Kompleksowa integracja, MLOps i odpowiedzialność inżyniera

Zyski:

• Możliwość zaprojektowania projektu motoryzacyjnego wspieranego przez sztuczną inteligencję od koncepcji do produkcji i utrzymania go w cyklu monitorowania
• Umiejętność oceny zarządzania wersjami modelu, dryftu danych i potrzeb w zakresie przekwalifikowania
• Możliwość bezpiecznego skalowania sztucznej inteligencji przy jednoczesnym zachowaniu odpowiedzialności, identyfikowalności i dokumentacji w całym projekcie

W ostatniej jednostce tego modułu łączymy wszystkie elementy w całość. Widzieliśmy, jak sztuczna inteligencja jest wykorzystywana w poszczególnych jednostkach, od projektu po produkcję, od testów po łańcuch dostaw. Ale w prawdziwym projekcie nie są to pojedyncze kroki, ale cykl życia: zbierane są dane, budowany model, wprowadzany do produkcji, jest monitorowany, a gdy się starzeje, jest odnawiany. Dyscyplina utrzymania tego cyklu nazywa się MLOps (Machine Learning Operations). Ta jednostka obejmuje od początku do końca konfigurowanie, utrzymywanie i utrzymywanie odpowiedzialności za projekt motoryzacyjny oparty na sztucznej inteligencji.

Cykl życia projektu AI

Typowy kompleksowy przepływ w kontekście motoryzacyjnym:

1. Definicja problemu i wartości: Jaki problem biznesowy rozwiązujemy? Jak mierzyć sukces? Czy jest to funkcja krytyczna dla bezpieczeństwa?
2. Gromadzenie i etykietowanie danych: Źródła (CAN, testowanie, produkcja, telematyka), jakość, poufność.
3. Opracowanie modelu: atrybut, model, weryfikacja (kontrola wycieków, konsystencja jednostkowa).
4. Weryfikacja i ocena bezpieczeństwa: Niezależne testy, jeśli wymagane jest ISO 26262/SOTIF.
5. Wdrożenie: wdrożenie modelu na urządzeniu, online lub w chmurze.
6. Monitorowanie: Wydajność, dryf danych, dokładność alarmów.
7. Przekwalifikowanie: aktualizacja modelu, gdy się starzeje.
8. Dokumentacja i identyfikowalność: zapis każdego etapu; kto, kiedy, dlaczego.

Cykl ten nie kończy się raz na zawsze; obraca się stale. W motoryzacji „ustawienie i zapomnienie” modelu jest niebezpieczne.

Wskazówka: rozpoczynając projekt, „kto będzie monitorował ten model, gdy znajdzie się on w terenie, za pomocą jakich wskaźników i jak często?” Jeżeli nie potrafisz odpowiedzieć na pytanie oznacza to, że model nie jest jeszcze gotowy do produkcji.

Zarządzanie wersjami modeli i identyfikowalność

Identyfikowalność w branży motoryzacyjnej nie jest luksusem, ale często obowiązkiem prawnym. Kiedy pojawi się problem, powinieneś być w stanie odpowiedzieć na pytanie „jaka wersja modelu, na jakich danych była trenowana, kto to zatwierdził?” Dobre praktyki:

• Wersjonowanie modelu: Rejestrowany jest numer każdego modelu, dane szkoleniowe i data.
• Wersjonowanie danych: dane, na których przeprowadzono szkolenie, są zamrożone.
• Dziennik decyzji: Kto wydał zgodę i na podstawie jakich dowodów.
• Plan wycofania: Jeśli nowy model okaże się zły, możesz wrócić do starego.

przedmiot

Dlaczego jest to konieczne

Ryzyko w przypadku zaginięcia

Wersja modelowa

Która wersja jest dostępna w terenie?

Nie można prześledzić problemu

Wersja danych

Na czym był szkolony?

nie do odtworzenia

Zapis zatwierdzenia

Kto jest odpowiedzialny?

nie można pociągnąć do odpowiedzialności

cofnąć

Powrót ze złej wersji

Długie przestoje w terenie

Dryf danych i rozpad modelu

Model jest migawką świata, w którym jest szkolony. Ale świat się zmienia: nowy dostawca części oferuje inną tolerancję czujników, pojawia się nowy model pojazdu, zmieniają się pory roku, zmieniają się nawyki kierowców. Wydajność modelu cicho maleje w miarę oddalania się rozkładu danych wejściowych od czasu szkolenia. Ten dryft danych i wynikający z niego spadek wydajności nazywany jest rozpadem modelu.

Niebezpieczeństwo polega na tym, że ten upadek jest cichy: model się nie załamuje, nie popełnia błędów, po prostu coraz bardziej się myli. Dlatego:

• Monitoruj dystrybucję sygnału wejściowego (wykrywanie dryftu).
• Monitoruj wskaźniki wydajności na podstawie rzeczywistych wyników (czy alarmy były dokładne?).
• Uruchom ponowne szkolenie po przekroczeniu progu.

Uwaga: Założenie, że „raz wytrenowany model będzie dawał takie same osiągi na zawsze” jest błędne i ryzykowne w motoryzacji. Model wprowadzony do produkcji bez monitorowania znoszenia może nieświadomie stać się zawodny.

Kompleksowy przykładowy scenariusz: flota konserwacji predykcyjnej

Zróbmy to konkretem. Instalujesz system wczesnego ostrzegania o awarii turbosprężarki we flocie towarowej:

1. Wartość: redukcja przestojów i kosztów holowania; sukces = przechwycono aktualny bilans błędów/fałszywych alarmów.
2. Dane: sygnały CAN z 40 pojazdów, historyczne zapisy usterek; Numer VIN jest anonimowy.
3. Model: Anomalia + RUL; zapobieganie wyciekom szeregów czasowych; Przedstawiono zakres niepewności.
4. Weryfikacja: testowanie historyczne błędów z przeszłości; Rozważono koszt fałszywego alarmu.
5. Produkcja: Dzienny wynik w chmurze; panel do technika.
6. Monitorowanie: Kontrola znoszenia po dodaniu nowego modelu pojazdu; dokładność alarmu co tydzień.
7. Przekwalifikowanie: co kwartał aktualizacja o nowy typ pojazdu i nowe przykłady usterek.
8. Dokumentacja: Wersja modelu, wersja danych, zarejestrowany inżynier certyfikujący.

Żaden krok w tym procesie nie mówi: „AI zdecydowała, gotowe”; Za każdy etap odpowiedzialna jest osoba.

Mini studia przypadków

Przypadek 1 – Cichy zanik. Model kontroli jakości działa dobrze przez rok, po czym wskaźnik wycieków powoli wzrasta. Główna przyczyna: po zmianie dostawcy tekstura powierzchni części nieco się zmieniła (dryf), a model zaczął uważać to za „normalne”. Ustanawia się monitorowanie dryfu i model jest ponownie szkolony. Wynik: bez monitorowania luka pozostałaby niezauważona przez wiele miesięcy.

Przypadek 2 – Zapisano identyfikowalność. Z terenu nadchodzi skarga dotycząca fałszywego alarmu. Z dziennika decyzji zespół dowiaduje się, która wersja modelu współpracuje z danymi; Wykrywa, że ​​problem wynika z ustawienia progu w określonej wersji, i wycofuje tę wersję. Wynik: w przypadku braku wersji i zapisu decyzji nie można było prześledzić problemu.

Przypadek 3 – Dyscyplina przekwalifikowania. Kiedy do floty dołącza nowy model elektryczny, istniejący model konserwacji predykcyjnej wywołuje wiele fałszywych alarmów w tym pojeździe (układ napędowy, jakiego nigdy nie widział). Przed uruchomieniem nowego modelu zespół rejestruje ostrzeżenie o dryfowaniu i rozszerza model o nowe dane pojazdu. Wynik: monitorowanie znoszenia wcześnie wykryło degradację, jaka nastąpiła wraz z nowym produktem.

szablony podpowiedzi

Wzór 1 – Projekt planu projektu:

Rola: Lider projektu AI (motoryzacja). Zadanie: Pomóż mi zaplanować kompleksowo projekt oparty na sztucznej inteligencji. Kontekst: Konserwacja predykcyjna; Flota 40 pojazdów; VIN jest anonimowy. Ograniczenie: Rozważ oddzielnie etapy definiowania wartości, danych, modelu, weryfikacji, produkcji, monitorowania, przekwalifikowania i dokumentacji; wskaż, kto jest odpowiedzialny za każdy krok. Wynik: Krok | wyjście | odpowiedzialny | tabela ryzyka.

Wzór 2 – Plan monitorowania:

Rola: Jesteś inżynierem MLOps. Zadanie: Zarekomenduj plan monitorowania wystawianego modelu. Kontekst: Dystrybucja danych wejściowych może zmieniać się w czasie (nowy dostawca, nowe narzędzie); wydajność można mierzyć na podstawie rzeczywistych wyników. Wynik: Metryka do śledzenia | próg | akcja, która ma zostać uruchomiona.

Szablon 3 – Ocena driftu:

Rola: Analityk danych. Zadanie: Wyjaśnij, jak wykryć dryf danych i kiedy potrzebne jest ponowne szkolenie. Kontekst: Model kontroli wizualnej linii produkcyjnej; Może nastąpić zmiana dostawcy. Wyjście: Sygnał | pomiar | wyzwalacz ponownego szkolenia.

Szablon 4 – Lista kontrolna identyfikowalności:

Rola: Jesteś audytorem jakości/zgodności. Zadanie: Utwórz listę kontrolną identyfikowalności modelu. Kontekst: motoryzacyjny; W przypadku wystąpienia problemu należy odpowiedzieć na pytanie „która wersja, jakie dane, kto to zatwierdził”. Wynik: Pozycja | dlaczego jest to konieczne | jak zapisać wykres.

Słaba zachęta/silna zachęta

Słaba zachęta:

Wprowadź model do produkcji.

Bez śledzenia, bez wersjonowania, bez odpowiedzialności i bez wycofywania zmian; Cichy rozkład i niewykrywalne problemy są nieuniknione.

Potężny monit:

Rola: Jesteś konsultantem ds. jakości MLOps i branży motoryzacyjnej. Zadanie: Utwórz listę kontrolną potrzebną do odpowiedzialnego wprowadzenia modelu do produkcji. Kontekst: Flota konserwacji predykcyjnej; Z biegiem czasu dodawane są nowe typy pojazdów; Anonimowy numer VIN. Ograniczenia: obejmują monitorowanie, wykrywanie dryfów, rejestrowanie wersji/danych, potwierdzenie i plan wycofania; Określ, kto jest odpowiedzialny za każdą pozycję; Propozycja „ustaw i zapomnij”. Wynik: Scena | konieczność | odpowiedzialny | tabela ryzyka.

Typowe błędy

• Podejście „ustaw i zapomnij”. Bez monitorowania model cicho zanika.
• Nie prowadzenie zapisów wersji/danych. Problemu nie można prześledzić ani odtworzyć.
• Brak planu wycofania. Jeśli powrót do zdrowia po złym wydaniu zajmie dużo czasu, w terenie wystąpi długa awaria.
• Nie czekam na Drift. Nowy dostawca/narzędzie/sezon zakłóca ten model; monitorowanie jest niezbędne.
• Pozostawienie niejasnej odpowiedzialności. Odpowiedź na pytanie „kto jest odpowiedzialny” powinna być jasna na każdym kroku.

Podsumowując

• Projekt motoryzacyjny oparty na sztucznej inteligencji nie jest jednorazowym, ale ciągłym cyklem życia (MLops).
• Wersjonowanie modeli i danych, rejestrowanie decyzji i planowanie wycofywania zmian są niezbędne do zapewnienia identyfikowalności.
• Dryf danych po cichu obala ten model; wkład i wyniki należy monitorować i w razie potrzeby ponownie szkolić.
• W kompleksowym przykładzie za każdy krok odpowiedzialny jest człowiek; Nie ma żadnego stwierdzenia: „AI zdecydowała, to koniec”.
• „Ustaw i zapomnij” jest ryzykowne w motoryzacji; monitorowanie, dokumentacja i odpowiedzialność są utrzymywane przez cały czas trwania projektu.

Zadanie aplikacji

Połącz wiedzę zdobytą w tym module w jeden projekt (np. wizualna inspekcja linii produkcyjnej lub konserwacja predykcyjna). (1) Przygotuj kompleksowy plan projektu za pomocą Szablonu 1; Zapisz osobę odpowiedzialną za każdy krok. (2) Zdefiniuj plan monitorowania i czynniki wyzwalające dryf za pomocą Szablonu 2. (3) Przygotuj listę kontrolną identyfikowalności za pomocą Szablonu 4. (4) Podsumuj w akapicie, w jaki sposób zastosowałeś trzy główne dyscypliny od początku modułu w tym projekcie.

lista kontrolna

• [ ] Zaplanowałem projekt jako kompleksowy cykl życia.
• [ ] Zdefiniowałem rekord decyzyjny z wersjonowaniem modelu i danych.
• [ ] Ustaliłem plan monitorowania i wyzwalacze dryfu.
• [ ] Przygotowałem plan wycofania.
• [ ] Wyjaśniłem, kto jest odpowiedzialny za każdy krok.
• [ ] Utrzymywałem trzy dyscypliny walidacji kotwicy i walidację o znaczeniu krytycznym dla bezpieczeństwa ludzkiego.

Egzamin modułowy

1. Jaka jest rola wyników sztucznej inteligencji w podejmowaniu decyzji krytycznej dla bezpieczeństwa samochodowego (np. weryfikacji oprogramowania hamulców)?

• A) Przyspiesza analizę, ale ostateczna akceptacja i odpowiedzialność pozostają po stronie kompetentnego inżyniera ✔
• B) Jeśli jest wystarczająca ilość danych, można je wprowadzić do produkcji bez zgody inżyniera
• C) Sztucznej inteligencji nie można zastosować na żadnym etapie w układach krytycznych, takich jak hamulce
• D) Jeżeli dokładność modelu przekracza 99%, weryfikacja przez człowieka nie jest konieczna

Opis: Sztuczna inteligencja przyspiesza analizę, generuje potencjalne rozwiązania i podsumowania; Jednakże decyzja o znaczeniu krytycznym dla bezpieczeństwa i ostateczne zatwierdzenie leżą w gestii kompetentnego inżyniera. Sztuczna inteligencja nie zastępuje weryfikacji inżyniera.

2. Jakie trzy niezależne kontrole wykorzystuje się do testowania wyników sztucznej inteligencji w trzech głównych obszarach walidacji?

• A) Długość, język i format podpowiedzi
• B) Dowody rzędu wielkości, zasadności inżynieryjnej i niezależnych testów/pomiarów ✔
• C) Rozmiar modelu, czas uczenia i liczba procesorów graficznych
• D) Marka dostawcy, cena i czas dostawy

Opis: Trzy kotwice; rząd wielkości (sprawdzenie kolejności), wiarygodność inżynieryjna (fizyka/doświadczenie) i walidacja krzyżowa z niezależnymi dowodami z testów/pomiarów. Te trzy zapewniają zaufanie do dowodów, a nie do sztucznej inteligencji.

3. Jaka jest najważniejsza weryfikacja wyników „modelu zastępczego”, który przyspiesza symulację CFD lub FEA?

• A) Model zastępczy jest zawsze dokładniejszy niż rozwiązanie rzeczywiste
• B) Wystarczy sprawić, że render będzie wyglądał estetycznie
• C) Porównanie z rozwiązaniem referencyjnym i akceptacja zawodności przy wyjściu poza przestrzeń treningową ✔
• D) Nie ma potrzeby sprawdzania niezależności sieci, jeśli zbiega się pojedynczy przebieg

Opis: Model zastępczy generuje szybkie przewidywania zamiast prawdziwego rozwiązania; ale jest zawodny poza przestrzenią projektową, w której został przeszkolony. Dane wyjściowe należy zweryfikować, zaznaczając obszar ekstrapolacji za pomocą referencyjnej symulacji o wysokiej wierności i fizycznych warunków brzegowych.

4. Jakie jest prawidłowe wyrażenie Poziomu 2 (częściowa automatyzacja) w poziomach automatyzacji SAE?

• A) Pojazd może jeździć bez kierowcy w każdych warunkach
• B) System nie przejmuje żadnych obowiązków związanych z prowadzeniem pojazdu, a jedynie przekazuje ostrzeżenia
• C) Nie ma nic złego w tym, że nie siedzi on na miejscu kierowcy
• D) System wspomaga kierowanie i prędkość, ale kierowca zachowuje stały nadzór i odpowiedzialność ✔

Opis: Na poziomie 2 system wspiera jednocześnie kierowanie i prędkość/odległość, ale kierowca zachowuje stały nadzór i jest gotowy w każdej chwili przejąć kontrolę; Odpowiedzialność leży po stronie kierowcy. Od poziomu 3 i wyższego system w określonych warunkach przejmuje obowiązki kierowcy.

5. Dlaczego „wskaźnik ucieczki” jest krytycznym miernikiem w wykrywaniu wad wizualnych na linii produkcyjnej?

• A) Zatwierdzenie wadliwej części i wysłanie jej do serwisu stwarza ryzyko związane z bezpieczeństwem i wycofaniem ✔
• B) Jest to ważne tylko dlatego, że spowalnia prędkość linii
• C) Stopień nieszczelności dotyczy tylko wad lakieru
• D) Szybkość wycieku mierzy czas uczenia modelu

Opis: nielegalne; Wadliwa część jest uważana za idealną i przechodzi przez linię (fałszywie ujemny). W przypadku części bezpieczeństwa samochodowego wyciek jest znacznie bardziej kosztowny niż fałszywe odrzucenie, ponieważ może prowadzić do awarii lub wycofania produktu z eksploatacji. Próg jest odpowiednio dostosowywany.

6. Jakie jest najdokładniejsze zastosowanie szacowania „pozostałego okresu użytkowania” (RUL) w konserwacji predykcyjnej?

• A) RUL oblicza się tylko dla oleju silnikowego
• B) Należy podać zakres niepewności i interpretować zgodnie z oknem obsługi i marginesem bezpieczeństwa ✔
• C) Należy ją przyjąć jako pojedynczą, dokładną wartość dnia i do tego dnia nie należy przeprowadzać żadnych kontroli.
• D) Czujniki można wyłączyć, jeśli RUL jest wysoki

Opis: RUL to szacowany pozostały czas pracy komponentu do momentu awarii; Należy ją przedstawić wraz z zakresem niepewności i interpretować zgodnie z planem konserwacji i marginesem bezpieczeństwa. Zamiast ślepo polegać na szacunkach jednopunktowych, brany jest pod uwagę przedział ufności i koszt fałszywego alarmu.

7. Co powinien zrobić inżynier, gdy sztuczna inteligencja w analizie danych z testów wykryje anomalię w nagraniu testu drogowego?

• A) Kiedy zauważysz anomalię, test powinien zostać automatycznie uznany za nieudany.
• B) AI w ogóle nie powinna patrzeć na dane, jeśli ich nie oznaczyła
• C) Zweryfikuj anomalię za pomocą surowych danych, niepewności pomiaru i powtarzalności ✔
• D) Usuń anomalie i wyczyść raport

Wyjaśnienie: Anomalia sygnalizowana przez sztuczną inteligencję jest wskazówką, a nie wnioskiem. Inżynier musi sprawdzić niepewność pomiaru, możliwość awarii czujnika i powtarzalność oraz zweryfikować anomalię na podstawie surowych danych i kryteriów akceptacji. Automatyczna akceptacja lub odrzucenie nie jest właściwa.

8. Jaka weryfikacja jest obowiązkowa w przypadku zmiany materiału sugerowanej przez sztuczną inteligencję w badaniu dotyczącym zmniejszenia masy ciała?

• A) Musi być po prostu lżejszy
• B) Jako dowód można przyjąć pojedynczy wiersz w bazie danych materiałów
• C) Zachowanie podczas zderzenia nie ma znaczenia w przypadku lekkich materiałów
• D) Wymagania mechaniczne, zmęczeniowe, zderzeniowe, produkcyjne i kosztowe należy przetestować łącznie ✔

Uwaga: Zalecenia materiałowe nie mogą być przyjęte wyłącznie na podstawie stosunku gęstości do wytrzymałości; właściwości mechaniczne, zmęczenie, zachowanie podczas zderzenia, wykonalność, korozję, koszty i wymogi bezpieczeństwa muszą zostać zweryfikowane łącznie i potwierdzone badaniami fizycznymi.

9. Dlaczego „ryzyko z jednego źródła” w motoryzacyjnym łańcuchu dostaw wymaga szczególnej uwagi w zaleceniach AI?

• A) Zakłócenie u jednego dostawcy może zatrzymać całą produkcję; Należy ocenić drugie źródło i bufor ✔
• B) Pojedyncze źródło jest zawsze najbezpieczniejszą opcją
• C) Analiza ryzyka nie jest konieczna, jeśli zasugerowana jest sztuczna inteligencja
• D) Ryzyko pochodzące z jednego źródła dotyczy wyłącznie opony

Wyjaśnienie: Jeśli część pochodzi od jednego dostawcy, produkcja zostaje zatrzymana, gdy wystąpi problem z tym dostawcą. AI może polecić jedno źródło optymalizacji kosztów; Inżynier/planista musi to zrównoważyć zasobami wtórnymi, buforem zapasów i analizą scenariuszy. Koszt nie jest jedynym kryterium.

10. Co oznacza „wyciek danych” podczas wykonywania analizy telemetrycznej w Pythonie i dlaczego jest to niebezpieczne?

• A) Dane wyciekły z dysku i zostały usunięte
• B) Model dostrzega w uczeniu informacje, których nie można znać w momencie prognozowania; Zawyża wynik, upada na boisku ✔
• C) Mieszanie kolorów graficznych
• D) Występuje tylko w danych obrazu

Opis: Wyciek danych; Dzieje się tak wtedy, gdy model dostrzega w uczeniu informacje, których w rzeczywistości nie można poznać w momencie prognozowania (na przykład przyszła wartość lub atrybut związany z celem). To sztucznie podnosi wynik testu, ale pogarsza wydajność w terenie. W szeregach czasowych należy skrupulatnie zachować rozróżnienie między przeszłością a przyszłością.

11. Co określa klasyfikacja ASIL w kontekście bezpieczeństwa funkcjonalnego ISO 26262?

• A) Maksymalna prędkość pojazdu
• B) Rozmiar zbioru danych uczących modelu
• C) ✔ Wymagany poziom bezpieczeństwa w zależności od wagi, narażenia i możliwości kontrolowania zagrożenia.
• D) Ocena zdolności kredytowej dostawcy

Opis: ASIL (poziom integralności bezpieczeństwa samochodowego) określa poziom środków ostrożności (od A do D, D jest najwyższy), jakich wymaga zagrożenie, w oparciu o ocenę dotkliwości, narażenia i możliwości kontrolowania. Wysoki ASIL wymaga bardziej rygorystycznego rozwoju, weryfikacji i dokumentacji.

12. Czym różni się ISO 21448 (SOTIF) od klasycznego bezpieczeństwa funkcjonalnego (ISO 26262)?

• A) Obsługuje tylko awarie sprzętu
• B) Reguluje wyłącznie licencjonowanie oprogramowania
• C) SOTIF to stara nazwa ISO 26262
• D) Zajmuje się ryzykami wynikającymi z nieodpowiedniej funkcjonalności i nierozpoznanych scenariuszy, nawet w przypadku braku awarii ✔

Opis: Podczas gdy norma ISO 26262 dotyczy ryzyka wynikającego z nieprawidłowego działania/błędów sprzętu i oprogramowania, SOTIF (bezpieczeństwo zamierzonej funkcjonalności) dotyczy ryzyka wynikającego z niewłaściwego wykrywania, nierozpoznanych scenariuszy i ograniczeń funkcjonalnych, nawet jeśli system w ogóle nie działa nieprawidłowo; ma szczególne znaczenie w wykrywaniu opartym na sztucznej inteligencji.

13. Jakie jest najlepsze podejście do prywatności podczas pracy z danymi telemetrycznymi kierowcy i pojazdu?

• A) Zgodność z KVKK/RODO w zakresie anonimizacji, minimalizacji danych i ograniczenia celu ✔
• B) Przesyłanie wszystkich surowych danych do modelu publicznego wraz z numerem VIN
• C) Prywatność dotyczy wyłącznie danych marketingowych
• D) Dane dotyczące lokalizacji nigdy nie są uważane za dane osobowe

Opis: Dane takie jak lokalizacja, styl jazdy i numer podwozia (VIN) umożliwiają identyfikację osoby. Najbardziej poprawne podejście; anonimizacja/pseudonimizacja danych, gromadzenie tylko niezbędnego materiału (minimalizacja danych), ograniczenie celu i zgodność z KVKK/RODO. Wysyłanie surowego numeru VIN lub lokalizacji do narzędzi innych firm jest ryzykowne.

14. Dlaczego konieczne jest monitorowanie „dryfu danych” we wprowadzanym do produkcji modelu sztucznej inteligencji?

• A) Po wytrenowaniu modelu zapewnia on tę samą wydajność przez czas nieokreślony.
• B) Wydajność cicho spada wraz ze zmianą dystrybucji sygnału wejściowego w czasie; należy rozpocząć przekwalifikowanie ✔
• C) Dryft to po prostu fizyczne wibracje sprzętu
• D) Monitorowanie jest niepotrzebne, ponieważ model aktualizuje się automatycznie

Opis: Rzeczywisty świat się zmienia (nowy dostawca części, sezon, nowy model pojazdu); Wydajność modelu cicho maleje w miarę oddalania się rozkładu danych wejściowych od czasu szkolenia. Przekwalifikowanie jest wyzwalane przez monitorowanie dryfu i wskaźniki wydajności. Podejście „ustaw i zapomnij” jest ryzykowne w motoryzacji.