Zyski:
- Możliwość całościowej oceny aspektów etycznych, prywatności danych, praw autorskich i siły roboczej związanych z wykorzystaniem sztucznej inteligencji w tekstyliach
- Możliwość zaprojektowania systemu z wyznaczonymi punktami akceptacji przez człowieka, który łączy cały moduł w kompleksowy przepływ pracy
- Umiejętność ustanowienia ram zarządzania, walidacji i ciągłego doskonalenia w zakresie odpowiedzialnego wykorzystania sztucznej inteligencji w organizacji
Egzamin modułowy
1. Która z poniższych zasad jest podstawową zasadą określającą ryzyko wystąpienia sztucznej inteligencji w inżynierii tekstylnej?
- A) Ryzyko wyjścia jest równe szkodzie, jaką spowodowałoby, gdyby wyjście było wadliwe; walidacja jest odpowiednio skalowana ✔
- B) Dane wyjściowe AI są ogólnie bezpieczne, ponieważ są napisane płynnie i pewnie
- C) Walidacja nie jest konieczna, jeśli używany jest najbardziej aktualny model
- D) Jeżeli wyjście odnosi się do normy, nie jest wymagana dodatkowa kontrola
Objaśnienie: Ryzyko wyjścia jest równe szkodzie, jaką spowoduje to, jeśli wyjście będzie wadliwe. Chociaż błąd w pomysłach na moodboard jest nieszkodliwy, błąd w przepisie barwienia lub obliczeniu wytrzymałości tkaniny może prowadzić do marnotrawienia partii i ryzyka dla bezpieczeństwa pracy/umowy; zatem intensywność weryfikacji wzrasta wraz z potencjalną szkodą.
2. Inżynier jest sceptyczny co do wartości AI wynoszącej „85 cN/tex dla przędzy bawełnianej” w odniesieniu do wytrzymałości przędzy. Jak najszybciej potwierdzić to podejrzenie?
- A) Zapisz wartość bezpośrednio w raporcie i zapytaj laboratorium później
- B) Dokonaj porównania rzędu wielkości z typowym zakresem przędzy bawełnianej (około 12-22 cN/tex) ✔
- C) Ponowne zadanie tego samego pytania modelowi i zaufanie drugiej odpowiedzi
- D) Zaakceptuj, jeśli wartość zawiera odwołanie do źródła
Opis: Jest to kontrola rzędu wielkości. Wytrzymałość przędzy bawełnianej pierścieniowej jest zazwyczaj rzędu 12-22 cN/tex; 85 cN/tex to poziom syntetycznego/aramidu o wysokiej wydajności, który jest fizycznie nieuzasadniony w przypadku bawełny. Ta kontrola zajmuje kilka sekund i pozwala wykryć większość błędów jednostki/typu.
3. Które z poniższych stwierdzeń jest prawdziwe w przypadku „Ne” (brytyjska liczba bawełny) w systemach liczenia przędzy?
- A) Im większa staje się nić, tym staje się grubsza.
- B) Co to jest system bezpośredni, działa w tym samym kierunku co tex
- C) Cóż to za system pośredni; Im większa liczba, tym cieńsza nić ✔
- D) Co jest zdefiniowane tylko dla przędz syntetycznych
Wyjaśnienie: Cóż za pośredni system numeracji: im większa liczba, tym cieńsza nić. Tex i denier to systemy bezpośrednie; Im większa liczba, tym grubsza nić. Nieznajomość tego rozróżnienia prowadzi do poważnych błędów w interpretacji liczb w wynikach AI.
4. Co oznacza wysoki odsetek wyników fałszywie ujemnych w modelu przetwarzania obrazu wykrywającym wady tkaniny i dlaczego jest to tak istotne?
- A) Wadliwą tkaninę uznaje się za idealną i dostarcza do Klienta; ✔ Najbardziej niebezpieczny rodzaj błędu jakościowego
- B) Niepotrzebne oznaczanie doskonałej tkaniny jako wadliwej; to po prostu zmniejsza wydajność
- C) Model nie znajduje żadnych usterek; zawsze dobry znak
- D) Niska rozdzielczość kamery
Wyjaśnienie: Fałszywy wynik negatywny ma miejsce, gdy prawdziwa wada zostaje sklasyfikowana jako „doskonała”. Oznacza to, że wadliwa tkanina trafia do klienta i ponosi koszty zwrotu/reputacji. W zastosowaniach o krytycznym znaczeniu dla jakości próg jest zazwyczaj ustawiony tak, aby liczba fałszywych negatywów była niska, a zwiększona liczba fałszywych alarmów jest eliminowana przez ludzką kontrolę.
5. Co oznacza wartość „Delta E” (ΔE) w zarządzaniu kolorami?
- A) Koszt za kilogram farby
- B) Kryterium określające ilościowo całkowitą różnicę percepcyjną między dwoma kolorami ✔
- C) Przepuszczalność światła przez tkaninę
- D) Wartość temperatury barwienia w stopniach
Opis: Delta E to kryterium określające ilościowo całkowitą różnicę percepcyjną pomiędzy dwoma kolorami w przestrzeni barw CIELAB. Małe wartości ΔE wskazują, że kolory są blisko siebie; W tekstyliach tolerancję akceptacji poszczególnych partii określa się zwykle umownie w postaci ΔE. Stąd twierdzenie, że „utrzymywany kolor” wymaga pomiaru.
6. Jak nazywa się sytuacja, gdy dwie próbki wyglądają tak samo przy jednym źródle światła, a inaczej przy innym źródle światła i dlaczego jest to ważne w zarządzaniu kolorami?
- A) Metameryzm; Potwierdzenie koloru należy przeprowadzić przy wielu standardowych źródłach światła ✔
- B) Fluorescencja; kolor wygląda tak samo w każdych warunkach
- C) Nieprzezroczystość; różnica koloru zależy tylko od grubości
- D) Kalibracja; dotyczy tylko ekranu
Opis: Zjawisko to nazywa się metameryzmem. Dwa kolory o różnym współczynniku odbicia widmowego mogą pasować do siebie w pewnym oświetleniu i różnić się w innym oświetleniu. Dlatego potwierdzenia koloru nie należy przeprowadzać na jednym źródle światła, ale pod wieloma źródłami (np. D65, TL84, A) w standardowej kabinie oświetleniowej.
7. Jaka jest najważniejsza kontrola prawna, którą należy przeprowadzić przed komercyjnym wykorzystaniem wzoru tekstylnego wyprodukowanego przy użyciu generatywnej sztucznej inteligencji?
- A) Zmniejszenie liczby kolorów wzoru
- B) Zmniejszenie rozmiaru pliku wzoru
- C) Sprawdzenie podobieństwa/naruszenia i praw autorskich do istniejących chronionych wzorów ✔
- D) Zapisz wzór tylko w wysokiej rozdzielczości
Wyjaśnienie: Należy sprawdzić, czy wytworzony wzór wykazuje podobieństwo/naruszenie z istniejącymi chronionymi wzorami, znakami towarowymi lub dziełami chronionymi prawem autorskim oraz ocenić niepewności dotyczące danych szkoleniowych modelu i praw wyjściowych. Komercjalizacja bez sprawdzenia oryginalności i naruszenia stwarza ryzyko sporów dotyczących praw autorskich.
8. Jakie jest najsolidniejsze podejście do sprawdzania wyników sztucznej inteligencji w prognozowaniu popytu według SKU?
- A) Konwersja przewidywania jednopunktowego podanego przez model na wielkość zamówienia w obecnej postaci
- B) Testowanie historyczne wcześniejszych sprzedaży i ocena marginesu błędu poprzez filtr oceny biznesowej ✔
- C) Wybór najwyższego kosztorysu i utrzymanie nadwyżki zapasów
- D) Podwoić prognozę, jeśli trend jest najpopularniejszy
Wyjaśnienie: Prognozę należy zweryfikować w oparciu o realizację sprzedaży w przeszłości i przefiltrować ją na podstawie oceny biznesowej w kontekście takim jak zapasy, kampanie, sezonowość itp. Zamiast ślepo ufać jednopunktowym przewidywaniom modelu, oceniany jest margines błędu i scenariusze.
9. Jaki jest główny powód zmiany kolejności partii farb z „koloru jasnego na kolor ciemny” w harmonogramie produkcji?
- A) Ciemne kolory są tańsze
- B) Zmniejszenie ryzyka zanieczyszczenia koloru i czasu czyszczenia maszyny ✔
- C) Jasne kolory trwają dłużej
- D) Jest to wyłącznie preferencja estetyczna
Wyjaśnienie: Jeśli jasny kolor zostanie farbowany po ciemnym kolorze w tej samej maszynie, zwiększa się ryzyko czyszczenia/zanieczyszczenia i dodatkowego czasu prania. Sortowanie od jasnych do ciemnych zwiększa wydajność, zmniejszając ryzyko rozmazywania się kolorów i skracając czas czyszczenia maszyny. Zalecenia AI powinny uwzględniać to ograniczenie procesu.
10. Jakie jest prawidłowe podejście do zgłaszania wpływu tkaniny na środowisko w przypadku stwierdzenia typu „poliester z recyklingu zmniejsza zużycie wody o 90%” wytwarzanego przez sztuczną inteligencję?
- A) Umieszczenie oświadczenia w takiej formie, w jakiej znajduje się w egzemplarzu marketingowym
- B) Nieużywanie roszczenia bez weryfikacji z granicami systemu, źródłem danych i certyfikatem ✔
- C) Zakładając, że roszczenie jest mocne, jeśli liczba jest wysoka
- D) Zaokrąglij liczbę i opublikuj ją
Wyjaśnienie: Takie twierdzenie nie ma sensu bez określenia granic systemu (od kołyski do bramy lub od bramy do bramy), źródła danych i zakresu; Musi opierać się na weryfikowalnych danych LCA i certyfikatach. W przeciwnym razie może dojść do greenwashingu i ryzyka prawnego. Chociaż liczby AI wydają się rozsądne, pochodzą z niezależnych źródeł.
11. Jaki powinien być pierwszy krok weryfikacji kodu napisanego przez AI podczas analizy danych produkcyjnych za pomocą pand z Pythonem?
- A) Jeżeli kod zadziałał bez błędów, zaakceptuj wynik jako poprawny
- B) Ręcznie oblicz wynik i sprawdź jednostkę i logikę na małej próbce danych ✔
- C) Dodanie kodu bezpośrednio do raportu produkcyjnego
- D) Jeśli wykres okaże się dobry, analizę można uznać za zakończoną.
Uwaga: Nawet jeśli kod działa, nie ma gwarancji, że logika jest poprawna; Należy przeprowadzić ręczną kontrolę księgową dopasowania jednostki, kolumny i kilku wierszy. Na przykład podczas uśredniania gramatyki nieprawidłowe grupowanie lub pomieszanie jednostek może po cichu dawać nieprawidłowe wyniki. W przypadku małej próbki najszybszą gwarancją jest weryfikacja ręczna.
12. Jaka jest najlepsza praktyka w zakresie prywatności danych podczas przesyłania danych dotyczących produkcji tekstyliów do narzędzia AI?
- A) Wyślij wszystkie aktualne informacje o kliencie i receptach w niezmienionej postaci
- B) Anonimizuj wrażliwe informacje i wysyłaj je z reprezentatywnymi etykietami i zgodnie z polityką firmy ✔
- C) Zakładając, że prywatność jest nieistotna, ponieważ jest tak dużo danych.
- D) Po prostu zmień nazwę pliku i wyślij zawartość w niezmienionej postaci
Wyjaśnienie: Wrażliwe dane, takie jak nazwa klienta, tajemnica przepisu, cena i informacje o dostawcy, powinny zostać zanonimizowane lub opatrzone reprezentatywnymi etykietami (Klient-A, Przepis-1). Tajemnic handlowych i danych osobowych nie należy przekazywać podmiotom trzecim z naruszeniem zasad i umów korporacyjnych.
13. Model przetwarzania obrazu zgłasza 98% dokładność na linii produkcyjnej, ale pomija wiele defektów w terenie. Jaka jest najbardziej prawdopodobna przyczyna tego stanu rzeczy?
- A) Dokładność wprowadza w błąd z powodu niezrównoważonych danych; Czułość (wycofanie) klasy defektów jest niska ✔
- B) Model działa bardzo wolno
- C) Ponieważ aparat jest kolorowy
- D) 98% jest już idealne, problem leży po stronie operatora
Objaśnienie: Gdy w zbiorze danych jest bardzo mało próbek z defektami (dane niezrównoważone), model może osiągnąć wysoką dokładność, nazywając wszystko „idealnym”, ale nie jest w stanie uchwycić rzeczywistych defektów. Dlatego sama dokładność jest myląca; Należy monitorować czułość (wycofanie produktu) i precyzję w odniesieniu do klasy wady.
14. Jaka jest rola AI, zgodnie z kluczową zasadą podkreślaną w całym module, w podejmowaniu decyzji dotyczących tekstyliów o znaczeniu krytycznym dla bezpieczeństwa i umowy?
- A) Sztuczna inteligencja może samodzielnie podejmować krytyczne decyzje, ponieważ jest szybka
- B) AI jest asystentem; krytyczne decyzje są weryfikowane poprzez zatwierdzenie kompetentnego inżyniera i badania fizyczne ✔
- C) Dane wyjściowe AI zastępują podpisany raport
- D) Potwierdzenie przez człowieka nie jest konieczne, jeśli używany jest najbardziej aktualny model
Opis: AI jest asystentem i akceleratorem; generuje hipotezy, przygotowuje szkice, wyłapuje wzorce. Jednak krytyczne decyzje, takie jak zatwierdzenie receptury malowania, akceptacja jakości, ocena wytrzymałości/bezpieczeństwa, wymagają zgody kompetentnego inżyniera i testów fizycznych. Wyniki AI nie zastępują zgody eksperta.