Integrimi nga fundi në fund, MLOps dhe përgjegjësia e inxhinierit

Fitimet:

• Aftësia për të hartuar një projekt automobilistik të mbështetur nga AI nga koncepti në prodhim dhe për ta mbajtur atë me një cikël monitorimi
• Aftësia për të vlerësuar menaxhimin e versionit të modelit, zhvendosjen e të dhënave dhe nevojat për rikualifikim
• Aftësia për të shkallëzuar AI në mënyrë të sigurt duke ruajtur llogaridhënien, gjurmueshmërinë dhe dokumentacionin gjatë gjithë projektit

Në njësinë e fundit të këtij moduli, ne i bashkojmë të gjitha pjesët. Ne kemi parë se si inteligjenca artificiale përdoret në njësi individuale, nga dizajni në prodhim, nga testimi në zinxhirin e furnizimit. Por në një projekt real, këto nuk janë hapa të izoluar, por një cikël jetësor: mblidhen të dhëna, ndërtohet modeli, hidhet në prodhim, monitorohet dhe kur vjetërohet, rinovohet. Disiplina e mbajtjes së këtij cikli quhet MLOps (Makine Learning Operations). Kjo njësi mbulon ngritjen, mirëmbajtjen dhe mbajtjen e llogaridhënies për një projekt automobilistik të fuqizuar nga AI nga fundi në fund.

Cikli i jetës së një projekti të AI

Një rrjedhë tipike nga fundi në fund në një kontekst automobilistik:

1. Përkufizimi i problemit dhe i vlerës: Çfarë problemi biznesi po zgjidhim? Si matet suksesi? A është ky një funksion kritik për sigurinë?
2. Mbledhja dhe etiketimi i të dhënave: Burimet (CAN, testimi, prodhimi, telematika), cilësia, konfidencialiteti.
3. Zhvillimi i modelit: Atributi, modeli, verifikimi (kontrolli i rrjedhjeve, konsistenca e njësisë).
4. Verifikimi dhe vlerësimi i sigurisë: Testim i pavarur nëse kërkohet ISO 26262/SOTIF.
5. Vendosja: Vendosja e modelit në pajisje, në linjë ose në renë kompjuterike.
6. Monitorimi: Performanca, zhvendosja e të dhënave, saktësia e alarmit.
7. Rikualifikim: Përditësimi i modelit kur ai bëhet i vjetër.
8. Dokumentacioni dhe gjurmueshmëria: Regjistrimi i çdo hapi; kush, kur, pse.

Ky cikël nuk përfundon një herë e përgjithmonë; rrotullohet vazhdimisht. Në automobil, është e rrezikshme të "vendosësh dhe harrosh" një model.

Këshillë: Kur filloni projektin, "kush do ta monitorojë këtë model pasi të jetë në terren, me çfarë metrike dhe sa shpesh?" Nëse nuk mund t'i përgjigjeni pyetjes, modeli nuk është ende gati për prodhim.

Menaxhimi i versionit të modelit dhe gjurmueshmëria

Gjurmueshmëria në automobil nuk është një luks, por shpesh një detyrim ligjor. Kur lind një problem, duhet të jeni në gjendje t'i përgjigjeni pyetjes "çfarë versioni modeli, me çfarë të dhënash është trajnuar, kush e ka miratuar?" Praktikat e mira:

• Versionimi i modelit: Numri, të dhënat e trajnimit dhe data e secilit model regjistrohen.
• Versionimi i të dhënave: Të dhënat mbi të cilat është trajnuar janë ngrirë.
• Ditari i vendimeve: Aprovimi është dhënë nga kush dhe me çfarë dëshmie.
• Plani i rikthimit: Nëse modeli i ri rezulton i keq, mund të ktheheni te ai i vjetër.

artikull

Pse është e nevojshme

Rrezik nëse mungon

Versioni i modelit

Cili version është në fushë?

Problemi nuk mund të gjurmohet

Versioni i të dhënave

Me çfarë ishte stërvitur?

jo e riprodhueshme

Procesverbali i miratimit

Kush është përgjegjës?

nuk mund të mbahet përgjegjës

zhbëj

Kthimi nga versioni i keq

Kohë e gjatë joproduktive në fushë

Zhvendosja e të dhënave dhe prishja e modelit

Një model është një pamje e botës në të cilën është trajnuar. Por bota ndryshon: një furnizues i ri i pjesëve sjell një tolerancë të ndryshme të sensorëve, një model i ri automjeti del, ndryshojnë stinët, ndryshojnë zakonet e drejtimit. Performanca e modelit zvogëlohet në heshtje ndërsa shpërndarja e të dhënave hyrëse largohet nga koha e trajnimit. Kjo zhvendosje e të dhënave dhe rënia e performancës që rezulton quhet prishje e modelit.

Rreziku është se kjo rënie është e heshtur: modeli nuk shembet, nuk bën gabime, thjesht gabohet gjithnjë e më shumë. Prandaj:

• Monitoroni shpërndarjen e hyrjes (zbulimi i lëvizjes).
• Monitoroni matjet e performancës me rezultate reale (a ishin të sakta alarmet?).
• Aktivizoni rikualifikimin kur tejkalohet pragu.

Kujdes: Supozimi se "pasi të trajnohet modeli, ai jep të njëjtën performancë përgjithmonë" është i gabuar dhe i rrezikshëm në automobil. Një model i vënë në prodhim pa monitorim të lëvizjes mund të bëhet pa vetëdije jo i besueshëm.

Skenari i shembullit nga fundi në fund: flota parashikuese e mirëmbajtjes

Le ta konkretizojmë. Po instaloni një sistem paralajmërimi të hershëm të dështimit të turbos për një flotë mallrash:

1. Vlera: Zvogëloni kohën e joproduktive dhe kostot e tërheqjes; sukses = defekti aktual/balanca e alarmit të rremë u kap.
2. Të dhënat: sinjalet CAN të 40 automjeteve, të dhënat historike të defekteve; VIN është anonimizuar.
3. Modeli: Anomali + RUL; parandalohet rrjedhja e serive kohore; Është paraqitur diapazoni i pasigurisë.
4. Verifikimi: Testimi i pasaktë i gabimeve të së kaluarës; Kostoja e alarmit të rremë u peshua.
5. Prodhimi: Rezultati ditor në re; panel tek tekniku.
6. Monitorimi: Kontrolli i lëvizjes kur shtohet një model i ri automjeti; saktësia e alarmit javore.
7. Rikualifikim: Përditësim tremujor me llojin e ri të automjetit dhe shembuj të rinj defektesh.
8. Dokumentacioni: Versioni model, versioni i të dhënave, inxhinieri certifikues i regjistruar.

Asnjë hap në këtë rrjedhë nuk thotë "AI vendosi, u krye"; Një person është përgjegjës për çdo fazë.

Mini raste studimore

Rasti 1 - Prishje e heshtur. Një model i kontrollit të cilësisë funksionon mirë për një vit, pastaj shkalla e rrjedhjeve rritet ngadalë. Shkaku kryesor: Kur furnizuesi ndryshoi, struktura e sipërfaqes së pjesës u bë paksa e ndryshme (drift), dhe modeli filloi të mendonte se kjo ishte "normale". Është vendosur monitorimi i lëvizjes dhe modeli është ritrajnuar. Rezultati: Pa monitorim, cenueshmëria do të kishte kaluar pa u vënë re për muaj të tërë.

Rasti 2 - Gjurmueshmëria u ruajt. Një denoncim i rremë po vjen nga terreni. Nga regjistri i vendimeve, ekipi zbulon se cili version i modelit funksionon me cilat të dhëna; Ai zbulon se problemi vjen nga përcaktimi i pragut në një version të caktuar dhe e kthen atë version. Rezultati: Nëse nuk kishte version dhe regjistrim vendimi, problemi nuk mund të gjurmohej.

Rasti 3 - Disiplina e rikualifikimit. Kur një model i ri elektrik bashkohet me flotën, modeli ekzistues i mirëmbajtjes parashikuese ngre shumë alarme të rreme në këtë automjet (një grup fuqie që nuk e ka parë kurrë). Përpara vënies në punë të modelit të ri, ekipi kap paralajmërimin e lëvizjes dhe e zgjeron modelin me të dhëna të reja të automjetit. Rezultati: Monitorimi i lëvizjes e kapi herët degradimin që erdhi me produktin e ri.

shabllone të shpejtë

Modeli 1 - Drafti i planit të projektit:

Roli: Udhëheqës i projektit të AI (automotive). Detyra: Më ndihmo të planifikoj një projekt të fuqizuar nga AI nga fundi në fund. Konteksti: Mirëmbajtje parashikuese; Flota prej 40 automjetesh; VIN është anonim. Kufizimi: Konsideroni veçmas hapat e përcaktimit të vlerës, të dhënave, modelit, verifikimit, prodhimit, monitorimit, rikualifikimit dhe dokumentacionit; tregoni se kush është përgjegjës për çdo hap.Output: Hapi | prodhimi | përgjegjës | tabela e rrezikut.

Modeli 2 - Plani i monitorimit:

Roli: Ju jeni një inxhinier MLOps. Detyrë: Rekomandoni një plan monitorimi për një model që po vihet në zbatim. Konteksti: Shpërndarja e inputeve mund të ndryshojë me kalimin e kohës (furnizues i ri, mjet i ri); performanca mund të matet me rezultate reale.Output: Metrikë për të gjurmuar | pragu | veprim që do të shkaktohet.

Shablloni 3 - Vlerësimi Drift:

Roli: Shkencëtar i të dhënave. Detyrë: Shpjegoni se si të zbuloni zhvendosjen e të dhënave dhe kur nevojitet rikualifikim. Konteksti: Modeli i inspektimit vizual të linjës së prodhimit; Mund të ketë një ndryshim në furnizues. Dalja: Sinjali | matje | shkas i rikualifikimit.

Shablloni 4 - Lista kontrolluese e gjurmueshmërisë:

Roli: Ju jeni një auditor i cilësisë/përputhshmërisë. Detyrë: Krijoni një listë kontrolli të gjurmueshmërisë për një model. Konteksti: Automobilistikë; Kur shfaqet një problem, pyetjes 'cili version, cilat të dhëna, kush e ka miratuar' duhet t'i përgjigjet. Produkti: Artikulli | pse eshte e nevojshme | si të ruani grafikun.

Prompt i dobët / Prompt i fortë

Njoftim i dobët:

Vëreni modelin në prodhim.

Pa gjurmim, pa versionim, pa llogaridhënie dhe pa rikthim; Prishja e heshtur dhe problemet e pagjurmueshme janë të pashmangshme.

Njoftim i fuqishëm:

Roli: Ju jeni një MLOps dhe konsulent i cilësisë së automobilave. Detyrë: Krijoj listën e kontrollit që më nevojitet për të vënë me përgjegjësi një model në prodhim. Konteksti: Flota e mirëmbajtjes parashikuese; Llojet e reja të automjeteve shtohen me kalimin e kohës; VIN anonim. Kufizimi: Përfshi monitorimin, zbulimin e zhvendosjes, regjistrimin e versioneve/të dhënave, konfirmimin dhe planin e rikthimit; Tregoni se kush është përgjegjës për çdo artikull; Propozimi 'vendos dhe harro'. Output: Stage | domosdoshmëri | përgjegjës | tabela e rrezikut.

Gabimet e zakonshme

• Qasja "Vendosni dhe harrojeni". Pa monitorim, modeli prishet në heshtje.
• Mos mbajtja e regjistrave të versionit/të dhënave. Problemi nuk mund të gjurmohet apo riprodhohet.
• Asnjë plan rikthimi. Nëse rikuperimi nga një lëshim i keq zgjat shumë, do të ketë një dështim të gjatë në fushë.
• Duke mos pritur për Drift. Furnizuesi/vegla/sezoni i ri prish modelin; monitorimi është thelbësor.
• Duke e lënë të paqartë përgjegjësinë. Përgjigja “kush është përgjegjës” duhet të jetë e qartë në çdo hap.

Në përmbledhje

• Një projekt automobilistik i fuqizuar nga AI nuk është një cikli i vetëm, por një cikël jetësor në lëvizje (MLOps).
• Versionimi i modelit dhe i të dhënave, regjistrimi i vendimeve dhe planifikimi i rikthimit janë thelbësore për gjurmueshmërinë.
• Zhvendosja e të dhënave hedh poshtë në heshtje modelin; inputet dhe performanca duhet të monitorohen dhe rikualifikohen sipas nevojës.
• Në shembullin nga fundi në fund, çdo hap ka një person përgjegjës; Nuk ka asnjë "AI vendosi, ka mbaruar".
• "Vendosni dhe harroni" është e rrezikshme në automobil; monitorimi, dokumentacioni dhe llogaridhënia mbahen gjatë gjithë projektit.

Detyra e aplikimit

Kombinoni atë që keni mësuar në këtë modul në një projekt të vetëm (p.sh. inspektimi vizual i linjës së prodhimit ose mirëmbajtja parashikuese). (1) Hartoni një plan projekti nga fundi në fund me Modelin 1; Shkruani personin përgjegjës për çdo hap. (2) Përcaktoni një plan monitorimi dhe shtytës të zhvendosjes me shabllonin 2. (3) Përgatitni një listë kontrolli gjurmueshmërie me shabllonin 4. (4) Përmblidheni në një paragraf se si i keni aplikuar tre disiplinat ankoruese që nga fillimi i modulit në këtë projekt.

listë kontrolli

• [ ] E kam planifikuar projektin si një cikël jetësor nga fundi në fund.
• [ ] Përcaktova rekordin e vendimit me versionimin e modelit dhe të dhënave.
• [ ] Vendosa një plan monitorimi dhe shkas.
• [ ] Kam përgatitur një plan rikthimi.
• [ ] Unë kam sqaruar se kush është përgjegjës për çdo hap.
• [ ] Unë mbajta tre disiplinat e vërtetimit të ankorimit dhe vërtetimin kritik të sigurisë njerëzore.

Provimi i Modulit

1. Cili është roli i prodhimit të AI në një vendim kritik për sigurinë e automobilave (p.sh. verifikimi i softuerit të frenave)?

• A) Përshpejton analizën, por miratimi dhe përgjegjësia përfundimtare i mbetet inxhinierit kompetent ✔
• B) Nëse ka të dhëna të mjaftueshme, mund të vihet në prodhim pa miratimin e inxhinierit
• C) AI nuk mund të përdoret në asnjë fazë në sistemet kritike si frenat
• D) Nëse saktësia e modelit tejkalon 99%, verifikimi njerëzor është i panevojshëm

Përshkrimi: Inteligjenca artificiale përshpejton analizën, gjeneron zgjidhje dhe përmbledhje të kandidatëve; Megjithatë, vendimi kritik për sigurinë dhe miratimi përfundimtar janë përgjegjësi e inxhinierit kompetent. AI nuk është një zëvendësim për vërtetimin inxhinierik.

2. Cilat janë tre kontrollet e pavarura të përdorura për të testuar rezultatin e një AI në tre disiplinat e vërtetimit të ankorimit?

• A) Gjatësia, gjuha dhe formati i promptit
• B) Dëshmi e rendit të madhësisë, arsyeshmërisë inxhinierike dhe testimit/matjes së pavarur ✔
• C) Madhësia e modelit, koha e trajnimit dhe numri i GPU-ve
• D) Marka e furnizuesit, çmimi dhe koha e dorëzimit

Përshkrimi: Tre spiranca; renditja e madhësisë (kontrolli i rendit), besueshmëria inxhinierike (fizikë/përvojë) dhe verifikimi i kryqëzuar me prova të pavarura të testimit/matjes. Këto tre ofrojnë besim në prova, jo besim në AI.

3. Cili është verifikimi më kritik për rezultatin e një 'modeli zëvendësues' që përshpejton simulimin CFD ose FEA?

• A) Modeli zëvendësues është gjithmonë më i saktë se zgjidhësi i vërtetë
• B) Mjafton vetëm ta bëni renderin të duket estetikisht i këndshëm
• C) Krahasimi me zgjidhjen e referencës dhe pranimi i mosbesueshmërisë gjatë lëvizjes jashtë hapësirës së stërvitjes ✔
• D) Nuk ka nevojë të shikohet pavarësia e rrjetit nëse konvergon një ekzekutim i vetëm

Përshkrimi: Modeli zëvendësues prodhon parashikime të shpejta në vend të zgjidhësit real; por është jo i besueshëm jashtë hapësirës së projektimit në të cilën është trajnuar. Rezultati duhet të verifikohet duke shënuar rajonin e ekstrapolimit me referencë simulimi me besueshmëri të lartë dhe kushte kufitare fizike.

4. Cila është shprehja e saktë për Nivelin 2 (automatizimi i pjesshëm) në nivelet e automatizimit SAE?

• A) Mjeti mund të lëvizë pa shofer në të gjitha kushtet
• B) Sistemi nuk merr përsipër asnjë detyrë drejtimi, vetëm jep paralajmërime
• C) Është në rregull nëse ai nuk është ulur në sediljen e shoferit
• D) Sistemi mbështet drejtimin dhe shpejtësinë, por shoferi ruan mbikëqyrjen dhe përgjegjësinë e vazhdueshme ✔

Përshkrimi: Në Nivelin 2, sistemi mbështet drejtimin dhe shpejtësinë/distancën në të njëjtën kohë, por shoferi ruan mbikëqyrjen e vazhdueshme dhe është gati të marrë drejtimin në çdo kohë; Përgjegjësia është e shoferit. Në nivelin 3 e lart, sistemi merr përsipër detyrat e drejtimit në kushte të caktuara.

5. Pse 'shkalla e arratisjes' është një metrikë kritike në zbulimin e defekteve vizuale në linjën e prodhimit?

• A) Miratimi i pjesës me defekt dhe dërgimi i saj në terren përbën një rrezik sigurie dhe tërheqjeje ✔
• B) Është e rëndësishme vetëm sepse ngadalëson shpejtësinë e linjës
• C) Shkalla e rrjedhjeve është e vlefshme vetëm për defektet e bojës
• D) Shkalla e rrjedhjeve mat kohën e trajnimit të modelit

Përshkrimi: Ilegale; Një pjesë e dëmtuar konsiderohet e përsosur dhe kalon përmes vijës (negativ i rremë). Për një pjesë të sigurisë së automobilave, rrjedhja është shumë më e kushtueshme sesa refuzimi i rremë pasi mund të çojë në dështim ose rikthim në terren; Pragu rregullohet në përputhje me rrethanat.

6. Cili është përdorimi më i saktë i vlerësimit të 'jetës së dobishme të mbetur' (RUL) në mirëmbajtjen parashikuese?

• A) RUL llogaritet vetëm për vajin e motorit
• B) Duhet të paraqitet me një gamë pasigurie dhe të interpretohet sipas dritares së mirëmbajtjes dhe marzhit të sigurisë ✔
• C) Duhet të merret si një vlerë e vetme e saktë ditore dhe nuk duhet bërë asnjë kontroll deri në atë ditë.
• D) Sensorët mund të fiken nëse RUL është i lartë

Përshkrimi: RUL është koha e vlerësuar e mbetur e funksionimit të një komponenti deri në dështim; Duhet të paraqitet me diapazonin e pasigurisë dhe të interpretohet sipas planit të mirëmbajtjes dhe marzhit të sigurisë. Në vend që të mbështetemi verbërisht në një vlerësim të vetëm pikësh, merren parasysh intervali i besimit dhe kostoja e alarmit të rremë.

7. Çfarë duhet të bëjë një inxhinier kur AI tregon një anomali në një regjistrim të testit rrugor në analizën e të dhënave të testit?

• A) Kur shihni anomalinë, testi duhet të konsiderohet automatikisht i pasuksesshëm.
• B) AI nuk duhet t'i shikojë fare të dhënat nëse nuk i ka shënuar
• C) Verifikoni anomalinë me të dhëna të papërpunuara, pasigurinë e matjes dhe përsëritshmërinë ✔
• D) Fshini anomalitë dhe pastroni raportin

Shpjegim: Anomalia që flamujt e AI është një e dhënë, jo një përfundim. Inxhinieri duhet të kontrollojë pasigurinë e matjes, mundësinë e dështimit të sensorit dhe përsëritshmërinë dhe të verifikojë anomalinë me të dhënat e papërpunuara dhe kriteret e pranimit. Pranimi ose refuzimi automatik nuk është i përshtatshëm.

8. Çfarë verifikimi është i detyrueshëm për një ndryshim material të sugjeruar nga AI në një studim të lehtë?

• A) Thjesht duhet të jetë më e lehtë
• B) Një rresht i vetëm në bazën e të dhënave materiale mund të merret si provë
• C) Sjellja e përplasjes është e parëndësishme në materialet me peshë të lehtë
• D) Kërkesat mekanike, lodhje, përplasje, prodhimtari dhe kosto duhet të testohen së bashku ✔

Vërejtje: Rekomandimi i materialit nuk mund të pranohet bazuar vetëm në raportin densitet/fortësi; Karakteristikat mekanike, lodhja, sjellja në përplasje, prodhimtaria, korrozioni, kostoja dhe kërkesat e sigurisë duhet të verifikohen së bashku dhe të konfirmohen nga testimi fizik.

9. Pse 'rreziku me një burim të vetëm' në zinxhirin e furnizimit të automobilave kërkon vëmendje të veçantë në rekomandimet e AI?

• A) Një ndërprerje në një furnizues të vetëm mund të ndalojë të gjithë prodhimin; Burimi i dytë dhe buferi duhet të vlerësohen ✔
• B) Një burim i vetëm është gjithmonë opsioni më i sigurt
• C) Analiza e rrezikut është e panevojshme nëse sugjerohet AI
• D) Rreziku i një burimi të vetëm vlen vetëm për gomën

Shpjegim: Nëse një pjesë vjen nga një furnizues i vetëm, prodhimi ndalon kur ka një problem me atë furnizues. AI mund të rekomandojë një burim të vetëm të optimizimit të kostos; Inxhinieri/planifikuesi duhet ta balancojë këtë me burimet dytësore, buferin e stokut dhe analizën e skenarit. Kostoja nuk është kriteri i vetëm.

10. Çfarë do të thotë 'rrjedhje e të dhënave' gjatë kryerjes së analizave telemetrike me Python dhe pse është e rrezikshme?

• A) Të dhënat rrjedhin nga disku dhe fshihen
• B) Modeli sheh në trajnim informacion që nuk mund të dihet në momentin e parashikimit; Fryn rezultatin, rrëzohet në fushë ✔
• C) Përzierja e ngjyrave grafike
• D) Ndodh vetëm në të dhënat e imazhit

Përshkrimi: Rrjedhje e të dhënave; Kjo është kur modeli sheh në trajnim informacion që nuk mund të njihet në momentin e parashikimit (për shembull, vlerën e ardhshme ose atributin e lidhur me objektivin). Kjo rrit artificialisht rezultatin e testit, por rrëzon performancën në terren. Dallimi i kaluar/e ardhmja duhet të mbahet me përpikëri në seritë kohore.

11. Çfarë përcakton klasifikimi ASIL në kontekstin e sigurisë funksionale ISO 26262?

• A) Shpejtësia maksimale e mjetit
• B) Madhësia e grupit të të dhënave të trajnimit të modelit
• C) ✔ Nivelin e kërkuar të sigurisë sipas ashpërsisë, ekspozimit dhe kontrollueshmërisë së rrezikut.
• D) Vlerësimi i kreditit të furnizuesit

Përshkrimi: ASIL (Niveli i Integritetit të Sigurisë së Automjeteve) përcakton nivelin e masave paraprake të sigurisë (nga A në D, D është më i larti) që kërkon një rrezik bazuar në vlerësimin e tij të ashpërsisë, ekspozimit dhe kontrollueshmërisë. ASIL i lartë kërkon zhvillim, verifikim dhe dokumentacion më të rreptë.

12. Në çfarë mënyre ndryshon ISO 21448 (SOTIF) nga siguria klasike funksionale (ISO 26262)?

• A) Trajton vetëm dështimet e harduerit
• B) Rregullon vetëm licencimin e softuerit
• C) SOTIF është emri i vjetër i ISO 26262
• D) Adreson rreziqet që rrjedhin nga funksionaliteti joadekuat dhe skenarë të panjohur, edhe në mungesë të dështimit ✔

Përshkrimi: Ndërsa ISO 26262 trajton rreziqet që rrjedhin nga keqfunksionimet/gabimet e harduerit dhe softuerit, SOTIF (Siguria e funksionalitetit të synuar) trajton rreziqet që rrjedhin nga zbulimi i pamjaftueshëm, skenarët e panjohur dhe kufizimet funksionale, edhe nëse sistemi nuk funksionon fare; është veçanërisht kritik në zbulimin e bazuar në AI.

13. Cila është qasja më e mirë për sa i përket privatësisë kur punoni me të dhënat e telemetrisë së shoferit dhe automjetit?

• A) Pajtueshmëria e KVKK/GDPR me anonimizimin, minimizimin e të dhënave dhe kufizimin e qëllimit ✔
• B) Dërgimi i të gjitha të dhënave të papërpunuara në modelin publik së bashku me VIN
• C) Privatësia vlen vetëm për të dhënat e marketingut
• D) Të dhënat e vendndodhjes nuk konsiderohen kurrë të dhëna personale

Përshkrimi: Të dhënat si vendndodhja, sjellja e drejtimit dhe numri i shasisë (VIN) mund të identifikojnë një person. Qasja më e saktë; anonimizimi/pseudonimizimi i të dhënave, mbledhja vetëm e asaj që është e nevojshme (minimizimi i të dhënave), kufizimi i qëllimit dhe pajtueshmëria me KVKK/GDPR. Dërgimi i VIN-it ose vendndodhjes së papërpunuar te mjetet e palëve të treta është i rrezikshëm.

14. Pse është e nevojshme të monitorohet 'zhvendosja e të dhënave' në një model AI të vënë në prodhim?

• A) Pasi modeli trajnohet, ai jep të njëjtën performancë për një kohë të pacaktuar.
• B) Performanca zvogëlohet në heshtje ndërsa shpërndarja e inputeve ndryshon me kalimin e kohës; duhet të nxitet rikualifikimi ✔
• C) Drift është vetëm dridhje fizike e harduerit
• D) Monitorimi është i panevojshëm sepse modeli përditësohet vetë automatikisht

Shpjegim: Bota reale ndryshon (furnizuesi i ri i pjesëve, sezoni, modeli i ri i automjetit); Performanca e modelit zvogëlohet në heshtje ndërsa shpërndarja e hyrjes largohet nga koha e trajnimit. Rikualifikimi nxitet nga monitorimi i lëvizjes dhe metrikat e performancës. Qasja 'vendos dhe harro' është e rrezikshme në automobil.