Vitengo
1. Utangulizi wa Akili Bandia na Nidhamu ya Uthibitishaji katika Uhandisi wa Nguo 2. Vigezo vya Uzalishaji wa Vitambaa na Vitambaa: Uboreshaji na Data na AI 3. Udhibiti wa Ubora na Utambuzi wa Kasoro: Usindikaji wa Picha 4. Usimamizi wa Rangi na Uboreshaji wa Mapishi ya Uchoraji 5. Muundo, Mkusanyiko na Usaidizi wa Usanifu Uzalishaji 6. Uchambuzi wa Mitindo ya Mitindo na Utabiri wa Mahitaji 7. Upangaji na Upangaji wa Uzalishaji 8. Mnyororo wa Ugavi na Usimamizi wa Nyenzo 9. Uendelevu, Nyayo za Mazingira na Mzunguko 10. Uchambuzi wa Takwimu za Nguo na Python 11. Maadili, Faragha, Mipaka na Muunganisho wa Mwisho hadi Mwisho
Kitengo 11 / 11

Maadili, Faragha, Mipaka na Muunganisho wa Mwisho hadi Mwisho

Faida:

  • Uwezo wa kutathmini kikamilifu maadili, faragha ya data, hakimiliki na nyanja za wafanyikazi wa matumizi ya AI katika nguo.
  • Uwezo wa kuunda mfumo na vidokezo vilivyoteuliwa vya kibinadamu ambavyo vinachanganya moduli nzima katika mtiririko wa mwisho hadi mwisho.
  • Uwezo wa kuanzisha utawala, uthibitishaji na mfumo wa uboreshaji unaoendelea kwa matumizi ya AI ya kuwajibika katika shirika

Mtihani wa Moduli

1. Ni ipi kati ya zifuatazo ni kanuni ya msingi ambayo huamua hatari ya pato la AI katika uhandisi wa nguo?

  • A) Hatari ya pato ni sawa na madhara ambayo ingesababisha ikiwa pato hilo lingekuwa na kasoro; mizani ya uthibitishaji ipasavyo ✔
  • B) Matokeo ya AI kwa ujumla ni salama kwani imeandikwa kwa ufasaha na kwa ujasiri
  • C) Uthibitishaji hauhitajiki wakati mtindo wa sasa zaidi unatumiwa
  • D) Ikiwa pato linarejelea kiwango, hakuna udhibiti wa ziada unaohitajika

Ufafanuzi: Hatari ya pato ni sawa na madhara ambayo itasababisha ikiwa pato hilo ni mbaya. Ingawa kosa katika wazo la ubao wa hisia halina madhara, kosa katika kichocheo cha kupaka rangi au hesabu ya nguvu ya kitambaa inaweza kusababisha upotevu wa kundi na hatari za usalama/mkataba wa kazini; kwa hivyo nguvu ya uthibitishaji hupimwa na madhara yanayoweza kutokea.

2. Mhandisi ana shaka na thamani ya AI ya '85 cN/tex kwa uzi wa pamba' kwa uimara wa uzi. Je, ni ukaguzi gani wa haraka zaidi wa kuthibitisha tuhuma hii?

  • A) Weka thamani moja kwa moja kwenye ripoti na uulize maabara baadaye
  • B) Fanya mpangilio wa ukubwa wa kulinganisha na safu ya kawaida ya uzi wa pamba (takriban 12-22 cN/tex) ✔
  • C) Kuuliza swali lile lile kutoka kwa modeli tena na kuamini jibu la pili
  • D) Kubali ikiwa thamani ina rejeleo la chanzo

Maelezo: Ni utaratibu wa udhibiti wa ukubwa. Nguvu katika uzi wa pamba ya pete ni kawaida kwa utaratibu wa 12-22 cN/tex; 85 cN/tex ni kiwango cha juu cha utendakazi wa sintetiki/aramid na haikubaliki kwa pamba. Ukaguzi huu huchukua sekunde na hupata hitilafu nyingi za kitengo/aina.

3. Ni ipi kati ya zifuatazo ni kweli kwa 'Ne' (hesabu ya pamba ya Uingereza) kati ya mifumo ya kuhesabu uzi?

  • A) Kadiri nyuzi inavyokuwa kubwa, ndivyo inavyozidi kuwa nene.
  • B) Mfumo wa moja kwa moja ni nini, unafanya kazi kwa mwelekeo sawa na tex
  • C) Ni mfumo gani usio wa moja kwa moja; Kadiri nambari inavyokuwa kubwa, ndivyo nyuzi inavyopungua ✔
  • D) Ni nini kinachofafanuliwa tu kwa uzi wa syntetisk

Ufafanuzi: Ni mfumo gani wa kuhesabu usio wa moja kwa moja: idadi kubwa, nyuzi nyembamba. Tex na denier ni mifumo ya moja kwa moja; Nambari kubwa, thread ni nene. Kutokujua tofauti hii husababisha makosa makubwa katika tafsiri za nambari katika matokeo ya AI.

4. Inamaanisha nini kuwa na kiwango cha juu cha 'hasi ya uwongo' katika modeli ya uchakataji wa picha ambayo hutambua kasoro za kitambaa na kwa nini ni muhimu?

  • A) Kitambaa kilicho na kasoro kinachukuliwa kuwa kamili na kinawasilishwa kwa mteja; ✔ Aina hatari zaidi ya makosa katika ubora
  • B) Uwekaji alama usio wa lazima wa kitambaa kamili kama chenye kasoro; inapunguza tu ufanisi
  • C) Mfano huoni makosa; daima ni ishara nzuri
  • D) Azimio la chini la kamera

Maelezo: Hasi ya uwongo ni wakati kasoro ya kweli inapoainishwa kama 'kamilifu'. Hii ina maana kwamba kitambaa kibaya huenda kwa mteja na huingiza gharama za kurejesha / sifa. Katika matumizi muhimu ya ubora, kizingiti kwa ujumla huwekwa ili kuweka hasi za uwongo chini, na kuongezeka kwa chanya za uwongo huondolewa na ukaguzi wa kibinadamu.

5. Je, thamani ya 'Delta E' (ΔE) inamaanisha nini katika usimamizi wa rangi?

  • A) Gharama kwa kila kilo ya rangi
  • B) Kigezo kinachokadiria tofauti ya jumla ya kiakili kati ya rangi mbili ✔
  • C) Upitishaji wa mwanga wa kitambaa
  • D) Thamani ya joto la dyeing katika digrii

Maelezo: Delta E ni kigezo kinachobainisha tofauti ya jumla ya kiakili kati ya rangi mbili katika nafasi ya rangi ya CIELAB. Thamani ndogo za ΔE zinaonyesha kuwa rangi ziko karibu; Katika nguo, uvumilivu wa kukubalika batch-to-betch kawaida hufafanuliwa kimkataba kulingana na ΔE. Kwa hivyo, madai kwamba 'rangi iliyoshikiliwa' inahitaji kipimo.

6. Inaitwaje wakati sampuli mbili zinaonekana sawa chini ya chanzo kimoja cha mwanga na tofauti chini ya chanzo kingine cha mwanga, na kwa nini ni muhimu katika usimamizi wa rangi?

  • A) Metamerism; Uthibitishaji wa rangi lazima ufanyike chini ya vyanzo vingi vya kawaida vya mwanga ✔
  • B) Fluorescence; rangi inaonekana sawa katika hali zote
  • C) Uwazi; tofauti ya rangi inategemea tu unene
  • D) Urekebishaji; inahusu skrini pekee

Maelezo: Jambo hili linaitwa metamerism. Rangi mbili zilizo na uakisi tofauti wa spectral zinaweza kuendana chini ya mwanga fulani na kutofautiana katika mwanga mwingine. Kwa hivyo, uthibitishaji wa rangi haupaswi kufanywa kwenye chanzo kimoja cha mwanga, lakini chini ya vyanzo vingi (k.m. D65, TL84, A) katika kibanda cha kawaida cha mwanga.

7. Je, ni ukaguzi gani muhimu zaidi wa kisheria unaopaswa kufanywa kabla ya matumizi ya kibiashara ya muundo wa nguo unaozalishwa na AI generative?

  • A) Kupunguza idadi ya rangi ya muundo
  • B) Kupunguza ukubwa wa faili ya muundo
  • C) Kukagua kufanana/ukiukaji na hakimiliki na miundo iliyopo iliyolindwa ✔
  • D) Hifadhi muundo tu katika azimio la juu

Ufafanuzi: Ni muhimu kuangalia ikiwa muundo uliotolewa una ulinganifu/ukiukaji wowote wa miundo iliyopo iliyolindwa, chapa za biashara au kazi zilizo na hakimiliki, na kutathmini kutokuwa na uhakika kuhusu data ya mafunzo ya modeli na haki za matokeo. Kufanya biashara bila kuangalia uhalisi na ukiukaji huleta hatari ya kushtakiwa kwa hakimiliki.

8. Ni ipi mbinu thabiti zaidi ya kuthibitisha pato la AI katika mahitaji ya utabiri na SKU?

  • A) Kubadilisha utabiri wa nukta moja uliotolewa na modeli kuwa idadi ya mpangilio kama ilivyo
  • B) Kuegemea nyuma na mauzo ya zamani na kutathmini ukingo wa makosa kupitia kichujio cha uamuzi wa biashara ✔
  • C) Kuchagua makadirio ya juu zaidi na kuweka akiba ya ziada
  • D) Utabiri mara mbili ikiwa mwelekeo ndio maarufu zaidi

Ufafanuzi: Utabiri unapaswa kupimwa dhidi ya utambuzi wa mauzo uliopita na kuchujwa kupitia uamuzi wa biashara kwa muktadha kama vile hesabu, kampeni, msimu, n.k. Badala ya kuamini kwa upofu utabiri wa hoja moja ya muundo, ukingo wa makosa na matukio hutathminiwa.

9. Ni sababu gani kuu ya kuagiza bechi ya rangi kutoka 'rangi nyepesi hadi rangi nyeusi' katika upangaji wa utayarishaji?

  • A) Rangi nyeusi ni nafuu
  • B) Kupunguza hatari ya uchafuzi wa rangi na nyakati za kusafisha mashine ✔
  • C) Rangi nyepesi hudumu kwa muda mrefu
  • D) Ni upendeleo wa uzuri tu

Maelezo: Ikiwa rangi nyepesi itatiwa rangi baada ya rangi nyeusi kwenye mashine hiyo hiyo, hatari ya kusafisha/kuchafuliwa na muda wa ziada wa kuosha huongezeka. Kupanga kutoka mwanga hadi giza huongeza ufanisi kwa kupunguza hatari ya kupaka rangi na nyakati za kusafisha mashine. Mapendekezo ya AI yanapaswa kujumuisha kizuizi hiki cha mchakato.

10. Wakati wa kuripoti alama ya mazingira ya kitambaa, ni mtazamo gani sahihi kwa dai kama vile 'poliesta iliyosindikwa inapunguza matumizi ya maji kwa 90%' inayozalishwa na AI?

  • A) Kuweka dai kama lilivyo kwenye nakala ya uuzaji
  • B) Kutotumia dai bila uthibitishaji na mpaka wa mfumo, chanzo cha data na cheti ✔
  • C) Kuchukulia dai ni kali ikiwa nambari ni kubwa
  • D) Zungusha nambari na uchapishe

Ufafanuzi: Madai kama haya hayana maana bila kubainisha mpaka wa mfumo (cradle-to-gate or gate-to-gate), chanzo na upeo wa data; Ni lazima iwe kulingana na data na uthibitisho wa LCA unaoweza kuthibitishwa. Vinginevyo, kuosha kijani na hatari ya kisheria inaweza kutokea. Ingawa nambari za AI zinaonekana kuwa sawa, zinapatikana kwa kujitegemea.

11. Ni hatua gani ya kwanza inapaswa kuwa ya kuthibitisha nambari iliyoandikwa na AI wakati wa kuchambua data ya uzalishaji kwa kutumia panda na Python?

  • A) Ikiwa nambari ilifanya kazi bila makosa, ukubali matokeo kama sahihi
  • B) Kokotoa towe wewe mwenyewe na uthibitishe kitengo na mantiki kwenye sampuli ndogo ya data ✔
  • C) Kuongeza msimbo moja kwa moja kwenye ripoti ya uzalishaji
  • D) Ikiwa grafu itageuka kuwa nzuri, fikiria uchanganuzi uliokamilishwa.

Remark: Hata kama kanuni inafanya kazi, haijahakikishiwa kuwa mantiki ni sahihi; Ukaguzi wa uhasibu wa mwongozo lazima ufanyike kwenye kitengo, kulinganisha safu na safu kadhaa. Kwa mfano, wakati wastani wa sarufi, kambi isiyo sahihi au mkanganyiko wa kitengo unaweza kutoa matokeo yasiyo sahihi kimyakimya. Katika sampuli ndogo, uthibitishaji wa mikono ndio uhakikisho wa haraka zaidi.

12. Ni mbinu gani bora zaidi katika suala la faragha ya data wakati wa kutuma data ya utengenezaji wa nguo kwa zana ya AI?

  • A) Tuma taarifa zote za mteja na maagizo kama yalivyo
  • B) Usitambulishe habari nyeti na uitume kwa lebo za uwakilishi na kwa mujibu wa sera ya shirika ✔
  • C) Kuchukulia kuwa faragha sio muhimu kwa sababu kuna data nyingi.
  • D) Badilisha tu jina la faili na utume yaliyomo kama ilivyo

Ufafanuzi: Data nyeti kama vile jina la mteja, siri ya mapishi, bei na maelezo ya msambazaji yanafaa kufichuliwa au kutolewa kwa lebo wakilishi (Mteja-A, Kichocheo-1). Siri za biashara na data ya kibinafsi haipaswi kuhamishiwa kwa muundo wa watu wengine kwa kukiuka sera na makubaliano ya shirika.

13. Muundo wa kuchakata picha huripoti usahihi wa 98% kwenye laini ya uzalishaji lakini hukosa kasoro nyingi katika uga. Ni sababu gani inayowezekana zaidi ya hii?

  • A) Usahihi ni wa kupotosha kwa sababu ya data isiyo na usawa; Usikivu (kumbuka) wa darasa la kasoro ni chini ✔
  • B) Mfano unakimbia polepole sana
  • C) Kwa sababu kamera ni rangi
  • D) 98% tayari ni kamili, tatizo ni kwa operator

Maelezo: Wakati sampuli zilizo na kasoro ni chache sana katika seti ya data (data isiyosawazishwa), modeli inaweza kufikia usahihi wa juu kwa kuita kila kitu 'kamili' lakini haiwezi kunasa kasoro halisi. Kwa hiyo usahihi pekee ni wa kupotosha; Usikivu (kumbuka) na usahihi kwa darasa la kasoro inapaswa kufuatiliwa.

14. Kulingana na kanuni kuu iliyosisitizwa katika moduli yote, ni nini nafasi ya AI katika usalama na maamuzi ya nguo muhimu ya kandarasi?

  • A) AI inaweza kufanya maamuzi muhimu peke yake kwa sababu ni haraka
  • B) AI ni msaidizi; maamuzi muhimu yanathibitishwa na idhini ya mhandisi mwenye uwezo na majaribio ya kimwili ✔
  • C) Pato la AI huchukua nafasi ya ripoti iliyosainiwa
  • D) Uthibitisho wa kibinadamu hauhitajiki wakati mtindo wa sasa zaidi unatumiwa

Maelezo: AI ni msaidizi na kuongeza kasi; huzalisha dhana, huandaa rasimu, hupata mifumo. Hata hivyo, maamuzi muhimu kama vile idhini ya mapishi ya kupaka rangi, kukubalika kwa ubora, tathmini ya nguvu/usalama yanahitaji idhini ya mhandisi stadi na majaribio ya kimwili. Utoaji wa AI sio mbadala wa idhini ya mtaalamu.

Iliyotangulia Kamilisha moduli