Mga nadagdag:
- Kakayahang panlahatang suriin ang etikal, privacy ng data, copyright at workforce na mga aspeto ng paggamit ng AI sa tela
- Kakayahang magdisenyo ng system na may mga itinalagang punto ng pag-apruba ng tao na pinagsasama ang buong module sa isang end-to-end na daloy ng trabaho
- Kakayahang magtatag ng pamamahala, pagpapatunay at patuloy na pagpapabuti ng balangkas para sa responsableng paggamit ng AI sa isang organisasyon
Pagsusulit sa Module
1. Alin sa mga sumusunod ang pangunahing prinsipyo na tumutukoy sa panganib ng isang output ng AI sa textile engineering?
- A) Ang panganib ng isang output ay katumbas ng pinsalang idudulot nito kung ang output ay may sira; naaayon ang validation scale ✔
- B) Ang output ng AI ay karaniwang ligtas dahil ito ay nakasulat nang matatas at may kumpiyansa
- C) Ang pagpapatunay ay hindi kailangan kapag ang pinakabagong modelo ang ginamit
- D) Kung ang output ay tumutukoy sa isang pamantayan, walang karagdagang kontrol ang kinakailangan
Paliwanag: Ang panganib ng isang output ay katumbas ng pinsalang idudulot nito kung ang output ay mali. Bagama't hindi nakakapinsala ang isang pagkakamali sa ideya sa moodboard, ang pagkakamali sa isang recipe ng pagtitina o pagkalkula ng lakas ng tela ay maaaring humantong sa mga batch na basura at mga panganib sa kaligtasan/kontrata sa trabaho; kaya ang intensity ng pag-verify ay lumalago sa potensyal na pinsala.
2. Ang isang engineer ay may pag-aalinlangan sa AI value na '85 cN/tex para sa cotton yarn' para sa lakas ng sinulid. Ano ang pinakamabilis na pagsusuri upang kumpirmahin ang hinalang ito?
- A) Ilagay ang halaga nang direkta sa ulat at magtanong sa laboratoryo mamaya
- B) Gumawa ng pagkakasunud-sunod ng magnitude na paghahambing sa karaniwang hanay ng cotton yarn (humigit-kumulang 12-22 cN/tex) ✔
- C) Pagtatanong muli ng parehong tanong mula sa modelo at pagtitiwala sa pangalawang sagot
- D) Tanggapin kung ang value ay naglalaman ng reference sa isang source
Paglalarawan: Ito ay isang order ng magnitude control. Ang lakas sa ring cotton yarn ay karaniwang nasa order na 12-22 cN/tex; Ang 85 cN/tex ay ang mataas na pagganap na synthetic/aramid na antas at pisikal na hindi makatwiran para sa cotton. Ang pagsusuring ito ay tumatagal ng ilang segundo at nahuhuli ang karamihan sa mga error sa unit/uri.
3. Alin sa mga sumusunod ang totoo para sa 'Ne' (British cotton count) sa mga yarn count system?
- A) Ang mas malaki ang sinulid ay nagiging mas makapal.
- B) Ano ang isang direktang sistema, ito ay gumagana sa parehong direksyon tulad ng tex
- C) Anong hindi direktang sistema ito; Kung mas malaki ang numero, mas manipis ang sinulid ✔
- D) Ano ang tinukoy para lamang sa mga sintetikong sinulid
Paliwanag: Ano ang isang hindi direktang sistema ng pagnunumero: kung mas malaki ang numero, mas manipis ang thread. Ang Tex at denier ay mga direktang sistema; Kung mas malaki ang numero, mas makapal ang sinulid. Ang hindi pag-alam sa pagkakaibang ito ay humahantong sa mga malubhang pagkakamali sa mga interpretasyon ng numero sa output ng AI.
4. Ano ang ibig sabihin ng pagkakaroon ng mataas na rate ng 'false negative' sa isang modelo ng pagpoproseso ng imahe na nakakakita ng mga depekto sa tela at bakit ito kritikal?
- A) Ang may sira na tela ay itinuturing na perpekto at naihatid sa customer; ✔ Ang pinaka-mapanganib na uri ng error sa kalidad
- B) Hindi kinakailangang pagmamarka ng perpektong tela bilang may sira; nakakabawas lang ng kahusayan
- C) Ang modelo ay walang nakitang mga pagkakamali; palaging isang magandang tanda
- D) Mababang resolution ng camera
Paliwanag: Ang isang maling negatibo ay kapag ang isang tunay na depekto ay inuri bilang 'perpekto'. Nangangahulugan ito na ang sira na tela ay napupunta sa customer at nagkakaroon ng mga gastos sa pagbabalik/reputasyon. Sa mga application na kritikal sa kalidad, ang threshold ay karaniwang nakatakda upang panatilihing mababa ang mga maling negatibo, at ang tumaas na mga maling positibo ay inaalis sa pamamagitan ng pag-inspeksyon ng tao.
5. Ano ang ibig sabihin ng halaga ng 'Delta E' (ΔE) sa pamamahala ng kulay?
- A) Halaga bawat kilo ng pintura
- B) Ang criterion na sumusukat sa kabuuang perceptual na pagkakaiba sa pagitan ng dalawang kulay ✔
- C) Banayad na transmittance ng tela
- D) Halaga ng temperatura ng pagtitina sa mga degree
Paglalarawan: Ang Delta E ay ang criterion na sumusukat sa kabuuang perceptual na pagkakaiba sa pagitan ng dalawang kulay sa espasyo ng kulay ng CIELAB. Ang mga maliliit na halaga ng ΔE ay nagpapahiwatig na ang mga kulay ay magkakalapit; Sa mga tela, ang batch-to-batch na pagpapahintulot sa pagtanggap ay karaniwang tinutukoy ayon sa kontrata sa mga tuntunin ng ΔE. Samakatuwid, ang pag-aangkin na 'ang kulay na hawak' ay nangangailangan ng pagsukat.
6. Ano ang tawag kapag magkapareho ang hitsura ng dalawang sample sa ilalim ng isang pinagmumulan ng liwanag at magkaiba sa ilalim ng ibang pinagmumulan ng liwanag, at bakit ito mahalaga sa pamamahala ng kulay?
- A) Metamerismo; Dapat gawin ang pagkumpirma ng kulay sa ilalim ng maraming karaniwang pinagmumulan ng liwanag ✔
- B) Fluorescence; ang kulay ay mukhang pareho sa lahat ng mga kondisyon
- C) Opacity; depende lang sa kapal ang pagkakaiba ng kulay
- D) Pag-calibrate; may kinalaman lang sa screen
Paglalarawan: Ang phenomenon na ito ay tinatawag na metamerism. Dalawang kulay na may magkaibang spectral reflectance ay maaaring magkatugma sa ilalim ng ilang partikular na pag-iilaw at magkaiba sa iba pang pag-iilaw. Samakatuwid, hindi dapat gawin ang pagkumpirma ng kulay sa iisang pinagmumulan ng liwanag, ngunit sa ilalim ng maraming pinagmumulan (hal. D65, TL84, A) sa isang karaniwang light booth.
7. Ano ang pinakamahalagang legal na pagsusuri na gagawin bago ang komersyal na paggamit ng isang pattern ng tela na ginawa gamit ang generative AI?
- A) Pagbabawas ng bilang ng mga kulay ng pattern
- B) Pagbabawas ng laki ng file ng pattern
- C) Pagsusuri para sa pagkakatulad/paglabag at mga copyright sa mga kasalukuyang protektadong disenyo ✔
- D) I-save ang pattern lamang sa mataas na resolution
Paliwanag: Kinakailangang suriin kung ang ginawang pattern ay may anumang pagkakatulad/paglabag sa mga kasalukuyang protektadong disenyo, trademark o naka-copyright na mga gawa, at upang suriin ang mga kawalan ng katiyakan tungkol sa data ng pagsasanay at mga karapatan sa output ng modelo. Ang komersyalisasyon nang hindi sinusuri ang pagka-orihinal at paglabag ay lumilikha ng panganib ng paglilitis sa copyright.
8. Ano ang pinakamatatag na diskarte sa pagpapatunay ng output ng AI sa pagtataya ng demand ng SKU?
- A) Pag-convert ng iisang puntong hula na ibinigay ng modelo sa dami ng pagkakasunod-sunod
- B) Backtesting sa mga nakaraang benta at pagsusuri sa margin ng error sa pamamagitan ng business judgment filter ✔
- C) Pagpili ng pinakamataas na pagtatantya at pag-iingat ng labis na stock
- D) Doblehin ang hula kung ang trend ang pinakasikat
Paliwanag: Ang hula ay dapat na ma-backtest laban sa nakaraang pagsasakatuparan ng mga benta at i-filter sa pamamagitan ng paghuhusga ng negosyo na may konteksto gaya ng imbentaryo, mga kampanya, seasonality, atbp. Sa halip na bulag na pagtitiwala sa isang punto ng hula ng modelo, sinusuri ang margin ng error at mga sitwasyon.
9. Ano ang pangunahing dahilan ng pagkakasunud-sunod ng batch ng pintura mula sa 'light color to dark color' sa production scheduling?
- A) Mas mura ang madilim na kulay
- B) Pagbabawas ng panganib ng kontaminasyon ng kulay at mga oras ng paglilinis ng makina ✔
- C) Ang mga matingkad na kulay ay mas tumatagal
- D) Ito ay isang aesthetic preference lamang
Paliwanag: Kung ang isang mapusyaw na kulay ay tinina pagkatapos ng isang madilim na kulay sa parehong makina, ang panganib ng paglilinis/kontaminasyon at karagdagang oras ng paghuhugas ay tataas. Ang pag-uuri mula sa liwanag hanggang sa dilim ay nagpapataas ng kahusayan sa pamamagitan ng pagbabawas ng panganib ng color smearing at mga oras ng paglilinis ng makina. Dapat isama ng mga rekomendasyon ng AI ang hadlang sa prosesong ito.
10. Kapag nag-uulat ng environmental footprint ng isang tela, ano ang tamang saloobin sa isang claim tulad ng 'recycled polyester reduces water use by 90%' na ginawa ng AI?
- A) Paglalagay ng claim tulad ng nasa kopya ng marketing
- B) Hindi gumagamit ng claim nang walang verification na may hangganan ng system, data source at certificate ✔
- C) Ipagpalagay na malakas ang claim kung mataas ang bilang
- D) Bilugan ang numero at i-publish ito
Paliwanag: Walang kabuluhan ang naturang claim nang hindi tinukoy ang hangganan ng system (cradle-to-gate o gate-to-gate), data source at saklaw; Dapat itong nakabatay sa nabe-verify na data ng LCA at sertipikasyon. Kung hindi, maaaring lumitaw ang greenwashing at legal na panganib. Bagama't mukhang makatwiran ang mga numero ng AI, ang mga ito ay independiyenteng pinanggalingan.
11. Ano ang dapat na unang hakbang upang ma-verify ang code na isinulat ng AI kapag sinusuri ang data ng produksyon gamit ang mga panda gamit ang Python?
- A) Kung ang code ay gumana nang walang mga error, tanggapin ang resulta bilang tama
- B) Manu-manong kalkulahin ang output at i-verify ang unit at logic sa isang maliit na sample ng data ✔
- C) Direktang pagdaragdag ng code sa ulat ng produksyon
- D) Kung ang graph ay naging maganda, isaalang-alang ang pagsusuri na natapos.
Puna: Kahit na gumagana ang code, hindi ginagarantiyahan na tama ang lohika; Ang manu-manong pagsusuri sa accounting ay dapat gawin sa unit, column matching at ilang row. Halimbawa, kapag nag-a-average ng gramage, ang maling pagpapangkat o pagkalito ng unit ay maaaring tahimik na magbunga ng mga maling resulta. Sa isang maliit na sample, ang manu-manong pag-verify ay ang pinakamabilis na kasiguruhan.
12. Ano ang pinakamahusay na kasanayan sa mga tuntunin ng privacy ng data kapag nagpapadala ng data ng produksyon ng tela sa isang tool ng AI?
- A) Ipadala ang lahat ng aktwal na impormasyon ng customer at reseta kung ano man
- B) I-anonymize ang sensitibong impormasyon at ipadala ito na may mga label na kinatawan at alinsunod sa patakaran ng korporasyon ✔
- C) Ipagpalagay na hindi mahalaga ang privacy dahil napakaraming data.
- D) Baguhin lamang ang pangalan ng file at ipadala ang nilalaman kung ano ito
Paliwanag: Ang sensitibong data gaya ng pangalan ng customer, sikreto ng recipe, presyo at impormasyon ng supplier ay dapat na anonymize o ibigay na may mga label na kinatawan (Customer-A, Recipe-1). Ang mga trade secret at personal na data ay hindi dapat ilipat sa isang third-party na modelo na lumalabag sa mga patakaran at kasunduan ng kumpanya.
13. Ang isang modelo ng pagpoproseso ng imahe ay nag-uulat ng 98% katumpakan sa isang linya ng produksyon ngunit nakakaligtaan ang maraming mga depekto sa larangan. Ano ang malamang na dahilan nito?
- A) Ang katumpakan ay nakaliligaw dahil sa hindi balanseng data; Ang sensitivity (recall) ng klase ng depekto ay mababa ✔
- B) Ang modelo ay tumatakbo nang napakabagal
- C) Dahil kulay ang camera
- D) 98% ay perpekto na, ang problema ay nasa operator
Paliwanag: Kapag ang mga sample na may mga depekto ay napakakaunti sa set ng data (hindi balanseng data), makakamit ng modelo ang mataas na katumpakan sa pamamagitan ng pagtawag sa lahat ng 'perpekto' ngunit hindi makuha ang aktwal na mga depekto. Samakatuwid ang katumpakan lamang ay nakaliligaw; Ang pagiging sensitibo (recall) at katumpakan para sa klase ng depekto ay dapat subaybayan.
14. Ayon sa pangunahing prinsipyo na binibigyang-diin sa buong modyul, ano ang papel ng AI sa kaligtasan at mga desisyon sa tela na kritikal sa kontrata?
- A) Ang AI ay maaaring gumawa ng mga kritikal na desisyon sa sarili nitong dahil ito ay mabilis
- B) AI ay isang katulong; ang mga kritikal na desisyon ay nabe-verify ng karampatang pag-apruba ng engineer at pisikal na pagsubok ✔
- C) Pinapalitan ng AI output ang nilagdaang ulat
- D) Hindi kailangan ang kumpirmasyon ng tao kapag ginamit ang pinakabagong modelo
Paglalarawan: AI ay isang assistant at accelerator; bumubuo ng mga hypotheses, naghahanda ng mga draft, nakakakuha ng mga pattern. Gayunpaman, ang mga kritikal na desisyon tulad ng pag-apruba ng recipe ng pagpipinta, pagtanggap sa kalidad, pagsusuri sa lakas/kaligtasan ay nangangailangan ng karampatang pag-apruba ng engineer at pisikal na pagsubok. Ang output ng AI ay hindi kapalit ng pag-apruba ng eksperto.