मूल्य र आपूर्तिकर्ता जानकारी जस्ता संवेदनशील डेटा गुमनाम हुनुपर्छ वा प्रतिनिधि लेबलहरू (ग्राहक-A, रेसिपी-1) संग दिइनु पर्छ। कर्पोरेट नीति र सम्झौताहरूको उल्लङ्घनमा व्यापार गोप्य र व्यक्तिगत डेटा तेस्रो-पक्ष मोडेलमा हस्तान्तरण गर्नु हुँदैन।
13. छवि प्रशोधन मोडेलले उत्पादन लाइनमा 98% सटीकता रिपोर्ट गर्छ तर क्षेत्रमा धेरै दोषहरू छुटेको छ। यसको सबैभन्दा सम्भावित कारण के हो?
- A) असन्तुलित डाटाको कारणले शुद्धता भ्रामक छ; दोष वर्गको संवेदनशीलता (रिकल) कम छ ✔
- ख) मोडेल धेरै ढिलो चलिरहेको छ
- C) किनभने क्यामेरा रङको छ
- D) 98% पहिले नै सही छ, समस्या अपरेटर संग छ
स्पष्टीकरण: जब डाटा सेट (असंतुलित डाटा) मा त्रुटिहरू भएका नमूनाहरू धेरै थोरै हुन्छन्, मोडेलले सबै कुरालाई 'उत्तम' भनेर बोलाएर उच्च शुद्धता हासिल गर्न सक्छ तर वास्तविक दोषहरू खिच्न सक्दैन। त्यसैले शुद्धता मात्र भ्रामक छ; संवेदनशीलता (स्मरण) र दोष वर्गको लागि शुद्धता अनुगमन गर्नुपर्छ।
14. सम्पूर्ण मोड्युलमा जोड दिइएको मुख्य सिद्धान्त अनुसार, सुरक्षा र अनुबंध-महत्वपूर्ण कपडा निर्णयहरूमा AI को भूमिका के हो?
- A) AI ले आफै महत्वपूर्ण निर्णय गर्न सक्छ किनभने यो छिटो छ
- B) AI एक सहायक हो; महत्वपूर्ण निर्णयहरू सक्षम इन्जिनियर अनुमोदन र शारीरिक परीक्षण द्वारा प्रमाणित गरिन्छ ✔
- C) AI आउटपुटले हस्ताक्षरित रिपोर्टलाई प्रतिस्थापन गर्छ
- D) सबैभन्दा हालको मोडेल प्रयोग गर्दा मानव पुष्टिकरण अनावश्यक हुन्छ
विवरण: एआई एक सहायक र गतिवर्धक हो; परिकल्पनाहरू उत्पन्न गर्दछ, ड्राफ्टहरू तयार गर्दछ, ढाँचाहरू समात्छ। यद्यपि, चित्रकारी नुस्खा अनुमोदन, गुणस्तर स्वीकृति, बल/सुरक्षा मूल्याङ्कन जस्ता महत्वपूर्ण निर्णयहरूलाई सक्षम इन्जिनियरको स्वीकृति र शारीरिक परीक्षण आवश्यक पर्दछ। एआई आउटपुट विशेषज्ञ अनुमोदनको लागि विकल्प होइन।