การบูรณาการแบบ end-to-end, MLOps และความรับผิดชอบของวิศวกร

กำไร:

• ความสามารถในการออกแบบโครงการยานยนต์ที่รองรับ AI ตั้งแต่แนวคิดไปจนถึงการผลิต และบำรุงรักษาด้วยวงจรการตรวจสอบ
• ความสามารถในการประเมินการจัดการเวอร์ชันโมเดล การเลื่อนข้อมูล และความต้องการการฝึกอบรมใหม่
• ความสามารถในการปรับขนาด AI ได้อย่างปลอดภัยในขณะที่ยังคงรักษาความรับผิดชอบ การตรวจสอบย้อนกลับ และเอกสารประกอบตลอดทั้งโครงการ

ในหน่วยสุดท้ายของโมดูลนี้ เราจะนำชิ้นส่วนทั้งหมดมารวมกัน เราได้เห็นวิธีการใช้ปัญญาประดิษฐ์ในแต่ละหน่วย ตั้งแต่การออกแบบไปจนถึงการผลิต จากการทดสอบไปจนถึงห่วงโซ่อุปทาน แต่ในโครงการจริง สิ่งเหล่านี้ไม่ใช่ขั้นตอนแยกกัน แต่เป็นวงจรชีวิต: ข้อมูลถูกรวบรวม สร้างแบบจำลอง นำไปใช้จริง ได้รับการตรวจสอบ และเมื่อเก่าแล้ว ก็จะมีการต่ออายุ วินัยในการรักษาวงจรนี้เรียกว่า MLOps (การดำเนินการเรียนรู้ของเครื่อง) หน่วยนี้ครอบคลุมถึงการตั้งค่า การบำรุงรักษา และการรักษาความรับผิดชอบสำหรับโครงการยานยนต์ที่ขับเคลื่อนด้วย AI ตั้งแต่ต้นจนจบ

วงจรชีวิตของโครงการ AI

การไหลแบบ end-to-end โดยทั่วไปในบริบทของยานยนต์:

1. คำจำกัดความของปัญหาและคุณค่า: เรากำลังแก้ไขปัญหาทางธุรกิจอะไร ความสำเร็จวัดกันอย่างไร? นี่เป็นฟังก์ชันที่มีความสำคัญต่อความปลอดภัยหรือไม่
2. การรวบรวมและการติดฉลากข้อมูล: แหล่งที่มา (CAN, การทดสอบ, การผลิต, เทเลเมติกส์), คุณภาพ, การรักษาความลับ
3. การพัฒนาแบบจำลอง: คุณสมบัติ แบบจำลอง การตรวจสอบ (การควบคุมการรั่วไหล ความสม่ำเสมอของหน่วย)
4. การตรวจสอบและการประเมินความปลอดภัย: การทดสอบอิสระหากจำเป็นต้องใช้ ISO 26262/SOTIF
5. การปรับใช้: การปรับใช้โมเดลกับอุปกรณ์ ออนไลน์ หรือในระบบคลาวด์
6. การตรวจสอบ: ประสิทธิภาพ การเบี่ยงเบนของข้อมูล ความแม่นยำของการแจ้งเตือน
7. การฝึกอบรมซ้ำ: อัปเดตโมเดลเมื่อรุ่นเก่า
8. การจัดทำเอกสารและการตรวจสอบย้อนกลับ: บันทึกทุกขั้นตอน ใคร เมื่อไร ทำไม

วัฏจักรนี้ไม่ได้สิ้นสุดเพียงครั้งเดียวและตลอดไป หมุนอย่างต่อเนื่อง ในยานยนต์ การ "ตั้งค่าแล้วลืม" โมเดลถือเป็นอันตราย

เคล็ดลับ: เมื่อเริ่มต้นโปรเจ็กต์ "ใครจะเป็นผู้ตรวจสอบโมเดลนี้เมื่ออยู่ในภาคสนาม โดยมีหน่วยวัดใด และบ่อยเพียงใด" หากตอบคำถามไม่ได้ แสดงว่าโมเดลยังไม่พร้อมผลิต

การจัดการเวอร์ชันโมเดลและการตรวจสอบย้อนกลับ

การตรวจสอบย้อนกลับในยานยนต์ไม่ใช่เรื่องฟุ่มเฟือย แต่มักเป็นภาระผูกพันทางกฎหมาย เมื่อเกิดปัญหา คุณควรจะสามารถตอบคำถามว่า "โมเดลรุ่นใด ข้อมูลใดที่ได้รับการฝึกอบรมด้วย ใครเป็นผู้อนุมัติ" แนวปฏิบัติที่ดี:

• การกำหนดเวอร์ชันของโมเดล: หมายเลขของแต่ละรุ่น ข้อมูลการฝึก และวันที่จะถูกบันทึก
• การกำหนดเวอร์ชันข้อมูล: ข้อมูลที่ได้รับการฝึกถูกระงับ
• บันทึกการตัดสินใจ: ใครเป็นผู้อนุมัติและมีหลักฐานอะไรบ้าง
• แผนการย้อนกลับ: หากโมเดลใหม่ออกมาไม่ดีคุณสามารถกลับไปใช้โมเดลเก่าได้

รายการ

ทำไมจึงจำเป็น

เสี่ยงถ้าขาด.

รุ่นโมเดล

อยู่ในสนามรุ่นไหนครับ?

ไม่สามารถติดตามปัญหาได้

เวอร์ชันข้อมูล

เขาฝึกอะไรมาบ้าง?

ไม่สามารถทำซ้ำได้

บันทึกการอนุมัติ

ใครเป็นผู้รับผิดชอบ?

ไม่สามารถรับผิดชอบได้

เลิกทำ

กลับมาจากเวอร์ชันที่ไม่ดี

การหยุดทำงานที่ยาวนานในสนาม

การดริฟท์ข้อมูลและการสลายตัวของโมเดล

โมเดลคือภาพรวมของโลกที่ได้รับการฝึกฝน แต่โลกเปลี่ยนไป: ซัพพลายเออร์ชิ้นส่วนรายใหม่นำความทนทานต่อเซ็นเซอร์ที่แตกต่างกัน ออกรถรุ่นใหม่ ฤดูกาลเปลี่ยน นิสัยการขับขี่เปลี่ยน ประสิทธิภาพของโมเดลจะลดลงอย่างเงียบๆ เมื่อการกระจายข้อมูลอินพุตเคลื่อนออกจากเวลาการฝึก การเบี่ยงเบนของข้อมูลและประสิทธิภาพที่ลดลงที่เกิดขึ้นนี้เรียกว่าการสลายตัวของโมเดล

อันตรายก็คือการลดลงนี้เงียบไป: โมเดลไม่ล่มสลาย ไม่เกิดข้อผิดพลาด แต่กลับผิดพลาดมากขึ้นเรื่อยๆ ดังนั้น:

• ตรวจสอบการกระจายอินพุต (การตรวจจับดริฟท์)
• ตรวจสอบตัวชี้วัดประสิทธิภาพด้วยผลลัพธ์จริง (สัญญาณเตือนแม่นยำหรือไม่)
• ทริกเกอร์การฝึกสอนใหม่เมื่อเกินเกณฑ์

ข้อควรระวัง: การสันนิษฐานว่า "เมื่อโมเดลได้รับการฝึกฝนแล้ว มันจะให้ประสิทธิภาพเท่าเดิมตลอดไป" เป็นสิ่งที่ผิดและมีความเสี่ยงในยานยนต์ โมเดลที่ผลิตขึ้นโดยไม่มีการตรวจสอบการดริฟท์อาจไม่น่าเชื่อถือโดยไม่รู้ตัว

สถานการณ์ตัวอย่างตั้งแต่ต้นจนจบ: ฟลีตการบำรุงรักษาแบบคาดการณ์ได้

มาทำให้มันเป็นรูปธรรมกันเถอะ คุณกำลังติดตั้งระบบเตือนภัยล่วงหน้าเทอร์โบขัดข้องสำหรับกลุ่มสินค้า:

1. ความคุ้มค่า: ลดเวลาหยุดทำงานและค่าใช้จ่ายในการลากจูง สำเร็จ = ยอดคงเหลือการแจ้งเตือนข้อบกพร่อง/เท็จที่เกิดขึ้นจริง
2. ข้อมูล: สัญญาณ CAN ของยานพาหนะ 40 คัน บันทึกข้อผิดพลาดในอดีต VIN จะไม่เปิดเผยชื่อ
3. รุ่น: ความผิดปกติ + RUL; ป้องกันการรั่วไหลของอนุกรมเวลา มีการนำเสนอช่วงความไม่แน่นอน
4. การตรวจสอบ: การทดสอบย้อนกลับเกี่ยวกับข้อบกพร่องในอดีต มีการชั่งน้ำหนักต้นทุนสัญญาณเตือนที่ผิดพลาด
5. การผลิต: คะแนนรายวันในระบบคลาวด์ แผงให้กับช่างเทคนิค
6. การตรวจสอบ: การควบคุมดริฟท์เมื่อมีการเพิ่มรถยนต์รุ่นใหม่ ความแม่นยำในการเตือนรายสัปดาห์
7. การฝึกอบรมซ้ำ: อัปเดตรายไตรมาสด้วยประเภทยานพาหนะใหม่และตัวอย่างข้อบกพร่องใหม่
8. เอกสารประกอบ: เวอร์ชันของโมเดล เวอร์ชันข้อมูล วิศวกรที่ได้รับการรับรองที่ลงทะเบียน

ไม่มีขั้นตอนใดในโฟลว์นี้ที่ระบุว่า "AI ตัดสินใจแล้ว เสร็จแล้ว"; บุคคลมีหน้าที่รับผิดชอบในแต่ละขั้นตอน

กรณีศึกษาขนาดเล็ก

กรณีที่ 1 - การเสื่อมสลายอย่างเงียบ ๆ แบบจำลองการควบคุมคุณภาพทำงานได้ดีเป็นเวลาหนึ่งปี จากนั้นอัตราการรั่วไหลจะค่อยๆ เพิ่มขึ้น สาเหตุหลัก: เมื่อซัพพลายเออร์เปลี่ยน พื้นผิวของชิ้นส่วนจะแตกต่างออกไปเล็กน้อย (ดริฟท์) และโมเดลเริ่มคิดว่านี่คือ "ปกติ" มีการสร้างการตรวจสอบการดริฟท์และแบบจำลองได้รับการฝึกอบรมใหม่ ผลลัพธ์: หากไม่มีการตรวจสอบ ช่องโหว่จะไม่มีใครสังเกตเห็นเป็นเวลาหลายเดือน

กรณีที่ 2 - บันทึกความสามารถในการติดตามแล้ว มีการร้องเรียนเรื่องการแจ้งเตือนที่ผิดพลาดจากภาคสนาม จากบันทึกการตัดสินใจ ทีมงานจะค้นหาเวอร์ชันของโมเดลที่ใช้ได้กับข้อมูลใด ตรวจพบว่าปัญหามาจากการตั้งค่าเกณฑ์ในเวอร์ชันใดเวอร์ชันหนึ่งและย้อนกลับเวอร์ชันนั้น ผลลัพธ์: หากไม่มีเวอร์ชันและบันทึกการตัดสินใจ ปัญหาจะไม่สามารถติดตามได้

กรณีที่ 3 - การฝึกอบรมวินัย เมื่อมีรถยนต์ไฟฟ้ารุ่นใหม่เข้าร่วมฝูงบิน โมเดลการบำรุงรักษาเชิงคาดการณ์ที่มีอยู่จะทำให้เกิดการแจ้งเตือนที่ผิดพลาดจำนวนมากในยานพาหนะคันนี้ (ระบบส่งกำลังที่ไม่เคยเห็นมาก่อน) ก่อนที่จะทดสอบการใช้งานโมเดลใหม่ ทีมงานจะบันทึกคำเตือนการดริฟท์และขยายโมเดลด้วยข้อมูลรถยนต์ใหม่ ผลลัพธ์: การตรวจสอบการดริฟท์ตั้งแต่เนิ่นๆ ตรวจพบการเสื่อมสภาพที่มาพร้อมกับผลิตภัณฑ์ใหม่

เทมเพลตพร้อมท์

เทมเพลต 1 - ร่างแผนโครงการ:

บทบาท: ผู้นำโครงการ AI (ยานยนต์) งาน: ช่วยฉันวางแผนโครงการที่ขับเคลื่อนด้วย AI ตั้งแต่ต้นจนจบ บริบท: การบำรุงรักษาเชิงคาดการณ์; กองยานพาหนะ 40 คัน; VIN ไม่ระบุชื่อ ข้อจำกัด: พิจารณาขั้นตอนของการกำหนดค่า ข้อมูล แบบจำลอง การตรวจสอบ การผลิต การตรวจสอบ การฝึกอบรมใหม่ และเอกสารแยกกัน ระบุว่าใครเป็นผู้รับผิดชอบแต่ละขั้นตอนเอาต์พุต: ขั้นตอน | เอาท์พุท | รับผิดชอบ | ตารางความเสี่ยง

เทมเพลต 2 - แผนการตรวจสอบ:

บทบาท: คุณเป็นวิศวกร MLOps ภารกิจ: แนะนำแผนการติดตามสำหรับแบบจำลองที่กำลังลงข้อมูล บริบท: การกระจายอินพุตอาจเปลี่ยนแปลงเมื่อเวลาผ่านไป (ซัพพลายเออร์ใหม่ เครื่องมือใหม่) ประสิทธิภาพสามารถวัดได้จากผลลัพธ์จริง เอาต์พุต: เมตริกที่จะติดตาม | เกณฑ์ | การกระทำที่จะถูกกระตุ้น

เทมเพลต 3 - เรตติ้งดริฟท์:

บทบาท: นักวิทยาศาสตร์ข้อมูล ภารกิจ: อธิบายวิธีตรวจจับการเบี่ยงเบนของข้อมูล และเมื่อจำเป็นต้องฝึกอบรมใหม่ บริบท: แบบจำลองการตรวจสอบด้วยสายตาสายการผลิต อาจมีการเปลี่ยนแปลงซัพพลายเออร์ เอาท์พุต: สัญญาณ | การวัด | ทริกเกอร์การฝึกอบรมขึ้นใหม่

เทมเพลต 4 - รายการตรวจสอบการตรวจสอบย้อนกลับ:

บทบาท: คุณเป็นผู้ตรวจสอบคุณภาพ/การปฏิบัติตามข้อกำหนด งาน: สร้างรายการตรวจสอบการตรวจสอบย้อนกลับสำหรับแบบจำลอง บริบท: ยานยนต์; เมื่อเกิดปัญหา ควรตอบคำถาม 'เวอร์ชันใด ข้อมูลใด ใครเป็นผู้อนุมัติ' ผลลัพธ์: รายการ | ทำไมจึงจำเป็น | วิธีบันทึกแผนภูมิ

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

นำโมเดลไปใช้งานจริง

ไม่มีการติดตาม ไม่มีเวอร์ชัน ไม่มีความรับผิดชอบและไม่มีการย้อนกลับ การเสื่อมสลายอย่างเงียบๆ และปัญหาที่ไม่อาจติดตามได้เป็นสิ่งที่หลีกเลี่ยงไม่ได้

พรอมต์อันทรงพลัง:

บทบาท: คุณเป็น MLOps และที่ปรึกษาด้านคุณภาพยานยนต์ ภารกิจ: สร้างรายการตรวจสอบที่ฉันต้องรับผิดชอบในการนำแบบจำลองไปใช้จริง บริบท: ฟลีตการบำรุงรักษาเชิงคาดการณ์ ยานพาหนะประเภทใหม่จะถูกเพิ่มเข้ามาเมื่อเวลาผ่านไป VIN ที่ไม่เปิดเผยตัวตน ข้อจำกัด: รวมถึงการตรวจสอบ การตรวจจับดริฟท์ การบันทึกเวอร์ชัน/ข้อมูล การยืนยัน และแผนการย้อนกลับ รัฐที่รับผิดชอบแต่ละรายการ ข้อเสนอ 'ตั้งค่าและลืมมัน' ผลลัพธ์: Stage | ความจำเป็น | รับผิดชอบ | ตารางความเสี่ยง

ข้อผิดพลาดทั่วไป

• “ตั้งค่าแล้วลืมมัน” แนวทาง หากไม่มีการตรวจสอบ โมเดลก็จะสลายตัวไปอย่างเงียบๆ
• ไม่เก็บบันทึกเวอร์ชัน/ข้อมูล ปัญหาไม่สามารถติดตามหรือทำซ้ำได้
• ไม่มีแผนย้อนกลับ หากการฟื้นตัวจากการปล่อยที่ไม่ดีใช้เวลานาน ก็จะเกิดความล้มเหลวในภาคสนามเป็นเวลานาน
• ไม่รอดริฟท์ ซัพพลายเออร์/เครื่องมือ/ฤดูกาลใหม่ขัดขวางโมเดล การตรวจสอบเป็นสิ่งจำเป็น
• ทิ้งความรับผิดชอบไว้ไม่ชัดเจน คำตอบของ “ใครรับผิดชอบ” ควรชัดเจนในทุกขั้นตอน

โดยสรุป

• โครงการยานยนต์ที่ขับเคลื่อนด้วย AI ไม่ใช่โครงการที่ทำเพียงครั้งเดียว แต่เป็นวงจรชีวิตแบบกลิ้ง (MLOps)
• การกำหนดเวอร์ชันของโมเดลและข้อมูล การบันทึกการตัดสินใจ และการวางแผนย้อนกลับ ถือเป็นสิ่งสำคัญสำหรับการตรวจสอบย้อนกลับ
• การดริฟท์ของข้อมูลเป็นการหักล้างโมเดลอย่างเงียบๆ ข้อมูลนำเข้าและประสิทธิภาพควรได้รับการตรวจสอบและฝึกอบรมซ้ำตามความจำเป็น
• ในตัวอย่างตั้งแต่ต้นจนจบ แต่ละขั้นตอนต้องมีมนุษย์เป็นผู้รับผิดชอบ ไม่มีคำว่า "AI ตัดสินใจแล้ว จบแล้ว"
• “ตั้งไว้แล้วลืมมัน” เป็นอันตรายต่อยานยนต์ มีการดูแลการติดตาม เอกสาร และความรับผิดชอบตลอดทั้งโครงการ

งานสมัคร

รวมสิ่งที่คุณเรียนรู้ในโมดูลนี้ให้เป็นโครงการเดียว (เช่น การตรวจสอบด้วยสายตาสายการผลิต หรือการบำรุงรักษาเชิงคาดการณ์) (1) ร่างแผนโครงการตั้งแต่ต้นจนจบด้วยเทมเพลต 1 เขียนชื่อผู้รับผิดชอบในแต่ละขั้นตอน (2) กำหนดแผนการตรวจสอบและทริกเกอร์ดริฟท์ด้วยเทมเพลต 2 (3) เตรียมรายการตรวจสอบการตรวจสอบย้อนกลับด้วยเทมเพลต 4 (4) สรุปในย่อหน้าว่าคุณใช้กฎเกณฑ์สามข้อตั้งแต่เริ่มต้นของโมดูลกับโปรเจ็กต์นี้อย่างไร

รายการตรวจสอบ

• [ ] ฉันวางแผนโครงการเป็นวงจรชีวิตแบบ end-to-end
• [ ] ฉันกำหนดบันทึกการตัดสินใจด้วยแบบจำลองและการกำหนดเวอร์ชันข้อมูล
• [ ] ฉันวางแผนการติดตามและตัวกระตุ้นการดริฟท์
• [ ] ฉันเตรียมแผนการย้อนกลับ
• [ ] ฉันได้ชี้แจงแล้วว่าใครเป็นผู้รับผิดชอบในแต่ละขั้นตอน
• [ ] ฉันรักษาวินัยในการตรวจสอบความถูกต้องของจุดยึดสามประการและการตรวจสอบความถูกต้องที่มีความสำคัญต่อความปลอดภัยของมนุษย์

การสอบโมดูล

1. บทบาทของเอาต์พุต AI ในการตัดสินใจที่มีความสำคัญต่อความปลอดภัยของยานยนต์คืออะไร (เช่น การตรวจสอบซอฟต์แวร์เบรก)

• A) เร่งการวิเคราะห์ แต่การอนุมัติขั้นสุดท้ายและความรับผิดชอบยังคงอยู่กับวิศวกรผู้มีความสามารถ ✔
• B) หากมีข้อมูลเพียงพอ สามารถนำไปผลิตได้โดยไม่ต้องได้รับการอนุมัติจากวิศวกร
• C) AI ไม่สามารถใช้งานได้ในทุกขั้นตอนในระบบที่สำคัญ เช่น เบรก
• D) หากความแม่นยำของแบบจำลองเกิน 99% การตรวจสอบโดยมนุษย์ก็ไม่จำเป็น

คำอธิบาย: ปัญญาประดิษฐ์เร่งการวิเคราะห์ สร้างโซลูชันและข้อมูลสรุปของผู้สมัคร อย่างไรก็ตาม การตัดสินใจที่มีความสำคัญต่อความปลอดภัยและการอนุมัติขั้นสุดท้ายถือเป็นความรับผิดชอบของวิศวกรที่มีความสามารถ AI ไม่สามารถทดแทนการตรวจสอบความถูกต้องของวิศวกรได้

2. การตรวจสอบอิสระสามรายการที่ใช้ในการทดสอบผลลัพธ์ของ AI ในการตรวจสอบความถูกต้องของจุดยึดทั้งสามคืออะไร

• A) ความยาว ภาษา และรูปแบบของข้อความแจ้ง
• B) หลักฐานการจัดลำดับความสำคัญ ความสมเหตุสมผลทางวิศวกรรม และการทดสอบ/การวัดผลที่เป็นอิสระ ✔
• C) ขนาดของโมเดล เวลาในการฝึกอบรม และจำนวน GPU
• D) แบรนด์ซัพพลายเออร์ ราคา และเวลาในการจัดส่ง

คำอธิบาย: สามจุดยึด; ลำดับความสำคัญ (การตรวจสอบคำสั่ง) ความน่าเชื่อถือทางวิศวกรรม (ฟิสิกส์/ประสบการณ์) และการตรวจสอบข้ามด้วยหลักฐานการทดสอบ/การวัดที่เป็นอิสระ ทั้งสามสิ่งนี้ให้ความไว้วางใจในหลักฐาน ไม่ใช่ความไว้วางใจใน AI

3. อะไรคือการตรวจสอบที่สำคัญที่สุดสำหรับผลลัพธ์ของ 'แบบจำลองตัวแทน' ที่เร่งการจำลอง CFD หรือ FEA

• A) โมเดลตัวแทนมีความแม่นยำมากกว่าตัวแก้ปัญหาจริงเสมอ
• B) แค่ทำให้การเรนเดอร์ดูมีความสวยงามก็เพียงพอแล้ว
• C) การเปรียบเทียบกับโซลูชันอ้างอิงและการยอมรับความไม่น่าเชื่อถือเมื่อย้ายออกนอกพื้นที่การฝึกอบรม ✔
• D) ไม่จำเป็นต้องดูความเป็นอิสระของเครือข่ายหากการเรียกใช้ครั้งเดียวมาบรรจบกัน

คำอธิบาย: โมเดลตัวแทนสร้างการคาดการณ์ที่รวดเร็วแทนที่จะเป็นตัวแก้ปัญหาจริง แต่มันไม่น่าเชื่อถือนอกพื้นที่การออกแบบที่ได้รับการฝึกอบรม ผลลัพธ์ควรได้รับการตรวจสอบโดยการทำเครื่องหมายขอบเขตการคาดการณ์ด้วยการจำลองความเที่ยงตรงสูงอ้างอิงและเงื่อนไขขอบเขตทางกายภาพ

4. นิพจน์ที่ถูกต้องสำหรับระดับ 2 (การทำงานอัตโนมัติบางส่วน) ในระดับการทำงานอัตโนมัติของ SAE คืออะไร?

• ก) ยานพาหนะสามารถขับขี่ได้โดยไม่มีคนขับในทุกสภาวะ
• B) ระบบไม่ทำหน้าที่ขับขี่ใดๆ มีเพียงการเตือนเท่านั้น
• C) ไม่เป็นไรถ้าเขาไม่ได้นั่งอยู่ในที่นั่งคนขับ
• D) ระบบรองรับการบังคับเลี้ยวและความเร็ว แต่คนขับยังคงได้รับการดูแลและความรับผิดชอบอย่างต่อเนื่อง ✔

คำอธิบาย: ในระดับ 2 ระบบรองรับการบังคับเลี้ยวและความเร็ว/ระยะทางพร้อมกัน แต่คนขับยังคงมีการควบคุมดูแลอย่างต่อเนื่องและพร้อมที่จะเข้าควบคุมได้ตลอดเวลา ความรับผิดชอบอยู่ที่คนขับ ที่ระดับ 3 และสูงกว่า ระบบจะเข้ามาทำหน้าที่ขับขี่ในบางสภาวะ

5. เหตุใด 'อัตราการหลบหนี' จึงเป็นตัวชี้วัดที่สำคัญในการตรวจจับข้อบกพร่องทางสายตาในสายการผลิต

• A) การอนุมัติชิ้นส่วนที่ชำรุดและส่งไปที่สนามทำให้เกิดความปลอดภัยและมีความเสี่ยงในการเรียกคืน ✔
• B) มีความสำคัญเพียงเพราะจะทำให้ความเร็วของสายช้าลง
• C) อัตราการรั่วไหลใช้ได้กับข้อบกพร่องของสีเท่านั้น
• D) อัตราการรั่วไหลวัดเวลาการฝึกอบรมของแบบจำลอง

คำอธิบาย: ผิดกฎหมาย; ชิ้นส่วนที่ชำรุดถือว่าสมบูรณ์และผ่านเส้น (ลบลวง) สำหรับชิ้นส่วนด้านความปลอดภัยในยานยนต์ การรั่วไหลมีค่าใช้จ่ายสูงกว่าการปฏิเสธที่ผิดพลาดมาก เนื่องจากสามารถนำไปสู่ความล้มเหลวหรือการเรียกคืนในภาคสนามได้ เกณฑ์จะถูกปรับตามนั้น

6. การใช้การประมาณ 'อายุการใช้งานคงเหลือ' (RUL) ที่แม่นยำที่สุดในการบำรุงรักษาเชิงคาดการณ์คืออะไร?

• A) RUL คำนวณเฉพาะน้ำมันเครื่องเท่านั้น
• B) ควรนำเสนอด้วยช่วงความไม่แน่นอนและตีความตามช่วงเวลาการบำรุงรักษาและระยะขอบด้านความปลอดภัย ✔
• C) ควรถือเป็นค่าวันที่แน่นอนเพียงค่าเดียว และไม่ควรตรวจสอบจนกว่าจะถึงวันนั้น
• D) สามารถปิดเซ็นเซอร์ได้หาก RUL สูง

คำอธิบาย: RUL คือเวลาการทำงานที่เหลืออยู่โดยประมาณของส่วนประกอบจนกระทั่งเกิดความล้มเหลว ควรนำเสนอด้วยช่วงความไม่แน่นอนและตีความตามแผนการบำรุงรักษาและส่วนต่างความปลอดภัย แทนที่จะใช้การประมาณการจุดเดียวแบบสุ่มสี่สุ่มห้า ช่วงความเชื่อมั่นและต้นทุนการแจ้งเตือนที่ผิดพลาดจะถูกนำมาพิจารณาด้วย

7. วิศวกรควรทำอย่างไรเมื่อ AI แจ้งความผิดปกติในการบันทึกการทดสอบบนถนนในการวิเคราะห์ข้อมูลการทดสอบ

• A) เมื่อคุณเห็นความผิดปกติ การทดสอบจะถือว่าไม่สำเร็จโดยอัตโนมัติ
• B) AI ไม่ควรดูข้อมูลเลยหากไม่ได้ทำเครื่องหมายไว้
• C) ตรวจสอบความผิดปกติด้วยข้อมูลดิบ ความไม่แน่นอนในการวัด และความสามารถในการทำซ้ำ ✔
• D) ลบความผิดปกติและล้างรายงาน

คำอธิบาย: ความผิดปกติที่ธง AI เป็นเพียงเบาะแส ไม่ใช่ข้อสรุป วิศวกรจะต้องตรวจสอบความไม่แน่นอนของการวัด ความเป็นไปได้ที่เซ็นเซอร์จะล้มเหลว และความสามารถในการทำซ้ำ และตรวจสอบความผิดปกติด้วยข้อมูลดิบและเกณฑ์การยอมรับ การยอมรับหรือปฏิเสธอัตโนมัติไม่เหมาะสม

8. จำเป็นต้องมีการตรวจสอบยืนยันอะไรบ้างสำหรับการเปลี่ยนแปลงวัสดุที่แนะนำโดย AI ในการศึกษาเรื่อง lightinging

• ก) มันแค่ต้องเบากว่านี้
• B) แถวเดียวในฐานข้อมูลวัสดุสามารถใช้เป็นหลักฐานได้
• C) พฤติกรรมการชนไม่สำคัญกับวัสดุน้ำหนักเบา
• D) ควรมีการทดสอบข้อกำหนดด้านกลไก ความล้า การชน ความสามารถในการผลิต และต้นทุนร่วมกัน ✔

หมายเหตุ: ไม่สามารถยอมรับคำแนะนำเกี่ยวกับวัสดุโดยพิจารณาจากอัตราส่วนความหนาแน่น/ความแข็งแรงเพียงอย่างเดียว คุณสมบัติทางกล ความล้า พฤติกรรมการชน ความสามารถในการผลิต การกัดกร่อน ต้นทุน และข้อกำหนดด้านความปลอดภัย จะต้องได้รับการตรวจสอบร่วมกันและยืนยันโดยการทดสอบทางกายภาพ

9. เหตุใด 'ความเสี่ยงจากแหล่งเดียว' ในห่วงโซ่อุปทานของยานยนต์จึงต้องได้รับการดูแลเป็นพิเศษในคำแนะนำด้าน AI

• A) การหยุดชะงักของซัพพลายเออร์รายเดียวสามารถหยุดการผลิตทั้งหมดได้ ควรประเมินแหล่งที่มาและบัฟเฟอร์ที่สอง ✔
• B) แหล่งเดียวเป็นตัวเลือกที่ปลอดภัยที่สุดเสมอ
• C) การวิเคราะห์ความเสี่ยงไม่จำเป็นหาก AI แนะนำ
• D) ความเสี่ยงจากแหล่งเดียวมีผลกับยางเท่านั้น

คำอธิบาย: หากชิ้นส่วนมาจากซัพพลายเออร์รายเดียว การผลิตจะหยุดลงเมื่อมีปัญหากับซัพพลายเออร์รายนั้น AI สามารถแนะนำแหล่งเดียวในการเพิ่มประสิทธิภาพต้นทุนได้ วิศวกร/ผู้วางแผนจะต้องสร้างสมดุลให้กับทรัพยากรสำรอง บัฟเฟอร์สต็อก และการวิเคราะห์สถานการณ์ ต้นทุนไม่ใช่เกณฑ์เดียวเท่านั้น

10. 'ข้อมูลรั่วไหล' หมายความว่าอย่างไรเมื่อทำการวิเคราะห์การวัดและส่งข้อมูลทางไกลด้วย Python และเหตุใดจึงเป็นอันตราย

• A) ข้อมูลรั่วไหลออกจากดิสก์และถูกลบ
• B) แบบจำลองเห็นข้อมูลการฝึกอบรมที่ไม่สามารถทราบได้ในขณะที่คาดการณ์ พองคะแนนล้มลงสนาม✔
• C) การผสมสีกราฟิก
• D) เกิดขึ้นในข้อมูลภาพเท่านั้น

คำอธิบาย: ข้อมูลรั่วไหล; นี่คือเวลาที่แบบจำลองเห็นข้อมูลการฝึกอบรมที่ไม่สามารถทราบได้จริงในขณะที่คาดการณ์ (เช่น มูลค่าในอนาคตหรือคุณลักษณะที่เกี่ยวข้องกับเป้าหมาย) การทำเช่นนี้จะทำให้คะแนนการทดสอบเพิ่มขึ้นแต่ทำให้ประสิทธิภาพของภาคสนามขัดข้อง ความแตกต่างในอดีต/อนาคตจะต้องได้รับการดูแลอย่างพิถีพิถันในอนุกรมเวลา

11. การจำแนกประเภท ASIL กำหนดอะไรในบริบทของความปลอดภัยในการใช้งาน ISO 26262

• ก) ความเร็วสูงสุดของยานพาหนะ
• B) ขนาดของชุดข้อมูลการฝึกของแบบจำลอง
• C) ✔ ระดับความปลอดภัยที่ต้องการตามความรุนแรง การสัมผัส และการควบคุมอันตราย
• D) อันดับเครดิตของซัพพลายเออร์

คำอธิบาย: ASIL (ระดับความสมบูรณ์ด้านความปลอดภัยของยานยนต์) กำหนดระดับของข้อควรระวังด้านความปลอดภัย (จาก A ถึง D, D คือสูงสุด) ที่อันตรายต้องการโดยพิจารณาจากการประเมินความรุนแรง การสัมผัส และความสามารถในการควบคุม ASIL ระดับสูงต้องการการพัฒนา การตรวจสอบ และเอกสารประกอบที่เข้มงวดมากขึ้น

12. ISO 21448 (SOTIF) แตกต่างจากความปลอดภัยในการใช้งานแบบคลาสสิก (ISO 26262) ในทางใด

• A) จัดการเฉพาะความล้มเหลวของฮาร์ดแวร์เท่านั้น
• B) ควบคุมลิขสิทธิ์ซอฟต์แวร์เท่านั้น
• C) SOTIF เป็นชื่อเก่าของ ISO 26262
• D) ระบุความเสี่ยงที่เกิดจากฟังก์ชันการทำงานที่ไม่เพียงพอและสถานการณ์ที่ไม่รู้จัก แม้ว่าจะไม่มีความล้มเหลวก็ตาม ✔

คำอธิบาย: แม้ว่า ISO 26262 จะจัดการกับความเสี่ยงที่เกิดจากการทำงานผิดพลาด/ข้อผิดพลาดของฮาร์ดแวร์-ซอฟต์แวร์ แต่ SOTIF (Safety of the Intent Functionality) จะจัดการกับความเสี่ยงที่เกิดจากการตรวจจับที่ไม่เพียงพอ สถานการณ์ที่ไม่รู้จัก และขีดจำกัดการทำงาน แม้ว่าระบบจะไม่ทำงานผิดปกติเลยก็ตาม มีความสำคัญอย่างยิ่งในการตรวจจับด้วย AI

13. อะไรคือวิธีที่ดีที่สุดในแง่ของความเป็นส่วนตัวเมื่อทำงานกับข้อมูลการตรวจวัดทางไกลของผู้ขับขี่และยานพาหนะ?

• A) การปฏิบัติตาม KVKK/GDPR ด้วยการไม่เปิดเผยตัวตน การลดขนาดข้อมูล และการจำกัดวัตถุประสงค์ ✔
• B) ส่งข้อมูลดิบทั้งหมดไปยังโมเดลสาธารณะพร้อมกับ VIN
• C) ความเป็นส่วนตัวใช้กับข้อมูลการตลาดเท่านั้น
• D) ข้อมูลตำแหน่งไม่ถือเป็นข้อมูลส่วนบุคคล

คำอธิบาย: ข้อมูลเช่นตำแหน่ง พฤติกรรมการขับขี่ และหมายเลขแชสซี (VIN) สามารถระบุตัวบุคคลได้ แนวทางที่ถูกต้องที่สุด ข้อมูลที่ไม่ระบุชื่อ/นามแฝง รวบรวมเฉพาะสิ่งที่จำเป็น (การลดขนาดข้อมูล) ข้อจำกัดวัตถุประสงค์ และการปฏิบัติตาม KVKK/GDPR การส่ง VIN หรือตำแหน่งดิบไปยังเครื่องมือของบุคคลที่สามถือเป็นความเสี่ยง

14. เหตุใดจึงจำเป็นต้องตรวจสอบ 'การเบี่ยงเบนของข้อมูล' ในโมเดล AI ที่นำไปใช้จริง

• A) เมื่อโมเดลได้รับการฝึกฝนแล้ว มันจะให้ประสิทธิภาพเหมือนเดิมอย่างไม่มีกำหนด
• B) ประสิทธิภาพจะลดลงอย่างเงียบ ๆ เมื่อการกระจายอินพุตเปลี่ยนแปลงไปตามกาลเวลา ต้องกระตุ้นการฝึกขึ้นใหม่ ✔
• C) การดริฟท์เป็นเพียงการสั่นสะเทือนทางกายภาพของฮาร์ดแวร์
• D) การตรวจสอบไม่จำเป็นเนื่องจากโมเดลจะอัปเดตตัวเองโดยอัตโนมัติ

คำอธิบาย: การเปลี่ยนแปลงในโลกแห่งความเป็นจริง (ซัพพลายเออร์ชิ้นส่วนใหม่ ฤดูกาล รุ่นรถใหม่); ประสิทธิภาพของโมเดลจะลดลงอย่างเงียบๆ เมื่อการกระจายอินพุตเคลื่อนออกจากเวลาการฝึก การฝึกอบรมขึ้นใหม่จะถูกกระตุ้นโดยการตรวจสอบการดริฟท์และการวัดประสิทธิภาพ แนวทาง "ตั้งค่าแล้วลืมมัน" ถือเป็นความเสี่ยงในยานยนต์