ලාභ:
- රෙදිපිළි සඳහා AI භාවිතයේ සදාචාරාත්මක, දත්ත රහස්යතාව, ප්රකාශන හිමිකම් සහ ශ්රම බලකායේ අංගයන් පරිපූර්ණ ලෙස ඇගයීමේ හැකියාව
- සම්පූර්ණ මොඩියුලයම අවසානය දක්වා වැඩ ප්රවාහයක් තුළ ඒකාබද්ධ කරන නම් කරන ලද මානව අනුමත ලක්ෂ්ය සහිත පද්ධතියක් සැලසුම් කිරීමේ හැකියාව
- ආයතනයක වගකීම් සහිත AI භාවිතය සඳහා පාලනය, වලංගුකරණය සහ අඛණ්ඩ වැඩිදියුණු කිරීමේ රාමුවක් ස්ථාපිත කිරීමේ හැකියාව
මොඩියුල විභාගය
1. රෙදිපිළි ඉංජිනේරු විද්යාවේ AI ප්රතිදානයක අවදානම තීරණය කරන මූලික මූලධර්මය පහත සඳහන් මොනවාද?
- A) ප්රතිදානයක අවදානම එම ප්රතිදානය දෝෂ සහිත නම් එයින් සිදුවන හානියට සමාන වේ; ඒ අනුව වලංගු කිරීමේ පරිමාණයන් ✔
- B) AI ප්රතිදානය සාමාන්යයෙන් ආරක්ෂිත වන්නේ එය චතුර ලෙස සහ විශ්වාසයෙන් ලියා ඇති බැවිනි
- C) වඩාත්ම වත්මන් ආකෘතිය භාවිතා කරන විට වලංගු කිරීම අනවශ්යය
- D) ප්රතිදානය ප්රමිතියකට යොමු කරන්නේ නම්, අමතර පාලනයක් අවශ්ය නොවේ
පැහැදිලි කිරීම: ප්රතිදානයක අවදානම එම ප්රතිදානය දෝෂ සහිත නම් එයින් සිදුවන හානියට සමාන වේ. මූඩ්බෝඩ් අදහසක වරදක් හානිකර නොවන අතර, ඩයි කිරීමේ වට්ටෝරුවක හෝ රෙදි ප්රබල ගණනය කිරීමේ වැරැද්දක් කාණ්ඩ අපද්රව්ය සහ වෘත්තීය ආරක්ෂාව/කොන්ත්රාත් අවදානම් වලට හේතු විය හැක; එබැවින් විභව හානියක් සහිත සත්යාපන තීව්රතා පරිමාණයන්.
2. නූල් ශක්තිය සඳහා 'කපු නූල් සඳහා 85 cN/tex' AI අගය ගැන ඉංජිනේරුවෙකු සැක කරයි. මෙම සැකය තහවුරු කිරීමට ඉක්මන්ම පරීක්ෂාව කුමක්ද?
- A) අගය කෙලින්ම වාර්තාවට දමා පසුව රසායනාගාරයෙන් විමසන්න
- B) සාමාන්ය කපු නූල් පරාසය (ආසන්න වශයෙන් 12-22 cN/tex) සමඟ සැසඳීමේ අනුපිළිවෙලක් සාදන්න ✔
- C) එම ප්රශ්නයම නැවතත් ආකෘතියෙන් ඇසීම සහ දෙවන පිළිතුර විශ්වාස කිරීම
- D) අගයේ මූලාශ්රයක් වෙත යොමුවක් තිබේ නම් පිළිගන්න
විස්තරය: එය විශාලත්වය පාලනය කිරීමේ අනුපිළිවෙලකි. මුද්ද කපු නූල් වල ශක්තිය සාමාන්යයෙන් 12-22 cN/tex අනුපිළිවෙලට ඇත; 85 cN/tex යනු ඉහළ කාර්යසාධනයක් සහිත කෘතිම/අරමයිඩ් මට්ටම වන අතර එය කපු සඳහා භෞතිකව අසාධාරණ වේ. මෙම චෙක්පත තත්පර ගත වන අතර බොහෝ ඒකක/වර්ගයේ දෝෂ අල්ලා ගනී.
3. නූල් ගණන් කිරීමේ ක්රම අතර 'නෙ' (බ්රිතාන්ය කපු ගණන) සඳහා පහත සඳහන් කවරක් සත්ය වේ ද?
- A) නූල් විශාල වන තරමට එය ඝන වේ.
- B) සෘජු පද්ධතියක් යනු කුමක්ද, එය ටෙක්ස් ලෙස එකම දිශාවට ක්රියා කරයි
- ඇ) එය මොනතරම් වක්ර පද්ධතියක්ද; අංකය විශාල වන තරමට නූල් තුනී වේ ✔
- D) කෘතිම නූල් සඳහා පමණක් අර්ථ දක්වා ඇති දේ
පැහැදිලි කිරීම: වක්ර අංකන පද්ධතිය කුමක්ද: විශාල සංඛ්යාව, නූල් තුනී වේ. ටෙක්ස් සහ ඩෙනියර් යනු සෘජු පද්ධති වේ; අංකය විශාල වන තරමට නූල් ඝනකම වැඩි වේ. මෙම වෙනස නොදැන සිටීම AI ප්රතිදානයේ සංඛ්යා අර්ථකථනවල බරපතල දෝෂ ඇති කරයි.
4. රෙදිපිළි දෝෂ හඳුනා ගන්නා රූප සැකසුම් ආකෘතියක ඉහළ 'ව්යාජ සෘණ' අනුපාතයක් තිබීම යන්නෙන් අදහස් කරන්නේ කුමක්ද සහ එය තීරණාත්මක වන්නේ ඇයි?
- A) දෝෂ සහිත රෙදි පරිපූර්ණ ලෙස සලකනු ලබන අතර පාරිභෝගිකයා වෙත ලබා දෙනු ලැබේ; ✔ ගුණාත්මක භාවයේ වඩාත්ම භයානක ආකාරයේ දෝෂයකි
- B) පරිපූර්ණ රෙදි දෝෂ සහිත ලෙස අනවශ්ය ලෙස සලකුණු කිරීම; එය හුදෙක් කාර්යක්ෂමතාව අඩු කරයි
- C) ආකෘතිය කිසිදු දෝෂයක් සොයා නොගනී; සෑම විටම හොඳ ලකුණක්
- D) කැමරාවේ අඩු විභේදනය
පැහැදිලි කිරීම: අසත්ය ඍණ යනු සැබෑ දෝෂයක් 'පරිපූර්ණ' ලෙස වර්ගීකරණය කරන විටය. මෙයින් අදහස් කරන්නේ දෝෂ සහිත රෙදි පාරිභෝගිකයා වෙත ගොස් ප්රතිලාභ / කීර්තිනාමය පිරිවැය දරන බවයි. ගුණාත්මක-විවේචනාත්මක යෙදුම් වලදී, සාමාන්යයෙන් ව්යාජ නිෂේධනයන් අඩු මට්ටමක තබා ගැනීමට එළිපත්ත සකසා ඇති අතර, වැඩිවන ව්යාජ ධනාත්මක කරුණු මිනිස් පරීක්ෂාව මගින් ඉවත් කරනු ලැබේ.
5. වර්ණ කළමනාකරණයේදී 'ඩෙල්ටා ඊ' (ΔE) අගය අදහස් කරන්නේ කුමක්ද?
- A) තීන්ත කිලෝග්රෑමයකට පිරිවැය
- B) වර්ණ දෙකක් අතර සම්පූර්ණ සංජානන වෙනස ගණනය කරන නිර්ණායකය ✔
- C) රෙදිපිළි ආලෝක සම්ප්රේෂණය
- D) සායම් උෂ්ණත්වයේ අගය අංශක වලින්
විස්තරය: Delta E යනු CIELAB වර්ණ අවකාශයේ වර්ණ දෙකක් අතර සම්පූර්ණ සංජානන වෙනස ගණනය කරන නිර්ණායකය වේ. කුඩා ΔE අගයන් පෙන්නුම් කරන්නේ වර්ණ එකිනෙකට සමීපව ඇති බවයි; රෙදිපිළිවල, කාණ්ඩයෙන් කණ්ඩායමට පිළිගැනීමේ ඉවසීම සාමාන්යයෙන් ΔE අනුව ගිවිසුම්ගතව අර්ථ දැක්වේ. එබැවින්, 'පැවැත්වූ වර්ණය' යන ප්රකාශය මැනීම අවශ්ය වේ.
6. එක් ආලෝක ප්රභවයක් යටතේ සාම්පල දෙකක් සමාන වන අතර තවත් ආලෝක ප්රභවයක් යටතේ වෙනස් වන විට එය හඳුන්වන්නේ කුමක්ද සහ වර්ණ කළමනාකරණයේදී එය වැදගත් වන්නේ ඇයි?
- A) Metamerism; වර්ණ තහවුරු කිරීම බහු සම්මත ආලෝක ප්රභව යටතේ සිදු කළ යුතුය ✔
- B) ෆ්ෙලොරසන්ස්; සියලු තත්වයන් තුළ වර්ණය සමාන වේ
- C) පාරාන්ධතාව; වර්ණ වෙනස රඳා පවතින්නේ ඝනකම මත පමණි
- D) ක්රමාංකනය; තිරය ගැන පමණක් සැලකිලිමත් වේ
විස්තරය: මෙම සංසිද්ධිය metamerism ලෙස හැඳින්වේ. විවිධ වර්ණාවලි පරාවර්තනයක් සහිත වර්ණ දෙකක් යම් ආලෝකයක් යටතේ ගැළපෙන අතර අනෙකුත් ආලෝකකරණයේ දී අපසරනය වේ. එබැවින්, වර්ණ තහවුරු කිරීම තනි ආලෝක ප්රභවයක් මත සිදු නොකළ යුතුය, නමුත් බහු ප්රභවයන් යටතේ (උදා: D65, TL84, A) සම්මත ආලෝක කුටියක.
7. උත්පාදක AI සමඟින් නිපදවන ලද රෙදිපිළි රටාවක් වාණිජමය භාවිතයට පෙර සිදු කළ යුතු වඩාත්ම තීරණාත්මක නීතිමය පරීක්ෂාව කුමක්ද?
- A) රටාවේ වර්ණ ගණන අඩු කිරීම
- B) රටාවේ ගොනු විශාලත්වය අඩු කිරීම
- C) පවතින ආරක්ෂිත මෝස්තර සමඟ සමානකම්/උල්ලංඝන සහ ප්රකාශන හිමිකම් පරීක්ෂා කිරීම ✔
- D) ඉහළ විභේදනයකින් පමණක් රටාව සුරකින්න
පැහැදිලි කිරීම: නිෂ්පාදනය කරන ලද රටාව දැනට පවතින ආරක්ෂිත සැලසුම්, වෙළඳ ලකුණු හෝ ප්රකාශන හිමිකම් සහිත කෘති සමඟ යම් සමානකමක්/උල්ලංඝනයක් දරයිද යන්න පරීක්ෂා කිරීම සහ ආකෘතියේ පුහුණු දත්ත සහ ප්රතිදාන අයිතීන් පිළිබඳ අවිනිශ්චිතතාවයන් ඇගයීම අවශ්ය වේ. මූලාරම්භය සහ උල්ලංඝනය කිරීම් පරීක්ෂා නොකර වාණිජකරණය කිරීම ප්රකාශන හිමිකම් නඩු පැවරීමේ අවදානමක් ඇති කරයි.
8. SKU විසින් ඉල්ලුම පුරෝකථනය කිරීමේදී AI ප්රතිදානය වලංගු කිරීම සඳහා වඩාත්ම ශක්තිමත් ප්රවේශය කුමක්ද?
- A) ආකෘතියෙන් ලබා දී ඇති තනි ලක්ෂ්ය පුරෝකථනය පිළිවෙළේ ප්රමාණයට පරිවර්තනය කිරීම
- B) පසුගිය විකුණුම් සමඟ පසුපෙළ බැලීම සහ ව්යාපාර විනිශ්චය පෙරහන හරහා දෝෂයේ ආන්තිකය ඇගයීම ✔
- C) ඉහළම ඇස්තමේන්තුව තෝරා ගැනීම සහ අතිරික්ත තොග තබා ගැනීම
- D) ප්රවණතාවය වඩාත් ජනප්රිය නම් අනාවැකිය දෙගුණ කරන්න
පැහැදිලි කිරීම: පුරෝකථනය අතීත විකුණුම් සාක්ෂාත් කර ගැනීම්වලට එරෙහිව ආපසු පරීක්ෂා කළ යුතු අතර ඉන්වෙන්ටරි, ව්යාපාර, සෘතුමය වැනි සන්දර්භය සමඟ ව්යාපාරික විනිශ්චය හරහා පෙරීම කළ යුතුය. ආකෘතියේ තනි පුරෝකථනයක් අන්ධ ලෙස විශ්වාස කරනවා වෙනුවට, දෝෂයේ ආන්තිකය සහ අවස්ථා ඇගයීමට ලක් කෙරේ.
9. නිෂ්පාදන උපලේඛනගත කිරීමේදී තීන්ත කාණ්ඩ අනුපිළිවෙල 'ලා වර්ණ සිට තද වර්ණය දක්වා' සඳහා ප්රධාන හේතුව කුමක්ද?
- A) අඳුරු වර්ණ මිළ අඩුයි
- B) වර්ණ දූෂණය වීමේ අවදානම අඩු කිරීම සහ යන්ත්ර පිරිසිදු කිරීමේ වේලාවන් ✔
- C) සැහැල්ලු වර්ණ දිගු කාලයක් පවතී
- D) එය සෞන්දර්යාත්මක මනාපයක් පමණි
පැහැදිලි කිරීම: එම යන්ත්රය තුළම තද වර්ණයකින් පසු ලා පැහැයක් සායම් කර ඇත්නම්, පිරිසිදු කිරීමේ/දූෂණය වීමේ අවදානම සහ අමතර සේදීමේ කාලය වැඩිවේ. ආලෝකයේ සිට අඳුර දක්වා වර්ග කිරීම වර්ණ ආලේප කිරීමේ අවදානම සහ යන්ත්ර පිරිසිදු කිරීමේ කාලය අඩු කිරීම මගින් කාර්යක්ෂමතාව වැඩි කරයි. AI නිර්දේශවල මෙම ක්රියාවලි සීමාව ඇතුළත් විය යුතුය.
10. රෙදිපිළිවල පාරිසරික පියසටහන වාර්තා කිරීමේදී, AI විසින් නිෂ්පාදනය කරන ලද 'ප්රතිචක්රීකරණය කරන ලද පොලියෙස්ටර් ජල භාවිතය 90% කින් අඩු කරයි' වැනි හිමිකම් පෑමක් සම්බන්ධයෙන් නිවැරදි ආකල්පය කුමක්ද?
- A) අලෙවිකරණ පිටපතේ ඇති ආකාරයට හිමිකම් පෑම
- B) පද්ධති සීමාව, දත්ත මූලාශ්රය සහ සහතිකය සමඟ සත්යාපනයකින් තොරව හිමිකම් පෑම භාවිතා නොකිරීම ✔
- C) අංකය වැඩි නම් හිමිකම් පෑම ශක්තිමත් යැයි උපකල්පනය කිරීම
- D) අංකය වට කර එය ප්රකාශ කරන්න
පැහැදිලි කිරීම: පද්ධති මායිම (තොටිල්ලේ සිට ගේට්ටුව හෝ ගේට්ටුවෙන් දොරටුව), දත්ත මූලාශ්රය සහ විෂය පථය සඳහන් නොකර එවැනි හිමිකම් පෑමක් අර්ථ විරහිත ය; එය සත්යාපනය කළ හැකි LCA දත්ත සහ සහතිකය මත පදනම් විය යුතුය. එසේ නොමැති නම්, හරිත සේදීම සහ නීතිමය අවදානම මතු විය හැකිය. AI අංක සාධාරණ ලෙස පෙනුනද, ඒවා ස්වාධීනව මූලාශ්ර කර ඇත.
11. Python සමඟ pandas භාවිතයෙන් නිෂ්පාදන දත්ත විශ්ලේෂණය කිරීමේදී AI විසින් ලියන ලද කේතය සත්යාපනය කිරීමේ පළමු පියවර කුමක් විය යුතුද?
- A) කේතය දෝෂයකින් තොරව වැඩ කළේ නම්, ප්රතිඵලය නිවැරදි ලෙස පිළිගන්න
- B) ප්රතිදානය අතින් ගණනය කර කුඩා දත්ත නියැදියක ඒකකය සහ තර්කය සත්යාපනය කරන්න ✔
- C) නිෂ්පාදන වාර්තාවට කෙලින්ම කේතය එකතු කිරීම
- D) ප්රස්ථාරය හොඳ නම්, සම්පූර්ණ කළ විශ්ලේෂණය සලකා බලන්න.
සටහන: කේතය ක්රියාත්මක වුවද, තර්කනය නිවැරදි බව සහතික නොවේ; අතින් ගිණුම්කරණ පරීක්ෂාව ඒකකය, තීරු ගැලපීම සහ පේළි කිහිපයක් මත සිදු කළ යුතුය. උදාහරණයක් ලෙස, ව්යාකරණ සාමාන්යකරණයේදී, වැරදි කණ්ඩායම්කරණය හෝ ඒකක ව්යාකූලත්වය නිශ්ශබ්දව වැරදි ප්රතිඵල ඇති කළ හැක. කුඩා නියැදියක, අතින් සත්යාපනය වේගවත්ම සහතිකයයි.
12. රෙදිපිළි නිෂ්පාදන දත්ත AI මෙවලමකට යැවීමේදී දත්ත රහස්යතාව අනුව හොඳම භාවිතය කුමක්ද?
- A) සියලුම සැබෑ පාරිභෝගික සහ බෙහෙත් වට්ටෝරු තොරතුරු යවන්න
- B) සංවේදී තොරතුරු නිර්නාමික කර ඒවා නියෝජිත ලේබල සමඟ යවන්න සහ ආයතනික ප්රතිපත්තියට අනුකූලව ✔
- C) දත්ත විශාල ප්රමාණයක් ඇති බැවින් පුද්ගලිකත්වය නොවැදගත් යැයි උපකල්පනය කිරීම.
- D) ගොනු නාමය වෙනස් කර අන්තර්ගතය එලෙසම යවන්න
පැහැදිලි කිරීම: පාරිභෝගිකයාගේ නම, වට්ටෝරු රහස, මිල සහ සැපයුම්කරු තොරතුරු වැනි සංවේදී දත්ත නිර්නාමික කළ යුතුය හෝ නියෝජිත ලේබල සමඟ ලබා දිය යුතුය (පාරිභෝගික-A, වට්ටෝරුව-1). ආයතනික ප්රතිපත්ති සහ ගිවිසුම් උල්ලංඝනය කරමින් වෙළඳ රහස් සහ පුද්ගලික දත්ත තෙවන පාර්ශවීය ආකෘතියකට මාරු නොකළ යුතුය.
13. රූප සැකසුම් ආකෘතියක් නිෂ්පාදන රේඛාවක 98% නිරවද්යතාවයක් වාර්තා කරන නමුත් ක්ෂේත්රයේ බොහෝ දෝෂ මඟ හැරේ. මෙයට බොහෝ දුරට හේතුව කුමක්ද?
- A) අසමතුලිත දත්ත හේතුවෙන් නිරවද්යතාවය නොමඟ යවයි; දෝෂ පන්තියේ සංවේදිතාව (නැවත කැඳවීම) අඩුයි ✔
- B) ආකෘතිය ඉතා සෙමින් ක්රියාත්මක වේ
- C) කැමරාව වර්ණ නිසා
- D) 98% දැනටමත් පරිපූර්ණයි, ගැටළුව ක්රියාකරු සමඟ වේ
පැහැදිලි කිරීම: දත්ත කට්ටලය තුළ දෝෂ සහිත සාම්පල ඉතා ස්වල්පයක් (අසමතුලිත දත්ත) ඇති විට, ආකෘතියට සෑම දෙයක්ම 'පරිපූර්ණ' ලෙස ඇමතීමෙන් ඉහළ නිරවද්යතාවයක් ලබා ගත හැකි නමුත් සැබෑ දෝෂ ග්රහණය කරගත නොහැක. එබැවින් නිරවද්යතාව පමණක් නොමඟ යවන සුළුය; අඩුපාඩු පන්තිය සඳහා සංවේදීතාව (මතක් කිරීම) සහ නිරවද්යතාව නිරීක්ෂණය කළ යුතුය.
14. මොඩියුලය පුරා අවධාරණය කර ඇති ප්රධාන මූලධර්මයට අනුව, ආරක්ෂාව සහ කොන්ත්රාත්-විවේචනාත්මක රෙදිපිළි තීරණ වලදී AI හි කාර්යභාරය කුමක්ද?
- A) එය වේගවත් බැවින් AI හට තීරණාත්මක තීරණ තනිවම ගත හැකිය
- B) AI සහායකයෙකි; තීරනාත්මක තීරණ දක්ෂ ඉංජිනේරු අනුමැතිය සහ භෞතික පරීක්ෂණ මගින් තහවුරු කරනු ලැබේ ✔
- C) AI ප්රතිදානය අත්සන් කළ වාර්තාව ප්රතිස්ථාපනය කරයි
- D) වඩාත්ම වත්මන් ආකෘතිය භාවිතා කරන විට මානව තහවුරු කිරීම අනවශ්යය
විස්තරය: AI සහායක සහ ත්වරකයකි; උපකල්පන ජනනය කරයි, කෙටුම්පත් සකස් කරයි, රටා අල්ලා ගනී. කෙසේ වෙතත්, පින්තාරු කිරීමේ වට්ටෝරුව අනුමත කිරීම, තත්ත්ව පිළිගැනීම, ශක්තිය/ආරක්ෂාව ඇගයීම වැනි තීරණාත්මක තීරණ සඳහා දක්ෂ ඉංජිනේරු අනුමැතිය සහ භෞතික පරීක්ෂණ අවශ්ය වේ. AI ප්රතිදානය විශේෂඥ අනුමැතිය සඳහා ආදේශකයක් නොවේ.