Gevinster:
- Evne til helhetlig evaluering av de etiske aspektene, datavernet, opphavsretten og arbeidsstyrkeaspektene ved bruk av kunstig intelligens i tekstil
- Evne til å designe et system med utpekte menneskelige godkjenningspunkter som kombinerer hele modulen i en ende-til-ende arbeidsflyt
- Evne til å etablere et rammeverk for styring, validering og kontinuerlig forbedring for ansvarlig AI-bruk i en organisasjon
Moduleksamen
1. Hvilket av følgende er det grunnleggende prinsippet som bestemmer risikoen for en AI-utgang i tekstilteknikk?
- A) Risikoen for en utgang er lik skaden den ville forårsake hvis utgangen var feil; valideringsskalaer tilsvarende ✔
- B) AI-utdata er generelt trygt da det er skrevet flytende og trygt
- C) Validering er unødvendig når den nyeste modellen brukes
- D) Hvis utgangen refererer til en standard, er det ikke nødvendig med ytterligere kontroll
Forklaring: Risikoen for en utgang er lik skaden den vil forårsake hvis utgangen er feil. Mens en feil i en moodboard-idé er ufarlig, kan en feil i en fargeoppskrift eller beregning av stoffstyrke føre til batchavfall og arbeidssikkerhet/kontraktrisiko; så verifikasjonsintensiteten skalerer med potensiell skade.
2. En ingeniør er skeptisk til AI-verdien på '85 cN/tex for bomullsgarn' for garnstyrke. Hva er den raskeste sjekken for å bekrefte denne mistanken?
- A) Sett verdien direkte på rapporten og spør laboratoriet senere
- B) Gjør en størrelsesorden sammenligning med det typiske bomullsgarnområdet (omtrent 12-22 cN/tex) ✔
- C) Stille det samme spørsmålet fra modellen igjen og stole på det andre svaret
- D) Godta hvis verdien inneholder en referanse til en kilde
Beskrivelse: Det er en størrelsesorden kontroll. Styrken i ringbomullsgarn er typisk i størrelsesorden 12-22 cN/tex; 85 cN/tex er høyytelsesnivået for syntetisk/aramid og er fysisk urimelig for bomull. Denne kontrollen tar sekunder og fanger opp de fleste enhets-/typefeil.
3. Hvilket av følgende er sant for 'Ne' (antall britisk bomull) blant garntellingssystemene?
- A) Jo større tråden blir, jo tykkere blir den.
- B) Hva er et direkte system, det fungerer i samme retning som tex
- C) Hvilket indirekte system det er; Jo større tall, jo tynnere tråd ✔
- D) Hva er definert kun for syntetiske garn
Forklaring: For et indirekte nummereringssystem: jo større tall, jo tynnere tråd. Tex og denier er direkte systemer; Jo større tall, desto tykkere er tråden. Å ikke vite dette skillet fører til alvorlige feil i talltolkninger i AI-utgangen.
4. Hva betyr det å ha en høy "falsk negativ" rate i en bildebehandlingsmodell som oppdager stoffdefekter, og hvorfor er det kritisk?
- A) Det defekte stoffet anses som perfekt og levert til kunden; ✔ Den farligste typen feil i kvalitet
- B) Unødvendig merking av perfekt stoff som defekt; det reduserer bare effektiviteten
- C) Modellen finner ingen feil; alltid et godt tegn
- D) Lav oppløsning på kameraet
Forklaring: En falsk negativ er når en sann defekt er klassifisert som 'perfekt'. Dette betyr at det defekte stoffet går til kunden og pådrar seg retur-/omdømmekostnader. I kvalitetskritiske applikasjoner er terskelen generelt satt til å holde falske negativer lav, og økte falske positiver elimineres ved menneskelig inspeksjon.
5. Hva betyr 'Delta E' (ΔE)-verdien i fargebehandling?
- A) Kostnad per kilo maling
- B) Kriteriet som kvantifiserer den totale perseptuelle forskjellen mellom to farger ✔
- C) Lysgjennomgang av stoffet
- D) Verdi av fargingstemperaturen i grader
Beskrivelse: Delta E er kriteriet som kvantifiserer den totale perseptuelle forskjellen mellom to farger i CIELAB-fargerommet. Små ΔE-verdier indikerer at fargene er tett sammen; I tekstiler er batch-til-batch aksepttoleranse vanligvis definert kontraktsmessig i form av ΔE. Derfor krever påstanden om at "fargen holdt" måling.
6. Hva kalles det når to prøver ser like ut under en lyskilde og forskjellige under en annen lyskilde, og hvorfor er det viktig i fargehåndtering?
- A) Metamerisme; Fargebekreftelse må gjøres under flere standard lyskilder ✔
- B) Fluorescens; fargen ser lik ut under alle forhold
- C) Opasitet; fargeforskjell avhenger kun av tykkelse
- D) Kalibrering; gjelder kun skjermen
Beskrivelse: Dette fenomenet kalles metamerisme. To farger med forskjellig spektral reflektans kan matche under bestemt belysning og divergere i annen belysning. Derfor bør fargebekreftelse ikke gjøres på en enkelt lyskilde, men under flere kilder (f.eks. D65, TL84, A) i en standard lysboks.
7. Hva er den mest kritiske juridiske kontrollen som skal gjøres før kommersiell bruk av et tekstilmønster produsert med generativ AI?
- A) Redusere antall farger i mønsteret
- B) Redusere filstørrelsen på mønsteret
- C) Sjekke for likhet/krenkelse og opphavsrett med eksisterende beskyttet design ✔
- D) Lagre mønsteret kun i høy oppløsning
Forklaring: Det er nødvendig å kontrollere om det produserte mønsteret har noen likhet/inngrep med eksisterende beskyttede design, varemerker eller opphavsrettsbeskyttede verk, og å vurdere usikkerheten rundt modellens treningsdata og utdatarettigheter. Kommersialisering uten å kontrollere originalitet og krenkelse skaper risiko for rettstvister om opphavsrett.
8. Hva er den mest robuste tilnærmingen til å validere AI-utdata i prognoser for etterspørsel etter SKU?
- A) Konvertering av enkeltpunktsprediksjonen gitt av modellen til ordremengden som den er
- B) Backtesting med tidligere salg og evaluering av feilmarginen gjennom forretningsvurderingsfilter ✔
- C) Velge det høyeste estimatet og beholde overskuddslager
- D) Doble spådommen hvis trenden er den mest populære
Forklaring: Prognosen bør testes mot tidligere salgsrealisering og filtreres gjennom forretningsvurderinger med kontekst som beholdning, kampanjer, sesongvariasjoner osv. I stedet for å stole blindt på en enkeltpunktsprediksjon av modellen, evalueres feilmarginen og scenarier.
9. Hva er hovedårsaken til bestillingen av malingbatch fra 'lys farge til mørk farge' i produksjonsplanlegging?
- A) Mørke farger er billigere
- B) Redusere risikoen for fargekontaminering og maskinrensetider ✔
- C) Lyse farger varer lenger
- D) Det er kun en estetisk preferanse
Forklaring: Farges en lys farge etter en mørk farge i samme maskin, øker risikoen for rengjøring/forurensning og ekstra vasketid. Sortering fra lys til mørk øker effektiviteten ved å redusere risikoen for fargeutsmøring og maskinrensetider. AI-anbefalinger bør inkludere denne prosessbegrensningen.
10. Når du rapporterer miljøfotavtrykket til et stoff, hva er den riktige holdningen til en påstand som «resirkulert polyester reduserer vannbruken med 90 %» produsert av AI?
- A) Sette kravet slik det er i markedsføringseksemplaret
- B) Ikke bruke kravet uten verifisering med systemgrense, datakilde og sertifikat ✔
- C) Forutsatt at påstanden er sterk hvis tallet er høyt
- D) Avrund tallet og publiser det
Forklaring: En slik påstand er meningsløs uten å spesifisere systemgrensen (vugge-til-port eller gate-til-port), datakilde og omfang; Den må være basert på verifiserbare LCA-data og sertifisering. Ellers kan grønnvasking og juridisk risiko oppstå. Selv om AI-tall virker rimelige, er de uavhengige hentet.
11. Hva bør være det første trinnet for å bekrefte koden skrevet av AI når man analyserer produksjonsdata ved hjelp av pandaer med Python?
- A) Hvis koden fungerte uten feil, aksepter resultatet som riktig
- B) Beregn utgangen manuelt og verifiser enheten og logikken på en liten dataprøve ✔
- C) Legge til koden direkte i produksjonsrapporten
- D) Hvis grafen viser seg bra, betrakt analysen som fullført.
Merknad: Selv om koden fungerer, er det ikke garantert at logikken er riktig; Manuell regnskapssjekk skal gjøres på enhet, kolonnematching og flere rader. For eksempel, ved gjennomsnitt av gramvekt, kan feil gruppering eller enhetsforvirring i det stille gi feil resultater. I et lite utvalg er manuell verifisering den raskeste forsikringen.
12. Hva er den beste praksisen når det gjelder datavern når du sender tekstilproduksjonsdata til et AI-verktøy?
- A) Send all faktisk kunde- og reseptinformasjon som den er
- B) Anonymiser sensitiv informasjon og send den med representative etiketter og i samsvar med bedriftens retningslinjer ✔
- C) Forutsatt at personvern er uviktig fordi det er så mye data.
- D) Bare endre filnavnet og send innholdet som det er
Forklaring: Sensitive data som kundenavn, oppskriftshemmelighet, pris og leverandørinformasjon bør anonymiseres eller gis med representative etiketter (Kunde-A, Oppskrift-1). Forretningshemmeligheter og personopplysninger skal ikke overføres til en tredjepartsmodell i strid med bedriftens retningslinjer og avtaler.
13. En bildebehandlingsmodell rapporterer 98 % nøyaktighet på en produksjonslinje, men savner mange feil i feltet. Hva er den mest sannsynlige årsaken til dette?
- A) Nøyaktighet er misvisende på grunn av ubalanserte data; Følsomheten (gjenkalling) av defektklassen er lav ✔
- B) Modellen går veldig sakte
- C) Fordi kameraet er farge
- D) 98 % er allerede perfekt, problemet ligger hos operatøren
Forklaring: Når prøver med defekter er svært få i datasettet (ubalanserte data), kan modellen oppnå høy nøyaktighet ved å kalle alt "perfekt", men kan ikke fange opp de faktiske defektene. Derfor er nøyaktighet alene misvisende; Sensitivitet (gjenkalling) og presisjon for defektklassen bør overvåkes.
14. Hva er rollen til AI i sikkerhets- og kontraktskritiske tekstilbeslutninger i henhold til nøkkelprinsippet som er vektlagt gjennom modulen?
- A) AI kan ta kritiske beslutninger på egen hånd fordi den er rask
- B) AI er en assistent; kritiske avgjørelser verifiseres av kompetent ingeniørgodkjenning og fysisk testing ✔
- C) AI-utgang erstatter den signerte rapporten
- D) Menneskelig bekreftelse er unødvendig når den mest aktuelle modellen brukes
Beskrivelse: AI er en assistent og akselerator; genererer hypoteser, utarbeider utkast, fanger opp mønstre. Imidlertid krever kritiske avgjørelser som godkjenning av maleroppskrift, kvalitetsaksept, styrke/sikkerhetsevaluering kompetent ingeniørgodkjenning og fysisk testing. AI-utgang er ikke en erstatning for ekspertgodkjenning.