Vinster:
- Förmåga att holistiskt utvärdera de etiska, datasekretess-, upphovsrätts- och arbetskraftsaspekterna av AI-användning i textil
- Förmåga att designa ett system med utsedda mänskliga godkännandepunkter som kombinerar hela modulen i ett end-to-end arbetsflöde
- Förmåga att etablera ett ramverk för styrning, validering och kontinuerliga förbättringar för ansvarsfull AI-användning i en organisation
Modulexamen
1. Vilken av följande är den grundläggande principen som avgör risken för en AI-produktion inom textilteknik?
- A) Risken för en utgång är lika med den skada den skulle orsaka om den utgången var felaktig; valideringsskalor därefter ✔
- B) AI-utdata är i allmänhet säker eftersom den är skriven flytande och säkert
- C) Validering är onödig när den senaste modellen används
- D) Om utgången hänvisar till en standard krävs ingen ytterligare styrning
Förklaring: Risken för en utgång är lika med den skada den kommer att orsaka om den utgången är felaktig. Även om ett misstag i en moodboardidé är ofarligt, kan ett misstag i ett färgningsrecept eller beräkning av tygstyrka leda till partiavfall och risker för arbetarskydd/kontrakt; så verifieringsintensiteten skalar med potentiell skada.
2. En ingenjör är skeptisk till AI-värdet på '85 cN/tex för bomullsgarn' för garnstyrka. Vilken är den snabbaste kontrollen för att bekräfta denna misstanke?
- A) Sätt värdet direkt på rapporten och fråga laboratoriet senare
- B) Gör en jämförelse med det typiska bomullsgarnsortimentet (ungefär 12-22 cN/tex) ✔
- C) Ställer samma fråga från modellen igen och litar på det andra svaret
- D) Acceptera om värdet innehåller en referens till en källa
Beskrivning: Det är en storleksordningskontroll. Styrkan i ringbomullsgarn är typiskt i storleksordningen 12-22 cN/tex; 85 cN/tex är högpresterande syntet/aramidnivå och är fysiskt orimligt för bomull. Denna kontroll tar sekunder och fångar de flesta enhets-/typfel.
3. Vilket av följande är sant för 'Ne' (antal brittisk bomull) bland garnräkningssystemen?
- A) Ju större tråden blir desto tjockare blir den.
- B) Vad är ett direkt system, det fungerar i samma riktning som tex
- C) Vilket indirekt system det är; Ju större antal, desto tunnare tråd ✔
- D) Vad definieras endast för syntetiskt garn
Förklaring: Vilket indirekt numreringssystem: ju större nummer, desto tunnare tråd. Tex och denier är direkta system; Ju större antal, desto tjockare tråd. Att inte känna till denna distinktion leder till allvarliga fel i taltolkningar i AI-utgången.
4. Vad innebär det att ha en hög "falsk negativ"-frekvens i en bildbehandlingsmodell som upptäcker tygdefekter och varför är det kritiskt?
- A) Det defekta tyget anses vara perfekt och levereras till kunden; ✔ Den farligaste typen av kvalitetsfel
- B) Onödig märkning av perfekt tyg som defekt; det minskar bara effektiviteten
- C) Modellen hittar inga fel; alltid ett gott tecken
- D) Låg upplösning på kameran
Förklaring: Ett falskt negativt är när en sann defekt klassificeras som "perfekt". Detta innebär att det felaktiga tyget går till kunden och medför kostnader för retur/rykte. I kvalitetskritiska tillämpningar är tröskeln i allmänhet inställd för att hålla falska negativa låga, och ökade falska positiva resultat elimineras genom mänsklig inspektion.
5. Vad betyder 'Delta E' (ΔE)-värdet i färghantering?
- A) Kostnad per kilo färg
- B) Kriteriet som kvantifierar den totala perceptuella skillnaden mellan två färger ✔
- C) Tygets ljusgenomsläpplighet
- D) Värdet på färgningstemperaturen i grader
Beskrivning: Delta E är kriteriet som kvantifierar den totala perceptuella skillnaden mellan två färger i CIELAB-färgrymden. Små ΔE-värden indikerar att färgerna ligger nära varandra; I textilier definieras parti-till-batch-acceptanstolerans vanligtvis kontraktuellt i termer av ΔE. Därför kräver påståendet att "färgen höll" mätning.
6. Vad kallas det när två prover ser likadana ut under en ljuskälla och olika under en annan ljuskälla, och varför är det viktigt i färghantering?
- A) Metamerism; Färgbekräftelse måste göras under flera standardljuskällor ✔
- B) Fluorescens; färgen ser likadan ut under alla förhållanden
- C) Opacitet; färgskillnaden beror bara på tjockleken
- D) Kalibrering; gäller bara skärmen
Beskrivning: Detta fenomen kallas metamerism. Två färger med olika spektralreflektans kan matcha under viss belysning och divergera i annan belysning. Därför bör färgbekräftelse inte göras på en enda ljuskälla, utan under flera källor (t.ex. D65, TL84, A) i ett standardljusbås.
7. Vilken är den mest kritiska rättsliga kontrollen som ska göras innan kommersiell användning av ett textilmönster framställt med generativ AI?
- A) Minska antalet färger i mönstret
- B) Minska filstorleken på mönstret
- C) Kontrollera för likhet/intrång och upphovsrätt med befintliga skyddade mönster ✔
- D) Spara mönstret endast i hög upplösning
Förklaring: Det är nödvändigt att kontrollera om det producerade mönstret har någon likhet/intrång med befintliga skyddade mönster, varumärken eller upphovsrättsskyddade verk, och att utvärdera osäkerheterna kring modellens träningsdata och utdatarättigheter. Kommersialisering utan att kontrollera originalitet och intrång skapar risk för upphovsrättstvister.
8. Vilken är den mest robusta metoden för att validera AI-utdata för att prognostisera efterfrågan av SKU?
- A) Konvertera enkelpunktsförutsägelsen som ges av modellen till orderkvantiteten som den är
- B) Backtesting med tidigare försäljning och utvärdering av felmarginalen genom affärsbedömningsfilter ✔
- C) Att välja den högsta uppskattningen och behålla överskottslager
- D) Dubbla förutsägelsen om trenden är den mest populära
Förklaring: Prognosen bör backtestas mot tidigare försäljningsförverkligande och filtreras genom affärsmässiga bedömningar med sammanhang som lager, kampanjer, säsongsvariationer, etc. Istället för att blint lita på en enda punkts förutsägelse av modellen, utvärderas felmarginalen och scenarier.
9. Vad är huvudorsaken till beställningen av färgbatch från 'ljus färg till mörk färg' i produktionsschemaläggning?
- A) Mörka färger är billigare
- B) Minska risken för färgkontamination och maskinrengöringstider ✔
- C) Ljusa färger håller längre
- D) Det är bara en estetisk preferens
Förklaring: Om en ljus färg färgas efter en mörk färg i samma maskin ökar risken för rengöring/kontamination och ytterligare tvätttid. Sortering från ljust till mörkt ökar effektiviteten genom att minska risken för färgutsmettning och maskinrengöringstider. AI-rekommendationer bör inkludera denna processbegränsning.
10. När du rapporterar ett tygs miljöavtryck, vad är den korrekta inställningen till ett påstående som "återvunnen polyester minskar vattenanvändningen med 90 %" producerad av AI?
- A) Att lägga påståendet som det är i marknadsföringsexemplaret
- B) Att inte använda påståendet utan verifiering med systemgräns, datakälla och certifikat ✔
- C) Förutsatt att påståendet är starkt om siffran är hög
- D) Runda talet och publicera det
Förklaring: Ett sådant påstående är meningslöst utan att specificera systemgränsen (vagga-till-grind eller gate-till-grind), datakälla och omfattning; Den måste baseras på verifierbar LCA-data och certifiering. Annars kan greenwashing och juridisk risk uppstå. Även om AI-siffror verkar rimliga, kommer de från oberoende källor.
11. Vad bör vara det första steget för att verifiera koden som skrivits av AI:n när man analyserar produktionsdata med pandor med Python?
- A) Om koden fungerade utan fel, acceptera resultatet som korrekt
- B) Beräkna uteffekten manuellt och verifiera enheten och logiken på ett litet dataprov ✔
- C) Lägga till koden direkt i produktionsrapporten
- D) Om grafen blir bra, betrakta analysen som avslutad.
Anmärkning: Även om koden fungerar är det inte garanterat att logiken är korrekt; Manuell bokföringskontroll måste göras på enhet, kolumnmatchning och flera rader. Till exempel, vid ett genomsnitt av ytvikt, kan felaktig gruppering eller enhetsförvirring i tysthet ge felaktiga resultat. I ett litet urval är manuell verifiering den snabbaste garantin.
12. Vad är bästa praxis när det gäller datasekretess när man skickar textilproduktionsdata till ett AI-verktyg?
- A) Skicka all faktisk kund- och receptinformation som den är
- B) Anonymisera känslig information och skicka den med representativa etiketter och i enlighet med företagets policy ✔
- C) Att anta att integritet är oviktigt eftersom det finns så mycket data.
- D) Ändra bara filnamnet och skicka innehållet som det är
Förklaring: Känsliga data som kundnamn, recepthemlighet, pris och leverantörsinformation bör anonymiseras eller ges med representativa etiketter (Kund-A, Recept-1). Affärshemligheter och personuppgifter bör inte överföras till en tredjepartsmodell i strid med företagets policyer och avtal.
13. En bildbehandlingsmodell rapporterar 98 % noggrannhet på en produktionslinje men missar många defekter i fältet. Vad är den mest troliga orsaken till detta?
- A) Noggrannheten är missvisande på grund av obalanserade data; Känsligheten (återkallelse) för defektklassen är låg ✔
- B) Modellen går väldigt långsamt
- C) Eftersom kameran är färg
- D) 98% är redan perfekt, problemet ligger hos operatören
Förklaring: När prover med defekter är mycket få i datamängden (obalanserad data), kan modellen uppnå hög noggrannhet genom att kalla allt "perfekt" men kan inte fånga de faktiska defekterna. Därför är enbart noggrannhet vilseledande; Känslighet (återkallelse) och precision för defektklassen bör övervakas.
14. Enligt den nyckelprincip som betonats genom hela modulen, vilken roll har AI i säkerhets- och avtalskritiska textilbeslut?
- A) AI kan fatta kritiska beslut på egen hand eftersom den är snabb
- B) AI är en assistent; kritiska beslut verifieras av behörig ingenjörsgodkännande och fysisk testning ✔
- C) AI-utgång ersätter den signerade rapporten
- D) Mänsklig bekräftelse är onödig när den senaste modellen används
Beskrivning: AI är en assistent och accelerator; genererar hypoteser, förbereder utkast, fångar upp mönster. Men kritiska beslut som godkännande av målningsrecept, kvalitetsacceptans, utvärdering av styrka/säkerhet kräver kompetent ingenjörsgodkännande och fysisk testning. AI-utdata är inte en ersättning för expertgodkännande.