अन्त-देखि-अन्त एकीकरण, MLOps र इन्जिनियर जिम्मेवारी

लाभ:

• अवधारणा देखि उत्पादन सम्म एक AI-समर्थित अटोमोटिभ परियोजना डिजाइन गर्न र एक निगरानी चक्र संग यसलाई मर्मत गर्ने क्षमता
• मोडेल संस्करण व्यवस्थापन, डाटा बहाव र पुन: प्रशिक्षण आवश्यकताहरू मूल्याङ्कन गर्ने क्षमता
• उत्तरदायित्व, ट्रेसेबिलिटी र परियोजना भर कागजातहरू कायम राख्दै सुरक्षित रूपमा AI मापन गर्ने क्षमता

यस मोड्युलको अन्तिम एकाइमा, हामी सबै टुक्राहरू सँगै ल्याउँछौं। हामीले देख्यौं कि कसरी कृत्रिम बुद्धिमत्ता व्यक्तिगत एकाइहरूमा प्रयोग गरिन्छ, डिजाइन देखि उत्पादन, परीक्षण देखि आपूर्ति श्रृंखला। तर वास्तविक परियोजनामा, यी पृथक चरणहरू होइनन्, तर जीवन चक्र: डेटा सङ्कलन गरिन्छ, मोडेल बनाइन्छ, उत्पादनमा राखिन्छ, अनुगमन गरिन्छ, र जब यो पुरानो हुन्छ, यो नवीकरण हुन्छ। यस चक्रलाई कायम राख्ने अनुशासनलाई MLOps (Machine Learning Operations) भनिन्छ। यस इकाईले एआई-संचालित मोटर वाहन परियोजनाको लागि अन्त्यदेखि अन्त्यसम्म सेटअप, मर्मत, र जवाफदेहितालाई समेट्छ।

एआई परियोजनाको जीवनचक्र

एक मोटर वाहन सन्दर्भमा एक विशिष्ट अन्त-देखि-अन्त प्रवाह:

1. समस्या र मूल्य परिभाषा: हामी कुन व्यापार समस्या समाधान गर्दैछौं? सफलता कसरी मापन गरिन्छ? के यो सुरक्षा-महत्वपूर्ण कार्य हो?
2. डाटा सङ्कलन र लेबलिङ: स्रोतहरू (CAN, परीक्षण, उत्पादन, टेलिमेटिक्स), गुणस्तर, गोपनीयता।
3. मोडेल विकास: विशेषता, मोडेल, प्रमाणीकरण (रिसाव नियन्त्रण, एकाइ स्थिरता)।
4. प्रमाणीकरण र सुरक्षा मूल्याङ्कन: ISO 26262/SOTIF आवश्यक भएमा स्वतन्त्र परीक्षण।
5. डिप्लोयमेन्ट: मोडेललाई उपकरणमा, लाइनमा वा क्लाउडमा डिप्लोइ गर्ने।
6. निगरानी: प्रदर्शन, डाटा बहाव, अलार्म सटीकता।
7. पुन: प्रशिक्षण: मोडेल पुरानो भएपछि अद्यावधिक गर्दै।
8. कागजात र ट्रेसबिलिटी: प्रत्येक चरणको रेकर्ड; को, कहिले, किन।

यो चक्र एक पटक र सबैको लागि समाप्त हुँदैन; निरन्तर घुमिरहन्छ। मोटर वाहन मा, यो एक मोडेल "सेट र बिर्सन" खतरनाक छ।

सुझाव: परियोजना सुरु गर्दा, "कसले यो मोडेल फिल्डमा भएपछि, कुन मेट्रिकको साथ, र कति पटक अनुगमन गर्नेछ?" यदि तपाइँ प्रश्नको जवाफ दिन सक्नुहुन्न भने, मोडेल अझै उत्पादनको लागि तयार छैन।

मोडेल संस्करण व्यवस्थापन र ट्रेसबिलिटी

अटोमोटिभमा ट्रेसिबिलिटी लक्जरी होइन, तर प्रायः कानुनी दायित्व हो। जब समस्या उत्पन्न हुन्छ, तपाईले प्रश्नको जवाफ दिन सक्षम हुनुपर्दछ "कुन मोडेल संस्करण, कुन डाटासँग तालिम दिइएको थियो, कसले अनुमोदन गर्यो?" राम्रो अभ्यासहरू:

• मोडेल संस्करण: प्रत्येक मोडेलको नम्बर, प्रशिक्षण डेटा र मिति रेकर्ड गरिएको छ।
• डाटा संस्करण: यसलाई प्रशिक्षित गरिएको डाटा फ्रिज गरिएको छ।
• निर्णय लग: स्वीकृति कसले र कुन प्रमाणको साथ दियो।
• रोलब्याक योजना: यदि नयाँ मोडेल खराब भयो भने, तपाईं पुरानो मोडेलमा फर्कन सक्नुहुन्छ।

वस्तु

किन आवश्यक छ

हराइरहेको छ भने जोखिम

मोडेल संस्करण

कुन संस्करण फिल्डमा छ?

समस्या पत्ता लगाउन सकिँदैन

डाटा संस्करण

उसलाई के संग तालिम दिइएको थियो?

पुन: उत्पादन गर्न योग्य छैन

स्वीकृति रेकर्ड

जिम्मेवार को ?

जवाफदेही हुन सक्दैन

पूर्ववत गर्नुहोस्

खराब संस्करणबाट फर्कनुहोस्

मैदानमा लामो डाउनटाइम

डाटा बहाव र मोडेल क्षय

मोडेल संसारको एक स्न्यापसट हो जसमा यो प्रशिक्षित छ। तर संसार परिवर्तन हुन्छ: नयाँ पार्ट्स आपूर्तिकर्ताले फरक सेन्सर सहिष्णुता ल्याउँछ, नयाँ गाडीको मोडेल बाहिर आउँछ, मौसम परिवर्तन हुन्छ, ड्राइभिङ बानी परिवर्तन हुन्छ। इनपुट डेटाको वितरण प्रशिक्षण समयबाट टाढा जाँदा मोडेलको प्रदर्शन चुपचाप घट्छ। यो डेटा बहाव र परिणामस्वरूप प्रदर्शन कमीलाई मोडेल क्षय भनिन्छ।

खतरा यो छ कि यो गिरावट मौन छ: मोडेल पतन गर्दैन, त्रुटिहरू गर्दैन, यो केवल अधिक र अधिक गलत हुन्छ। त्यसैले:

• इनपुट वितरण (बहाव पत्ता लगाउने) निगरानी गर्नुहोस्।
• वास्तविक परिणामहरूको साथ प्रदर्शन मेट्रिक्स निगरानी गर्नुहोस् (के अलार्महरू सही थिए?)
• थ्रेसहोल्ड नाघेको बेला पुन: तालिम ट्रिगर गर्नुहोस्।

सावधानी: "एक पटक मोडेल प्रशिक्षित भएपछि, यसले सधैंको लागि समान प्रदर्शन दिन्छ" भन्ने धारणा गलत र अटोमोटिभमा जोखिमपूर्ण छ। बहाव अनुगमन बिना उत्पादनमा राखिएको मोडेल अनजानमा अविश्वसनीय हुन सक्छ।

अन्त-देखि-अन्त उदाहरण परिदृश्य: भविष्यवाणी मर्मत फ्लीट

यसलाई ठोस बनाऔं। तपाईंले कार्गो फ्लीटको लागि टर्बो विफलता प्रारम्भिक चेतावनी प्रणाली स्थापना गर्दै हुनुहुन्छ:

1. मूल्य: डाउनटाइम र टोविंग लागत घटाउनुहोस्; सफलता = वास्तविक गल्ती / गलत अलार्म ब्यालेन्स कब्जा।
2. डाटा: 40 सवारी साधनहरूको CAN संकेतहरू, ऐतिहासिक गल्ती रेकर्डहरू; VIN अज्ञात छ।
3. मोडेल: विसंगति + RUL; समय श्रृंखला चुहावट रोकियो; अनिश्चितता दायरा प्रस्तुत गरिएको छ।
4. प्रमाणीकरण: विगतका गल्तीहरूमा ब्याकटेस्टिङ; गलत अलार्म लागत तौलिएको थियो।
5. उत्पादन: क्लाउडमा दैनिक स्कोर; प्राविधिकलाई प्यानल।
6. निगरानी: नयाँ वाहन मोडेल थपिएको बेला बहाव नियन्त्रण; अलार्म सटीकता साप्ताहिक।
7. पुन: तालिम: नयाँ सवारी प्रकार र नयाँ त्रुटि उदाहरणहरूको साथ त्रैमासिक अद्यावधिक।
8. कागजात: मोडेल संस्करण, डाटा संस्करण, प्रमाणित ईन्जिनियर दर्ता।

यस प्रवाहमा कुनै पनि पाइलाले "एआई निर्णय गर्यो, भयो" भन्दैन; प्रत्येक चरणको लागि एक व्यक्ति जिम्मेवार छ।

मिनी केस स्टडी

केस १ - मौन क्षय। गुणस्तर नियन्त्रण मोडेल एक वर्षको लागि राम्रोसँग काम गर्दछ, त्यसपछि चुहावट दर बिस्तारै बढ्छ। मूल कारण: जब आपूर्तिकर्ता परिवर्तन भयो, भागको सतह बनावट अलि फरक भयो (बहाव), र मोडेलले यो "सामान्य" हो भनेर सोच्न थाल्यो। बहाव अनुगमन स्थापित छ र मोडेल पुन: प्रशिक्षित छ। नतिजा: अनुगमन नगरी, कमजोरी महिनौंसम्म ध्यान नदिने थियो।

केस २ - ट्रेसिबिलिटी बचत गरियो। फिल्डबाट झूटो अलार्म उजुरी आइरहेको छ। निर्णय लगबाट, टोलीले कुन मोडेल संस्करण कुन डाटासँग काम गर्दछ पत्ता लगाउँदछ; यसले पत्ता लगाउँछ कि समस्या एक विशेष संस्करणमा थ्रेसहोल्ड सेटिङबाट आउँछ र त्यो संस्करणलाई रोल ब्याक गर्छ। नतिजा: यदि कुनै संस्करण र निर्णय रेकर्ड थिएन भने, समस्या पत्ता लगाउन सकिँदैन।

केस 3 - अनुशासन पुन: प्रशिक्षण। जब नयाँ इलेक्ट्रिक मोडेल फ्लीटमा सामेल हुन्छ, अवस्थित भविष्यवाणी मर्मत मोडेलले यस गाडीमा धेरै झूटा अलार्महरू खडा गर्छ (यसले कहिल्यै नदेखेको पावरट्रेन)। नयाँ मोडेल कमिसन गर्नु अघि, टोलीले बहाव चेतावनी क्याप्चर गर्छ र नयाँ वाहन डेटाको साथ मोडेल विस्तार गर्दछ। नतिजा: बहाव अनुगमनले प्रारम्भिक रूपमा नयाँ उत्पादनको साथ आएको गिरावटलाई समात्यो।

प्रम्प्ट टेम्प्लेटहरू

टेम्प्लेट १ - परियोजना योजना मस्यौदा:

भूमिका: AI परियोजना प्रमुख (अटोमोटिभ)। कार्य: मलाई एआई-संचालित परियोजनाको अन्त्य-देखि-अन्त योजना बनाउन मद्दत गर्नुहोस्। सन्दर्भ: भविष्यवाणी मर्मत; 40 सवारी साधनहरूको फ्लीट; VIN अज्ञात छ। बाधा: मूल्य परिभाषा, डेटा, मोडेल, प्रमाणिकरण, उत्पादन, अनुगमन, पुन: तालिम र कागजातहरू अलग-अलग चरणहरू विचार गर्नुहोस्; प्रत्येक चरणको लागि को जिम्मेवार छ भनेर संकेत गर्नुहोस्।आउटपुट: चरण | आउटपुट | जिम्मेवार | जोखिम तालिका।

टेम्प्लेट २ - अनुगमन योजना:

भूमिका: तपाईं एक MLOps इन्जिनियर हुनुहुन्छ। कार्य: फिल्ड गरिएको मोडेलको लागि अनुगमन योजना सिफारिस गर्नुहोस्। सन्दर्भ: इनपुट वितरण समय अनुसार परिवर्तन हुन सक्छ (नयाँ आपूर्तिकर्ता, नयाँ उपकरण); प्रदर्शन वास्तविक परिणामहरू द्वारा मापन गर्न सकिन्छ।आउटपुट: ट्र्याक गर्न मेट्रिक | थ्रेसहोल्ड | कारबाही गर्न।

टेम्प्लेट ३ - बहाव मूल्याङ्कन:

भूमिका: डाटा वैज्ञानिक। कार्य: डेटा बहाव कसरी पत्ता लगाउने र जब पुन: प्रशिक्षण आवश्यक छ भनेर व्याख्या गर्नुहोस्। सन्दर्भ: उत्पादन लाइन दृश्य निरीक्षण मोडेल; आपूर्तिकर्तामा परिवर्तन हुन सक्छ। आउटपुट: सिग्नल | मापन | पुन: प्रशिक्षण ट्रिगर।

टेम्प्लेट ४ - ट्रेसिबिलिटी चेकलिस्ट:

भूमिका: तपाईं गुणस्तर/अनुपालन लेखा परीक्षक हुनुहुन्छ। कार्य: मोडेलको लागि ट्रेसिबिलिटी चेकलिस्ट सिर्जना गर्नुहोस्। सन्दर्भ: मोटर वाहन; जब समस्या उत्पन्न हुन्छ, 'कुन संस्करण, कुन डाटा, कसले अनुमोदन गर्यो' भन्ने प्रश्नको जवाफ दिनुपर्छ।आउटपुट: वस्तु | किन आवश्यक छ | चार्ट कसरी बचत गर्ने।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

उत्पादनमा मोडेल राख्नुहोस्।

कुनै ट्र्याकिङ, कुनै संस्करण, कुनै जवाफदेहिता र कुनै रोलब्याक छैन; मौन क्षय र पत्ता लगाउन नसकिने समस्याहरू अपरिहार्य छन्।

शक्तिशाली प्रम्प्ट:

भूमिका: तपाईं एक MLOps र मोटर वाहन गुणस्तर सल्लाहकार हुनुहुन्छ। कार्य: मैले जिम्मेवारीपूर्वक उत्पादनमा मोडेल राख्नु पर्ने चेकलिस्ट सिर्जना गर्नुहोस्। सन्दर्भ: भविष्यवाणी मर्मत बेडा; नयाँ सवारी प्रकारहरू समयसँगै थपिएका छन्; VIN अज्ञात। अवरोध: निगरानी, ​​बहाव पत्ता लगाउने, संस्करण/डेटा लगिङ, पुष्टिकरण र रोलब्याक योजना समावेश गर्नुहोस्; राज्य जो प्रत्येक वस्तुको लागि जिम्मेवार छ; 'सेट गर्नुहोस् र यसलाई बिर्सनुहोस्' प्रस्ताव। आउटपुट: स्टेज | आवश्यकता | जिम्मेवार | जोखिम तालिका।

सामान्य गल्तीहरू

• "सेट गर्नुहोस् र यसलाई बिर्सनुहोस्" दृष्टिकोण। अनुगमन बिना, मोडेल चुपचाप क्षय हुन्छ।
• संस्करण/डेटा अभिलेख राख्ने छैन। समस्या पत्ता लगाउन वा पुन: उत्पादन गर्न सकिँदैन।
• कुनै रोलब्याक योजना छैन। यदि खराब रिलीजबाट रिकभरीले लामो समय लिन्छ भने, त्यहाँ क्षेत्रमा लामो विफलता हुनेछ।
• बहावको लागि पर्खिरहेको छैन। नयाँ आपूर्तिकर्ता/उपकरण/सिजनले मोडेललाई बाधा पुर्‍याउँछ; अनुगमन आवश्यक छ।
• अस्पष्ट जिम्मेवारी छोड्नु। "जिम्मेवार को हो" को जवाफ हरेक चरणमा स्पष्ट हुनुपर्छ।

संक्षेपमा

• एआई-संचालित अटोमोटिभ प्रोजेक्ट एक-अफ होइन तर रोलिङ लाइफ साइकल (MLOps) हो।
• मोडेल र डाटा संस्करण, निर्णय लगिङ, र रोलब्याक योजना ट्रेसिबिलिटीको लागि आवश्यक छ।
• डाटा बहाव चुपचाप मोडेल खण्डन; इनपुट र कार्यसम्पादन अनुगमन र आवश्यकता अनुसार पुन: प्रशिक्षित हुनुपर्छ।
• अन्त-देखि-अन्त उदाहरणमा, प्रत्येक चरणमा मानव जिम्मेवार हुन्छ; त्यहाँ "एआई निर्णय भयो, यो समाप्त भयो" छैन।
• "यसलाई सेट गर्नुहोस् र यसलाई बिर्सनुहोस्" मोटर वाहनमा जोखिमपूर्ण छ; अनुगमन, कागजात र उत्तरदायित्व परियोजना भर मा राखिएको छ।

आवेदन कार्य

तपाईंले यस मोड्युलमा सिकेका कुराहरूलाई एकल परियोजनामा मिलाउनुहोस् (जस्तै उत्पादन लाइन भिजुअल निरीक्षण वा भविष्यवाणी मर्मत)। (१) टेम्प्लेट १ को साथ अन्त-देखि-अन्त परियोजना योजनाको मस्यौदा तयार गर्नुहोस्; प्रत्येक चरणको लागि जिम्मेवार व्यक्ति लेख्नुहोस्। (2) टेम्प्लेट 2 को साथ एक निगरानी योजना र बहाव ट्रिगरहरू परिभाषित गर्नुहोस्। (3) टेम्प्लेट 4 को साथ ट्रेसेबिलिटी चेकलिस्ट तयार गर्नुहोस्। (4) तपाईंले यस परियोजनामा ​​मोड्युलको सुरुदेखि तीनवटा एन्कर अनुशासनहरू कसरी लागू गर्नुभयो भन्ने अनुच्छेदमा संक्षेप गर्नुहोस्।

चेकलिस्ट

• [ ] मैले परियोजनालाई अन्त-देखि-अन्त जीवन चक्रको रूपमा योजना गरें।
• [] मैले मोडेल र डाटा संस्करणको साथ निर्णय रेकर्ड परिभाषित गरें।
• [ ] मैले अनुगमन योजना र बहाव ट्रिगरहरू सेट गरें।
• [] मैले रोलब्याक योजना तयार गरें।
• [ ] मैले प्रत्येक चरणको लागि जिम्मेवार को हो भनेर स्पष्ट गरेको छु।
• [ ] मैले तीनवटा एंकर प्रमाणीकरण अनुशासन र मानव सुरक्षा-महत्वपूर्ण प्रमाणीकरणलाई कायम राखें।

मोड्युल परीक्षा

1. एक मोटर वाहन सुरक्षा-महत्वपूर्ण निर्णय (जस्तै ब्रेक सफ्टवेयर प्रमाणिकरण) मा AI आउटपुट को भूमिका के हो?

• क) विश्लेषणलाई गति दिन्छ, तर अन्तिम स्वीकृति र जिम्मेवारी सक्षम इन्जिनियरसँग रहन्छ ✔
• ख) यदि पर्याप्त डाटा छ भने, यसलाई इन्जिनियरको स्वीकृति बिना उत्पादनमा राख्न सकिन्छ
• C) AI लाई ब्रेक जस्ता महत्वपूर्ण प्रणालीहरूमा कुनै पनि चरणमा प्रयोग गर्न सकिँदैन
• D) यदि मोडेल शुद्धता 99% भन्दा बढी छ भने, मानव प्रमाणिकरण अनावश्यक छ

विवरण: कृत्रिम बुद्धिमत्ताले विश्लेषणलाई गति दिन्छ, उम्मेदवार समाधानहरू र सारांशहरू उत्पन्न गर्दछ; यद्यपि, सुरक्षा-महत्वपूर्ण निर्णय र अन्तिम स्वीकृति सक्षम इन्जिनियरको जिम्मेवारी हो। AI इन्जिनियर प्रमाणीकरण को लागी एक प्रतिस्थापन छैन।

2. तीन एंकर प्रमाणीकरण विषयहरूमा AI को आउटपुट परीक्षण गर्न प्रयोग गरिने तीन स्वतन्त्र जाँचहरू के हुन्?

• क) प्रम्प्टको लम्बाइ, भाषा र ढाँचा
• ख) म्याग्निच्युडको क्रम, इन्जिनियरिङको तर्कसंगतता र स्वतन्त्र परीक्षण/मापनको प्रमाण ✔
• C) मोडेलको आकार, प्रशिक्षण समय र GPU को संख्या
• D) आपूर्तिकर्ता ब्रान्ड, मूल्य र डेलिभरी समय

विवरण: तीन एंकर; अर्डर अफ म्याग्निच्युड (अर्डर जाँच), इन्जिनियरिङ प्रशंसनीयता (भौतिकी/अनुभव) र स्वतन्त्र परीक्षण/मापन प्रमाणको साथ क्रस-प्रमाणीकरण। यी तीनले प्रमाणमा विश्वास प्रदान गर्छन्, AI मा भरोसा होइन।

3. CFD वा FEA सिमुलेशनलाई गति दिने 'सरोगेट मोडेल' को आउटपुटको लागि सबैभन्दा महत्त्वपूर्ण प्रमाणीकरण के हो?

• A) सरोगेट मोडेल सधैं वास्तविक समाधानकर्ता भन्दा बढी सटीक हुन्छ
• ख) रेन्डरलाई सौन्दर्यको दृष्टिले मनमोहक बनाउनु मात्र पर्याप्त छ
• C) सन्दर्भ समाधानसँग तुलना र प्रशिक्षण स्थान बाहिर जाँदा अविश्वसनीयताको स्वीकृति ✔
• D) एकल रन कन्भर्ज भएमा नेटवर्कको स्वतन्त्रता हेर्न आवश्यक छैन

विवरण: सरोगेट मोडेलले वास्तविक समाधानकर्ताको सट्टा छिटो भविष्यवाणीहरू उत्पादन गर्दछ; तर यो प्रशिक्षित डिजाइन स्पेस बाहिर अविश्वसनीय छ। आउटपुट एक्स्ट्रापोलेसन क्षेत्रलाई सन्दर्भ उच्च-फिडेलिटी सिमुलेशन र भौतिक सीमा अवस्थाहरू चिन्ह लगाइ प्रमाणित गरिनुपर्छ।

4. SAE स्वचालन स्तरहरूमा स्तर 2 (आंशिक स्वचालन) को लागि सही अभिव्यक्ति के हो?

• A) सवारी साधन सबै अवस्थामा चालक बिना चलाउन सक्छ
• B) प्रणालीले कुनै ड्राइभिङ कर्तव्यहरू लिँदैन, केवल चेतावनी दिन्छ
• ग) ऊ चालकको सिटमा बसेको छैन भने ठीक छ
• D) प्रणालीले स्टेयरिङ र गतिलाई समर्थन गर्दछ, तर चालकले निरन्तर सुपरिवेक्षण र जिम्मेवारी कायम राख्छ ✔

विवरण: लेभल २ मा प्रणालीले स्टेयरिङ र गति/दूरीलाई एकैसाथ समर्थन गर्दछ, तर चालकले निरन्तर सुपरिवेक्षण कायम राख्छ र कुनै पनि समयमा कब्जा गर्न तयार हुन्छ; जिम्मेवारी चालकको हो। स्तर 3 र माथि, प्रणालीले निश्चित परिस्थितिहरूमा ड्राइभिङ कर्तव्यहरू लिन्छ।

5. किन 'एस्केप रेट' उत्पादन लाइनमा दृश्य दोष पत्ता लगाउनको लागि एक महत्वपूर्ण मेट्रिक हो?

• क) दोषपूर्ण भागलाई अनुमोदन गरी फिल्डमा पठाउँदा सुरक्षा र फिर्ता गर्ने जोखिम हुन्छ ✔
• B) यो महत्त्वपूर्ण छ किनभने यसले लाइनको गतिलाई कम गर्छ
• C) चुहावट दर पेन्ट दोषहरूको लागि मात्र मान्य छ
• D) चुहावट दरले मोडेलको प्रशिक्षण समय नाप्छ

विवरण: अवैध; एक दोषपूर्ण भागलाई उत्तम मानिन्छ र रेखा (झूटा नकारात्मक) मार्फत जान्छ। एक मोटर वाहन सुरक्षा भाग को लागी, चुहावट झूटा अस्वीकृति भन्दा धेरै महँगो छ किनकि यसले असफलता वा फिल्डमा फिर्ता लिन सक्छ; थ्रेसहोल्ड तदनुसार समायोजन गरिएको छ।

6. भविष्यवाणी मर्मतमा 'बाँकी उपयोगी जीवन' (RUL) अनुमानको सबैभन्दा सही प्रयोग के हो?

• A) RUL इन्जिन तेलको लागि मात्र गणना गरिन्छ
• ख) यो एक अनिश्चितता दायरा संग प्रस्तुत हुनुपर्छ र मर्मत सञ्झ्याल र सुरक्षा मार्जिन अनुसार व्याख्या ✔
• ग) यसलाई एकल सटीक दिनको मूल्यको रूपमा लिनुपर्छ र त्यो दिनसम्म कुनै जाँचहरू गर्नु हुँदैन।
• D) RUL उच्च छ भने सेन्सर बन्द गर्न सकिन्छ

विवरण: RUL असफल नभएसम्म कम्पोनेन्टको अनुमानित बाँकी सञ्चालन समय हो; यो अनिश्चितता दायरा संग प्रस्तुत र मर्मत योजना र सुरक्षा मार्जिन अनुसार व्याख्या गरिनु पर्छ। एकल बिन्दु अनुमानमा अन्धाधुन्ध भर पर्नुको सट्टा, विश्वास अन्तराल र गलत अलार्म लागतलाई ध्यानमा राखिन्छ।

7. परीक्षण डेटा विश्लेषणमा सडक परीक्षण रेकर्डिङमा एआईले विसंगतिलाई फ्ल्याग गर्दा इन्जिनियरले के गर्नुपर्छ?

• क) जब तपाइँ विसंगति देख्नुहुन्छ, परीक्षण स्वतः असफल भएको मान्नुपर्दछ।
• B) AI ले डेटालाई कुनै पनि हालतमा हेर्नु हुँदैन यदि यसले यसलाई चिन्ह लगाएको छैन
• C) कच्चा डाटा, मापन अनिश्चितता र दोहोरिने योग्यता ✔ संग विसंगति प्रमाणित गर्नुहोस्
• घ) विसंगतिहरू मेटाउनुहोस् र रिपोर्ट खाली गर्नुहोस्

स्पष्टीकरण: एआई झण्डाको विसंगति एउटा संकेत हो, निष्कर्ष होइन। इन्जिनियरले मापन अनिश्चितता, सेन्सर विफलताको सम्भावना, र दोहोर्याउने योग्यता जाँच गर्नुपर्छ र कच्चा डाटा र स्वीकृति मापदण्डको साथ विसंगति प्रमाणित गर्नुपर्छ। स्वचालित स्वीकृति वा अस्वीकार उपयुक्त छैन।

8. हल्का वजनको अध्ययनमा AI द्वारा सुझाव गरिएको सामग्री परिवर्तनको लागि कुन प्रमाणीकरण अनिवार्य छ?

• क) यो केवल हल्का हुनु आवश्यक छ
• ख) सामाग्री डेटाबेस मा एक पङ्क्ति प्रमाण को रूप मा लिन सकिन्छ
• C) क्र्यास व्यवहार हल्का वजन सामग्रीमा महत्वहीन छ
• घ) मेकानिकल, थकान, दुर्घटना, उत्पादन क्षमता र लागत आवश्यकताहरू सँगै परीक्षण गरिनुपर्छ ✔

टिप्पणी: सामाग्री सिफारिस मात्र घनत्व / शक्ति अनुपात मा आधारित स्वीकार गर्न सकिँदैन; मेकानिकल गुणहरू, थकान, दुर्घटना व्यवहार, उत्पादन क्षमता, जंग, लागत र सुरक्षा आवश्यकताहरू सँगै प्रमाणित गरिनुपर्दछ र शारीरिक परीक्षणद्वारा पुष्टि गर्नुपर्छ।

9. किन अटोमोटिभ आपूर्ति श्रृंखलामा 'एकल-स्रोत जोखिम' लाई AI सिफारिसहरूमा विशेष ध्यान दिन आवश्यक छ?

• क) एकल आपूर्तिकर्तामा अवरोधले सबै उत्पादन रोक्न सक्छ; दोस्रो स्रोत र बफर मूल्याङ्कन गर्नुपर्छ ✔
• ख) एकल स्रोत सधैं सुरक्षित विकल्प हो
• C) AI सुझाव दिएमा जोखिम विश्लेषण अनावश्यक छ
• D) एकल स्रोत जोखिम टायरमा मात्र लागू हुन्छ

स्पष्टीकरण: यदि एक भाग एकल आपूर्तिकर्ताबाट आउँछ भने, त्यस आपूर्तिकर्तासँग समस्या हुँदा उत्पादन रोकिन्छ। AI ले लागत अनुकूलनको एकल स्रोत सिफारिस गर्न सक्छ; इन्जिनियर/योजनाकारले यसलाई माध्यमिक स्रोत, स्टक बफर र परिदृश्य विश्लेषणसँग सन्तुलनमा राख्नुपर्छ। लागत मात्र मापदण्ड होइन।

10. पाइथनसँग टेलिमेट्री विश्लेषण गर्दा 'डेटा चुहावट' को अर्थ के हो र यो किन खतरनाक छ?

• क) डिस्कबाट डाटा लीक र मेटाइएको छ
• B) मोडेलले प्रशिक्षण जानकारीमा देख्छ जुन भविष्यवाणीको समयमा थाहा हुन सक्दैन; स्कोर फुलाउँछ, मैदानमा पतन हुन्छ ✔
• C) ग्राफिक रंगहरूको मिश्रण
• D) छवि डेटामा मात्र हुन्छ

विवरण: डाटा चुहावट; यो तब हुन्छ जब मोडेलले प्रशिक्षण जानकारीमा देख्छ जुन वास्तवमा भविष्यवाणीको समयमा थाहा हुन सक्दैन (उदाहरणका लागि, भविष्यको मूल्य वा लक्ष्य-सम्बन्धित विशेषता)। यसले कृत्रिम रूपमा परीक्षण स्कोर बढाउँछ तर क्षेत्र प्रदर्शन क्र्यास गर्दछ। समय श्रृङ्खलामा विगत/भविष्यको भिन्नतालाई सावधानीपूर्वक राख्नुपर्छ।

11. ASIL वर्गीकरणले ISO 26262 कार्यात्मक सुरक्षाको सन्दर्भमा के निर्धारण गर्छ?

• क) सवारी साधनको अधिकतम गति
• B) मोडेलको प्रशिक्षण डेटा सेटको आकार
• C) ✔ खतराको गम्भीरता, जोखिम र नियन्त्रणको आधारमा सुरक्षाको आवश्यक स्तर।
• D) आपूर्तिकर्ताको क्रेडिट मूल्याङ्कन

विवरण: ASIL (अटोमोटिभ सेफ्टी इन्टिग्रिटी लेभल) ले सुरक्षा सावधानीको स्तर निर्धारण गर्दछ (A देखि D सम्म, D उच्चतम छ) जुन खतरालाई यसको गम्भीरता, एक्सपोजर र नियन्त्रण योग्यताको मूल्याङ्कनको आधारमा आवश्यक हुन्छ। उच्च ASIL लाई थप कडा विकास, प्रमाणीकरण र कागजात आवश्यक छ।

12. ISO 21448 (SOTIF) कुन तरिकामा शास्त्रीय कार्यात्मक सुरक्षा (ISO 26262) भन्दा फरक छ?

• A) केवल हार्डवेयर विफलताहरू ह्यान्डल गर्दछ
• B) सफ्टवेयर इजाजतपत्र मात्र नियमन गर्दछ
• C) SOTIF ISO 26262 को पुरानो नाम हो
• D) असफलताको अनुपस्थितिमा पनि अपर्याप्त कार्यक्षमता र अपरिचित परिदृश्यहरूबाट उत्पन्न हुने जोखिमहरूलाई सम्बोधन गर्दछ ✔

विवरण: ISO 26262 ले खराबी/हार्डवेयर-सफ्टवेयर त्रुटिहरूबाट उत्पन्न हुने जोखिमहरूलाई सम्बोधन गर्दछ, SOTIF (उचित कार्यात्मकताको सुरक्षा) अपर्याप्त पहिचान, अपरिचित परिदृश्यहरू र कार्यात्मक सीमाहरूबाट उत्पन्न हुने जोखिमहरूलाई सम्बोधन गर्दछ, प्रणालीमा कुनै खराबी नभए पनि; AI-आधारित पत्ता लगाउन विशेष गरी महत्वपूर्ण छ।

13. चालक र सवारी साधन टेलिमेट्री डेटा संग काम गर्दा गोपनीयता को मामला मा सबै भन्दा राम्रो दृष्टिकोण के हो?

• A) KVKK/GDPR को अज्ञातीकरण, डेटा न्यूनीकरण र उद्देश्य सीमितता ✔
• B) VIN सँग सार्वजनिक मोडेलमा सबै कच्चा डाटा पठाउँदै
• C) गोपनीयता केवल मार्केटिङ डेटामा लागू हुन्छ
• D) स्थान डेटा कहिल्यै व्यक्तिगत डेटा मानिदैन

विवरण: स्थान, ड्राइभिङ व्यवहार र चेसिस नम्बर (VIN) जस्ता डेटाले व्यक्तिलाई पहिचान गर्न सक्छ। सबैभन्दा सही दृष्टिकोण; गुमनाम/छद्म नामकरण गर्ने डाटा, आवश्यक पर्ने मात्र सङ्कलन (डेटा न्यूनीकरण), उद्देश्य सीमितता र KVKK/GDPR अनुपालन। तेस्रो-पक्ष उपकरणहरूमा कच्चा VIN वा स्थान पठाउनु जोखिमपूर्ण छ।

14. उत्पादनमा राखिएको एआई मोडेलमा 'डेटा ड्रिफ्ट' अनुगमन गर्न किन आवश्यक छ?

• A) एक पटक मोडेल प्रशिक्षित भएपछि, यसले अनिश्चित रूपमा उही प्रदर्शन दिन्छ।
• B) समयसँगै इनपुट वितरण परिवर्तन हुँदा प्रदर्शन चुपचाप घट्छ; पुन: प्रशिक्षण ट्रिगर गरिनु पर्छ ✔
• C) बहाव भनेको हार्डवेयरको भौतिक कम्पन मात्र हो
• D) अनुगमन अनावश्यक छ किनभने मोडेल स्वतः अद्यावधिक हुन्छ

स्पष्टीकरण: वास्तविक संसार परिवर्तन हुन्छ (नयाँ पार्ट्स आपूर्तिकर्ता, सिजन, नयाँ वाहन मोडेल); इनपुट वितरण प्रशिक्षण समयबाट टाढा जाँदा मोडेल प्रदर्शन चुपचाप घट्छ। बहाव निगरानी र कार्यसम्पादन मेट्रिक्स द्वारा पुन: प्रशिक्षण ट्रिगर गरिएको छ। 'सेट इट र बिर्सन इट' दृष्टिकोण अटोमोटिभमा जोखिमपूर्ण छ।