Ujumuishaji wa Mwisho hadi Mwisho, MLOps na Wajibu wa Mhandisi — Akili Bandia katika Uhandisi wa Magari

Faida:

Uwezo wa kubuni mradi wa magari unaoungwa mkono na AI kutoka dhana hadi uzalishaji na kuudumisha kwa mzunguko wa ufuatiliaji
Uwezo wa kutathmini usimamizi wa toleo la kielelezo, kusogea kwa data na mahitaji ya mafunzo upya
Uwezo wa kuongeza AI kwa usalama wakati wa kudumisha uwajibikaji, ufuatiliaji na nyaraka katika mradi wote

Katika kitengo cha mwisho cha moduli hii, tunaleta vipande vyote pamoja. Tumeona jinsi akili ya bandia inavyotumika katika vitengo vya mtu binafsi, kutoka kwa muundo hadi uzalishaji, kutoka kwa majaribio hadi mnyororo wa usambazaji. Lakini katika mradi halisi, haya sio hatua za pekee, lakini mzunguko wa maisha: data inakusanywa, mfano umejengwa, umewekwa katika uzalishaji, unafuatiliwa, na unapozeeka, unafanywa upya. Nidhamu ya kudumisha mzunguko huu inaitwa MLOps (Operesheni za Kujifunza kwa Mashine). Kitengo hiki kinashughulikia kusanidi, kudumisha, na kudumisha uwajibikaji kwa mradi wa magari unaoendeshwa na AI kutoka mwisho hadi mwisho.

Mzunguko wa maisha wa mradi wa AI

Mtiririko wa kawaida wa mwisho hadi mwisho katika muktadha wa gari:

Ufafanuzi wa tatizo na thamani: Je, ni tatizo gani la biashara tunalotatua? Je, mafanikio yanapimwaje? Je, hii ni kazi muhimu ya kiusalama?
Mkusanyiko wa data na uwekaji lebo: Vyanzo (CAN, majaribio, uzalishaji, telematiki), ubora, usiri.
Ukuzaji wa mfano: Sifa, modeli, uthibitishaji (udhibiti wa uvujaji, uthabiti wa kitengo).
Tathmini ya uthibitishaji na usalama: Majaribio ya kujitegemea ikiwa ISO 26262/SOTIF inahitajika.
Usambazaji: Kupeleka kielelezo kwa kifaa, kwenye laini, au kwenye wingu.
Ufuatiliaji: Utendaji, utelezi wa data, usahihi wa kengele.
Kujizoeza tena: Kusasisha modeli inapozeeka.
Nyaraka na ufuatiliaji: Rekodi ya kila hatua; nani, lini, kwanini.

Mzunguko huu hauishi mara moja na kwa wote; huzunguka mara kwa mara. Katika magari, ni hatari "kuweka na kusahau" mfano.

Kidokezo: Wakati wa kuanzisha mradi, "ni nani atafuatilia mtindo huu mara tu utakapokuwa kwenye uwanja, kwa kutumia kipimo gani, na mara ngapi?" Ikiwa huwezi kujibu swali, mtindo hauko tayari kwa uzalishaji bado.

Udhibiti wa toleo la mfano na ufuatiliaji

Ufuatiliaji katika magari sio anasa, lakini mara nyingi ni wajibu wa kisheria. Tatizo linapotokea, unapaswa kuwa na uwezo wa kujibu swali "ni toleo gani la mfano, ni data gani ilifunzwa, ni nani aliyeidhinisha?" Mazoea mazuri:

Utoaji wa muundo: nambari ya kila modeli, data ya mafunzo na tarehe hurekodiwa.
Utoaji wa data: Data ambayo ilifunzwa imesitishwa.
Kumbukumbu ya uamuzi: Idhini ilitolewa na nani na kwa ushahidi gani.
Mpango wa kurudi nyuma: Ikiwa mtindo mpya unageuka kuwa mbaya, unaweza kurudi kwa zamani.

kipengee

Kwa nini ni lazima

Hatari ikiwa haipo

Toleo la mfano

Ni toleo gani liko kwenye uwanja?

Tatizo haliwezi kufuatiliwa

Toleo la data

Alifunzwa na nini?

haiwezi kuzaliana

Rekodi ya idhini

Nani anawajibika?

hawezi kuwajibishwa

tengua

Rudi kutoka kwa toleo mbaya

Muda mrefu wa kupumzika kwenye uwanja

Mtiririko wa data na uozo wa muundo

Mfano ni taswira ya ulimwengu ambamo umefunzwa. Lakini ulimwengu unabadilika: msambazaji mpya wa sehemu huleta uvumilivu wa sensor tofauti, mtindo mpya wa gari hutoka, mabadiliko ya misimu, tabia ya kuendesha gari inabadilika. Utendaji wa modeli hupungua kimyakimya kadiri usambazaji wa data ya ingizo unavyosogea kutoka kwa muda wa mafunzo. Utelezi huu wa data na kupungua kwa utendakazi kunaitwa uozo wa modeli.

Hatari ni kwamba kushuka huku ni kimya: mfano hauanguka, haufanyi makosa, inazidi kuwa mbaya zaidi. Kwa hivyo:

Fuatilia usambazaji wa pembejeo (ugunduzi wa drift).
Fuatilia vipimo vya utendakazi kwa matokeo halisi (je kengele zilikuwa sahihi?).
Anzisha mazoezi tena wakati kizingiti kimepitwa.

Tahadhari: Dhana ya kwamba "mara tu kielelezo kitakapofunzwa, kinatoa utendakazi sawa milele" si sahihi na ni hatari katika magari. Kielelezo kilichowekwa katika uzalishaji bila ufuatiliaji wa kuteleza kinaweza kuwa kisichotegemewa bila kujua.

Mfano wa mfano wa mwisho-mwisho: meli za matengenezo zinazotabirika

Hebu tuifanye saruji. Unasakinisha mfumo wa onyo wa mapema wa kushindwa kwa turbo kwa meli ya mizigo:

Thamani: Punguza wakati wa kupumzika na gharama za kuvuta; mafanikio = kosa halisi/salio la kengele la uwongo limenaswa.
Data: Ishara za CAN za magari 40, rekodi za makosa ya kihistoria; VIN haijatambulishwa.
Mfano: Anomaly + RUL; uvujaji wa mfululizo wa wakati umezuiwa; Masafa ya kutokuwa na uhakika yanawasilishwa.
Uthibitishaji: Kurudisha nyuma makosa ya zamani; Gharama ya kengele ya uwongo ilipimwa.
Uzalishaji: Alama ya kila siku katika wingu; jopo kwa fundi.
Ufuatiliaji: Udhibiti wa Drift wakati mtindo mpya wa gari umeongezwa; usahihi wa kengele kila wiki.
Kujizoeza upya: Sasisha kila robo kwa aina mpya ya gari na mifano mipya ya hitilafu.
Uhifadhi: Toleo la mfano, toleo la data, mhandisi anayeidhinisha amesajiliwa.

Hakuna hatua katika mtiririko huu inasema "AI iliamua, imefanywa"; Mtu anawajibika kwa kila hatua.

Uchunguzi mdogo wa kesi

Kesi 1 - kuoza kimya. Mtindo wa kudhibiti ubora hufanya kazi vizuri kwa mwaka mmoja, kisha kiwango cha uvujaji huongezeka polepole. Sababu ya mizizi: Wakati mtoaji alibadilika, muundo wa uso wa sehemu hiyo ukawa tofauti kidogo (drift), na mfano ulianza kufikiria kuwa hii ni "kawaida". Ufuatiliaji wa Drift umeanzishwa na mtindo unafunzwa tena. Matokeo: Bila ufuatiliaji, uwezekano wa kuathirika haungetambuliwa kwa miezi kadhaa.

Kesi ya 2 - Ufuatiliaji umehifadhiwa. Malalamiko ya kengele ya uwongo yanatoka shambani. Kutoka kwa logi ya uamuzi, timu hugundua ni toleo gani la mfano linalofanya kazi na data gani; Inatambua kuwa tatizo linatokana na mpangilio wa kizingiti katika toleo fulani na kurudisha nyuma toleo hilo. Matokeo: Ikiwa hapakuwa na toleo na rekodi ya uamuzi, tatizo halingeweza kufuatiliwa.

Kesi ya 3 - Kufundisha upya nidhamu. Wakati muundo mpya wa umeme unapojiunga na meli, muundo uliopo wa matengenezo ya ubashiri huinua kengele nyingi za uwongo kwenye gari hili (treni ya nguvu ambayo haijawahi kuona). Kabla ya kuagiza muundo mpya, timu inachukua onyo la kuteleza na kupanua muundo kwa data mpya ya gari. Matokeo: Ufuatiliaji wa Drift mapema ulipata uharibifu uliokuja na bidhaa mpya.

violezo vya haraka

Kiolezo cha 1 - Rasimu ya mpango wa mradi:

Jukumu: Kiongozi wa mradi wa AI (ya magari).Kazi: Nisaidie kupanga mradi unaoendeshwa na AI mwisho hadi mwisho.Muktadha: Matengenezo ya ubashiri; Meli ya magari 40; VIN haijulikani.Kizuizi: Zingatia hatua za ufafanuzi wa thamani, data, modeli, uthibitishaji, uzalishaji, ufuatiliaji, mafunzo upya na uwekaji nyaraka kando; onyesha nani anawajibika kwa kila hatua.Pato: Hatua | pato | kuwajibika | meza ya hatari.

Kiolezo cha 2 - Mpango wa Ufuatiliaji:

Jukumu: Wewe ni mhandisi wa MLOps. Kazi: Pendekeza mpango wa ufuatiliaji wa modeli inayowasilishwa. Muktadha: Usambazaji wa pembejeo unaweza kubadilika kwa wakati (mtoa huduma mpya, zana mpya); utendakazi unaweza kupimwa kwa matokeo halisi.Pato: Metric ya kufuatilia | kizingiti | hatua ya kuanzishwa.

Kiolezo cha 3 - Ukadiriaji wa Drift:

Jukumu: Mwanasayansi wa data. Kazi: Eleza jinsi ya kugundua upotofu wa data na wakati mafunzo upya inahitajika. Muktadha: Mfano wa ukaguzi wa kuona wa mstari wa uzalishaji; Kunaweza kuwa na mabadiliko katika mtoaji. Pato: Mawimbi | kipimo | kichochezi cha mafunzo tena.

Kiolezo cha 4 - Orodha hakiki ya Ufuatiliaji:

Jukumu: Wewe ni mkaguzi wa ubora/uzingatiaji. Kazi: Unda orodha ya ufuatiliaji ya modeli. Muktadha: Magari; Tatizo linapotokea, swali 'ni toleo gani, ni data gani, ni nani aliyeidhinisha' linapaswa kujibiwa.Pato: Bidhaa | kwa nini ni lazima | jinsi ya kuhifadhi chati.

Agizo dhaifu / Ukumbusho thabiti

Agizo dhaifu:

Weka mfano katika uzalishaji.

Hakuna ufuatiliaji, hakuna toleo, hakuna uwajibikaji na hakuna kurudi nyuma; Uozo wa kimya na shida zisizoweza kuepukika haziepukiki.

Agizo lenye nguvu:

Jukumu: Wewe ni MLOps na mshauri wa ubora wa magari. Kazi: Unda orodha ninayohitaji kuweka kielelezo kwa uwajibikaji katika uzalishaji. Muktadha: Meli ya matengenezo ya ubashiri; Aina mpya za gari huongezwa kwa wakati; VIN bila jina.Kizuizi: Jumuisha ufuatiliaji, utambuzi wa drift, uwekaji kumbukumbu wa toleo/data, uthibitishaji na mpango wa kurejesha; Taja nani anawajibika kwa kila kipengele; 'iweke na uisahau' pendekezo.Pato: Hatua | hitaji | kuwajibika | meza ya hatari.

Makosa ya kawaida

"Weka na uisahau" mbinu. Bila ufuatiliaji, mtindo huoza kimya kimya.
Kutoweka rekodi za toleo/data. Tatizo haliwezi kufuatiliwa au kutolewa tena.
Hakuna mpango wa kurejesha. Ikiwa urejesho kutoka kwa kutolewa mbaya huchukua muda mrefu, kutakuwa na kushindwa kwa muda mrefu kwenye shamba.
Sio kusubiri Drift. Mtoa huduma mpya/zana/msimu huvuruga muundo; ufuatiliaji ni muhimu.
Kuacha wajibu wazi. Jibu la "nani anawajibika" linapaswa kuwa wazi katika kila hatua.

Kwa muhtasari

Mradi wa magari unaoendeshwa na AI sio wa mara moja bali mzunguko wa maisha (MLOps).
Uundaji wa muundo na data, uwekaji kumbukumbu kwa uamuzi, na upangaji wa urejeshaji ni muhimu kwa ufuatiliaji.
Data drift kimya kimya kukanusha mfano; pembejeo na utendaji unapaswa kufuatiliwa na kufunzwa tena inapobidi.
Katika mfano wa mwisho hadi mwisho, kila hatua ina mtu anayewajibika; Hakuna "AI iliyoamua, imekwisha".
"Kuweka na kusahau" ni hatari katika magari; ufuatiliaji, uwekaji kumbukumbu na uwajibikaji unadumishwa katika mradi mzima.

Jukumu la maombi

Changanya ulichojifunza katika sehemu hii kuwa mradi mmoja (k.m. ukaguzi wa kuona wa mstari wa uzalishaji au matengenezo ya ubashiri). (1) Rasimu ya mpango wa mradi wa mwisho hadi mwisho na Kiolezo 1; Andika mtu anayehusika kwa kila hatua. (2) Bainisha mpango wa ufuatiliaji na vichochezi vya kuteleza kwa kutumia Kiolezo 2. (3) Andaa orodha hakiki ya ufuatiliaji ukitumia Kiolezo cha 4. (4) Fupisha katika aya jinsi ulivyotumia taaluma tatu za msingi tangu mwanzo wa moduli hadi mradi huu.

orodha ya ukaguzi

[ ] Nilipanga mradi kama mzunguko wa maisha wa mwisho hadi mwisho.
[ ] Nilifafanua rekodi ya uamuzi kwa kutumia muundo na matoleo ya data.
[ ] Niliweka mpango wa ufuatiliaji na vichochezi vya kuteleza.
[ ] Nilitayarisha mpango wa kurejesha.
[ ] Nimefafanua ni nani anayewajibika kwa kila hatua.
[ ] Nilidumisha taaluma tatu za uthibitishaji na uthibitishaji muhimu wa usalama wa binadamu.

Mtihani wa Moduli

1. Ni nini jukumu la utoaji wa AI katika uamuzi muhimu wa usalama wa gari (k.m. uthibitishaji wa programu ya breki)?

A) Huongeza kasi ya uchanganuzi, lakini idhini ya mwisho na wajibu husalia kwa mhandisi stadi ✔
B) Ikiwa kuna data ya kutosha, inaweza kuwekwa katika uzalishaji bila idhini ya mhandisi
C) AI haiwezi kutumika katika hatua yoyote katika mifumo muhimu kama vile breki
D) Ikiwa usahihi wa mfano unazidi 99%, uthibitishaji wa kibinadamu hauhitajiki

Maelezo: Akili ya Bandia huharakisha uchanganuzi, hutoa suluhisho za wagombea na muhtasari; Hata hivyo, uamuzi muhimu wa usalama na idhini ya mwisho ni wajibu wa mhandisi mwenye uwezo. AI sio mbadala wa uthibitishaji wa mhandisi.

2. Je, ni hundi gani tatu huru zinazotumiwa kupima matokeo ya AI katika taaluma tatu za uthibitishaji wa nanga?

A) Urefu, lugha na muundo wa dodoso
B) Ushahidi wa mpangilio wa ukubwa, busara ya uhandisi na upimaji / kipimo cha kujitegemea ✔
C) Ukubwa wa modeli, muda wa mafunzo na idadi ya GPU
D) Chapa ya muuzaji, bei na wakati wa kujifungua

Maelezo: Nanga tatu; mpangilio wa ukubwa (kuangalia utaratibu), usaidizi wa kihandisi (fizikia/uzoefu) na uthibitisho mtambuka na ushahidi huru wa majaribio/kipimo. Hizi tatu hutoa uaminifu katika ushahidi, sio uaminifu katika AI.

3. Ni uthibitishaji gani muhimu zaidi wa matokeo ya 'mfano mbadala' unaoharakisha uigaji wa CFD au FEA?

A) Mtindo mbadala daima ni sahihi zaidi kuliko kisuluhishi halisi
B) Kufanya tu toleo lionekane la kupendeza inatosha
C) Kulinganisha na suluhisho la kumbukumbu na kukubalika kwa kutoaminika wakati wa kusonga nje ya nafasi ya mafunzo ✔
D) Hakuna haja ya kuangalia uhuru wa mtandao ikiwa kukimbia moja hukutana

Maelezo: Mtindo mbadala hutoa utabiri wa haraka badala ya kisuluhishi halisi; lakini haiwezi kutegemewa nje ya nafasi ya kubuni ambayo ilifunzwa. Matokeo yanapaswa kuthibitishwa kwa kuashiria eneo la ziada kwa marejeleo ya uaminifu wa hali ya juu na hali ya mipaka ya kimwili.

4. Ni usemi gani sahihi wa Kiwango cha 2 (uendeshaji otomatiki sehemu) katika viwango vya otomatiki vya SAE?

A) Gari linaweza kuendesha bila dereva katika hali zote
B) Mfumo haufanyi kazi yoyote ya kuendesha gari, hutoa maonyo tu
C) Ni sawa ikiwa hajakaa kwenye kiti cha dereva
D) Mfumo unaunga mkono uendeshaji na kasi, lakini dereva huhifadhi usimamizi na wajibu wa mara kwa mara ✔

Maelezo: Katika Kiwango cha 2 mfumo unaunga mkono uendeshaji na kasi / umbali kwa wakati mmoja, lakini dereva huhifadhi usimamizi wa mara kwa mara na yuko tayari kuchukua wakati wowote; Wajibu ni wa dereva. Katika ngazi ya 3 na zaidi, mfumo unachukua majukumu ya kuendesha gari katika hali fulani.

5. Kwa nini 'kiwango cha kutoroka' ni kipimo muhimu katika utambuzi wa kasoro ya kuona kwenye njia ya uzalishaji?

A) Kuidhinisha sehemu yenye kasoro na kuituma uwanjani kunaleta hatari ya usalama na kukumbuka ✔
B) Ni muhimu tu kwa sababu inapunguza kasi ya mstari
C) Kiwango cha uvujaji ni halali tu kwa kasoro za rangi
D) Kiwango cha uvujaji hupima muda wa mafunzo wa modeli

Maelezo: Haramu; Sehemu yenye kasoro inachukuliwa kuwa kamili na inapita kwenye mstari (hasi ya uwongo). Kwa sehemu ya usalama wa gari, uvujaji ni ghali zaidi kuliko kukataliwa kwa uwongo kwani kunaweza kusababisha kutofaulu au kukumbuka kwenye uwanja; Kizingiti kinarekebishwa ipasavyo.

6. Je, ni matumizi gani sahihi zaidi ya makadirio ya 'maisha ya manufaa yaliyobaki' (RUL) katika matengenezo ya ubashiri?

A) RUL imehesabiwa kwa mafuta ya injini tu
B) Inapaswa kuwasilishwa kwa safu ya kutokuwa na uhakika na kufasiriwa kulingana na dirisha la matengenezo na ukingo wa usalama ✔
C) Inapaswa kuchukuliwa kama thamani ya siku moja kamili na hakuna ukaguzi unapaswa kufanywa hadi siku hiyo.
D) Sensorer zinaweza kuzimwa ikiwa RUL iko juu

Maelezo: RUL ni makadirio ya wakati uliobaki wa kufanya kazi wa sehemu hadi kutofaulu; Inapaswa kuwasilishwa kwa safu ya kutokuwa na uhakika na kufasiriwa kulingana na mpango wa matengenezo na ukingo wa usalama. Badala ya kutegemea kwa upofu makadirio ya nukta moja, muda wa kujiamini na gharama ya kengele ya uwongo huzingatiwa.

7. Je, mhandisi anapaswa kufanya nini AI inaporipoti hitilafu katika rekodi ya jaribio la barabarani katika uchanganuzi wa data ya jaribio?

A) Unapoona hitilafu, jaribio linapaswa kuchukuliwa kuwa halijafaulu kiotomatiki.
B) AI haipaswi kuangalia data kabisa ikiwa haijaiweka alama
C) Thibitisha hitilafu kwa kutumia data ghafi, kutokuwa na uhakika wa kipimo na kujirudia ✔
D) Futa hitilafu na ufute ripoti

Maelezo: Shida ambayo bendera ya AI ni kidokezo, sio hitimisho. Mhandisi lazima aangalie kutokuwa na uhakika wa kipimo, uwezekano wa kushindwa kwa vitambuzi, na uwezo wa kujirudia na kuthibitisha hitilafu kwa kutumia data ghafi na vigezo vya kukubalika. Kukubalika kiotomatiki au kukataliwa haifai.

8. Ni uthibitisho gani unaohitajika kwa mabadiliko ya nyenzo yaliyopendekezwa na AI katika utafiti wa uzani mwepesi?

A) Inahitaji tu kuwa nyepesi
B) Safu moja katika hifadhidata ya nyenzo inaweza kuchukuliwa kama ushahidi
C) Tabia ya ajali si muhimu katika nyenzo nyepesi
D) Mahitaji ya mitambo, uchovu, ajali, utengezaji na gharama yanapaswa kujaribiwa pamoja ✔

Kumbuka: Pendekezo la nyenzo haliwezi kukubaliwa kulingana na uwiano wa msongamano/nguvu; sifa za kimitambo, uchovu, tabia ya ajali, uwezo wa kutengeneza, kutu, gharama na mahitaji ya usalama lazima yathibitishwe pamoja na kuthibitishwa na majaribio ya kimwili.

9. Kwa nini 'hatari ya chanzo kimoja' katika msururu wa usambazaji wa magari inahitaji uangalizi maalum katika mapendekezo ya AI?

A) Usumbufu katika mtoa huduma mmoja unaweza kusimamisha uzalishaji wote; Chanzo cha pili na bafa vinapaswa kutathminiwa ✔
B) Chanzo kimoja daima ni chaguo salama zaidi
C) Uchambuzi wa hatari hauhitajiki ikiwa AI ilipendekeza
D) Hatari ya chanzo kimoja inatumika tu kwa tairi

Ufafanuzi: Ikiwa sehemu inatoka kwa msambazaji mmoja, uzalishaji huacha kunapokuwa na tatizo na msambazaji huyo. AI inaweza kupendekeza chanzo kimoja cha uboreshaji wa gharama; Mhandisi/mpangaji lazima alisawazishe hili na rasilimali ya pili, akiba ya hisa na uchanganuzi wa hali. Gharama sio kigezo pekee.

10. 'Uvujaji wa data' unamaanisha nini unapofanya uchanganuzi wa telemetry na Python na kwa nini ni hatari?

A) Data imevuja kutoka kwa diski na kufutwa
B) Mfano huona katika habari za mafunzo ambazo haziwezi kujulikana wakati wa utabiri; Huongeza alama, huanguka kwenye uwanja ✔
C) Mchanganyiko wa rangi za michoro
D) Hutokea kwenye data ya picha pekee

Maelezo: Uvujaji wa data; Huu ndio wakati mtindo huona katika maelezo ya mafunzo ambayo hayawezi kujulikana wakati wa utabiri (kwa mfano, thamani ya siku zijazo au sifa inayohusiana na lengo). Hii huongeza alama ya jaribio kwa njia isiyo halali lakini huharibu utendaji wa uga. Tofauti ya awali/yajayo lazima idumishwe kwa uangalifu katika mfululizo wa saa.

11. Uainishaji wa ASIL huamua nini katika muktadha wa usalama wa utendaji wa ISO 26262?

A) Kasi ya juu ya gari
B) Ukubwa wa seti ya data ya mafunzo ya modeli
C) ✔ Kiwango cha usalama kinachohitajika kulingana na ukali, mfiduo na udhibiti wa hatari.
D) Ukadiriaji wa mkopo wa muuzaji

Maelezo: ASIL (Ngazi ya Uadilifu wa Usalama wa Magari) huamua kiwango cha tahadhari za usalama (kutoka A hadi D, D ndicho cha juu zaidi) ambacho hatari inahitaji kulingana na tathmini yake ya ukali, udhihirisho na udhibiti. ASIL ya hali ya juu inahitaji usanidi, uthibitishaji na uwekaji kumbukumbu kwa masharti magumu zaidi.

12. Je, ISO 21448 (SOTIF) inatofautiana kwa njia gani na usalama wa utendaji wa kawaida (ISO 26262)?

A) Hushughulikia tu kushindwa kwa maunzi
B) Inadhibiti utoaji wa leseni za programu pekee
C) SOTIF ni jina la zamani la ISO 26262
D) Hushughulikia hatari zinazotokana na utendakazi duni na hali zisizotambuliwa, hata kama kukosekana kwa kutofaulu ✔

Maelezo: Wakati ISO 26262 inashughulikia hatari zinazotokana na hitilafu/ hitilafu za programu-jalizi, SOTIF (Usalama wa Utendaji Uliokusudiwa) hushughulikia hatari zinazotokana na ugunduzi usiotosheleza, hali zisizotambulika na mipaka ya utendakazi, hata kama mfumo haufanyi kazi vibaya kabisa; ni muhimu sana katika utambuzi wa msingi wa AI.

13. Ni ipi njia bora zaidi katika suala la faragha wakati wa kufanya kazi na data ya telemetry ya dereva na gari?

A) Utiifu wa KVKK/GDPR na kutokujulikana, kupunguza data na kizuizi cha kusudi ✔
B) Kutuma data zote mbichi kwa muundo wa umma pamoja na VIN
C) Faragha inatumika tu kwa data ya uuzaji
D) Data ya eneo haizingatiwi kamwe data ya kibinafsi

Maelezo: Data kama vile eneo, tabia ya kuendesha gari na nambari ya chassis (VIN) inaweza kumtambua mtu. Njia sahihi zaidi; kuficha utambulisho wa data, kukusanya tu kile kinachohitajika (kupunguza data), kizuizi cha madhumuni na kufuata KVKK/GDPR. Kutuma VIN ghafi au eneo kwa zana za wahusika wengine ni hatari.

14. Kwa nini ni muhimu kufuatilia 'kusogea kwa data' katika modeli ya AI iliyowekwa katika uzalishaji?

A) Mara tu mtindo unapofunzwa, hutoa utendaji sawa kwa muda usiojulikana.
B) Utendaji hupungua kimyakimya kadiri usambazaji wa pembejeo unavyobadilika kadiri muda unavyopita; mafunzo upya lazima yaanzishwe ✔
C) Drift ni mtetemo wa kimwili wa vifaa
D) Ufuatiliaji sio lazima kwa sababu muundo hujisasisha kiotomatiki

Ufafanuzi: Ulimwengu wa kweli hubadilika (msambazaji wa sehemu mpya, msimu, muundo mpya wa gari); Utendaji wa modeli hupungua kimya kadri usambazaji wa ingizo unavyosogea kutoka kwa muda wa mafunzo. Kujizoeza upya kunachochewa na ufuatiliaji wa drift na vipimo vya utendakazi. Mbinu ya 'kuiweka na kuisahau' ni hatari katika magari.