Tích hợp từ đầu đến cuối, MLOps và trách nhiệm của kỹ sư

Lợi nhuận:

• Khả năng thiết kế một dự án ô tô được hỗ trợ bởi AI từ ý tưởng đến sản xuất và duy trì nó bằng chu trình giám sát
• Khả năng đánh giá nhu cầu quản lý phiên bản mô hình, trôi dạt dữ liệu và đào tạo lại
• Khả năng mở rộng quy mô AI một cách an toàn trong khi vẫn duy trì trách nhiệm giải trình, khả năng truy xuất nguồn gốc và tài liệu trong suốt dự án

Trong bài cuối cùng của mô-đun này, chúng ta tập hợp tất cả các phần lại với nhau. Chúng ta đã thấy trí tuệ nhân tạo được sử dụng như thế nào trong từng đơn vị, từ thiết kế đến sản xuất, từ thử nghiệm đến chuỗi cung ứng. Nhưng trong một dự án thực tế, đây không phải là những bước riêng lẻ mà là một vòng đời: dữ liệu được thu thập, mô hình được xây dựng, đưa vào sản xuất, được giám sát và khi cũ, nó được làm mới. Kỷ luật duy trì chu trình này được gọi là MLOps (Hoạt động học máy). Đơn vị này bao gồm việc thiết lập, duy trì và duy trì trách nhiệm giải trình đối với một dự án ô tô được hỗ trợ bởi AI từ đầu đến cuối.

Vòng đời của một dự án AI

Luồng từ đầu đến cuối điển hình trong bối cảnh ô tô:

1. Định nghĩa vấn đề và giá trị: Chúng ta đang giải quyết vấn đề kinh doanh nào? Thành công được đo lường như thế nào? Đây có phải là chức năng quan trọng về bảo mật không?
2. Thu thập và ghi nhãn dữ liệu: Nguồn (CAN, thử nghiệm, sản xuất, viễn thông), chất lượng, bảo mật.
3. Phát triển mô hình: Thuộc tính, mô hình, xác minh (kiểm soát rò rỉ, tính nhất quán của đơn vị).
4. Xác minh và đánh giá bảo mật: Kiểm tra độc lập nếu yêu cầu ISO 26262/SOTIF.
5. Triển khai: Triển khai mô hình cho thiết bị, trực tuyến hoặc trên đám mây.
6. Giám sát: Hiệu suất, độ trôi dữ liệu, độ chính xác của cảnh báo.
7. Đào tạo lại: Cập nhật mô hình khi nó cũ.
8. Tài liệu và truy xuất nguồn gốc: Ghi lại từng bước; ai, khi nào, tại sao.

Chu kỳ này không kết thúc một lần và mãi mãi; quay liên tục. Trong ô tô, việc “đặt rồi quên” một mẫu xe là rất nguy hiểm.

Mẹo: Khi bắt đầu dự án, "ai sẽ giám sát mô hình này khi nó được triển khai tại hiện trường, với số liệu nào và tần suất như thế nào?" Nếu bạn không thể trả lời câu hỏi thì mô hình đó chưa sẵn sàng để sản xuất.

Quản lý phiên bản mô hình và truy xuất nguồn gốc

Truy xuất nguồn gốc trong ô tô không phải là một điều xa xỉ mà thường là một nghĩa vụ pháp lý. Khi có vấn đề phát sinh, bạn sẽ có thể trả lời câu hỏi "phiên bản mô hình nào, dữ liệu nào được đào tạo, ai phê duyệt?" Thực hành tốt:

• Phiên bản mô hình: Số lượng, dữ liệu đào tạo và ngày của mỗi mô hình đều được ghi lại.
• Phiên bản dữ liệu: Dữ liệu được đào tạo đã bị đóng băng.
• Nhật ký quyết định: Sự phê duyệt được đưa ra bởi ai và với bằng chứng gì.
• Kế hoạch khôi phục: Nếu mô hình mới không tốt, bạn có thể quay lại mô hình cũ.

mục

Tại sao nó cần thiết

Rủi ro nếu thiếu

Phiên bản mẫu

Phiên bản nào có trong lĩnh vực này?

Vấn đề không thể được theo dõi

Phiên bản dữ liệu

Anh ấy đã được đào tạo bằng gì?

không thể tái tạo

Hồ sơ phê duyệt

Ai chịu trách nhiệm?

không thể chịu trách nhiệm

hoàn tác

Trở về từ phiên bản xấu

Thời gian ngừng hoạt động kéo dài trên hiện trường

Sự trôi dạt dữ liệu và phân rã mô hình

Một mô hình là một bức ảnh chụp nhanh về thế giới mà nó được đào tạo. Nhưng thế giới đang thay đổi: một nhà cung cấp phụ tùng mới mang đến dung sai cảm biến khác, một mẫu xe mới ra đời, mùa thay đổi, thói quen lái xe thay đổi. Hiệu suất của mô hình giảm dần khi việc phân phối dữ liệu đầu vào rời xa thời gian huấn luyện. Sự trôi dạt dữ liệu này và dẫn đến giảm hiệu suất được gọi là phân rã mô hình.

Điều nguy hiểm là sự suy giảm này diễn ra âm thầm: mô hình không sụp đổ, không mắc lỗi, nó chỉ ngày càng sai nhiều hơn. Vì vậy:

• Giám sát phân phối đầu vào (phát hiện trôi dạt).
• Theo dõi số liệu hiệu suất bằng kết quả thực tế (cảnh báo có chính xác không?).
• Kích hoạt đào tạo lại khi vượt quá ngưỡng.

Thận trọng: Giả định rằng "một khi mô hình được huấn luyện, nó sẽ mang lại hiệu suất như nhau mãi mãi" là sai lầm và rủi ro trong ô tô. Một mô hình được đưa vào sản xuất mà không có sự giám sát độ lệch có thể vô tình trở nên không đáng tin cậy.

Kịch bản ví dụ toàn diện: nhóm bảo trì dự đoán

Hãy làm cho nó cụ thể. Bạn đang lắp đặt hệ thống cảnh báo sớm lỗi turbo cho đội tàu chở hàng:

1. Giá trị: Giảm thời gian ngừng hoạt động và chi phí kéo xe; thành công = lỗi thực tế/cân bằng cảnh báo sai được ghi lại.
2. Dữ liệu: Tín hiệu CAN của 40 xe, hồ sơ lỗi lịch sử; VIN được ẩn danh.
3. Mô hình: Bất thường + RUL; ngăn chặn rò rỉ chuỗi thời gian; Phạm vi không chắc chắn được trình bày.
4. Xác minh: Kiểm tra lại các lỗi trong quá khứ; Chi phí báo động sai đã được cân nhắc.
5. Sản xuất: Điểm hàng ngày trên đám mây; bảng điều khiển cho kỹ thuật viên.
6. Giám sát: Kiểm soát độ lệch khi thêm mẫu xe mới; độ chính xác báo động hàng tuần.
7. Đào tạo lại: Cập nhật hàng quý với loại xe mới và các ví dụ lỗi mới.
8. Tài liệu: Phiên bản mô hình, phiên bản dữ liệu, kỹ sư chứng nhận đã đăng ký.

Không có bước nào trong quy trình này nói "AI đã quyết định, hoàn thành"; Một người chịu trách nhiệm cho từng giai đoạn.

Nghiên cứu trường hợp nhỏ

Trường hợp 1 - Phân rã thầm lặng. Một mô hình kiểm soát chất lượng hoạt động tốt trong một năm, sau đó tốc độ rò rỉ tăng dần. Nguyên nhân cốt lõi: Khi nhà cung cấp thay đổi, kết cấu bề mặt của bộ phận trở nên hơi khác một chút (trôi dạt) và người mẫu bắt đầu cho rằng điều này là "bình thường". Giám sát độ lệch được thiết lập và mô hình được đào tạo lại. Kết quả: Nếu không giám sát, lỗ hổng này sẽ không được phát hiện trong nhiều tháng.

Trường hợp 2 - Đã lưu được khả năng truy xuất nguồn gốc. Một khiếu nại báo động sai đang đến từ hiện trường. Từ nhật ký quyết định, nhóm tìm ra phiên bản mô hình nào hoạt động với dữ liệu nào; Nó phát hiện sự cố xuất phát từ cài đặt ngưỡng trong một phiên bản cụ thể và khôi phục phiên bản đó. Kết quả: Nếu không có phiên bản và bản ghi quyết định, vấn đề sẽ không thể được truy tìm.

Trường hợp 3 - Kỷ luật đào tạo lại. Khi một mẫu xe điện mới gia nhập đội xe, mô hình bảo trì dự đoán hiện tại sẽ đưa ra rất nhiều cảnh báo sai về chiếc xe này (một hệ thống truyền động mà nó chưa từng thấy). Trước khi vận hành mô hình mới, nhóm nghiên cứu ghi lại cảnh báo trôi dạt và mở rộng mô hình bằng dữ liệu phương tiện mới. Kết quả: Việc giám sát sự trôi dạt đã sớm phát hiện được sự xuống cấp đi kèm với sản phẩm mới.

mẫu lời nhắc

Mẫu 1 - Dự thảo kế hoạch dự án:

Vai trò: Trưởng dự án AI (ô tô). Nhiệm vụ: Giúp tôi lập kế hoạch toàn diện cho một dự án do AI cung cấp. Bối cảnh: Bảo trì dự đoán; Đội xe 40 chiếc; VIN là ẩn danh.Ràng buộc: Xem xét các bước xác định giá trị, dữ liệu, mô hình, xác minh, sản xuất, giám sát, đào tạo lại và tài liệu một cách riêng biệt; cho biết ai chịu trách nhiệm cho từng bước.Đầu ra: Bước | đầu ra | chịu trách nhiệm | bảng rủi ro.

Mẫu 2 - Kế hoạch giám sát:

Vai trò: Bạn là kỹ sư MLOps. Nhiệm vụ: Đề xuất kế hoạch giám sát cho mô hình đang được thực hiện. Bối cảnh: Phân phối đầu vào có thể thay đổi theo thời gian (nhà cung cấp mới, công cụ mới); hiệu suất có thể được đo lường bằng kết quả thực tế. Đầu ra: Số liệu cần theo dõi | ngưỡng | hành động cần được kích hoạt.

Mẫu 3 - Đánh giá độ trôi:

Vai trò: Nhà khoa học dữ liệu. Nhiệm vụ: Giải thích cách phát hiện sự trôi dạt dữ liệu và khi nào cần đào tạo lại. Bối cảnh: Mô hình kiểm tra trực quan dây chuyền sản xuất; Có thể có sự thay đổi về nhà cung cấp. Đầu ra: Tín hiệu | đo lường | kích hoạt đào tạo lại.

Mẫu 4 - Danh sách kiểm tra truy xuất nguồn gốc:

Vai trò: Bạn là kiểm toán viên chất lượng/tuân thủ. Nhiệm vụ: Tạo danh sách kiểm tra truy xuất nguồn gốc cho một mô hình. Bối cảnh: Ô tô; Khi xảy ra sự cố cần trả lời câu hỏi “phiên bản nào, dữ liệu nào, ai phê duyệt”. Đầu ra: Mục | tại sao cần thiết | cách lưu biểu đồ.

Dấu nhắc yếu / Dấu nhắc mạnh

Dấu nhắc yếu:

Đưa mô hình vào sản xuất.

Không theo dõi, không lập phiên bản, không chịu trách nhiệm và không hoàn tác; Sự suy tàn thầm lặng và những vấn đề không thể truy tìm được là điều không thể tránh khỏi.

Lời nhắc mạnh mẽ:

Vai trò: Bạn là nhà tư vấn chất lượng ô tô và MLOps. Nhiệm vụ: Tạo danh sách kiểm tra tôi cần để đưa mô hình vào sản xuất một cách có trách nhiệm. Bối cảnh: Đội bảo trì dự đoán; Các loại xe mới được bổ sung theo thời gian; VIN ẩn danh.Ràng buộc: Bao gồm giám sát, phát hiện sai lệch, ghi nhật ký phiên bản/dữ liệu, xác nhận và kế hoạch khôi phục; Nêu rõ ai chịu trách nhiệm cho từng hạng mục; Đề xuất 'đặt nó và quên nó đi'.Đầu ra: Giai đoạn | sự cần thiết | chịu trách nhiệm | bảng rủi ro.

Những lỗi thường gặp

• Cách tiếp cận “Đặt nó và quên nó đi”. Nếu không có sự giám sát, mô hình sẽ lặng lẽ phân rã.
• Không lưu giữ hồ sơ phiên bản/dữ liệu. Vấn đề không thể được theo dõi hoặc sao chép.
• Không có kế hoạch quay trở lại. Nếu việc khôi phục từ một bản phát hành lỗi mất nhiều thời gian thì sẽ có sự thất bại kéo dài trong lĩnh vực này.
• Không chờ Drift. Nhà cung cấp/công cụ/mùa vụ mới làm gián đoạn mô hình; việc giám sát là cần thiết.
• Để lại trách nhiệm không rõ ràng. Câu trả lời cho “ai chịu trách nhiệm” phải rõ ràng ở mọi bước.

Tóm lại

• Một dự án ô tô được hỗ trợ bởi AI không phải là một dự án diễn ra một lần mà là một vòng đời luân phiên (MLOps).
• Phiên bản mô hình và dữ liệu, ghi nhật ký quyết định và lập kế hoạch khôi phục là rất cần thiết cho khả năng truy xuất nguồn gốc.
• Sự trôi dạt dữ liệu âm thầm bác bỏ mô hình; đầu vào và hiệu suất cần được theo dõi và đào tạo lại khi cần thiết.
• Trong ví dụ từ đầu đến cuối, mỗi bước đều có một người chịu trách nhiệm; Không có chuyện "AI đã quyết định, thế là xong".
• “Đặt nó và quên nó đi” là rủi ro trong ô tô; việc giám sát, tài liệu và trách nhiệm giải trình được duy trì trong suốt dự án.

Nhiệm vụ ứng dụng

Kết hợp những gì bạn đã học trong mô-đun này vào một dự án duy nhất (ví dụ: kiểm tra trực quan dây chuyền sản xuất hoặc bảo trì dự đoán). (1) Soạn thảo kế hoạch dự án hoàn thiện với Mẫu 1; Viết ra người chịu trách nhiệm cho từng bước. (2) Xác định kế hoạch giám sát và kích hoạt sai lệch bằng Mẫu 2. (3) Chuẩn bị danh sách kiểm tra truy xuất nguồn gốc với Mẫu 4. (4) Tóm tắt trong một đoạn văn cách bạn áp dụng ba nguyên tắc neo từ đầu mô-đun cho dự án này.

danh sách kiểm tra

• [ ] Tôi đã lên kế hoạch cho dự án như một vòng đời từ đầu đến cuối.
• [ ] Tôi đã xác định bản ghi quyết định bằng mô hình và phiên bản dữ liệu.
• [ ] Tôi đặt kế hoạch giám sát và kích hoạt sự trôi dạt.
• [ ] Tôi đã chuẩn bị một kế hoạch khôi phục.
• [ ] Tôi đã làm rõ ai chịu trách nhiệm cho từng bước.
• [ ] Tôi đã duy trì ba nguyên tắc xác thực mỏ neo và xác thực quan trọng về bảo mật con người.

Thi học phần

1. Vai trò của đầu ra AI trong một quyết định quan trọng về an toàn ô tô (ví dụ: xác minh phần mềm phanh) là gì?

• A) Tăng tốc độ phân tích nhưng sự phê duyệt và trách nhiệm cuối cùng vẫn thuộc về kỹ sư có thẩm quyền ✔
• B) Nếu có đủ dữ liệu, nó có thể được đưa vào sản xuất mà không cần sự chấp thuận của kỹ sư
• C) AI không thể được sử dụng ở bất kỳ giai đoạn nào trong các hệ thống quan trọng như phanh
• D) Nếu độ chính xác của mô hình vượt quá 99%, việc xác minh của con người là không cần thiết

Mô tả: Trí tuệ nhân tạo tăng tốc độ phân tích, tạo ra các giải pháp và tóm tắt ứng viên; Tuy nhiên, quyết định quan trọng về an toàn và phê duyệt cuối cùng là trách nhiệm của kỹ sư có thẩm quyền. AI không phải là sự thay thế cho việc xác nhận kỹ sư.

2. Ba bước kiểm tra độc lập được sử dụng để kiểm tra đầu ra của AI trong ba nguyên tắc xác thực mỏ neo là gì?

• A) Độ dài, ngôn ngữ và định dạng của lời nhắc
• B) Bằng chứng về mức độ, tính hợp lý về mặt kỹ thuật và thử nghiệm/đo lường độc lập ✔
• C) Kích thước của mô hình, thời gian đào tạo và số lượng GPU
• D) Thương hiệu, giá cả và thời gian giao hàng của nhà cung cấp

Mô tả: Ba mỏ neo; mức độ quan trọng (kiểm tra thứ tự), tính hợp lý về mặt kỹ thuật (vật lý/kinh nghiệm) và xác nhận chéo bằng bằng chứng đo lường/kiểm tra độc lập. Ba điều này cung cấp niềm tin vào bằng chứng chứ không phải niềm tin vào AI.

3. Xác minh quan trọng nhất đối với đầu ra của 'mô hình thay thế' giúp tăng tốc mô phỏng CFD hoặc FEA là gì?

• A) Mô hình thay thế luôn chính xác hơn mô hình giải thực
• B) Chỉ cần làm cho bản render trông đẹp mắt về mặt thẩm mỹ là đủ
• C) So sánh với giải pháp tham khảo và chấp nhận sự không tin cậy khi di chuyển ra ngoài không gian tập luyện ✔
• D) Không cần phải xem xét tính độc lập của mạng nếu một lần chạy hội tụ

Mô tả: Mô hình thay thế tạo ra các dự đoán nhanh thay vì bộ giải thực; nhưng nó không đáng tin cậy bên ngoài không gian thiết kế mà nó được đào tạo. Đầu ra phải được xác minh bằng cách đánh dấu vùng ngoại suy bằng các điều kiện biên vật lý và mô phỏng có độ chính xác cao tham chiếu.

4. Biểu thức chính xác cho Cấp độ 2 (tự động hóa một phần) trong các cấp độ tự động hóa SAE là gì?

• A) Xe có thể lái mà không cần người lái trong mọi điều kiện
• B) Hệ thống không thực hiện bất kỳ nhiệm vụ lái xe nào, chỉ đưa ra cảnh báo
• C) Sẽ không sao nếu anh ấy không ngồi ở ghế lái
• D) Hệ thống hỗ trợ đánh lái và tốc độ nhưng người lái xe luôn luôn giám sát và chịu trách nhiệm ✔

Mô tả: Ở Cấp độ 2, hệ thống hỗ trợ đồng thời đánh lái và tốc độ/khoảng cách, nhưng người lái vẫn duy trì sự giám sát liên tục và sẵn sàng điều khiển bất cứ lúc nào; Trách nhiệm thuộc về người lái xe. Ở cấp độ 3 trở lên, hệ thống sẽ đảm nhận nhiệm vụ lái xe trong một số điều kiện nhất định.

5. Tại sao 'tỷ lệ thoát' là thước đo quan trọng trong việc phát hiện lỗi trực quan trên dây chuyền sản xuất?

• A) Việc phê duyệt bộ phận bị lỗi và gửi nó đến hiện trường gây ra rủi ro về an toàn và thu hồi ✔
• B) Nó chỉ quan trọng vì nó làm chậm tốc độ đường truyền
• C) Tỷ lệ rò rỉ chỉ có giá trị đối với các khuyết tật về sơn
• D) Tỷ lệ rò rỉ đo thời gian đào tạo của mô hình

Mô tả: Bất hợp pháp; Một bộ phận bị lỗi được coi là hoàn hảo và đi qua vạch (âm tính giả). Đối với một bộ phận an toàn của ô tô, việc rò rỉ sẽ tốn kém hơn nhiều so với việc loại bỏ sai vì nó có thể dẫn đến hỏng hóc hoặc thu hồi tại hiện trường; Ngưỡng được điều chỉnh cho phù hợp.

6. Cách sử dụng ước tính 'thời gian sử dụng hữu ích còn lại' (RUL) chính xác nhất trong bảo trì dự đoán là gì?

• A) RUL chỉ được tính cho dầu động cơ
• B) Nó phải được trình bày với phạm vi không chắc chắn và được diễn giải theo khoảng thời gian bảo trì và giới hạn an toàn ✔
• C) Nó phải được coi là một giá trị ngày chính xác duy nhất và không được thực hiện kiểm tra cho đến ngày đó.
• D) Cảm biến có thể bị tắt nếu RUL ở mức cao

Mô tả: RUL là thời gian hoạt động còn lại ước tính của một bộ phận cho đến khi hỏng hóc; Nó phải được trình bày với phạm vi không chắc chắn và được giải thích theo kế hoạch bảo trì và giới hạn an toàn. Thay vì mù quáng dựa vào một ước tính điểm duy nhất, khoảng tin cậy và chi phí cảnh báo sai sẽ được tính đến.

7. Kỹ sư nên làm gì khi AI đánh dấu điểm bất thường trong bản ghi thử nghiệm trên đường trong phân tích dữ liệu thử nghiệm?

• A) Khi bạn thấy sự bất thường, bài kiểm tra sẽ tự động được coi là không thành công.
• B) AI hoàn toàn không nên xem dữ liệu nếu nó chưa đánh dấu nó
• C) Xác minh sự bất thường bằng dữ liệu thô, độ không đảm bảo đo và độ lặp lại ✔
• D) Xóa các điểm bất thường và xóa báo cáo

Giải thích: Điều bất thường mà AI gắn cờ là một đầu mối chứ không phải là kết luận. Kỹ sư phải kiểm tra độ không đảm bảo của phép đo, khả năng hỏng cảm biến, độ lặp lại, đồng thời xác minh sự bất thường bằng dữ liệu thô và tiêu chí chấp nhận. Việc chấp nhận hoặc từ chối tự động là không phù hợp.

8. Xác minh nào là bắt buộc đối với thay đổi quan trọng do AI đề xuất trong nghiên cứu giảm nhẹ?

• A) Nó chỉ cần nhẹ hơn
• B) Một hàng trong cơ sở dữ liệu vật liệu có thể được lấy làm bằng chứng
• C) Hành vi va chạm không quan trọng đối với vật liệu nhẹ
• D) Các yêu cầu về cơ khí, độ mỏi, va chạm, khả năng sản xuất và chi phí phải được kiểm tra cùng nhau ✔

Lưu ý: Khuyến nghị về vật liệu không thể được chấp nhận chỉ dựa trên tỷ lệ mật độ/độ bền; các yêu cầu về tính chất cơ học, độ mỏi, hành vi va chạm, khả năng sản xuất, ăn mòn, chi phí và an toàn phải được xác minh cùng nhau và được xác nhận bằng thử nghiệm vật lý.

9. Tại sao 'rủi ro nguồn đơn' trong chuỗi cung ứng ô tô lại cần được quan tâm đặc biệt trong các khuyến nghị của AI?

• A) Sự gián đoạn tại một nhà cung cấp có thể làm ngừng toàn bộ hoạt động sản xuất; Nguồn và bộ đệm thứ hai nên được đánh giá ✔
• B) Nguồn duy nhất luôn là lựa chọn an toàn nhất
• C) Phân tích rủi ro là không cần thiết nếu AI đề xuất
• D) Rủi ro nguồn đơn chỉ áp dụng cho lốp xe

Giải thích: Nếu một bộ phận đến từ một nhà cung cấp duy nhất, việc sản xuất sẽ dừng lại khi có vấn đề với nhà cung cấp đó. AI có thể đề xuất một nguồn tối ưu hóa chi phí duy nhất; Kỹ sư/người lập kế hoạch phải cân bằng điều này với nguồn lực thứ cấp, kho dự trữ và phân tích kịch bản. Chi phí không phải là tiêu chí duy nhất.

10. “Rò rỉ dữ liệu” nghĩa là gì khi thực hiện phân tích đo từ xa bằng Python và tại sao nó lại nguy hiểm?

• A) Dữ liệu bị rò rỉ khỏi đĩa và bị xóa
• B) Mô hình nhìn thấy trong huấn luyện những thông tin không thể biết được tại thời điểm dự đoán; Tăng điểm, gục ngã trên sân ✔
• C) Pha trộn màu sắc đồ họa
• D) Chỉ xảy ra trong dữ liệu hình ảnh

Mô tả: Rò rỉ dữ liệu; Đây là khi mô hình nhìn thấy thông tin đào tạo mà thực tế không thể biết được tại thời điểm dự đoán (ví dụ: giá trị trong tương lai hoặc thuộc tính liên quan đến mục tiêu). Điều này làm tăng điểm kiểm tra một cách giả tạo nhưng lại làm giảm hiệu suất của trường. Sự phân biệt quá khứ/tương lai phải được duy trì một cách tỉ mỉ theo chuỗi thời gian.

11. Phân loại ASIL xác định điều gì trong bối cảnh an toàn chức năng của ISO 26262?

• a) Tốc độ tối đa của xe
• B) Kích thước tập dữ liệu huấn luyện của mô hình
• C) ✔ Mức độ an toàn cần thiết tùy theo mức độ nghiêm trọng, mức độ phơi nhiễm và khả năng kiểm soát của mối nguy hiểm.
• D) Xếp hạng tín dụng của nhà cung cấp

Mô tả: ASIL (Mức độ toàn vẹn về an toàn ô tô) xác định mức độ phòng ngừa an toàn (từ A đến D, D là cao nhất) mà một mối nguy hiểm yêu cầu dựa trên đánh giá về mức độ nghiêm trọng, mức độ phơi nhiễm và khả năng kiểm soát. ASIL cao yêu cầu sự phát triển, xác minh và tài liệu nghiêm ngặt hơn.

12. ISO 21448 (SOTIF) khác với an toàn chức năng cổ điển (ISO 26262) ở điểm nào?

• A) Chỉ xử lý các lỗi phần cứng
• B) Chỉ quy định cấp phép phần mềm
• C) SOTIF là tên cũ của ISO 26262
• D) Giải quyết các rủi ro phát sinh từ chức năng không đầy đủ và các tình huống không được nhận dạng, ngay cả khi không có lỗi ✔

Mô tả: Trong khi ISO 26262 giải quyết các rủi ro phát sinh từ trục trặc/lỗi phần cứng-phần mềm, thì SOTIF (An toàn của chức năng dự kiến) giải quyết các rủi ro phát sinh từ việc phát hiện không đầy đủ, các tình huống không được nhận dạng và giới hạn chức năng, ngay cả khi hệ thống hoàn toàn không gặp trục trặc; đặc biệt quan trọng trong việc phát hiện dựa trên AI.

13. Cách tiếp cận tốt nhất về quyền riêng tư khi làm việc với dữ liệu đo từ xa của người lái xe và phương tiện là gì?

• A) Tuân thủ KVKK/GDPR với tính năng ẩn danh, giảm thiểu dữ liệu và giới hạn mục đích ✔
• B) Gửi tất cả dữ liệu thô tới mô hình công cộng cùng với số VIN
• C) Quyền riêng tư chỉ áp dụng cho dữ liệu tiếp thị
• D) Dữ liệu vị trí không bao giờ được coi là dữ liệu cá nhân

Mô tả: Dữ liệu như vị trí, hành vi lái xe và số khung (VIN) có thể nhận dạng một người. Cách tiếp cận đúng đắn nhất; ẩn danh/giả danh dữ liệu, chỉ thu thập những gì cần thiết (giảm thiểu dữ liệu), giới hạn mục đích và tuân thủ KVKK/GDPR. Gửi số VIN hoặc vị trí thô tới các công cụ của bên thứ ba có nhiều rủi ro.

14. Tại sao cần giám sát 'sự trôi dạt dữ liệu' trong mô hình AI đưa vào sản xuất?

• A) Sau khi mô hình được đào tạo, nó sẽ mang lại hiệu suất tương tự vô thời hạn.
• B) Hiệu suất âm thầm giảm khi phân bổ đầu vào thay đổi theo thời gian; phải kích hoạt đào tạo lại ✔
• C) Drift chỉ là rung động vật lý của phần cứng
• D) Việc giám sát là không cần thiết vì mô hình tự động cập nhật

Giải thích: Thế giới thực thay đổi (nhà cung cấp phụ tùng mới, mùa vụ, mẫu xe mới); Hiệu suất của mô hình giảm dần khi phân phối đầu vào rời xa thời gian huấn luyện. Việc đào tạo lại được kích hoạt bằng cách theo dõi sự trôi dạt và các số liệu hiệu suất. Cách tiếp cận 'đặt nó và quên nó đi' rất rủi ro trong lĩnh vực ô tô.