ලාභ:
- AI බලයෙන් ක්රියාත්මක වන Python කේතය සමඟ ප්රශස්තකරණය සහ දත්ත සැකසුම් කාර්යයන් ස්වයංක්රීය කිරීමේ හැකියාව
- ඒකක පරීක්ෂා කිරීම, පරීක්ෂා කිරීම සහ එජ් කේස් සමඟ AI-ජනනය කරන ලද කේතය සත්යාපනය කිරීමේ හැකියාව
- රහසිගත නිෂ්පාදන දත්ත ආරක්ෂා කිරීමට සහ වගකිවයුතු AI භාවිත මූලධර්ම බලාත්මක කිරීමට ඇති හැකියාව
කාර්මික ඉංජිනේරු විද්යාවේදී, පුනරාවර්තන ගණනය කිරීම්, දත්ත පිරිසිදු කිරීම සහ ප්රශස්තකරණ ආකෘති පයිතන් සමඟ ස්වයංක්රීය වන විට වේගය සහ පුනරාවර්තන හැකියාව යන දෙකම ලබා ගනී. මෙම කේතය ලිවීම සඳහා AI වඩාත්ම බලගතු ත්වරණකාරකය වේ: pandas සමඟ දත්ත සැකසීම, PuLP/SciPy සමඟ ප්රශස්තකරණය, මිනිත්තු කිහිපයකින් matplotlib කෙටුම්පත් කේතය සමඟ දෘශ්යකරණය. නමුත් AI කේතය "වැඩ කරන බව පෙනේ" සහ "නිවැරදි වීම" අතර වෙනස සහජයෙන්ම සහතික නොවේ. මෙම ඒකකය තුළ, අපි AI බලයෙන් ක්රියාත්මක වන ඉංජිනේරු ස්වයංක්රීයකරණය, වලංගු කේතයේ විනය සහ රහස්ය නිෂ්පාදන දත්ත ආරක්ෂා කිරීමේ මූලධර්ම ඒකාබද්ධ කරමු. මෙම ඒකකය සියලු පෙර ඒකක සඳහා "විශ්වාසයෙන් අයදුම් කරන්න" ස්තරය වේ.
කේතය ඇයි? පුනරාවර්තන හැකියාව සහ විගණන හැකියාව
Excel හි අතින් ගණනය කිරීම මාස හයකට පසුව "එම අංකය පැමිණියේ කොහෙන්ද?" ප්රශ්නයට පිළිතුරු දිය නොහැක. අනෙක් අතට, කේතය, ආදානය, පියවර සහ ප්රතිදානය පැහැදිලිව සහ පුනරාවර්තනය කරයි. කේතයෙන් ඉංජිනේරු ගණනය කිරීමක් කිරීමේ ප්රතිලාභ තුනක්: (1) සෑම විටම එකම ආදානය සමඟ එකම ප්රතිඵලය, (2) සෑම පියවරක්ම දෘශ්යමාන සහ සමාලෝචනය කළ හැකි කිරීම, (3) ආදානය වෙනස් වූ විට ප්රතිඵලය ස්වයංක්රීයව යාවත්කාලීන කිරීම.
# EOQ ගණනය කිරීම සත්යාපනය කළ හැකි ශ්රිතයක් බවට පත් කිරීම import mathdef eoq(වාර්ෂික_ඉල්ලුම, ඇණවුම්_පිරිවැය, රැඳවුම්_පිරිවැය): """ආර්ථික ඇණවුම් ප්රමාණය. ඒකක අනුකූල විය යුතුය: වාර්ෂික_ඉල්ලුම [අයිතම/අවුරුද්ද], ඇණවුම්_පිරිවැය [TL/ඇණවුම], හෝල්ඩින්_පීස්/අවුරුද්දක් නම්, <L/". holding_cost <= 0: ඉහල දැමීම ValueError("ඉල්ලුම සහ රැඳවුම් පිරිවැය ධනාත්මක විය යුතුය") math.sqrt((2 * වාර්ෂික_ඉල්ලුම * order_cost) / holding_cost)# දන්නා ප්රතිඵල සහිත පරීක්ෂණය (සත්යාපනය):# D=3600, S=120, H=8 -> ~328,0618 - 328,60,60,60,60,60,60,60,60,60,600,60,600,600,600,600,600,600,600,60,060 328.63) < 0.1මුද්රණය(වටය(eoq(3600, 120, 8), 1)) #328.6
මෙහි ප්රකාශන රේඛාව ඉතා වැදගත් වේ: දන්නා ප්රතිඵලයකට එරෙහිව පරීක්ෂා කරන්න. AI විසින් ලියන සෑම ගණනය කිරීමේ කාර්යයකටම අවම වශයෙන් එක් "දන්නා ප්රතිඵල පරීක්ෂණයක්" එකතු කිරීමෙන්, කේතය සත්ය වශයෙන්ම නිවැරදිව ගණනය කරන බව ඔබ ඔප්පු කරයි.
AI සමඟ කේතය ජනනය කිරීමට නිවැරදි මාර්ගය
AI වෙත කේතය ලිවීමේදී අවිනිශ්චිතතාවය අඩු වන තරමට ප්රතිදානය වඩාත් විශ්වාසදායකය.
භූමිකාව: ඔබ පයිතන් සහ කාර්මික ඉංජිනේරු දත්ත විශ්ලේෂණය පිළිබඳ විශේෂඥයෙක්. කාර්යය: CSV එකක දෛනික නිෂ්පාදන දත්ත (දිනය, නිෂ්පාදනය, දෝෂ සහිත, අඩාල_මිනිත්තු) සකසන ශ්රිතයක් ලියන්න සහ දෛනික අපතේ යාමේ අනුපාතය සහ දළ වශයෙන් OEE සංරචක ගණනය කරයි. අවශ්යතා:- පැන්ඩා භාවිතා කරන්න, තීරු නාම වලංගු කරන්න (අතුරුදහන් නම් තේරුම් ගත හැකි දෝෂයක් දෙන්න).- අපද්රව්ය අනුපාතය = දෝෂ සහිත / නිපදවන; ශුන්යයෙන් බෙදීමෙන් ආරක්ෂා කරන්න.- ශ්රිතයට දන්නා ප්රතිඵලයක් සහිත පරීක්ෂණයක් (ස්ථිර කරන්න) එක් කරන්න.- ඒකකය සහ උපකල්පන docstring වෙත ලියන්න. රීතිය: ජාල/ගොනු පද්ධතියට ලියන සැඟවුණු ක්රියාවලියක් එක් නොකරන්න. ගණනය කිරීම් පමණක් කරන්න. ඔබට විශ්වාස නැති තැන්වල අදහස් සමඟ ලකුණු කරන්න.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
නිෂ්පාදන කාර්යක්ෂමතාව ගණනය කරන කේතය ලියන්න.
"අස්වැන්න" නිර්වචනය කර නැත, දත්ත යෝජනා ක්රමයක් නැත, පරීක්ෂණයක් නැත. ප්රතිදානය ක්රියාත්මක වුවද, එය ගණනය කරන්නේ කුමක් දැයි පැහැදිලි නැත.
බලවත් විමසුම:
පහත රූප සටහනෙහි CSV සඳහා OEE ගණනය කරන්න: තීරු [සැලසුම් කළ_කාලය, ධාවන_කාලය, කදිම_චක්රය, නිෂ්පාදනය, ගුණාත්මකභාවය]. ලබා ගත හැකි = වැඩ/සැලසුම් කළ, කාර්ය සාධනය = (අයිඩියල්_සයිකල් × නිෂ්පාදනය)/ධාවනය, ගුණාත්මකභාවය = ගුණාත්මකභාවය/නිෂ්පාදනය. OEE යනු මෙම තුනේ නිෂ්පාදනයයි. එක් එක් සංරචක වෙන වෙනම ආපසු ලබා දෙන්න, ශුන්යයෙන් බෙදීම හසුරුවන්න, සහ දන්නා අගයන් සමඟ තහවුරු කිරීමේ පරීක්ෂණයක් එක් කරන්න.
දෙවන විමසුම පැහැදිලිවම එක් එක් සූත්රය සහ රූප සටහන ලබා දෙයි; එය AI විසින් “අස්වැන්න” වැරදි ලෙස අර්ථකථනය කිරීමේ හැකියාව ඉවත් කරන අතර පරීක්ෂණ මගින් සත්යාපනය කිරීම අනිවාර්ය කරයි.
කේත සත්යාපන පිරික්සුම් ලැයිස්තුව
නිෂ්පාදන තීරණයකදී AI කේතය භාවිතා කිරීමට පෙර, මෙම පියවර හරහා යන්න:
පියවර
පරීක්ෂා කළ යුතු දේ
ඒකකය / ප්රමාණය
ආදාන-ප්රතිදාන ඒකක අනුකූලද?
දන්නා ප්රතිඵල පරීක්ෂණය
එය අතින් ගණනය කළ උදාහරණයක් නිවැරදිව ලබා දෙනවාද?
දාර නඩු
ශුන්ය, සෘණ, හිස් දත්ත, තනි පේළිය කරන්නේ කුමක්ද?
අංක ගණිත හරස් පරීක්ෂාව
ප්රතිඵලය කුඩා නියැදියක පෙනෙනවාද?
නොපෙනෙන අතුරු ආබාධ
කේතය දත්ත මකන්නේ/යවන්නේද?
අවවාදයයි: AI සමහර විට "වැඩ කරන නමුත් වැරදියි" යන කේතය නිපදවයි: උදාහරණයක් ලෙස, එය වැරදි/සම්පූර්ණය වෙනුවට වැරදි ලෙස/නිෂ්පාදනය කරන ලද නාස්ති අනුපාතය ගණනය කරයි, නැතහොත් අනුපාතය සමඟ ප්රතිශතය ව්යාකූල කරයි. කේතය දෝෂයකින් තොරව ක්රියා කළ පමණින් එය නිවැරදි යැයි අදහස් නොවේ. දන්නා ප්රතිඵලයක් සමඟ පරීක්ෂා කිරීමට වග බලා ගන්න.
ආරක්ෂාව සහ දත්ත රහස්යතාව
නිෂ්පාදන දත්ත වෙළඳ රහස් වේ: ධාරිතාව, පිරිවැය, පාරිභෝගික ඉල්ලීම්, සැපයුම්කරුවන්ගේ මිල. මේවා ආවේගශීලීව AI සේවාවකට ඇලවීම බරපතල අවදානමකි.
- දත්ත නිර්නාමික කරන්න: සැබෑ පාරිභෝගික/සැපයුම්කරුවන්ගේ නම් වෙනුවට කේත භාවිතා කරන්න; නිරවද්යතා පිරිවැය නියැදි අගයන් සමඟ ප්රතිස්ථාපනය කරන්න.
- ආයතනික ප්රතිපත්තිය අනුගමනය කරන්න: ඔබේ සමාගම විසින් අනුමත කරන ලද AI මෙවලම් සහ දත්ත වර්ගීකරණ රීති භාවිතා කරන්න.
- කේතය ඉල්ලන්න, දත්ත දේශීයව ධාවනය කරන්න: AI ලිවීමේ කේතය ලබා ගන්න, නමුත් සැබෑ දත්ත සමඟ ඔබේ පරිසරය තුළ කේතය ධාවනය කරන්න. මේ ආකාරයෙන්, සංවේදී දත්ත පිටතට නොයයි.
- ප්රතිදානය සමාලෝචනය කරන්න: AI කේතය අනපේක්ෂිත ස්ථානයකට දත්ත යවන්නේ දැයි පරීක්ෂා කරන්න (ජාල ඇමතුම, බාහිර API).
ඉඟිය: "AI ලිවීමේ කේතය සාදන්න, දත්ත දේශීයව සැකසීම" යන මූලධර්මය පුද්ගලිකත්වය ආරක්ෂා කරන අතර ව්යාජ අංක ජනනය කිරීමෙන් AI වළක්වයි. සැබෑ විසදුම්කරු/පුස්තකාලය ගණනය කිරීම සිදු කරයි, AI විසින් ඇටසැකිල්ල ගොඩනඟයි.
කුඩා නඩුව: වැඩ කරන නමුත් වැරදි කේතය
කර්මාන්ත ශාලාවක, කාර්මික ඉංජිනේරු Mert විසින් මාසික OEE වාර්තාවක් නිපදවන පිටපතක් AI විසින් ලිවීමට සලස්වයි. කේතය සුමටව ධාවනය වන අතර 92% ක හොඳ OEE ලබා දෙයි. නමුත් දන්නා දිනයකට එරෙහිව Mert එය පරීක්ෂා කළ විට (ඔහු අතින් ගණනය කළ දිනයක්, එහි OEE 78%ක් තිබිය යුතුය), කේතය 92% ලබා දෙයි. සමාලෝචනයේදී, AI විසින් කාර්ය සාධන සංරචකය වැරදි ලෙස සකසා ඇති බව ඔහු සොයා ගනී (පරමාදර්ශී චක්රය වෙනුවට සාමාන්ය චක්රය භාවිතා කරමින්). නිවැරදි කළ විට, අගය යථාර්ථයට ගැලපේ. කේතය කිසිදු දෝෂයකින් තොරව වැරදි ප්රතිඵල ලබා දෙමින් තිබුණි. පාඩම: දන්නා ප්රතිඵල සමඟ පරීක්ෂා නොකර, සාවද්ය OEE මාස ගණනක් කළමනාකරණ තීරණවලට ඇතුළත් වනු ඇත.
පොදු වැරදි
- "වැඩ කිරීම = නිවැරදි" සිතීම: දෝෂ නිවැරදි ලෙස ලබා නොදෙන කේතය පිළිගැනීම; දන්නා ප්රතිඵලයක් සමඟ පරීක්ෂා නොකිරීම.
- මඟ හැරීමේ අවස්ථා: ශුන්යයෙන් බෙදීම, හිස් දත්ත, සෘණ ආදානය වැනි අවස්ථා උත්සාහ නොකර ප්රකාශ කිරීම.
- රහස්ය දත්ත ඇලවීම: සත්ය පිරිවැය/පාරිභෝගික දත්ත නිර්නාමික කිරීමකින් තොරව AI වෙත යැවීම.
- AI විසදන්නෙකු ලෙස වරදවා වටහා ගැනීම: සැබෑ විසදුම් ප්රතිදානය ලෙස AI පවසන "ප්රතිඵලය මෙයයි" යන ප්රශස්තිකරණ ප්රතිදානය භාවිතා කිරීම.
- විගණන හැකියාව නැති වීම: උපකල්පන සහ ඒකක ලේඛනගත නොකර කේත බෙදා ගැනීම.
සාරාංශයක් ලෙස
- කේතය ඉංජිනේරු ගිණුමට පුනරාවර්තන හැකියාව සහ විගණනය එකතු කරයි; AI මෙම කේතය වේගවත් කරයි.
- එක් එක් AI ගණනය කිරීමේ කාර්යයට දන්නා ප්රතිඵලයක් සහිත ප්රකාශයක් එක් කිරීමෙන් නිවැරදි බව ඔප්පු කරන්න.
- ඒකකයක්, දාර නඩුවක් සහ අංක ගණිත හරස් පිරික්සුම් ලැයිස්තුවක් හරහා එය සම්මත නොකර නිෂ්පාදන තීරණයකදී කේතය භාවිතා නොකරන්න.
- "වැඩ කිරීමේ කේතය" යන්නෙන් අදහස් කරන්නේ නිවැරදි කේතය නොවේ; එය දෝෂ රහිතව ක්රියා කළ හැකි අතර වැරදි ලෙස ගණනය කළ හැකිය.
- රහස්ය නිෂ්පාදන දත්ත නිර්නාමික කිරීම, ආයතනික ප්රතිපත්තියට අනුකූල වීම; කේතය AI වෙත මුද්රණය කරන්න, නමුත් දත්ත දේශීයව සකසන්න.
යෙදුම් කාර්යය
ඉංජිනේරු ගණනය කිරීමක් තෝරන්න (EOQ, ආරක්ෂිත කොටස්, OEE හෝ සම්මත වේලාව). මෙම ගණනය සිදු කරන AI වෙත පයිතන් ශ්රිතයක් ලියන්න; docstring තුළ ඒකක බලාත්මක කිරීම සහ තහවුරු කිරීමේ පරීක්ෂණයක් සමඟ දන්නා ප්රතිඵලය. විවේචනාත්මක සත්යාපනය: අවම වශයෙන් දාර අවස්ථා තුනකින් (ශුන්ය, සෘණ, ශුන්ය) ශ්රිතය උත්සාහ කර එය අතින් ගණනය කළ උදාහරණයක් සමඟ සසඳන්න; කේතය දෝෂයකින් තොරව ක්රියාත්මක වුවද ප්රතිඵලය නිවැරදි බව දන්නා අගයකින් ඔප්පු කරන්න. ඉන්පසු "දත්ත රහස්යතා" ඉදිරිදර්ශනයකින් කේතය පරීක්ෂා කරන්න: දත්ත යැවීමේ ක්රියාවලියක් තිබේද? අවසාන වශයෙන්, මෙම ඒකකයේ සත්යාපන පිරික්සුම් ලැයිස්තුව ඔබේම කාර්ය ප්රවාහයට අනුවර්තනය කර පිරික්සුම් ලැයිස්තුවක් සාදන්න.
මොඩියුල විභාගය
1. lean Manufacturing වලදී, ඔබ අගය ප්රවාහ සිතියමක් (VSM) නිර්මාණය කිරීමට AI භාවිතා කළේය. යෝජනාව ක්රියාත්මක කිරීමට පෙර හොඳම පියවර කුමක්ද?
- A) ක්ෂේත්ර (ගෙම්බා) නිරීක්ෂණ සහ සත්ය චක්රය/නිවාස කාලය සමඟ AI සැලැස්ම වලංගු කරන්න ✔
- B) AI ලෙස සිතියම කෙලින්ම පුවරුවේ එල්ලීම වත්මන් ආකෘතියකි
- C) සිතියමේ වර්ණ සහ කොටු හැඩයන් සවි කරන්න
- D) අපද්රව්ය වර්ග අනුපිළිවෙල වෙනස් කිරීම සහ ඒවා ප්රකාශයට පත් කිරීම
පැහැදිලි කිරීම: ඔබ සපයන තොරතුරු මත පදනම්ව AI සාධාරණ VSM සටහනක් ජනනය කරයි, නමුත් සත්ය ක්රියාවලි වේලාවන් සහ නාස්තිය නිරීක්ෂණය කළ නොහැක. කෙට්ටු වල මූලික මූලධර්මය වන්නේ 'ගෙම්බා' ය: අගය ප්රවාහය ක්ෂේත්රයේ නිරීක්ෂණයෙන් සහ මැනීමෙන් සත්යාපනය කළ යුතු නමුත්, වැඩිදියුණු කිරීමේ තීරණ සඳහා පදනම ලෙස භාවිත කළ යුතුය.
2. ඉල්ලුම පුරෝකථන ආකෘතියක නිරවද්යතාවය තක්සේරු කිරීම සඳහා වන ප්රමිතික කට්ටලය මෙම අරමුණ සෘජුවම ආමන්ත්රණය කරයිද?
- A) Cp සහ Cpk
- B) MAPE, MAE සහ RMSE ✔
- C) OEE සහ MTBF
- D) Takt time සහ WIP
පැහැදිලි කිරීම: MAPE (මධ්යන්ය නිරපේක්ෂ සියයට දෝෂයක්), MAE සහ RMSE යනු අනාවැකි දෝෂය මනින මිතික වේ; සැබෑ ඉල්ලුම සමඟ පුරෝකථනය සංසන්දනය කිරීමෙන් ආකෘතියේ නිරවද්යතාවය තක්සේරු කිරීමට එය ඔබට ඉඩ සලසයි. Cp/Cpk යනු ක්රියාවලි හැකියාව වන අතර OEE යනු උපකරණ කාර්යක්ෂමතා මෙට්රික් වේ.
3. නැවත ඇණවුම් කිරීමේ ලක්ෂ්යය (ROP) ගණනය කිරීමේදී, AI ඔබට අගයක් ලබා දුන්නේය. ප්රතිඵලය ආරක්ෂිතව භාවිතා කිරීමට ඔබ මුලින්ම කළ යුත්තේ කුමක්ද?
- A) ප්රතිඵලය වට කර එය සෘජුවම ERP වෙත ඇතුල් කරන්න
- B) AI ගෙන් අසන්න 'ඔබට විශ්වාසද?' සහ 'ඔව්' යන පිළිතුරෙන් සෑහීමකට පත් වන්න
- C) භාවිතා කරන ලද සූත්රය, යෙදවුම් සහ ඒකක මුද්රණය කර ගණනය කිරීම අතින්/කේතය සමඟ ප්රතිනිෂ්පාදනය කරන්න ✔
- D) ආරක්ෂිත තොගය සම්පූර්ණයෙන්ම නැවත සකසන්න
පැහැදිලි කිරීම: එය ROP = සාමාන්ය ඉල්ලුම × ඊයම් කාලය + ආරක්ෂිත තොගය සමඟ ක්රියා කරයි. AI එය භාවිතා කරන සූත්රය සහ යෙදවුම් (ඉල්ලුම් අනුපාතය, ඊයම් කාලය, ආරක්ෂිත තොග) පැහැදිලිව මුද්රණය කිරීමෙන් සහ එය අතින්/කේතයෙන් නැවත ගණනය කිරීමෙන් ලබා දෙන ප්රතිඵලය සත්යාපනය කිරීම අවශ්ය වේ. එසේ නොමැතිනම් ඒකකයේ හෝ අංක ගණිත දෝෂය නොපෙනේ.
4. කෙටිම සැකසුම් කාලය (SPT) රීතිය සාමාන්යයෙන් රැකියා උපලේඛනගත කිරීමේදී වැඩි දියුණු කරන්නේ කුමක් ද?
- A) එය සැකසීමේ වේලාවන් පමණක් නැවත සකසයි
- B) භෞතිකව යන්ත්ර ගණන වැඩි කරයි
- C) සහතික වශයෙන් බලශක්ති පරිභෝජනය අඩකින් අඩු කරයි
- D) සාමාන්ය ප්රවාහ කාලය සහ සාමාන්ය ප්රමාදය අඩු කිරීමට නැඹුරු වේ ✔
විස්තරය: SPT (කෙටිම සැකසුම් කාලය) රීතිය කෙටි රැකියා ඉදිරියට ගෙන ඒමෙන් සාමාන්ය ප්රවාහ කාලය සහ සාමාන්ය ප්රමාදය අඩු කිරීමට නැඹුරු වේ. කෙසේ වෙතත්, ඔහු නිරන්තරයෙන් දිගු කාර්යයන් කල් දැමිය හැකිය; බෙදා හැරීමේ දිනය තීරණාත්මක නම්, EDD වැනි නීති වඩාත් සුදුසු වේ. රීතිය තෝරාගැනීම අරමුණ අනුව සාධාරණීකරණය කළ යුතුය.
5. SPC හි Cp අගයට වඩා Cpk අගය සැලකිය යුතු ලෙස අඩු නම් එයින් අදහස් කරන්නේ කුමක්ද?
- A) ක්රියාවලි සාමාන්යය ඉවසීමේ මධ්යස්ථානයෙන් මාරු වී ඇත (මධ්යගත කිරීමේ ගැටලුව) ✔
- B) ක්රියාවලියේ විචලනය ශුන්ය වේ
- C) එය සාම්පල සංඛ්යාව විශාල බව පෙන්නුම් කරයි
- D) පාලන සටහන අනවශ්ය බව ඔප්පු කරයි
පැහැදිලි කිරීම: Cp යනු ඉවසීමේ පළලට පැතිරෙන ක්රියාවලියේ අනුපාතය සැලකිල්ලට ගන්නා ප්රවීණතා දර්ශකය වන අතර Cpk යනු ඉවසීමේ මධ්යස්ථානයට සාපේක්ෂව සාමාන්යයේ මාරුව ද සැලකිල්ලට ගන්නා ප්රමාණවත්තා දර්ශකය වේ. Cpk Cp ට වඩා අඩු නම්, එය ක්රියාවලිය මධ්යයට පිටතින් ඇති බව පෙන්නුම් කරයි (සාමාන්යය ඉලක්කයෙන් ඈත්ව ඇත); පැතිරීම සමාන වුවද, කේන්ද්රගත කිරීමේ ගැටලුවක් තිබේ.
6. කාල අධ්යයනයේ සම්මත කාලය ගණනය කිරීමේදී ඔබ AI විසින් ලබා දෙන සූත්රය භාවිතා කරයි. සම්මත කාලය නිවැරදිව ලබා ගන්නේ පහත සඳහන් කවරකින් ද?
- A) සම්මත වේලාව = නිරීක්ෂිත වේලාව, ආන්තිකය සහ වේගය සැලකිල්ලට නොගනී
- B) සම්මත කාලය = සාමාන්ය කාලය × (1 + කොටස් අනුපාතය); සාමාන්ය වේලාව = නිරීක්ෂිත වේලාව × වේගය ✔
- C) සම්මත කාලය = නිරීක්ෂිත කාලය ÷ යන්ත්ර ගණන
- D) සම්මත කාලය සෑම විටම වේගවත්ම ක්රියාකරුගේ කාලය වේ
පැහැදිලි කිරීම: සම්මත කාලය = සාමාන්ය කාලය × (1 + කොටස් අනුපාතය) ලෙස ගණනය කර ඇත; සාමාන්ය කාලය නිරීක්ෂිත වේලාව × Tempo (ශ්රේණිගත කිරීම) මගින් සොයා ගැනේ. කොටස් එකතු කිරීම අනිවාර්ය වේ (විවේකය, පුද්ගලික, ප්රමාදය). AI හට සූත්රය ලබා දිය හැක, නමුත් tempo සහ share values සත්ය නිරීක්ෂණ සහ සමාගම් ප්රතිපත්තිය මගින් තහවුරු කළ යුතුය.
7. වාහන මාර්ගගත කිරීමේ (VRP) ගැටලුවකට 'හොඳම' විසඳුම ලබා දුන් බව AI පැවසීය. වඩාත්ම නිවැරදි තක්සේරුව කුමක්ද?
- A) AI 'හොඳම' යැයි පවසන නිසා මාර්ගය කෙලින්ම රියදුරන්ට යැවීම
- B) ධාරිතාව, කාල කවුළුව සහ පිරිවැය සීමාවන්ට එරෙහිව විසඳුම වලංගු කරන්න ✔
- C) නැවතුම් ගණන අඩු කර ප්රකාශ කරන්න
- D) සිතියම දෘශ්යමාන කිරීම සහ සීමාවන් නොසලකා හැරීම
පැහැදිලි කිරීම: AI විසින් වැරදි ලෙස සීමා කිරීම් (වාහන ධාරිතාව, කාල කවුළු, රිය පැදවීමේ කාලය) ආකෘතිගත කළ හැකිය හෝ 'හොඳම' ලෙස උපප්රශස්ත විසඳුමක් ඉදිරිපත් කළ හැකිය. විසඳුම; එය ධාරිතාව, කාල කවුළුව සහ සම්පූර්ණ දුර/පිරිවැය සීමාවන්ට එරෙහිව පරීක්ෂා කළ යුතු අතර, හැකි නම්, ප්රතිනිෂ්පාදනය කර විසඳන්නෙකු සමඟ සැසඳිය යුතුය.
8. OEE (සමස්ත උපකරණ කාර්යක්ෂමතාව) යනු කුමන සංරචක තුනක නිෂ්පාදනයක් ද?
- A) ඉල්ලුම, කොටස් සහ පිරිවැය
- B) Cp, Cpk සහ sigma
- C) භාවිතය, කාර්ය සාධනය සහ ගුණාත්මකභාවය ✔
- D) Takt, චක්රය සහ බෙදාහැරීමේ කාලය
පැහැදිලි කිරීම: OEE = පවතින බව × කාර්ය සාධනය × ගුණාත්මකභාවය. පවතින බව අක්රිය කාලය පිළිබිඹු කරයි, කාර්ය සාධනය වේග පාඩු පිළිබිඹු කරයි, සහ ගුණාත්මකභාවය දෝෂ සහිත නිෂ්පාදන පිළිබිඹු කරයි. AI විසින් OEE අගයක් ලබා දෙන්නේ නම්, මෙම සංරචක තුන වෙන වෙනම ගණනය කර ගුණ කිරීම සහතික කිරීම අවශ්ය වේ.
9. විවික්ත-සිදුවීම් අනුකරණයක ප්රතිදානය අර්ථකථනය කිරීමේදී වඩාත්ම තීරණාත්මක සත්යාපන පියවර කුමක්ද?
- A) සැබෑ දත්ත සමඟ ආදාන බෙදාහැරීම් සහ උපකල්පන වලංගු කිරීම ✔
- B) වැඩ කරන කාලය කෙටි කර තනි කොන්දේසියක් තුළ තීරණයක් ගන්න
- C) ග්රැෆික්ස් වල වර්ණ මාලාව වැඩි දියුණු කිරීම
- D) සසම්භාවී බීජය සඟවා ප්රතිඵලය පුනරාවර්තනය කළ නොහැකි බවට පත් කිරීම
පැහැදිලි කිරීම: සමාකරණ ප්රතිදානය හොඳ වන්නේ ආදාන උපකල්පන තරම් පමණි. බෙදාහැරීම්, අන්තර්-පැමිණීමේ කාලය, සේවා වේලාවන් සහ අවස්ථා පරාමිතීන් සැබෑ දත්ත සමඟ සංසන්දනය කර වලංගු කළ යුතුය; අතිරේකව, ආකෘතිය නිවැරදිව ස්ථාපිත කර ඇති බව පරීක්ෂා කළ යුතුය (සත්යාපනය). එසේ නොමැති නම්, 'කසළ ඇතුලට, කුණු පිටතට'.
10. නිෂ්පාදන තීරණයකදී AI-ජනනය කරන ලද Python ප්රශස්තිකරණ ස්ක්රිප්ට් එකක් භාවිතා කිරීමට පෙර අනිවාර්ය වන්නේ කුමක්ද?
- A) කේතය දෝෂයකින් තොරව ක්රියා කරන බැවින් ප්රතිඵලය කෙලින්ම යෙදීම
- B) දන්නා ප්රතිඵල සමඟ පරීක්ෂා කිරීම, ඒකක පරීක්ෂා කිරීම සහ එජ් කේස් සමඟ වලංගු කිරීම සහ දත්ත රහස්යභාවය ආරක්ෂා කිරීම ✔
- C) විචල්ය නම් කෙටි කර අදහස් මකා දමන්න
- D) සියලුම නිෂ්පාදන දත්ත සහිත පිටපත රාජ්ය සේවයකට උඩුගත කිරීම
විස්තරය: AI කේතයේ වැරදි ඒකක පරිවර්තනයක්, වැරදි බාධාවක් හෝ වැරදි ප්රතිඵල එජ් කේස් අඩංගු විය හැක. කේතය; දන්නා ප්රතිඵල සහිත කුඩා පරීක්ෂණ යෙදවුම් ඒකක/ප්රමාණයේ පාලනය සහ එජ් කේස් මගින් සත්යාපනය කළ යුතු අතර රහස්ය නිෂ්පාදන දත්ත අවසරයකින් තොරව බාහිර සේවාවන් වෙත නොයැවිය යුතුය. ප්රතිඵලය ඉංජිනේරු විනිශ්චය මගින් තහවුරු වේ.