ලාභ:
- සංකල්පයේ සිට නිෂ්පාදනය දක්වා AI සහාය දක්වන මෝටර් රථ ව්යාපෘතියක් සැලසුම් කිරීමට සහ අධීක්ෂණ චක්රයක් සමඟ එය පවත්වාගෙන යාමට හැකියාව
- ආදර්ශ අනුවාද කළමනාකරණය, දත්ත ප්ලාවිතය සහ නැවත පුහුණු කිරීමේ අවශ්යතා ඇගයීමේ හැකියාව
- ව්යාපෘතිය පුරාවට වගවීම, සොයා ගැනීමේ හැකියාව සහ ලියකියවිලි පවත්වා ගනිමින් ආරක්ෂිතව AI පරිමාණය කිරීමේ හැකියාව
මෙම මොඩියුලයේ අවසාන ඒකකයේ, අපි සියලු කෑලි එකට ගෙන එයි. නිර්මාණයේ සිට නිෂ්පාදනය දක්වා, පරීක්ෂණවල සිට සැපයුම් දාමය දක්වා තනි ඒකකවල කෘත්රිම බුද්ධිය භාවිතා වන ආකාරය අපි දැක ඇත්තෙමු. නමුත් සැබෑ ව්යාපෘතියකදී, මේවා හුදකලා පියවරයන් නොව, ජීවන චක්රයක්: දත්ත එකතු කිරීම, ආකෘතිය ගොඩනඟා, එය නිෂ්පාදනයට ඇතුළත් කිරීම, එය අධීක්ෂණය කිරීම සහ එය පැරණි වූ විට එය අලුත් වේ. මෙම චක්රය පවත්වාගෙන යාමේ විනය MLOps (Machine Learning Operations) ලෙස හැඳින්වේ. මෙම ඒකකය AI බලයෙන් ක්රියාත්මක වන මෝටර් රථ ව්යාපෘතියක් අවසානයේ සිට අවසානය දක්වා පිහිටුවීම, නඩත්තු කිරීම සහ වගකීම් පවත්වාගෙන යාම ආවරණය කරයි.
AI ව්යාපෘතියක ජීවන චක්රය
මෝටර් රථ සන්දර්භයක සාමාන්ය අන්තයේ සිට අවසානය දක්වා ප්රවාහයක්:
- ගැටලුව සහ වටිනාකම අර්ථ දැක්වීම: අප විසඳන්නේ කුමන ව්යාපාරික ගැටලුවද? සාර්ථකත්වය මනිනු ලබන්නේ කෙසේද? මෙය ආරක්ෂක තීරණාත්මක කාර්යයක්ද?
- දත්ත එකතු කිරීම සහ ලේබල් කිරීම: මූලාශ්ර (CAN, පරීක්ෂණ, නිෂ්පාදනය, ටෙලිමැටික්), ගුණාත්මකභාවය, රහස්යභාවය.
- ආකෘති සංවර්ධනය: ගුණාංගය, ආකෘතිය, සත්යාපනය (කාන්දු පාලනය, ඒකක අනුකූලතාව).
- සත්යාපනය සහ ආරක්ෂක තක්සේරුව: ISO 26262/SOTIF අවශ්ය නම් ස්වාධීන පරීක්ෂණ.
- යෙදවීම: උපාංගයට, මාර්ගගතව හෝ වලාකුළෙහි ආකෘතිය යෙදවීම.
- අධීක්ෂණය: කාර්ය සාධනය, දත්ත ප්ලාවිතය, අනතුරු ඇඟවීමේ නිරවද්යතාව.
- නැවත පුහුණු කිරීම: ආකෘතිය පැරණි වූ විට එය යාවත්කාලීන කිරීම.
- ලේඛනගත කිරීම සහ සොයාගැනීමේ හැකියාව: සෑම පියවරකම වාර්තාව; කවුද, කවදාද, ඇයි.
මෙම චක්රය එක් වරක් අවසන් වන්නේ නැත; නිරන්තරයෙන් භ්රමණය වේ. මෝටර් රථ වලදී, ආකෘතියක් "සැකසීම සහ අමතක කිරීම" භයානක ය.
ඉඟිය: ව්යාපෘතිය ආරම්භ කරන විට, "මෙම ආකෘතිය ක්ෂේත්රයට පැමිණි පසු, කුමන මෙට්රික් සමඟ සහ කොපමණ වාරයක් නිරීක්ෂණය කරන්නේද?" ඔබට ප්රශ්නයට පිළිතුරු දිය නොහැකි නම්, ආකෘතිය තවමත් නිෂ්පාදනය සඳහා සූදානම් නැත.
මාදිලි අනුවාද කළමනාකරණය සහ සොයා ගැනීමේ හැකියාව
මෝටර් රථවල සොයාගැනීම සුඛෝපභෝගී දෙයක් නොවේ, නමුත් බොහෝ විට නීතිමය වගකීමකි. ගැටලුවක් පැනනගින විට, "මොන මාදිලියේ අනුවාදයද, එය පුහුණු කරන ලද දත්ත මොනවාද, එය අනුමත කළේ කවුද?" යන ප්රශ්නයට පිළිතුරු දීමට ඔබට හැකි විය යුතුය. හොඳ පුරුදු:
- ආකෘති අනුවාදනය: එක් එක් මාදිලියේ අංකය, පුහුණු දත්ත සහ දිනය සටහන් කර ඇත.
- දත්ත අනුවාදනය: එය පුහුණු කරන ලද දත්ත ශීත කර ඇත.
- තීරණ සටහන: අනුමැතිය ලබා දුන්නේ කවුරුන් සහ කුමන සාක්ෂි සහිතවද යන්නයි.
- ආපසු හැරීමේ සැලැස්ම: නව මාදිලිය නරක අතට හැරේ නම්, ඔබට පැරණි එක වෙත ආපසු යා හැක.
අයිතමය
එය අවශ්ය වන්නේ ඇයි
අතුරුදහන් වුවහොත් අවදානම
මාදිලි අනුවාදය
ක්ෂේත්රයේ කුමන අනුවාදයද?
ගැටලුව සොයා ගත නොහැක
දත්ත අනුවාදය
ඔහු පුහුණු කළේ කුමක් ද?
ප්රතිනිෂ්පාදනය කළ නොහැකි ය
අනුමත වාර්තාව
වගකිව යුත්තේ කවුද?
වග කිව නොහැක
අහෝසි කරන්න
නරක අනුවාදයෙන් ආපසු යන්න
ක්ෂේත්රයේ දිගු අක්රිය කාලයක්
දත්ත ප්ලාවිතය සහ ආකෘති ක්ෂය වීම
ආකෘතියක් යනු එය පුහුණු කරන ලද ලෝකයේ සැණෙපොටකි. නමුත් ලෝකය වෙනස් වේ: නව කොටස් සැපයුම්කරුවෙකු වෙනස් සංවේදක ඉවසීමක් ගෙන එයි, නව වාහන ආකෘතියක් එළියට එයි, සෘතු වෙනස් වේ, රිය පැදවීමේ පුරුදු වෙනස් වේ. ආදාන දත්ත බෙදා හැරීම පුහුණු කාලයෙන් ඈත් වන විට ආකෘතියේ කාර්ය සාධනය නිශ්ශබ්දව අඩු වේ. මෙම දත්ත ප්ලාවිතය සහ එහි ප්රතිඵලයක් වශයෙන් කාර්ය සාධනය අඩුවීම ආකෘති ක්ෂය ලෙස හැඳින්වේ.
අන්තරාය වන්නේ මෙම පරිහානිය නිශ්ශබ්ද වීමයි: ආකෘතිය කඩා වැටෙන්නේ නැත, වැරදි සිදු නොවේ, එය තව තවත් වැරදියි. එබැවින්:
- ආදාන ව්යාප්තිය නිරීක්ෂණය කරන්න (ප්ලාවිත හඳුනාගැනීම).
- සැබෑ ප්රතිඵල සහිත කාර්ය සාධන ප්රමිතික නිරීක්ෂණය කරන්න (එලාම නිවැරදිද?).
- එළිපත්ත ඉක්මවා ගිය විට නැවත පුහුණු කිරීම අවුලුවන්න.
අවවාදයයි: "ආකෘතිය පුහුණු කළ පසු, එය සදහටම එකම කාර්ය සාධනයක් ලබා දෙයි" යන උපකල්පනය මෝටර් රථවල වැරදි සහ අවදානම් සහගත ය. ප්ලාවිත නිරීක්ෂණයකින් තොරව නිෂ්පාදනයට ඇතුළත් කළ ආකෘතියක් නොදැනුවත්වම විශ්වාස කළ නොහැකි විය හැකිය.
අන්තයේ සිට අවසානය දක්වා උදාහරණ අවස්ථාව: අනාවැකි නඩත්තු බලඇණිය
අපි එය කොන්ක්රීට් කරමු. ඔබ භාණ්ඩ තොගයක් සඳහා ටර්බෝ අසාර්ථක පූර්ව අනතුරු ඇඟවීමේ පද්ධතියක් ස්ථාපනය කරමින් සිටී:
- වටිනාකම: අක්රිය කාලය සහ ඇදගෙන යාමේ පිරිවැය අඩු කිරීම; සාර්ථකත්වය = සැබෑ දෝෂය/අසත්ය අනතුරු ඇඟවීමේ ශේෂය අල්ලා ගන්නා ලදී.
- දත්ත: වාහන 40 ක CAN සංඥා, ඓතිහාසික දෝෂ වාර්තා; VIN නිර්නාමික කර ඇත.
- ආකෘතිය: විෂමතාව + RUL; කාල ශ්රේණි කාන්දු වීම වැලැක්වීම; අවිනිශ්චිතතා පරාසය ඉදිරිපත් කෙරේ.
- සත්යාපනය: අතීත වැරදි පිළිබඳ පසුපෙළ බැලීම; ව්යාජ අනතුරු ඇඟවීමේ පිරිවැය කිරා මැන බලන ලදී.
- නිෂ්පාදනය: වලාකුළෙහි දෛනික ලකුණු; කාර්මිකයාට පැනලය.
- අධීක්ෂණය: නව වාහන ආකෘතියක් එකතු කළ විට ප්ලාවිත පාලනය; අනතුරු ඇඟවීමේ නිරවද්යතාවය සතිපතා.
- නැවත පුහුණු කිරීම: නව වාහන වර්ගය සහ නව දෝෂ උදාහරණ සමඟ කාර්තුමය යාවත්කාලීන කිරීම.
- ලේඛනගත කිරීම: ආදර්ශ අනුවාදය, දත්ත අනුවාදය, සහතික කිරීමේ ඉංජිනේරුවෙකු ලියාපදිංචි කර ඇත.
මෙම ප්රවාහයේ කිසිදු පියවරක් "AI තීරණය කළා, සිදු කළා" කියා නොකියයි; එක් එක් අදියර සඳහා පුද්ගලයෙකු වගකිව යුතුය.
කුඩා සිද්ධි අධ්යයන
නඩුව 1 - නිහඬ ක්ෂය වීම. තත්ත්ව පාලන ආකෘතියක් වසරක් සඳහා හොඳින් ක්රියා කරයි, එවිට කාන්දු වීමේ අනුපාතය සෙමින් වැඩිවේ. මූල හේතුව: සැපයුම්කරු වෙනස් වූ විට, කොටසෙහි මතුපිට වයනය තරමක් වෙනස් විය (ප්ලාවිතය), සහ ආකෘතිය මෙය "සාමාන්ය" යැයි සිතීමට පටන් ගත්තේය. ප්ලාවිත නිරීක්ෂණ ස්ථාපිත කර ඇති අතර ආකෘතිය නැවත පුහුණු කර ඇත. ප්රතිඵලය: නිරීක්ෂණයකින් තොරව, අවදානම මාස ගණනාවක් තිස්සේ නොපෙනී යනු ඇත.
නඩුව 2 - සොයාගැනීමේ හැකියාව සුරැකිණි. ක්ෂේත්රයෙන් බොරු අනතුරු ඇඟවීමේ පැමිණිල්ලක් එනවා. තීරණ ලොගයෙන්, කණ්ඩායම කුමන දත්ත සමඟ ක්රියා කරන්නේ කුමන මාදිලියේ අනුවාදයද යන්න සොයා ගනී; එය යම්කිසි අනුවාදයක එළිපත්ත සැකසීමෙන් ගැටලුව පැමිණෙන බව හඳුනාගෙන එම අනුවාදය ආපසු හරවයි. ප්රතිඵලය: අනුවාදයක් සහ තීරණ වාර්තාවක් නොතිබුනේ නම්, ගැටලුව සොයා ගැනීමට නොහැකි විය.
නඩුව 3 - විනය නැවත පුහුණු කිරීම. නව විද්යුත් මාදිලියක් ඇණියට එක් වූ විට, පවතින අනාවැකි නඩත්තු ආකෘතිය මෙම වාහනයේ (කවදාවත් නොදුටු බලවේගයක්) ව්යාජ අනතුරු ඇඟවීම් රාශියක් මතු කරයි. නව මාදිලිය ආරම්භ කිරීමට පෙර, කණ්ඩායම ප්ලාවිත අනතුරු ඇඟවීම ග්රහණය කර නව වාහන දත්ත සමඟ ආකෘතිය පුළුල් කරයි. ප්රතිඵලය: ප්ලාවිත අධීක්ෂණය නව නිෂ්පාදනය සමඟ ඇති වූ පිරිහීම කලින් අල්ලා ගන්නා ලදී.
ඉක්මන් සැකිලි
සැකිල්ල 1 - ව්යාපෘති සැලසුම් කෙටුම්පත:
භූමිකාව: AI ව්යාපෘති නායකයා (මෝටර් රථ). කාර්යය: AI බලයෙන් ක්රියාත්මක වන ව්යාපෘතියක් අවසානයේ සිට අවසානය දක්වා සැලසුම් කිරීමට මට උදවු කරන්න. සන්දර්භය: අනාවැකි නඩත්තු කිරීම; වාහන 40 ක බලඇණිය; VIN නිර්නාමිකයි. සීමා කිරීම: අගය නිර්වචනය, දත්ත, ආකෘතිය, සත්යාපනය, නිෂ්පාදනය, අධීක්ෂණය, නැවත පුහුණු කිරීම සහ ලේඛනගත කිරීමේ පියවර වෙන වෙනම සලකා බලන්න; එක් එක් පියවර සඳහා වගකිව යුත්තේ කවුරුන්ද යන්න දක්වන්න.ප්රතිදානය: පියවර | ප්රතිදානය | වගකිව යුතු | අවදානම් වගුව.
සැකිල්ල 2 - අධීක්ෂණ සැලැස්ම:
භූමිකාව: ඔබ MLOps ඉංජිනේරුවෙකි. කාර්යය: ඉදිරිපත් කරන ලද ආකෘතියක් සඳහා අධීක්ෂණ සැලැස්මක් නිර්දේශ කරන්න. සන්දර්භය: ආදාන බෙදා හැරීම කාලයත් සමඟ වෙනස් විය හැක (නව සැපයුම්කරු, නව මෙවලම); කාර්ය සාධනය සැබෑ ප්රතිඵල මගින් මැනිය හැක. ප්රතිදානය: ලුහුබැඳීමට මෙට්රික් | එළිපත්ත | ක්රියාත්මක කිරීමට පියවර.
සැකිල්ල 3 - ප්ලාවිත ශ්රේණිගත කිරීම:
භූමිකාව: දත්ත විද්යාඥයා. කාර්යය: දත්ත ප්ලාවිතය හඳුනා ගන්නේ කෙසේද සහ නැවත පුහුණු කිරීම අවශ්ය විට පැහැදිලි කරන්න. සන්දර්භය: නිෂ්පාදන රේඛා දෘශ්ය පරීක්ෂණ ආකෘතිය; සැපයුම්කරුගේ වෙනසක් විය හැකිය. ප්රතිදානය: සංඥා | මැනීම | නැවත පුහුණු කිරීමේ ප්රේරකය.
සැකිල්ල 4 - සොයාගැනීමේ පිරික්සුම් ලැයිස්තුව:
කාර්යභාරය: ඔබ ගුණාත්මක/අනුකූලතා විගණකයෙකි. කාර්යය: ආකෘතියක් සඳහා සොයාගැනීමේ පිරික්සුම් ලැයිස්තුවක් සාදන්න. සන්දර්භය: වාහන; ගැටලුවක් ඇති වූ විට, 'කුමන අනුවාදය, කුමන දත්ත, එය අනුමත කළේ කවුද' යන ප්රශ්නයට පිළිතුරු සැපයිය යුතුය. ප්රතිදානය: අයිතමය | එය අවශ්ය වන්නේ ඇයි | ප්රස්ථාරය සුරකින ආකාරය.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
ආකෘතිය නිෂ්පාදනයට දමන්න.
ලුහුබැඳීමක් නැත, අනුවාද කිරීමක් නැත, වගවීමක් නැත සහ ආපසු හැරීමක් නැත; නිශ්ශබ්ද දිරාපත්වීම සහ සොයාගත නොහැකි ගැටළු නොවැළැක්විය හැකිය.
බලවත් විමසුම:
භූමිකාව: ඔබ MLOps සහ මෝටර් රථ තත්ත්ව උපදේශකයෙකි. කාර්යය: මම වගකීමෙන් යුතුව නිෂ්පාදනයට ආකෘතියක් තැබීමට අවශ්ය පිරික්සුම් ලැයිස්තුව සාදන්න. සන්දර්භය: පුරෝකථන නඩත්තු බලඇණිය; කාලයත් සමඟ නව වාහන වර්ග එකතු වේ; VIN නිර්නාමික.සීමාව: අධීක්ෂණය, ප්ලාවිතය හඳුනාගැනීම, අනුවාදය/දත්ත ලොග් කිරීම, තහවුරු කිරීම සහ ආපසු හැරීමේ සැලැස්ම ඇතුළත් වේ; එක් එක් අයිතමයට වගකිව යුත්තේ කවුරුන්ද යන්න සඳහන් කරන්න; 'එය සකසා එය අමතක කරන්න' ප්රස්තුතය. ප්රතිදානය: අදියර | අවශ්යතාවය | වගකිව යුතු | අවදානම් වගුව.
පොදු වැරදි
- "එය සකසන්න සහ එය අමතක කරන්න" ප්රවේශය. නිරීක්ෂණයකින් තොරව, ආකෘතිය නිහඬව දිරාපත් වේ.
- අනුවාද/දත්ත වාර්තා තබා නොගැනීම. ගැටලුව සොයා ගැනීමට හෝ ප්රතිනිෂ්පාදනය කිරීමට නොහැකිය.
- ආපසු හැරීමේ සැලැස්මක් නැත. නරක නිකුතුවකින් යථා තත්ත්වයට පත්වීමට බොහෝ කාලයක් ගත වුවහොත්, ක්ෂේත්රයේ දිගු අසාර්ථකත්වයක් ඇති වනු ඇත.
- ප්ලාවිතය සඳහා බලා නොසිටින්න. නව සැපයුම්කරු/මෙවලම්/සමය ආකෘතිය කඩාකප්පල් කරයි; අධීක්ෂණය අත්යවශ්ය වේ.
- වගකීම අපැහැදිලි ලෙස තැබීම. "වගකිවයුත්තේ කවුද" යන පිළිතුර සෑම පියවරකදීම පැහැදිලි විය යුතුය.
සාරාංශයක් ලෙස
- AI බලයෙන් ක්රියාත්මක වන මෝටර් රථ ව්යාපෘතියක් යනු එක් වරක් නොව පෙරළෙන ජීවන චක්රයකි (MLOps).
- ආදර්ශ සහ දත්ත අනුවාදනය, තීරණ ලොග් කිරීම සහ ආපසු හැරවීමේ සැලසුම් සොයා ගැනීමේ හැකියාව සඳහා අත්යවශ්ය වේ.
- දත්ත ප්ලාවිතය නිශ්ශබ්දව ආකෘතිය ප්රතික්ෂේප කරයි; ආදානය සහ කාර්ය සාධනය නිරීක්ෂණය කළ යුතු අතර අවශ්ය පරිදි නැවත පුහුණු කළ යුතුය.
- අන්තයේ සිට අවසානය දක්වා උදාහරණයේ, සෑම පියවරකටම වගකිව යුතු මිනිසෙක් ඇත; "AI තීරණය කළා, ඉවරයි" කියලා එකක් නැහැ.
- "එය සකසන්න සහ එය අමතක කරන්න" මෝටර් රථයේ අවදානම් සහිතයි; ව්යාපෘතිය පුරාවටම අධීක්ෂණය, ලේඛනගත කිරීම සහ වගවීම පවත්වාගෙන යනු ලැබේ.
යෙදුම් කාර්යය
මෙම මොඩියුලයේ ඔබ ඉගෙන ගත් දේ තනි ව්යාපෘතියකට ඒකාබද්ධ කරන්න (උදා: නිෂ්පාදන රේඛා දෘශ්ය පරීක්ෂාව හෝ අනාවැකි නඩත්තු කිරීම). (1) සැකිල්ල 1 සමඟ අවසානය සිට අවසානය දක්වා ව්යාපෘති සැලැස්මක් කෙටුම්පත් කරන්න; එක් එක් පියවර සඳහා වගකිව යුතු පුද්ගලයා ලියන්න. (2) සැකිල්ල 2 සමඟ අධීක්ෂණ සැලැස්මක් සහ ප්ලාවිත ප්රේරක නිර්වචනය කරන්න. (3) සැකිල්ල 4 සමඟ සොයාගැනීමේ පිරික්සුම් ලැයිස්තුවක් සකස් කරන්න. (4) ඔබ මොඩියුලයේ ආරම්භයේ සිට මෙම ව්යාපෘතියට නැංගුරම් විෂයයන් තුන යෙදූ ආකාරය ඡේදයක සාරාංශ කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම ව්යාපෘතිය සැලසුම් කළේ අවසානය සිට අවසානය දක්වා ජීවන චක්රයක් ලෙසයි.
- [ ] මම ආදර්ශ සහ දත්ත අනුවාද සමඟ තීරණ වාර්තාව නිර්වචනය කළෙමි.
- [ ] මම අධීක්ෂණ සැලැස්මක් සහ ප්ලාවිත ප්රේරක සකස් කළෙමි.
- [ ] මම ආපසු හැරීමේ සැලැස්මක් සකස් කළෙමි.
- [ ] එක් එක් පියවර සඳහා වගකිව යුත්තේ කවුරුන්ද යන්න මම පැහැදිලි කර ඇත්තෙමි.
- [ ] මම නැංගුරම් වලංගු කිරීමේ විෂයයන් තුන සහ මානව ආරක්ෂණ-විවේචනාත්මක වලංගුකරණය පවත්වා ගෙන ගියෙමි.
මොඩියුල විභාගය
1. මෝටර් රථ ආරක්ෂණ තීරණාත්මක තීරණයක (උදා: තිරිංග මෘදුකාංග සත්යාපනය) AI ප්රතිදානයේ කාර්යභාරය කුමක්ද?
- A) විශ්ලේෂණ කඩිනම් කරයි, නමුත් අවසාන අනුමැතිය සහ වගකීම දක්ෂ ඉංජිනේරුවරයා වෙත පවතී ✔
- B) ප්රමාණවත් දත්ත තිබේ නම්, එය ඉංජිනේරු අනුමැතියකින් තොරව නිෂ්පාදනයට දැමිය හැකිය
- C) තිරිංග වැනි තීරණාත්මක පද්ධතිවල කිසිම අවස්ථාවක AI භාවිතා කළ නොහැක
- D) මාදිලියේ නිරවද්යතාවය 99% ඉක්මවන්නේ නම්, මානව සත්යාපනය අනවශ්යයි
විස්තරය: කෘතිම බුද්ධිය විශ්ලේෂණය වේගවත් කරයි, අපේක්ෂක විසඳුම් සහ සාරාංශ උත්පාදනය කරයි; කෙසේ වෙතත්, ආරක්ෂිත තීරණාත්මක තීරණය සහ අවසාන අනුමැතිය දක්ෂ ඉංජිනේරුවරයාගේ වගකීම වේ. AI යනු ඉංජිනේරු වලංගුකරණය සඳහා ආදේශකයක් නොවේ.
2. නැංගුරම් වලංගු කිරීමේ විෂයයන් තුනෙහි AI හි ප්රතිදානය පරීක්ෂා කිරීමට භාවිතා කරන ස්වාධීන චෙක්පත් තුන මොනවාද?
- A) විමසුමේ දිග, භාෂාව සහ ආකෘතිය
- B) විශාලත්වයේ අනුපිළිවෙල, ඉංජිනේරු සාධාරණත්වය සහ ස්වාධීන පරීක්ෂණ/මිනුම් ✔
- C) මාදිලියේ විශාලත්වය, පුහුණු කාලය සහ GPU ගණන
- D) සැපයුම්කරු වෙළඳ නාමය, මිල සහ බෙදා හැරීමේ කාලය
විස්තරය: නැංගුරම් තුනක්; විශාලත්වයේ අනුපිළිවෙල (ඇණවුම පරීක්ෂා කිරීම), ඉංජිනේරු විද්යාව (භෞතික විද්යාව/පළපුරුද්ද) සහ ස්වාධීන පරීක්ෂණ/මිනුම් සාක්ෂි සහිත හරස් වලංගුකරණය. මේ තුන AI ගැන විශ්වාසයක් නොව සාක්ෂි මත විශ්වාසයක් සපයයි.
3. CFD හෝ FEA අනුකරණය වේගවත් කරන 'ආදේශක ආකෘතියක' ප්රතිදානය සඳහා වඩාත්ම තීරණාත්මක සත්යාපනය කුමක්ද?
- A) ආදේශක ආකෘතිය සෑම විටම සැබෑ විසදුම්කරුට වඩා නිවැරදි වේ
- B) විදැහුම්කරණය සෞන්දර්යාත්මක පෙනුමක් ඇති කිරීම පමණක් ප්රමාණවත්ය
- C) යොමු විසඳුම සමඟ සංසන්දනය කිරීම සහ පුහුණු අවකාශයෙන් පිටත ගමන් කිරීමේදී අවිශ්වාසය පිළිගැනීම ✔
- D) තනි ධාවනයක් අභිසාරී වුවහොත් ජාල ස්වාධීනත්වය දෙස බැලීම අවශ්ය නොවේ
විස්තරය: ආදේශක ආකෘතිය සැබෑ විසඳන්නා වෙනුවට වේගවත් අනාවැකි නිපදවයි; නමුත් එය පුහුණු කළ නිර්මාණ අවකාශයෙන් පිටත එය විශ්වාස කළ නොහැකි ය. අධි-විශ්වාසනීය අනුකරණය සහ භෞතික මායිම් තත්ත්වයන් සමඟින් පිටකිරීමේ කලාපය සලකුණු කිරීමෙන් ප්රතිදානය සත්යාපනය කළ යුතුය.
4. SAE ස්වයංක්රීයකරණ මට්ටම්වල 2 මට්ටම (අර්ධ ස්වයංක්රීයකරණය) සඳහා නිවැරදි ප්රකාශනය කුමක්ද?
- A) ඕනෑම තත්වයක් යටතේ රියදුරෙකු නොමැතිව වාහනය ධාවනය කළ හැකිය
- B) පද්ධතිය කිසිදු රියදුරු රාජකාරි භාර නොගනී, අනතුරු ඇඟවීම් පමණක් ලබා දෙයි
- C) ඔහු රියදුරු අසුනේ වාඩි වී නොමැති නම් කමක් නැත
- D) පද්ධතිය සුක්කානම සහ වේගය සඳහා සහය දක්වයි, නමුත් රියදුරු නිරන්තර අධීක්ෂණය සහ වගකීම රඳවා ගනී ✔
විස්තරය: 2 මට්ටමේ දී පද්ධතිය සුක්කානම් සහ වේගය/දුර සමගාමීව සඳහා සහය දක්වයි, නමුත් රියදුරු නිරන්තර අධීක්ෂණය රඳවා තබා ගන්නා අතර ඕනෑම වේලාවක භාර ගැනීමට සූදානම්ය; වගකීම රියදුරු සතුය. 3 සහ ඉහළ මට්ටමේ දී, පද්ධතිය යම් යම් කොන්දේසි යටතේ රියදුරු රාජකාරි භාර ගනී.
5. නිෂ්පාදන රේඛාවේ දෘශ්ය දෝෂ හඳුනාගැනීමේදී 'පලා යාමේ අනුපාතය' තීරණාත්මක මෙට්රික් එකක් වන්නේ ඇයි?
- A) දෝෂ සහිත කොටස අනුමත කර එය ක්ෂේත්රයට යැවීමෙන් ආරක්ෂාව සහ නැවත කැඳවීමේ අවදානමක් ඇත ✔
- B) එය වැදගත් වන්නේ එය රේඛාවේ වේගය අඩු කරන නිසා පමණි
- C) කාන්දු අනුපාතය වලංගු වන්නේ තීන්ත දෝෂ සඳහා පමණි
- D) කාන්දු අනුපාතය ආකෘතියේ පුහුණු කාලය මනිනු ලැබේ
විස්තරය: නීති විරෝධී; දෝෂ සහිත කොටසක් පරිපූර්ණ ලෙස සලකනු ලබන අතර රේඛාව හරහා ගමන් කරයි (ව්යාජ සෘණ). මෝටර් රථ ආරක්ෂණ කොටසක් සඳහා, කාන්දු වීම ව්යාජ ප්රතික්ෂේප කිරීමට වඩා බෙහෙවින් මිල අධික වන අතර එය ක්ෂේත්රයේ අසාර්ථක වීමට හෝ නැවත කැඳවීමට හේතු විය හැක; ඒ අනුව එළිපත්ත සකස් කර ඇත.
6. අනාවැකි නඩත්තු කිරීමේදී 'ඉතිරි ප්රයෝජනවත් ජීවිතය' (RUL) ඇස්තමේන්තුවේ වඩාත්ම නිවැරදි භාවිතය කුමක්ද?
- A) RUL ගණනය කරනු ලබන්නේ එන්ජින් ඔයිල් සඳහා පමණි
- B) එය අවිනිශ්චිත පරාසයක් සමඟ ඉදිරිපත් කළ යුතු අතර නඩත්තු කවුළුව සහ ආරක්ෂණ ආන්තිකය අනුව අර්ථ දැක්විය යුතුය ✔
- ඇ) එය තනි නිශ්චිත දින අගයක් ලෙස ගත යුතු අතර එදින දක්වා කිසිදු චෙක්පතක් නොකළ යුතුය.
- D) RUL ඉහළ නම් සංවේදක අක්රිය කළ හැක
විස්තරය: RUL යනු සංරචකයක් අසාර්ථක වන තෙක් ඇස්තමේන්තුගත ඉතිරි මෙහෙයුම් කාලයයි; එය අවිනිශ්චිත පරාසය සමඟ ඉදිරිපත් කළ යුතු අතර නඩත්තු සැලැස්ම සහ ආරක්ෂණ ආන්තිකය අනුව අර්ථ දැක්විය යුතුය. තනි ලක්ෂ්ය ඇස්තමේන්තුවක් මත අන්ධ ලෙස රඳා සිටිනවාට වඩා, විශ්වාසනීය පරතරය සහ ව්යාජ අනතුරු ඇඟවීමේ පිරිවැය සැලකිල්ලට ගනී.
7. පරීක්ෂණ දත්ත විශ්ලේෂණයේදී මාර්ග පරීක්ෂණ පටිගත කිරීමේදී AI විෂමතාවයක් සලකුණු කළ විට ඉංජිනේරුවෙකු කළ යුත්තේ කුමක්ද?
- A) ඔබ විෂමතාව දකින විට, පරීක්ෂණය ස්වයංක්රීයව අසාර්ථක යැයි සැලකිය යුතුය.
- B) AI එය සලකුණු කර නොමැති නම් දත්ත දෙස කිසිසේත් නොබැලිය යුතුය
- C) අමු දත්ත, මිනුම් අවිනිශ්චිතතාවය සහ පුනරාවර්තන හැකියාව සමඟ විෂමතාව තහවුරු කරන්න ✔
- D) විෂමතා මකා වාර්තාව හිස් කරන්න
පැහැදිලි කිරීම: AI ධජයේ විෂමතාවය ඉඟියක් මිස නිගමනයක් නොවේ. ඉංජිනේරුවරයා විසින් මිනුම් අවිනිශ්චිතතාව, සංවේදක අසමත් වීමේ හැකියාව සහ පුනරාවර්තන හැකියාව පරීක්ෂා කළ යුතු අතර අමු දත්ත සහ පිළිගැනීමේ නිර්ණායක සමඟ විෂමතාව තහවුරු කළ යුතුය. ස්වයංක්රීයව පිළිගැනීම හෝ ප්රතික්ෂේප කිරීම සුදුසු නොවේ.
8. සැහැල්ලු අධ්යයනයකදී AI විසින් යෝජනා කරන ලද ද්රව්යමය වෙනසක් සඳහා අනිවාර්ය සත්යාපනය කුමක්ද?
- A) එය සැහැල්ලු විය යුතුය
- B) ද්රව්ය දත්ත ගබඩාවේ තනි පේළියක් සාක්ෂියක් ලෙස ගත හැක
- C) සැහැල්ලු ද්රව්යවල කඩා වැටීමේ හැසිරීම වැදගත් නොවේ
- D) යාන්ත්රික, තෙහෙට්ටුව, බිඳවැටීම්, නිෂ්පාදන හැකියාව සහ පිරිවැය අවශ්යතා එකට පරීක්ෂා කළ යුතුය ✔
සටහන: ඝනත්වය/ශක්ති අනුපාතය මත පමණක් පදනම්ව ද්රව්ය නිර්දේශ පිළිගත නොහැක; යාන්ත්රික ගුණ, තෙහෙට්ටුව, කඩා වැටීමේ හැසිරීම, නිෂ්පාදන හැකියාව, විඛාදනය, පිරිවැය සහ ආරක්ෂක අවශ්යතා එකට සත්යාපනය කර භෞතික පරීක්ෂණ මගින් තහවුරු කළ යුතුය.
9. මෝටර් රථ සැපයුම් දාමයේ 'තනි මූලාශ්ර අවදානම' AI නිර්දේශයන්හිදී විශේෂ අවධානයක් අවශ්ය වන්නේ ඇයි?
- A) තනි සැපයුම්කරුවෙකුගේ බාධාවකින් සියලුම නිෂ්පාදන නතර කළ හැකිය; දෙවන මූලාශ්රය සහ බෆරය ඇගයීමට ලක් කළ යුතුය ✔
- B) තනි මූලාශ්රය සෑම විටම ආරක්ෂිතම විකල්පය වේ
- C) AI යෝජනා කරන්නේ නම් අවදානම් විශ්ලේෂණය අනවශ්යයි
- D) තනි මූලාශ්ර අවදානම ටයරයට පමණක් අදාළ වේ
පැහැදිලි කිරීම: කොටසක් එක් සැපයුම්කරුවෙකුගෙන් නම්, එම සැපයුම්කරු සමඟ ගැටළුවක් ඇති වූ විට නිෂ්පාදනය නතර වේ. AI හට පිරිවැය ප්රශස්තකරණයේ තනි මූලාශ්රයක් නිර්දේශ කළ හැක; ඉංජිනේරුවරයා/සැලසුම්කරු මෙය ද්විතියික සම්පත්, කොටස් බෆරය සහ අවස්ථා විශ්ලේෂණය සමඟ සමතුලිත කළ යුතුය. පිරිවැය එකම නිර්ණායක නොවේ.
10. Python සමඟින් ටෙලිමෙට්රි විශ්ලේෂණය සිදු කිරීමේදී 'දත්ත කාන්දු වීම' යන්නෙන් අදහස් කරන්නේ කුමක්ද සහ එය භයානක වන්නේ ඇයි?
- A) තැටියෙන් දත්ත කාන්දු වී මකා දමනු ලැබේ
- B) පුරෝකථනය කරන අවස්ථාවේ දී දැනගත නොහැකි පුහුණු තොරතුරු ආකෘතිය දකිනවා; ලකුණු වැඩි කරයි, පිටියේ කඩා වැටෙයි ✔
- C) චිත්රක වර්ණ මිශ්ර කිරීම
- D) රූප දත්තවල පමණක් සිදු වේ
විස්තරය: දත්ත කාන්දු වීම; පුරෝකථනය කරන අවස්ථාවේ ඇත්ත වශයෙන්ම දැනගත නොහැකි (උදාහරණයක් ලෙස, අනාගත අගය හෝ ඉලක්ක ආශ්රිත ගුණාංගය) පුහුණු තොරතුරු ආකෘතිය දකින විට මෙය සිදු වේ. මෙය කෘතිමව පරීක්ෂණ ලකුණු ඉහළ නංවන නමුත් ක්ෂේත්ර කාර්ය සාධනය බිඳ වැටේ. අතීත/අනාගත වෙනස කාල ශ්රේණියේ ඉතා සූක්ෂම ලෙස පවත්වා ගත යුතුය.
11. ISO 26262 ක්රියාකාරී ආරක්ෂාව සම්බන්ධයෙන් ASIL වර්ගීකරණය තීරණය කරන්නේ කුමක්ද?
- A) වාහනයේ උපරිම වේගය
- B) ආකෘතියේ පුහුණු දත්ත කට්ටලයේ ප්රමාණය
- C) ✔ උපද්රවයේ බරපතලකම, නිරාවරණය සහ පාලනය කිරීමේ හැකියාව අනුව අවශ්ය ආරක්ෂිත මට්ටම.
- D) සැපයුම්කරුගේ ණය ශ්රේණිගත කිරීම
විස්තරය: ASIL (මෝටර් රථ ආරක්ෂණ අඛණ්ඩතා මට්ටම) එහි බරපතලකම, නිරාවරණය සහ පාලනය කිරීමේ තක්සේරුව මත පදනම්ව උපද්රවයකට අවශ්ය වන ආරක්ෂිත පූර්වාරක්ෂා මට්ටම (A සිට D, D දක්වා ඉහළම වේ) තීරණය කරයි. ඉහළ ASIL සඳහා වඩාත් දැඩි සංවර්ධනය, සත්යාපනය සහ ලියකියවිලි අවශ්ය වේ.
12. ISO 21448 (SOTIF) සම්භාව්ය ක්රියාකාරී ආරක්ෂාවෙන් (ISO 26262) වෙනස් වන්නේ කෙසේද?
- A) දෘඩාංග අසමත්වීම් පමණක් හසුරුවයි
- B) මෘදුකාංග බලපත්රය පමණක් නියාමනය කරයි
- C) SOTIF යනු ISO 26262 හි පැරණි නමයි
- D) අසාර්ථකත්වය නොමැති අවස්ථාවක පවා, ප්රමාණවත් නොවන ක්රියාකාරීත්වය සහ හඳුනා නොගත් අවස්ථා නිසා ඇතිවන අවදානම් ආමන්ත්රණය කරයි ✔
විස්තරය: ISO 26262 අක්රමිකතා/දෘඪාංග-මෘදුකාංග දෝෂ නිසා ඇතිවන අවදානම් ආමන්ත්රණය කරන අතර, SOTIF (අභිප්රාප්ත ක්රියාකාරීත්වයේ ආරක්ෂාව) ප්රමාණවත් නොවන හඳුනාගැනීම්, හඳුනා නොගත් අවස්ථා සහ ක්රියාකාරී සීමාවන් නිසා ඇතිවන අවදානම් ආමන්ත්රණය කරයි. AI මත පදනම් වූ හඳුනාගැනීමේදී විශේෂයෙන් තීරණාත්මක වේ.
13. රියදුරු සහ වාහන දුරස්ථ දත්ත සමඟ වැඩ කිරීමේදී පෞද්ගලිකත්වය සම්බන්ධයෙන් හොඳම ප්රවේශය කුමක්ද?
- A) නිර්නාමිකකරණය, දත්ත අවම කිරීම සහ අරමුණු සීමා කිරීම සමඟ KVKK/GDPR අනුකූලතාවය ✔
- B) VIN සමඟ සියලුම අමු දත්ත පොදු ආකෘතියට යැවීම
- C) පුද්ගලිකත්වය අදාළ වන්නේ අලෙවිකරණ දත්ත සඳහා පමණි
- D) ස්ථාන දත්ත කිසිවිටෙක පුද්ගලික දත්ත ලෙස නොසැලකේ
විස්තරය: ස්ථානය, රිය පැදවීමේ හැසිරීම සහ චැසි අංකය (VIN) වැනි දත්ත මගින් පුද්ගලයෙකු හඳුනා ගත හැක. වඩාත්ම නිවැරදි ප්රවේශය; දත්ත නිර්නාමික කිරීම/ව්යාජ නම් කිරීම, අවශ්ය දේ පමණක් එකතු කිරීම (දත්ත අවම කිරීම), අරමුණු සීමා කිරීම සහ KVKK/GDPR අනුකූලතාවය. අමු VIN හෝ ස්ථානය තෙවන පාර්ශවීය මෙවලම් වෙත යැවීම අවදානම් සහිතයි.
14. නිෂ්පාදනයට යොදවා ඇති AI ආකෘතියක 'දත්ත ප්ලාවිතය' නිරීක්ෂණය කිරීම අවශ්ය වන්නේ ඇයි?
- A) ආකෘතිය පුහුණු කළ පසු, එය දින නියමයක් නොමැතිව එකම කාර්ය සාධනය ලබා දෙයි.
- B) කාලයත් සමඟ ආදාන ව්යාප්තිය වෙනස් වන විට කාර්ය සාධනය නිශ්ශබ්දව අඩු වේ; නැවත පුහුණු කිරීම ආරම්භ කළ යුතුය ✔
- C) Drift යනු දෘඪාංගයේ භෞතික කම්පනය පමණි
- D) ආකෘතිය ස්වයංක්රීයව යාවත්කාලීන වන බැවින් අධීක්ෂණය අනවශ්යයි
පැහැදිලි කිරීම: සැබෑ ලෝකයේ වෙනස්කම් (නව කොටස් සැපයුම්කරු, වාරය, නව වාහන ආකෘතිය); ආදාන ව්යාප්තිය පුහුණු කාලයෙන් ඉවතට ගමන් කරන විට ආදර්ශ කාර්ය සාධනය නිහඬව අඩු වේ. ප්ලාවිත නිරීක්ෂණය සහ කාර්ය සාධන ප්රමිතික මගින් නැවත පුහුණු කිරීම ආරම්භ වේ. 'එය සකසන්න සහ එය අමතක කරන්න' ප්රවේශය මෝටර් රථවල අවදානම් සහිතයි.