กำไร:
- ความสามารถในการเพิ่มประสิทธิภาพและงานการประมวลผลข้อมูลโดยอัตโนมัติด้วยโค้ด Python ที่ขับเคลื่อนด้วย AI
- ความสามารถในการตรวจสอบโค้ดที่สร้างโดย AI ด้วยการตรวจสอบหน่วย การทดสอบ และ Edge Case
- ความสามารถในการปกป้องข้อมูลการผลิตที่เป็นความลับและบังคับใช้หลักการใช้ AI อย่างมีความรับผิดชอบ
ในงานวิศวกรรมอุตสาหการ ทั้งความเร็วและความสามารถในการทำซ้ำจะได้มาเมื่อการคำนวณซ้ำ การล้างข้อมูล และโมเดลการปรับให้เหมาะสมเป็นอัตโนมัติด้วย Python AI เป็นตัวเร่งที่ทรงพลังที่สุดในการเขียนโค้ดนี้: การประมวลผลข้อมูลด้วยแพนด้า, การเพิ่มประสิทธิภาพด้วย PuLP/SciPy, การสร้างภาพด้วยโค้ดร่าง Matplotlib ในไม่กี่นาที แต่โค้ด AI ไม่ได้รับประกันความแตกต่างระหว่าง "ดูเหมือนว่าจะได้ผล" และ "ถูกต้อง" โดยเนื้อแท้ ในหน่วยนี้ เราผสมผสานระบบอัตโนมัติทางวิศวกรรมที่ขับเคลื่อนด้วย AI ระเบียบวินัยในการตรวจสอบรหัส และหลักการในการปกป้องข้อมูลการผลิตที่เป็นความลับ หน่วยนี้เป็นเลเยอร์ "ใช้ด้วยความมั่นใจ" กับหน่วยก่อนหน้าทั้งหมด
ทำไมต้องรหัส? การทำซ้ำและการตรวจสอบได้
การคำนวณด้วยตนเองใน Excel จะส่งผลให้ภายในหกเดือนต่อมาถามว่า "ตัวเลขนั้นมาจากไหน" ไม่สามารถตอบคำถามได้ ในทางกลับกัน โค้ดจะรักษาอินพุต ขั้นตอน และเอาต์พุตให้ชัดเจนและทำซ้ำได้ ประโยชน์ 3 ประการของการคำนวณทางวิศวกรรมในโค้ด: (1) ผลลัพธ์จะเหมือนเดิมเสมอด้วยอินพุตเดียวกัน (2) ทำให้แต่ละขั้นตอนมองเห็นและตรวจสอบได้ (3) อัปเดตผลลัพธ์โดยอัตโนมัติเมื่ออินพุตเปลี่ยนแปลง
# เปลี่ยนการคำนวณ EOQ ให้เป็นฟังก์ชันที่ตรวจสอบได้ นำเข้า mathdef eoq(annual_demand, order_cost,hold_cost): """ปริมาณการสั่งซื้อทางเศรษฐกิจ หน่วยจะต้องสอดคล้องกัน: ความต้องการรายปี [items/year], order_cost [TL/order],holding_cost [TL/pieces/year].""" ถ้า Annual_demand <= 0 หรือ Holding_cost <= 0: เพิ่ม ValueError("อุปสงค์และต้นทุนการถือครองต้องเป็นค่าบวก") ให้ผลตอบแทน math.sqrt((2 * Annual_demand * order_cost) / Holding_cost)# ทดสอบด้วยผลลัพธ์ที่ทราบ (การยืนยัน):# D=3600, S=120, H=8 -> ~328,6assert abs(eoq(3600, 120, 8) - 328.63) < 0.1print(round(eoq(3600, 120, 8), 1)) #328.6
บรรทัดยืนยันที่นี่มีความสำคัญ: ทดสอบกับผลลัพธ์ที่ทราบ การเพิ่ม “การทดสอบผลลัพธ์ที่ทราบ” อย่างน้อยหนึ่งครั้งให้กับทุกฟังก์ชันการคำนวณที่ AI เขียน ถือเป็นการพิสูจน์ว่าโค้ดคำนวณได้อย่างถูกต้องจริง
วิธีที่ถูกต้องในการสร้างโค้ดด้วย AI
ยิ่งมีความไม่แน่นอนน้อยลงเมื่อเขียนโค้ดไปยัง AI เอาต์พุตก็จะยิ่งเชื่อถือได้มากขึ้นเท่านั้น
บทบาท: คุณเป็นผู้เชี่ยวชาญด้าน Python และการวิเคราะห์ข้อมูลทางวิศวกรรมอุตสาหการ งาน: เขียนฟังก์ชันที่ประมวลผลข้อมูลการผลิตรายวัน (วันที่ ผลิต ผิดพลาด เวลาหยุดทำงาน_นาที) ในรูปแบบ CSV และคำนวณอัตราการสิ้นเปลืองรายวันและส่วนประกอบ OEE โดยประมาณ ข้อกำหนด:- ใช้แพนด้า ตรวจสอบความถูกต้องของชื่อคอลัมน์ (ระบุข้อผิดพลาดที่เข้าใจได้หากขาดหายไป)- อัตราของเสีย = ผิดพลาด / ผลิต; ป้องกันการหารด้วยศูนย์- เพิ่มการทดสอบ (ยืนยัน) ด้วยผลลัพธ์ที่ทราบไปยังฟังก์ชัน- เขียนหน่วยและสมมติฐานลงใน docstring กฎ: ห้ามเพิ่มกระบวนการที่ซ่อนอยู่ซึ่งเขียนไปยังเครือข่าย/ระบบไฟล์ เพียงแค่ทำการคำนวณ ทำเครื่องหมายความคิดเห็นที่คุณไม่แน่ใจ
พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง
พรอมต์ที่อ่อนแอ:
เขียนโค้ดที่คำนวณประสิทธิภาพการผลิต
ไม่ได้กำหนด "ผลตอบแทน" ไม่มีสคีมาข้อมูล ไม่มีการทดสอบ แม้ว่าผลลัพธ์จะใช้งานได้ แต่ก็ไม่ชัดเจนว่าจะคำนวณอะไร
พรอมต์อันทรงพลัง:
คำนวณ OEE สำหรับ CSV ในแผนภาพต่อไปนี้: คอลัมน์ [planned_time, run_time, Ideal_cycle, ที่ผลิต, คุณภาพ] ความพร้อม = งาน/ที่วางแผนไว้ ประสิทธิภาพ = (วงจรในอุดมคติ × ที่ผลิตแล้ว)/รอบ คุณภาพ = คุณภาพ/ที่ผลิต OEE เป็นผลิตภัณฑ์ของทั้งสามสิ่งนี้ ส่งคืนส่วนประกอบแต่ละส่วนแยกกัน จัดการการหารด้วยศูนย์ และเพิ่มการทดสอบการยืนยันด้วยค่าที่ทราบ
พรอมต์ที่สองให้แต่ละสูตรและไดอะแกรมอย่างชัดเจน ขจัดความเป็นไปได้ที่ AI ตีความ "ผลผลิต" ผิด และกำหนดให้มีการตรวจสอบโดยการทดสอบ
รายการตรวจสอบการยืนยันรหัส
ก่อนที่จะใช้รหัส AI ในการตัดสินใจการผลิต ให้ทำตามขั้นตอนเหล่านี้:
ขั้นตอน
สิ่งที่ต้องตรวจสอบ
หน่วย/ขนาด
หน่วยอินพุต-เอาท์พุตมีความสอดคล้องกันหรือไม่
ผลการทดสอบที่ทราบ
มันให้ตัวอย่างการคำนวณด้วยมือถูกต้องหรือไม่?
เคสขอบ
ข้อมูลที่เป็นศูนย์ ลบ ข้อมูลว่าง บรรทัดเดียวทำหน้าที่อะไร
การตรวจสอบข้ามทางคณิตศาสตร์
ผลลัพธ์ที่เห็นได้ชัดเจนในกลุ่มตัวอย่างเล็กๆ หรือไม่?
ผลข้างเคียงที่มองไม่เห็น
รหัสลบ/ส่งข้อมูลหรือไม่?
ข้อควรระวัง: บางครั้ง AI จะสร้างโค้ดที่ "ใช้งานได้แต่ผิด" เช่น คำนวณอัตราการสูญเสียไม่ถูกต้อง/ผลิต แทนที่จะเป็นไม่ถูกต้อง/ทั้งหมด หรือสับสนเปอร์เซ็นต์กับอัตรา เพียงเพราะโค้ดทำงานโดยไม่มีข้อผิดพลาดไม่ได้หมายความว่าถูกต้อง อย่าลืมทดสอบด้วยผลลัพธ์ที่ทราบ
ความปลอดภัยและความเป็นส่วนตัวของข้อมูล
ข้อมูลการผลิตเป็นความลับทางการค้า: กำลังการผลิต ต้นทุน ความต้องการของลูกค้า ราคาซัพพลายเออร์ การผสานสิ่งเหล่านี้เข้ากับบริการ AI อย่างหุนหันพลันแล่นถือเป็นความเสี่ยงร้ายแรง
- ทำให้ข้อมูลไม่ระบุชื่อ: ใช้รหัสแทนชื่อลูกค้า/ซัพพลายเออร์จริง แทนที่ต้นทุนความแม่นยำด้วยค่าตัวอย่าง
- ปฏิบัติตามนโยบายองค์กร: ใช้เครื่องมือ AI และกฎการจัดประเภทข้อมูลที่ได้รับการอนุมัติโดยบริษัทของคุณ
- ขอโค้ด รันข้อมูลภายในเครื่อง: ให้ AI เขียนโค้ด แต่รันโค้ดในสภาพแวดล้อมของคุณเองด้วยข้อมูลจริง ด้วยวิธีนี้ข้อมูลที่ละเอียดอ่อนจะไม่ถูกปล่อยออกมา
- ตรวจสอบผลลัพธ์: ตรวจสอบว่าโค้ด AI ส่งข้อมูลไปยังสถานที่ที่ไม่คาดคิดหรือไม่ (การโทรผ่านเครือข่าย, API ภายนอก)
เคล็ดลับ: หลักการ “ทำให้ AI เขียนโค้ด ประมวลผลข้อมูลในเครื่อง” ปกป้องความเป็นส่วนตัวและป้องกันไม่ให้ AI สร้างตัวเลขปลอม ตัวแก้ปัญหา/ไลบรารีจริงทำการคำนวณ ส่วน AI ก็แค่สร้างโครงกระดูก
Mini Case: ทำงานแต่รหัสผิด
ในโรงงาน Mert วิศวกรอุตสาหกรรมให้ AI เขียนสคริปต์ที่สร้างรายงาน OEE รายเดือน รหัสทำงานได้อย่างราบรื่นและให้ OEE ที่ดีถึง 92% แต่เมื่อ Mert ทดสอบเทียบกับวันที่ทราบ (วันที่เขาคำนวณด้วยตนเอง ซึ่งควรมี OEE อยู่ที่ 78%) โค้ดจะส่งกลับ 92% จากการตรวจสอบ เขาพบว่า AI ได้ตั้งค่าองค์ประกอบด้านประสิทธิภาพไม่ถูกต้อง (ใช้วงจรเฉลี่ยแทนวงจรในอุดมคติ) เมื่อแก้ไขแล้ว ค่าจะตรงกับความเป็นจริง รหัสให้ผลลัพธ์ที่ไม่ถูกต้องโดยไม่มีข้อผิดพลาดใดๆ บทเรียน: หากไม่มีการทดสอบโดยรู้ผลลัพธ์ OEE ที่ไม่ถูกต้องคงเข้าสู่การตัดสินใจของฝ่ายบริหารเป็นเวลาหลายเดือน
ข้อผิดพลาดทั่วไป
- การคิด "การทำงาน = ถูกต้อง": การยอมรับโค้ดที่ไม่ทำให้เกิดข้อผิดพลาดว่าถูกต้อง ไม่ใช่การทดสอบโดยรู้ผลลัพธ์
- การข้ามกรณี Edge: การเผยแพร่สถานการณ์ เช่น การหารด้วยศูนย์ ข้อมูลว่างเปล่า การป้อนข้อมูลเชิงลบโดยไม่ต้องลอง
- การวางข้อมูลที่เป็นความลับ: การส่งข้อมูลต้นทุน/ลูกค้าจริงไปยัง AI โดยไม่เปิดเผยชื่อ
- AI เข้าใจผิดสำหรับตัวแก้ปัญหา: การใช้เอาต์พุตการปรับให้เหมาะสมที่ AI บอกว่า "ผลลัพธ์คือสิ่งนี้" เป็นเอาต์พุตของตัวแก้ปัญหาที่แท้จริง
- การสูญเสียความสามารถในการตรวจสอบ: การแชร์โค้ดโดยไม่มีการบันทึกสมมติฐานและหน่วยต่างๆ
โดยสรุป
- รหัสนี้เพิ่มความสามารถในการทำซ้ำและการตรวจสอบบัญชีทางวิศวกรรม AI เร่งความเร็วโค้ดนี้
- พิสูจน์ความถูกต้องโดยการเพิ่มการยืนยันพร้อมผลลัพธ์ที่ทราบให้กับฟังก์ชันการคำนวณ AI แต่ละรายการ
- อย่าใช้รหัสในการตัดสินใจด้านการผลิตโดยไม่ผ่านหน่วย กรณีขอบ และรายการตรวจสอบข้ามทางคณิตศาสตร์
- "รหัสการทำงาน" ไม่ได้หมายถึงรหัสที่ถูกต้อง อาจทำงานได้อย่างไม่มีที่ติและคำนวณไม่ถูกต้อง
- ปิดบังข้อมูลการผลิตที่เป็นความลับ ปฏิบัติตามนโยบายองค์กร พิมพ์โค้ดไปที่ AI แต่ประมวลผลข้อมูลในเครื่อง
งานสมัคร
เลือกการคำนวณทางวิศวกรรม (EOQ, สต็อกความปลอดภัย, OEE หรือเวลามาตรฐาน) เขียนฟังก์ชัน Python ให้กับ AI ที่ทำการคำนวณนี้ บังคับใช้หน่วยใน docstring และผลลัพธ์ที่ทราบด้วยการทดสอบการยืนยัน การตรวจสอบความถูกต้องที่สำคัญ: ลองใช้ฟังก์ชันที่มีกรณีขอบอย่างน้อยสามกรณี (ศูนย์ ลบ ค่าว่าง) และเปรียบเทียบกับตัวอย่างที่คำนวณด้วยมือ พิสูจน์ด้วยค่าที่ทราบแล้วว่าผลลัพธ์นั้นถูกต้อง แม้ว่าโค้ดจะทำงานโดยไม่มีข้อผิดพลาดก็ตาม จากนั้นตรวจสอบโค้ดจากมุมมอง "ความเป็นส่วนตัวของข้อมูล": มีกระบวนการส่งข้อมูลออกไปหรือไม่? สุดท้าย ปรับรายการตรวจสอบการยืนยันของหน่วยนี้ให้เข้ากับขั้นตอนการทำงานของคุณและสร้างรายการตรวจสอบ
การสอบโมดูล
1. ในการผลิตแบบลดขั้นตอน คุณใช้ AI เพื่อสร้างแผนที่กระแสคุณค่า (VSM) ขั้นตอนที่ดีที่สุดก่อนที่จะนำข้อเสนอแนะไปใช้คืออะไร
- A) ตรวจสอบพิมพ์เขียว AI ด้วยการสังเกตภาคสนาม (gemba) และรอบการทำงาน/เวลาพักจริง ✔
- B) แขวนแผนที่ไว้บนกระดานโดยตรง เนื่องจาก AI เป็นโมเดลปัจจุบัน
- C) เพียงแก้ไขสีและรูปร่างกล่องของแผนที่
- D) การเปลี่ยนลำดับประเภทขยะและการเผยแพร่
คำอธิบาย: AI สร้างภาพร่าง VSM ที่สมเหตุสมผลตามข้อมูลที่คุณให้ แต่ไม่สามารถสังเกตเวลาจริงของกระบวนการและความสูญเปล่าได้ หลักการพื้นฐานของลีนคือ 'gemba': สายธารคุณค่าควรได้รับการตรวจสอบโดยการสังเกตและการวัดผลในภาคสนาม แต่จากนั้นจะถูกใช้เป็นพื้นฐานสำหรับการตัดสินใจในการปรับปรุง
2. ชุดเมตริกใดในการประเมินความแม่นยำของแบบจำลองการคาดการณ์ความต้องการที่ตรงจุดประสงค์นี้
- ก) Cp และ Cpk
- B) MAPE, แม่ และ RMSE ✔
- ค) OEE และ MTBF
- D) เวลาแทคท์และ WIP
คำอธิบาย: MAPE (หมายถึงเปอร์เซ็นต์ข้อผิดพลาดเฉลี่ย), MAE และ RMSE เป็นหน่วยเมตริกที่วัดข้อผิดพลาดในการคาดการณ์ ช่วยให้คุณสามารถประเมินความถูกต้องของแบบจำลองโดยการเปรียบเทียบการคาดการณ์กับความต้องการจริง Cp/Cpk คือความสามารถของกระบวนการ และ OEE คือตัวชี้วัดประสิทธิภาพของอุปกรณ์
3. ในการคำนวณจุดเรียงลำดับใหม่ (ROP) AI จะให้ค่าแก่คุณ คุณควรทำอย่างไรก่อนจึงจะใช้ผลลัพธ์ได้อย่างปลอดภัย?
- A) ปัดเศษผลลัพธ์ขึ้นแล้วป้อนลงใน ERP โดยตรง
- B) ถาม AI 'คุณแน่ใจหรือไม่' และพอใจกับคำตอบว่า 'ใช่'
- C) พิมพ์สูตร อินพุต และหน่วยที่ใช้ และสร้างการคำนวณซ้ำด้วยตนเอง/ด้วยโค้ด ✔
- D) รีเซ็ตสต็อกความปลอดภัยโดยสมบูรณ์
คำอธิบาย: ใช้ได้กับสูตร ROP = ความต้องการโดยเฉลี่ย × เวลาในการผลิต + สินค้าคงคลังที่ปลอดภัย จำเป็นต้องตรวจสอบผลลัพธ์ที่ AI ให้โดยการพิมพ์สูตรที่ใช้และอินพุต (อัตราความต้องการ เวลาในการผลิต สต็อคด้านความปลอดภัย) อย่างชัดเจน และคำนวณใหม่ด้วยตนเอง/ในโค้ด มิฉะนั้นหน่วยหรือข้อผิดพลาดทางคณิตศาสตร์จะไม่ถูกสังเกต
4. โดยทั่วไปกฎเวลาในการประมวลผลที่สั้นที่สุด (SPT) จะช่วยปรับปรุงการจัดกำหนดการงานอย่างไร
- A) จะรีเซ็ตเวลาการตั้งค่าเท่านั้น
- B) เพิ่มจำนวนเครื่องจักรทางกายภาพ
- C) ลดการใช้พลังงานลงครึ่งหนึ่งอย่างแน่นอน
- D) มีแนวโน้มที่จะลดเวลาการไหลเฉลี่ยและเวลาแฝงเฉลี่ย ✔
คำอธิบาย: กฎ SPT (เวลาประมวลผลที่สั้นที่สุด) มีแนวโน้มที่จะลดเวลาการไหลโดยเฉลี่ยและเวลาแฝงโดยเฉลี่ยโดยนำงานที่สั้นไปข้างหน้า อย่างไรก็ตามเขาสามารถเลื่อนงานที่ยาวนานออกไปได้อย่างต่อเนื่อง หากวันที่จัดส่งมีความสำคัญ กฎต่างๆ เช่น EDD จะมีความเหมาะสมมากกว่า การเลือกกฎควรมีเหตุผลตามวัตถุประสงค์
5. ถ้าค่า Cpk ต่ำกว่า Cp ใน SPC อย่างมาก หมายความว่าอย่างไร
- A) ค่าเฉลี่ยกระบวนการเปลี่ยนจากศูนย์พิกัดความเผื่อ (ปัญหาการวางศูนย์กลาง) ✔
- B) ความแปรปรวนของกระบวนการเป็นศูนย์
- C) แสดงว่ามีจำนวนตัวอย่างมาก
- D) พิสูจน์ว่าแผนภูมิควบคุมไม่จำเป็น
คำอธิบาย: Cp คือดัชนีความสามารถที่คำนึงถึงอัตราส่วนของกระบวนการที่กระจายไปยังความกว้างของพิกัดความเผื่อ และ Cpk คือดัชนีความเพียงพอที่คำนึงถึงการเปลี่ยนแปลงของค่าเฉลี่ยที่สัมพันธ์กับศูนย์กลางของพิกัดความเผื่อด้วย หาก Cpk ต่ำกว่า Cp แสดงว่ากระบวนการอยู่นอกศูนย์กลาง (ค่าเฉลี่ยอยู่ห่างจากเป้าหมาย) แม้ว่าสเปรดจะเท่ากันแต่ก็มีปัญหาตรงกลาง
6. คุณใช้สูตรที่กำหนดโดย AI เมื่อคำนวณเวลามาตรฐานในการศึกษาเวลา เวลามาตรฐานได้รับอย่างถูกต้องโดยข้อใดต่อไปนี้
- A) เวลามาตรฐาน = เวลาที่สังเกตได้ อัตรากำไรขั้นต้น และจังหวะจะไม่ถูกนำมาพิจารณา
- B) เวลามาตรฐาน = เวลาปกติ × (1 + อัตราส่วนหุ้น) เวลาปกติ = เวลาที่สังเกตได้ × ก้าว ✔
- C) เวลามาตรฐาน = เวลาที่สังเกตได้ ۞ จำนวนเครื่อง
- D) เวลามาตรฐานคือเวลาของผู้ดำเนินการที่เร็วที่สุดเสมอ
คำอธิบาย: คำนวณตามเวลามาตรฐาน = เวลาปกติ × (1 + อัตราส่วนหุ้น) เวลาปกติหาได้จากเวลาที่สังเกต × จังหวะ (เรตติ้ง) จำเป็นต้องเพิ่มการแชร์ (พัก, ส่วนตัว, ล่าช้า) AI สามารถให้สูตรได้ แต่ Tempo และ Share Value ต้องได้รับการตรวจสอบจากการสังเกตจริงและนโยบายของบริษัท
7. AI กล่าวว่าเป็นโซลูชันที่ 'ดีที่สุด' สำหรับปัญหาการกำหนดเส้นทางยานพาหนะ (VRP) การประเมินใดแม่นยำที่สุด?
- ก) การส่งเส้นทางไปยังคนขับโดยตรง เพราะ AI บอกว่า 'ดีที่สุด'
- B) ตรวจสอบโซลูชันโดยเทียบกับกำลังการผลิต กรอบเวลา และข้อจำกัดด้านต้นทุน ✔
- C) เพียงลดจำนวนการหยุดและเผยแพร่
- D) การแสดงภาพแผนที่และละเว้นข้อจำกัด
คำอธิบาย: AI อาจจำลองข้อจำกัดอย่างไม่ถูกต้อง (ความจุของยานพาหนะ กรอบเวลา เวลาขับขี่) หรือนำเสนอวิธีแก้ปัญหาที่ไม่เหมาะสมว่า 'ดีที่สุด' สารละลาย; ควรตรวจสอบกับความจุ กรอบเวลา และข้อจำกัดระยะทาง/ต้นทุนรวม และหากเป็นไปได้ ให้ทำซ้ำและเปรียบเทียบกับโปรแกรมแก้ปัญหา
8. OEE (Overall Equipment Effectiveness) เป็นผลิตภัณฑ์ที่มีองค์ประกอบ 3 ส่วนในข้อใด
- ก) อุปสงค์ สต็อก และต้นทุน
- B) Cp, Cpk และซิกมา
- C) การใช้งาน ประสิทธิภาพ และคุณภาพ ✔
- D) แท็ค รอบเวลา และเวลาในการจัดส่ง
คำอธิบาย: OEE = ความพร้อมใช้งาน × ประสิทธิภาพ × คุณภาพ ความพร้อมใช้งานสะท้อนถึงเวลาหยุดทำงาน ประสิทธิภาพสะท้อนถึงการสูญเสียความเร็ว และคุณภาพสะท้อนถึงผลิตภัณฑ์ที่มีข้อบกพร่อง หาก AI ให้ค่า OEE จำเป็นต้องตรวจสอบให้แน่ใจว่าองค์ประกอบทั้งสามนี้ได้รับการคำนวณและคูณแยกกัน
9. ขั้นตอนการตรวจสอบที่สำคัญที่สุดเมื่อตีความผลลัพธ์ของการจำลองเหตุการณ์แบบไม่ต่อเนื่องคืออะไร
- A) ตรวจสอบความถูกต้องของการแจกแจงอินพุตและสมมติฐานด้วยข้อมูลจริง ✔
- B) ลดระยะเวลาการทำงานและตัดสินใจได้ในเงื่อนไขเดียว
- C) การปรับปรุงจานสีของกราฟิก
- D) การซ่อนเมล็ดสุ่มและทำให้ผลลัพธ์ไม่สามารถทำซ้ำได้
คำอธิบาย: เอาต์พุตการจำลองจะดีเท่ากับสมมติฐานอินพุตเท่านั้น การแจกแจง เวลาระหว่างมาถึง เวลาให้บริการ และพารามิเตอร์สถานการณ์ควรได้รับการเปรียบเทียบและตรวจสอบความถูกต้องด้วยข้อมูลจริง นอกจากนี้ควรตรวจสอบว่าโมเดลได้รับการสร้างอย่างถูกต้อง (การตรวจสอบ) ไม่อย่างนั้น 'ขยะเข้า ขยะออก'
10. ข้อใดเป็นสิ่งจำเป็นก่อนที่จะใช้สคริปต์การเพิ่มประสิทธิภาพ Python ที่สร้างโดย AI ในการตัดสินใจด้านการผลิต
- A) การใช้ผลลัพธ์โดยตรงเนื่องจากโค้ดทำงานโดยไม่มีข้อผิดพลาด
- B) การทดสอบด้วยผลลัพธ์ที่ทราบ การตรวจสอบด้วยการตรวจสอบหน่วยและกรณี Edge และการปกป้องความลับของข้อมูล ✔
- C) ย่อชื่อตัวแปรและลบความคิดเห็น
- D) การอัปโหลดสคริปต์พร้อมข้อมูลการผลิตทั้งหมดไปยังบริการสาธารณะ
คำอธิบาย: รหัส AI อาจมีการแปลงหน่วยที่ไม่ถูกต้อง ข้อจำกัดไม่ถูกต้อง หรือผลลัพธ์ที่ไม่ถูกต้องในกรณีขอบ รหัส; อินพุตการทดสอบขนาดเล็กที่ทราบผลลัพธ์ควรได้รับการตรวจสอบโดยหน่วย/การควบคุมขนาดและ Edge Case และไม่ควรส่งข้อมูลการผลิตที่เป็นความลับไปยังบริการภายนอกโดยไม่ได้รับอนุญาต ผลลัพธ์ได้รับการยืนยันโดยการตัดสินทางวิศวกรรม