اینڈ ٹو اینڈ انٹیگریشن، MLOps اور انجینئر کی ذمہ داری

فائدہ:

• تصور سے پیداوار تک AI سے تعاون یافتہ آٹوموٹو پروجیکٹ کو ڈیزائن کرنے اور اسے مانیٹرنگ سائیکل کے ساتھ برقرار رکھنے کی صلاحیت
• ماڈل ورژن مینجمنٹ، ڈیٹا ڈرفٹ اور دوبارہ تربیت کی ضروریات کا جائزہ لینے کی صلاحیت
• پورے پروجیکٹ میں جوابدہی، ٹریس ایبلٹی اور دستاویزات کو برقرار رکھتے ہوئے AI کو محفوظ طریقے سے پیمانہ کرنے کی صلاحیت

اس ماڈیول کی آخری اکائی میں، ہم تمام ٹکڑوں کو ایک ساتھ لاتے ہیں۔ ہم نے دیکھا ہے کہ کس طرح مصنوعی ذہانت کا استعمال انفرادی اکائیوں میں ہوتا ہے، ڈیزائن سے لے کر پیداوار تک، جانچ سے لے کر سپلائی چین تک۔ لیکن ایک حقیقی پروجیکٹ میں، یہ الگ تھلگ قدم نہیں ہیں، بلکہ ایک لائف سائیکل: ڈیٹا اکٹھا کیا جاتا ہے، ماڈل بنایا جاتا ہے، اسے پروڈکشن میں ڈالا جاتا ہے، اس کی نگرانی کی جاتی ہے، اور جب یہ پرانا ہو جاتا ہے تو اس کی تجدید کی جاتی ہے۔ اس سائیکل کو برقرار رکھنے کے نظم و ضبط کو MLOps (مشین لرننگ آپریشنز) کہا جاتا ہے۔ یہ یونٹ AI سے چلنے والے آٹوموٹیو پروجیکٹ کے لیے آخر سے آخر تک ترتیب دینے، برقرار رکھنے اور جوابدہی کا احاطہ کرتا ہے۔

AI پروجیکٹ کا لائف سائیکل

آٹوموٹو سیاق و سباق میں ایک عام آخر سے آخر تک بہاؤ:

1. مسئلہ اور قدر کی تعریف: ہم کس کاروباری مسئلے کو حل کر رہے ہیں؟ کامیابی کی پیمائش کیسے کی جاتی ہے؟ کیا یہ سیکورٹی کے لیے اہم فعل ہے؟
2. ڈیٹا اکٹھا کرنا اور لیبل لگانا: ذرائع (CAN، ٹیسٹنگ، پروڈکشن، ٹیلی میٹکس)، معیار، رازداری۔
3. ماڈل کی ترقی: وصف، ماڈل، تصدیق (رساو کنٹرول، یونٹ کی مستقل مزاجی)۔
4. تصدیق اور حفاظتی تشخیص: اگر ISO 26262/SOTIF کی ضرورت ہو تو آزاد جانچ۔
5. تعیناتی: ماڈل کو آلات پر، آن لائن، یا کلاؤڈ میں تعینات کرنا۔
6. مانیٹرنگ: کارکردگی، ڈیٹا بڑھے، الارم کی درستگی۔
7. دوبارہ تربیت: جب ماڈل پرانا ہو جائے تو اسے اپ ڈیٹ کرنا۔
8. دستاویزی اور ٹریس ایبلٹی: ہر قدم کا ریکارڈ؛ کون، کب، کیوں.

یہ چکر ایک بار اور ہمیشہ کے لیے ختم نہیں ہوتا۔ مسلسل گھومتا ہے. آٹوموٹو میں، ماڈل کو "سیٹ اور بھول جانا" خطرناک ہے۔

ٹپ: پروجیکٹ شروع کرتے وقت، "اس ماڈل کے فیلڈ میں آنے کے بعد کون مانیٹر کرے گا، کس میٹرک کے ساتھ، اور کتنی بار؟" اگر آپ سوال کا جواب نہیں دے سکتے ہیں، تو ماڈل ابھی تک پیداوار کے لیے تیار نہیں ہے۔

ماڈل ورژن مینجمنٹ اور ٹریس ایبلٹی

آٹوموٹو میں ٹریس ایبلٹی ایک عیش و آرام نہیں ہے، لیکن اکثر ایک قانونی ذمہ داری ہے. جب کوئی مسئلہ پیدا ہوتا ہے، تو آپ کو اس سوال کا جواب دینے کے قابل ہونا چاہیے کہ "کون سا ماڈل ورژن، اسے کس ڈیٹا کے ساتھ تربیت دی گئی، کس نے اسے منظور کیا؟" اچھے عمل:

• ماڈل ورژننگ: ہر ماڈل کا نمبر، تربیتی ڈیٹا اور تاریخ ریکارڈ کی جاتی ہے۔
• ڈیٹا ورژننگ: جس ڈیٹا پر اسے تربیت دی گئی تھی وہ منجمد ہے۔
• فیصلہ لاگ: منظوری کس نے اور کس ثبوت کے ساتھ دی تھی۔
• رول بیک پلان: اگر نیا ماڈل خراب نکلا تو آپ پرانے والے پر واپس جا سکتے ہیں۔

آئٹم

یہ کیوں ضروری ہے

اگر غائب ہو تو خطرہ

ماڈل ورژن

کون سا ورژن میدان میں ہے؟

مسئلہ کا سراغ نہیں لگایا جا سکتا

ڈیٹا ورژن

اس کی تربیت کس چیز سے ہوئی؟

دوبارہ پیدا کرنے کے قابل نہیں

منظوری کا ریکارڈ

ذمہ دار کون ہے؟

احتساب نہیں کیا جا سکتا

کالعدم

خراب ورژن سے واپسی

میدان میں طویل وقفہ

ڈیٹا کا بہاؤ اور ماڈل زوال

ایک ماڈل دنیا کا ایک سنیپ شاٹ ہے جس میں اسے تربیت دی جاتی ہے۔ لیکن دنیا بدل جاتی ہے: ایک نیا پارٹس فراہم کرنے والا مختلف سینسر رواداری لاتا ہے، گاڑی کا ایک نیا ماڈل سامنے آتا ہے، موسم بدلتے ہیں، ڈرائیونگ کی عادات بدل جاتی ہیں۔ ماڈل کی کارکردگی خاموشی سے کم ہو جاتی ہے کیونکہ ان پٹ ڈیٹا کی تقسیم تربیت کے وقت سے ہٹ جاتی ہے۔ یہ ڈیٹا بڑھنے اور اس کے نتیجے میں کارکردگی میں کمی کو ماڈل ڈے کہا جاتا ہے۔

خطرہ یہ ہے کہ یہ کمی خاموش ہے: ماڈل گرتا نہیں ہے، غلطیاں نہیں کرتا ہے، یہ زیادہ سے زیادہ غلط ہو جاتا ہے۔ لہذا:

• ان پٹ ڈسٹری بیوشن کی نگرانی کریں۔
• حقیقی نتائج کے ساتھ کارکردگی کی پیمائش کی نگرانی کریں (کیا الارم درست تھے؟)
• حد سے تجاوز کرنے پر دوبارہ تربیت کو متحرک کریں۔

احتیاط: یہ مفروضہ کہ "ایک بار ماڈل کو تربیت دی جاتی ہے، یہ ہمیشہ کے لیے ایک جیسی کارکردگی دیتا ہے" آٹوموٹو میں غلط اور خطرناک ہے۔ بڑھے ہوئے نگرانی کے بغیر پروڈکشن میں ڈالا جانے والا ماڈل نادانستہ طور پر ناقابل اعتبار بن سکتا ہے۔

آخر سے آخر تک مثال کا منظر نامہ: پیش گوئی کرنے والا مینٹیننس فلیٹ

آئیے اسے کنکریٹ بنائیں۔ آپ کارگو فلیٹ کے لیے ٹربو ناکامی کا ابتدائی وارننگ سسٹم انسٹال کر رہے ہیں:

1. قدر: ڈاؤن ٹائم اور ٹوونگ کے اخراجات کو کم کریں۔ کامیابی = اصل غلطی/غلط الارم بیلنس پکڑا گیا۔
2. ڈیٹا: 40 گاڑیوں کے CAN سگنل، تاریخی غلطی کے ریکارڈ؛ VIN گمنام ہے۔
3. ماڈل: بے ضابطگی + RUL؛ ٹائم سیریز کے رساو کو روکا گیا؛ غیر یقینی کی حد پیش کی گئی ہے۔
4. توثیق: ماضی کی غلطیوں پر بیک ٹیسٹنگ؛ جھوٹے الارم کی قیمت کا وزن کیا گیا تھا۔
5. پیداوار: کلاؤڈ میں روزانہ اسکور؛ ٹیکنیشن کو پینل.
6. مانیٹرنگ: گاڑی کا نیا ماڈل شامل ہونے پر ڈرفٹ کنٹرول؛ الارم کی درستگی ہفتہ وار۔
7. دوبارہ تربیت: گاڑی کی نئی قسم اور غلطی کی نئی مثالوں کے ساتھ سہ ماہی اپ ڈیٹ۔
8. دستاویزی: ماڈل ورژن، ڈیٹا ورژن، تصدیق کرنے والا انجینئر رجسٹرڈ۔

اس بہاؤ میں کوئی قدم یہ نہیں کہتا ہے کہ "AI فیصلہ کیا، ہو گیا"؛ ایک شخص ہر مرحلے کا ذمہ دار ہے۔

منی کیس اسٹڈیز

کیس 1 - خاموش کشی کوالٹی کنٹرول ماڈل ایک سال تک اچھی طرح کام کرتا ہے، پھر رساو کی شرح آہستہ آہستہ بڑھ جاتی ہے۔ بنیادی وجہ: جب فراہم کنندہ تبدیل ہوا، تو حصے کی سطح کی ساخت قدرے مختلف ہو گئی (بہاؤ)، اور ماڈل نے سوچنا شروع کر دیا کہ یہ "عام" ہے۔ ڈرفٹ مانیٹرنگ قائم کی گئی ہے اور ماڈل کو دوبارہ تربیت دی گئی ہے۔ نتیجہ: نگرانی کے بغیر، کمزوری مہینوں تک کسی کا دھیان نہیں جاتی۔

کیس 2 - ٹریس ایبلٹی محفوظ ہو گئی۔ میدان سے جھوٹے الارم کی شکایت آرہی ہے۔ فیصلے کے لاگ سے، ٹیم کو پتہ چلتا ہے کہ کون سا ماڈل ورژن کس ڈیٹا کے ساتھ کام کرتا ہے۔ یہ پتہ لگاتا ہے کہ مسئلہ کسی خاص ورژن میں تھریشولڈ سیٹنگ سے آتا ہے اور اس ورژن کو واپس کر دیتا ہے۔ نتیجہ: اگر کوئی ورژن اور فیصلہ ریکارڈ نہیں تھا، تو مسئلہ کا سراغ نہیں لگایا جا سکتا تھا۔

کیس 3 - نظم و ضبط کی دوبارہ تربیت۔ جب ایک نیا الیکٹرک ماڈل فلیٹ میں شامل ہوتا ہے، تو موجودہ پیشن گوئی کرنے والا مینٹیننس ماڈل اس گاڑی پر بہت سارے غلط الارم اٹھاتا ہے (ایسی پاور ٹرین جو اس نے کبھی نہیں دیکھی ہو گی)۔ نئے ماڈل کو شروع کرنے سے پہلے، ٹیم ڈرفٹ وارننگ کو پکڑتی ہے اور گاڑی کے نئے ڈیٹا کے ساتھ ماڈل کو بڑھاتی ہے۔ نتیجہ: ڈرفٹ مانیٹرنگ نے نئی پروڈکٹ کے ساتھ آنے والے انحطاط کو جلد پکڑ لیا۔

فوری ٹیمپلیٹس

ٹیمپلیٹ 1 - پروجیکٹ پلان ڈرافٹ:

کردار: AI پروجیکٹ لیڈر (آٹو موٹیو)۔ ٹاسک: AI سے چلنے والے پروجیکٹ کی منصوبہ بندی کرنے میں میری مدد کریں۔ سیاق و سباق: پیشن گوئی کی دیکھ بھال؛ 40 گاڑیوں کا بیڑا؛ VIN گمنام ہے۔ رکاوٹ: قدر کی تعریف، ڈیٹا، ماڈل، تصدیق، پیداوار، نگرانی، دوبارہ تربیت اور دستاویزات کے مراحل پر الگ الگ غور کریں۔ ہر قدم کے لیے کون ذمہ دار ہے اس کی نشاندہی کریں۔ آؤٹ پٹ: قدم | آؤٹ پٹ | ذمہ دار | خطرے کی میز.

ٹیمپلیٹ 2 - نگرانی کا منصوبہ:

کردار: آپ MLOps انجینئر ہیں۔ ٹاسک: فیلڈ کیے جانے والے ماڈل کے لیے مانیٹرنگ پلان کی تجویز کریں۔ سیاق و سباق: ان پٹ کی تقسیم وقت کے ساتھ بدل سکتی ہے (نیا سپلائر، نیا ٹول)؛ کارکردگی کو حقیقی نتائج سے ماپا جا سکتا ہے۔ آؤٹ پٹ: میٹرک ٹو ٹریک | دہلیز | کارروائی کو متحرک کیا جائے۔

ٹیمپلیٹ 3 - بڑھے ہوئے درجہ بندی:

کردار: ڈیٹا سائنسدان۔ ٹاسک: وضاحت کریں کہ ڈیٹا کے بڑھنے کا کیسے پتہ لگایا جائے اور جب دوبارہ تربیت کی ضرورت ہو۔ سیاق و سباق: پیداوار لائن بصری معائنہ ماڈل؛ سپلائر میں تبدیلی ہو سکتی ہے۔ آؤٹ پٹ: سگنل | پیمائش | دوبارہ تربیت دینے والا محرک۔

ٹیمپلیٹ 4 - ٹریس ایبلٹی چیک لسٹ:

کردار: آپ معیار/تعمیل آڈیٹر ہیں۔ ٹاسک: ماڈل کے لیے ٹریس ایبلٹی چیک لسٹ بنائیں۔ سیاق و سباق: آٹوموٹو؛ جب کوئی مسئلہ ہوتا ہے، سوال 'کون سا ورژن، کون سا ڈیٹا، کس نے اسے منظور کیا' کا جواب دیا جانا چاہیے۔ آؤٹ پٹ: آئٹم | یہ کیوں ضروری ہے | چارٹ کو کیسے بچایا جائے۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

ماڈل کو پیداوار میں ڈالیں۔

کوئی ٹریکنگ، کوئی ورژننگ، کوئی جوابدہی اور کوئی رول بیکس نہیں؛ خاموش زوال اور ناقابل شناخت مسائل ناگزیر ہیں۔

طاقتور اشارہ:

کردار: آپ ایک MLOps اور آٹوموٹیو کوالٹی کنسلٹنٹ ہیں۔ کام: وہ چیک لسٹ بنائیں جس کی مجھے ذمہ داری کے ساتھ ماڈل کو پروڈکشن میں ڈالنے کی ضرورت ہے۔ سیاق و سباق: پیشن گوئی کی بحالی کا بیڑا؛ وقت کے ساتھ نئی گاڑیوں کی اقسام شامل کی جاتی ہیں۔ VIN گمنام۔ رکاوٹ: نگرانی، ڈرفٹ کا پتہ لگانے، ورژن/ڈیٹا لاگنگ، تصدیق اور رول بیک پلان شامل کریں۔ ریاست جو ہر شے کے لیے ذمہ دار ہے؛ 'اسے سیٹ کریں اور بھول جائیں' تجویز۔ آؤٹ پٹ: اسٹیج | ضرورت | ذمہ دار | خطرے کی میز.

عام غلطیاں

• "اسے سیٹ کریں اور بھول جائیں" نقطہ نظر۔ نگرانی کے بغیر، ماڈل خاموشی سے زوال پذیر ہوتا ہے۔
• ورژن/ڈیٹا ریکارڈ نہ رکھنا۔ مسئلہ کا سراغ نہیں لگایا جا سکتا اور نہ ہی دوبارہ پیش کیا جا سکتا ہے۔
• کوئی رول بیک پلان نہیں۔ اگر خراب ریلیز سے بازیابی میں طویل وقت لگتا ہے تو، میدان میں ایک طویل ناکامی ہوگی۔
• ڈرفٹ کا انتظار نہیں کرنا۔ نیا سپلائر/آلہ/موسم ماڈل میں خلل ڈالتا ہے۔ نگرانی ضروری ہے.
• ذمہ داری کو غیر واضح چھوڑنا۔ "ذمہ دار کون ہے" کا جواب ہر قدم پر واضح ہونا چاہیے۔

خلاصہ میں

• اے آئی سے چلنے والا آٹوموٹیو پروجیکٹ ایک بار نہیں بلکہ رولنگ لائف سائیکل (MLOps) ہے۔
• ماڈل اور ڈیٹا ورژننگ، فیصلہ لاگنگ، اور رول بیک پلاننگ ٹریس ایبلٹی کے لیے ضروری ہیں۔
• ڈیٹا ڈرفٹ خاموشی سے ماڈل کی تردید کرتا ہے۔ ان پٹ اور کارکردگی کی نگرانی کی جانی چاہئے اور ضرورت کے مطابق دوبارہ تربیت دی جانی چاہئے۔
• آخر سے آخر تک مثال میں، ہر قدم پر ایک انسان ذمہ دار ہوتا ہے۔ کوئی "AI فیصلہ کیا گیا ہے، یہ ختم ہو گیا ہے" نہیں ہے۔
• "اسے سیٹ کریں اور بھول جائیں" آٹوموٹو میں خطرناک ہے۔ نگرانی، دستاویزات اور جوابدہی پورے منصوبے میں برقرار ہے۔

درخواست کا کام

اس ماڈیول میں جو کچھ آپ نے سیکھا اسے ایک پروجیکٹ میں یکجا کریں (جیسے پروڈکشن لائن کا بصری معائنہ یا پیشن گوئی کی دیکھ بھال)۔ (1) ٹیمپلیٹ 1 کے ساتھ ایک اینڈ ٹو اینڈ پروجیکٹ پلان تیار کریں۔ ہر قدم کے لیے ذمہ دار شخص کو لکھیں۔ (2) ٹیمپلیٹ 2 کے ساتھ مانیٹرنگ پلان اور ڈرفٹ ٹرگرز کی وضاحت کریں۔ (3) ٹیمپلیٹ 4 کے ساتھ ٹریس ایبلٹی چیک لسٹ تیار کریں۔ (4) ایک پیراگراف میں خلاصہ کریں کہ آپ نے ماڈیول کے آغاز سے لے کر اس پروجیکٹ پر تین اینکر ڈسپلینز کو کس طرح لاگو کیا۔

چیک لسٹ

• میں نے اس منصوبے کو آخر سے آخر تک زندگی کے چکر کے طور پر پلان کیا۔
• [] میں نے ماڈل اور ڈیٹا ورژننگ کے ساتھ فیصلے کے ریکارڈ کی وضاحت کی۔
• میں نے ایک مانیٹرنگ پلان اور ڈرفٹ ٹرگرز مرتب کیے ہیں۔
• میں نے ایک رول بیک پلان تیار کیا۔
• میں نے واضح کر دیا ہے کہ ہر قدم کا ذمہ دار کون ہے۔
• میں نے لنگر کی توثیق کے تین مضامین اور انسانی سلامتی کے لیے اہم توثیق کو برقرار رکھا۔

ماڈیول امتحان

1. آٹوموٹو سیفٹی کے اہم فیصلے میں AI آؤٹ پٹ کا کیا کردار ہے (جیسے بریک سافٹ ویئر کی تصدیق)؟

• A) تجزیہ کو تیز کرتا ہے، لیکن حتمی منظوری اور ذمہ داری اہل انجینئر کے پاس رہتی ہے ✔
• ب) اگر کافی ڈیٹا موجود ہے تو اسے انجینئر کی منظوری کے بغیر پروڈکشن میں ڈالا جا سکتا ہے۔
• C) AI کو بریک جیسے اہم نظاموں میں کسی بھی مرحلے پر استعمال نہیں کیا جا سکتا
• D) اگر ماڈل کی درستگی 99% سے زیادہ ہے تو انسانی تصدیق غیر ضروری ہے۔

تفصیل: مصنوعی ذہانت تجزیہ کو تیز کرتی ہے، امیدواروں کے حل اور خلاصے تیار کرتی ہے۔ تاہم، حفاظت کے لیے اہم فیصلہ اور حتمی منظوری اہل انجینئر کی ذمہ داری ہے۔ AI انجینئر کی توثیق کا متبادل نہیں ہے۔

2. تین اینکر توثیق کے شعبوں میں AI کے آؤٹ پٹ کو جانچنے کے لیے استعمال کیے جانے والے تین آزاد چیک کیا ہیں؟

• A) پرامپٹ کی لمبائی، زبان اور شکل
• ب) ترتیب کی وسعت، انجینئرنگ کی معقولیت اور آزاد جانچ/پیمائش کا ثبوت ✔
• C) ماڈل کا سائز، تربیت کا وقت اور GPUs کی تعداد
• D) سپلائر برانڈ، قیمت اور ترسیل کا وقت

تفصیل: تین اینکرز؛ آرڈر آف میگنیٹیوڈ (آرڈر چیک)، انجینئرنگ کی قابلیت (طبیعیات/تجربہ) اور آزاد ٹیسٹ/پیمائش کے ثبوت کے ساتھ کراس توثیق۔ یہ تینوں ثبوت پر اعتماد فراہم کرتے ہیں، AI پر بھروسہ نہیں۔

3. 'سروگیٹ ماڈل' کے آؤٹ پٹ کے لیے سب سے اہم تصدیق کیا ہے جو CFD یا FEA سمولیشن کو تیز کرتی ہے؟

• A) سروگیٹ ماڈل ہمیشہ حقیقی حل کرنے والے سے زیادہ درست ہوتا ہے۔
• ب) صرف رینڈر کو جمالیاتی طور پر خوشنما بنانا ہی کافی ہے۔
• C) ٹریننگ کی جگہ سے باہر جاتے وقت حوالہ حل اور ناقابل اعتباریت کی قبولیت کے ساتھ موازنہ ✔
• D) نیٹ ورک کی آزادی کو دیکھنے کی ضرورت نہیں ہے اگر ایک ہی رن بدل جاتا ہے۔

تفصیل: سروگیٹ ماڈل حقیقی حل کرنے کی بجائے تیز پیشین گوئیاں کرتا ہے۔ لیکن یہ اس ڈیزائن کی جگہ سے باہر ناقابل اعتبار ہے جس میں اسے تربیت دی گئی تھی۔ آؤٹ پٹ کی توثیق ایکسٹرا پولیشن ریجن کو حوالہ ہائی فیڈیلیٹی سمولیشن اور فزیکل باؤنڈری کنڈیشنز کے ساتھ کر کے کی جانی چاہیے۔

4. SAE آٹومیشن لیولز میں لیول 2 (جزوی آٹومیشن) کے لیے صحیح اظہار کیا ہے؟

• A) گاڑی ہر حالت میں ڈرائیور کے بغیر چل سکتی ہے۔
• ب) نظام ڈرائیونگ کے کوئی فرائض انجام نہیں دیتا، صرف وارننگ دیتا ہے۔
• ج) اگر وہ ڈرائیور کی سیٹ پر نہیں بیٹھا ہے تو ٹھیک ہے۔
• D) سسٹم اسٹیئرنگ اور رفتار کو سپورٹ کرتا ہے، لیکن ڈرائیور مسلسل نگرانی اور ذمہ داری کو برقرار رکھتا ہے ✔

تفصیل: لیول 2 میں سسٹم اسٹیئرنگ اور رفتار/فاصلے کو بیک وقت سپورٹ کرتا ہے، لیکن ڈرائیور مسلسل نگرانی برقرار رکھتا ہے اور کسی بھی وقت سنبھالنے کے لیے تیار ہے۔ ذمہ داری ڈرائیور پر عائد ہوتی ہے۔ سطح 3 اور اس سے اوپر پر، نظام بعض حالات میں ڈرائیونگ کے فرائض سنبھالتا ہے۔

5. پروڈکشن لائن پر بصری نقص کا پتہ لگانے میں 'فرار کی شرح' ایک اہم میٹرک کیوں ہے؟

• A) عیب دار حصے کو منظور کرنا اور اسے فیلڈ میں بھیجنا ایک حفاظت اور واپسی کا خطرہ ہے ✔
• ب) یہ صرف اس لیے ضروری ہے کہ یہ لائن کی رفتار کو کم کرتا ہے۔
• ج) رساو کی شرح صرف پینٹ کے نقائص کے لیے درست ہے۔
• D) لیک کی شرح ماڈل کے تربیتی وقت کی پیمائش کرتی ہے۔

تفصیل: غیر قانونی؛ ایک عیب دار حصہ کامل سمجھا جاتا ہے اور لائن (غلط منفی) سے گزرتا ہے۔ آٹوموٹو کے حفاظتی حصے کے لیے، رساو جھوٹے رد کرنے سے کہیں زیادہ مہنگا ہے کیونکہ یہ فیلڈ میں ناکامی یا واپس بلانے کا باعث بن سکتا ہے۔ اس کے مطابق حد کو ایڈجسٹ کیا جاتا ہے۔

6. پیشین گوئی کی دیکھ بھال میں 'باقی مفید زندگی' (RUL) تخمینہ کا سب سے درست استعمال کیا ہے؟

• A) RUL کا حساب صرف انجن کے تیل کے لیے کیا جاتا ہے۔
• ب) اسے غیر یقینی کی حد کے ساتھ پیش کیا جانا چاہئے اور بحالی کی کھڑکی اور حفاظتی مارجن کے مطابق تشریح کی جانی چاہئے ✔
• ج) اسے ایک واحد دن کی قیمت کے طور پر لیا جانا چاہئے اور اس دن تک کوئی چیک نہیں کیا جانا چاہئے۔
• D) اگر RUL زیادہ ہو تو سینسر کو بند کیا جا سکتا ہے۔

تفصیل: RUL ایک جزو کے ناکام ہونے تک کا تخمینہ بقیہ آپریٹنگ وقت ہے۔ اسے غیر یقینی کی حد کے ساتھ پیش کیا جانا چاہئے اور بحالی کے منصوبے اور حفاظتی مارجن کے مطابق تشریح کی جانی چاہئے۔ ایک نقطہ کے تخمینے پر آنکھیں بند کر کے انحصار کرنے کے بجائے، اعتماد کا وقفہ اور غلط الارم لاگت کو مدنظر رکھا جاتا ہے۔

7. ایک انجینئر کو کیا کرنا چاہیے جب AI ٹیسٹ ڈیٹا کے تجزیہ میں روڈ ٹیسٹ کی ریکارڈنگ میں بے ضابطگی کو جھنڈا دیتا ہے؟

• A) جب آپ بے ضابطگی دیکھتے ہیں، تو ٹیسٹ کو خود بخود ناکام سمجھا جانا چاہیے۔
• B) AI کو ڈیٹا کو بالکل بھی نہیں دیکھنا چاہئے اگر اس نے اسے نشان زد نہیں کیا ہے۔
• C) خام ڈیٹا، پیمائش کی غیر یقینی صورتحال اور دوبارہ ہونے کی صلاحیت ✔ کے ساتھ بے ضابطگی کی تصدیق کریں۔
• D) بے ضابطگیوں کو حذف کریں اور رپورٹ کو صاف کریں۔

وضاحت: اے آئی کے جھنڈے لگانے والی بے ضابطگی ایک اشارہ ہے، نتیجہ نہیں۔ انجینئر کو پیمائش کی غیر یقینی صورتحال، سینسر کی ناکامی کے امکان، اور دوبارہ ہونے کے قابل ہونا چاہیے اور خام ڈیٹا اور قبولیت کے معیار کے ساتھ بے ضابطگی کی تصدیق کرنی چاہیے۔ خود بخود قبول یا رد کرنا مناسب نہیں ہے۔

8. ہلکے وزن والے مطالعہ میں AI کی طرف سے تجویز کردہ مادی تبدیلی کے لیے کون سی تصدیق لازمی ہے؟

• A) یہ صرف ہلکا ہونا ضروری ہے
• ب) مادی ڈیٹا بیس میں ایک قطار کو بطور ثبوت لیا جا سکتا ہے۔
• C) ہلکے وزن والے مواد میں کریش رویہ غیر اہم ہے۔
• D) مکینیکل، تھکاوٹ، کریش، مینوفیکچریبلٹی اور لاگت کے تقاضوں کو ایک ساتھ جانچنا چاہیے ✔

تبصرہ: مواد کی سفارش صرف کثافت/طاقت کے تناسب کی بنیاد پر قبول نہیں کی جا سکتی۔ مکینیکل خواص، تھکاوٹ، حادثے کا رویہ، مینوفیکچریبلٹی، سنکنرن، لاگت اور حفاظتی تقاضوں کی ایک ساتھ تصدیق اور جسمانی جانچ کے ذریعے تصدیق ہونی چاہیے۔

9. آٹوموٹو سپلائی چین میں 'سنگل سورس رسک' کو AI سفارشات میں خصوصی توجہ کی ضرورت کیوں ہے؟

• A) کسی ایک سپلائر میں رکاوٹ تمام پیداوار کو روک سکتی ہے۔ دوسرے ماخذ اور بفر کا جائزہ لیا جانا چاہیے ✔
• ب) واحد ذریعہ ہمیشہ محفوظ ترین آپشن ہوتا ہے۔
• ج) اگر AI تجویز کرے تو خطرے کا تجزیہ غیر ضروری ہے۔
• D) واحد ذریعہ خطرہ صرف ٹائر پر لاگو ہوتا ہے۔

وضاحت: اگر کوئی حصہ کسی ایک سپلائر سے آتا ہے، تو اس سپلائر کے ساتھ کوئی مسئلہ ہونے پر پیداوار رک جاتی ہے۔ AI لاگت کی اصلاح کے واحد ذریعہ کی سفارش کر سکتا ہے۔ انجینئر/ منصوبہ ساز کو ثانوی وسائل، اسٹاک بفر اور منظر نامے کے تجزیہ کے ساتھ اس میں توازن رکھنا چاہیے۔ لاگت ہی واحد معیار نہیں ہے۔

10. Python کے ساتھ ٹیلی میٹری تجزیہ کرتے وقت 'ڈیٹا لیکیج' کا کیا مطلب ہے اور یہ کیوں خطرناک ہے؟

• A) ڈسک سے ڈیٹا لیک ہو کر حذف کر دیا جاتا ہے۔
• ب) ماڈل تربیتی معلومات میں دیکھتا ہے جو پیشین گوئی کے وقت معلوم نہیں ہو سکتی۔ سکور کو بڑھاتا ہے، میدان میں گر جاتا ہے ✔
• ج) گرافک رنگوں کا اختلاط
• D) صرف تصویری ڈیٹا میں ہوتا ہے۔

تفصیل: ڈیٹا لیک؛ یہ اس وقت ہوتا ہے جب ماڈل تربیتی معلومات میں دیکھتا ہے جو حقیقت میں پیشین گوئی کے وقت نہیں جانی جا سکتی ہے (مثال کے طور پر، مستقبل کی قدر یا ہدف سے متعلق وصف)۔ یہ مصنوعی طور پر ٹیسٹ سکور کو بڑھاتا ہے لیکن فیلڈ کی کارکردگی کو کریش کر دیتا ہے۔ وقت کی سیریز میں ماضی/مستقبل کی تفریق کو احتیاط سے برقرار رکھا جانا چاہیے۔

11. ASIL درجہ بندی ISO 26262 فنکشنل سیفٹی کے تناظر میں کیا تعین کرتی ہے؟

• A) گاڑی کی زیادہ سے زیادہ رفتار
• ب) ماڈل کے تربیتی ڈیٹا سیٹ کا سائز
• C) ✔ خطرے کی شدت، نمائش اور کنٹرول کے مطابق حفاظت کی مطلوبہ سطح۔
• D) سپلائر کی کریڈٹ ریٹنگ

تفصیل: ASIL (آٹو موٹیو سیفٹی انٹیگریٹی لیول) حفاظتی احتیاطی تدابیر کی سطح کا تعین کرتا ہے (A سے D تک، D سب سے زیادہ ہے) جس کی ضرورت کسی خطرے کی شدت، نمائش اور کنٹرول کی صلاحیت کی بنیاد پر ہوتی ہے۔ ہائی ASIL کو زیادہ سخت ترقی، تصدیق اور دستاویزات کی ضرورت ہوتی ہے۔

12. ISO 21448 (SOTIF) کلاسیکی فنکشنل سیفٹی (ISO 26262) سے کس طرح مختلف ہے؟

• A) صرف ہارڈ ویئر کی ناکامیوں کو ہینڈل کرتا ہے۔
• ب) صرف سافٹ ویئر لائسنسنگ کو منظم کرتا ہے۔
• C) SOTIF ISO 26262 کا پرانا نام ہے۔
• D) ناکامی کی غیر موجودگی میں بھی ناکافی فعالیت اور غیر تسلیم شدہ منظرناموں سے پیدا ہونے والے خطرات کو دور کرتا ہے ✔

تفصیل: اگرچہ ISO 26262 خرابیوں/ہارڈ ویئر-سافٹ ویئر کی خرابیوں سے پیدا ہونے والے خطرات کو دور کرتا ہے، SOTIF (مقصد فنکشنلٹی کی حفاظت) ناکافی شناخت، غیر تسلیم شدہ منظرناموں اور فنکشنل حدود سے پیدا ہونے والے خطرات کو دور کرتا ہے، چاہے سسٹم بالکل بھی خراب نہ ہو۔ AI پر مبنی پتہ لگانے میں خاص طور پر اہم ہے۔

13. ڈرائیور اور گاڑی کے ٹیلی میٹری ڈیٹا کے ساتھ کام کرتے وقت رازداری کے لحاظ سے بہترین طریقہ کیا ہے؟

• A) KVKK/GDPR کی تعمیل گمنامی، ڈیٹا کو کم کرنے اور مقصد کی حد کے ساتھ ✔
• ب) تمام خام ڈیٹا کو VIN کے ساتھ عوامی ماڈل میں بھیجنا
• C) رازداری کا اطلاق صرف مارکیٹنگ ڈیٹا پر ہوتا ہے۔
• D) مقام کے ڈیٹا کو کبھی بھی ذاتی ڈیٹا نہیں سمجھا جاتا ہے۔

تفصیل: ڈیٹا جیسے مقام، ڈرائیونگ کا رویہ اور چیسس نمبر (VIN) کسی شخص کی شناخت کر سکتا ہے۔ سب سے درست نقطہ نظر؛ ڈیٹا کو گمنام بنانا/ تخلص کے نام سے، صرف وہی جمع کرنا جو ضروری ہو (ڈیٹا کم سے کم)، مقصد کی حد اور KVKK/GDPR تعمیل۔ تھرڈ پارٹی ٹولز کو خام VIN یا مقام بھیجنا خطرناک ہے۔

14. پروڈکشن میں رکھے گئے AI ماڈل میں 'ڈیٹا ڈرفٹ' کی نگرانی کیوں ضروری ہے؟

• A) ماڈل کو تربیت دینے کے بعد، یہ غیر معینہ مدت تک وہی کارکردگی دیتا ہے۔
• ب) کارکردگی خاموشی سے کم ہوتی جاتی ہے کیونکہ وقت کے ساتھ ان پٹ کی تقسیم میں تبدیلی آتی ہے۔ دوبارہ تربیت کو متحرک کیا جانا چاہیے ✔
• C) بڑھے ہارڈ ویئر کی صرف جسمانی کمپن ہے۔
• D) نگرانی غیر ضروری ہے کیونکہ ماڈل خود بخود اپ ڈیٹ ہوجاتا ہے۔

وضاحت: حقیقی دنیا میں تبدیلیاں (نئے پرزے فراہم کرنے والا، سیزن، گاڑی کا نیا ماڈل)؛ ماڈل کی کارکردگی خاموشی سے کم ہو جاتی ہے کیونکہ ان پٹ کی تقسیم تربیت کے وقت سے ہٹ جاتی ہے۔ دوبارہ تربیت کا آغاز بڑھے ہوئے نگرانی اور کارکردگی کے میٹرکس سے ہوتا ہے۔ آٹوموٹو میں 'اسے سیٹ کریں اور بھول جائیں' کا طریقہ کار خطرناک ہے۔