收益：
- 能够全面评估纺织业人工智能应用的道德、数据隐私、版权和劳动力方面
- 能够设计具有指定人工审批点的系统，将整个模块结合到端到端工作流程中
- 能够为组织中负责任的人工智能使用建立治理、验证和持续改进框架
模块考试
1.以下哪项是决定纺织工程人工智能输出风险的基本原则？
- A) 输出的风险等于该输出出现故障时可能造成的危害；验证规模相应 ✔
- B) AI 输出通常是安全的，因为它写得流畅且自信
- C) 使用最新模型时无需验证
- D) 如果输出参考标准，则不需要额外的控制
解释：输出的风险等于该输出出现故障时所造成的危害。虽然情绪板想法中的错误是无害的，但染色配方或织物强度计算中的错误可能会导致批次浪费和职业安全/合同风险；因此验证强度与潜在危害成正比。
2. 一位工程师对“棉纱85 cN/tex”的纱线强度AI值持怀疑态度。确认这一怀疑最快的检查是什么？
- A) 将数值直接写在报告上，稍后询问实验室
- B) 与典型棉纱范围（大约 12-22 cN/tex）进行数量级比较 ✔
- C）再次向模型询问相同的问题并相信第二个答案
- D) 如果该值包含对源的引用，则接受
描述：这是一个数量级控制。环锭棉纱的强度通常约为 12-22 cN/tex； 85 cN/tex 是高性能合成/芳纶级别，对于棉来说物理上不合理。此检查需要几秒钟的时间并捕获大多数单位/类型错误。
3. 对于纱线支数系统中的“Ne”（英国棉支数），以下哪一项是正确的？
- A) 线越大，线就越粗。
- B) 什么是直接系统，它的工作方向与 tex 相同
- C) 这是一个多么间接的系统啊；数字越大，线越细✔
- D) 仅针对合成纱线定义的内容
说明： 这是一个间接编号系统：数字越大，线越细。特克斯和旦尼尔是直接系统；数字越大，线越粗。不知道这种区别会导致人工智能输出中的数字解释出现严重错误。
4. 在检测织物缺陷的图像处理模型中，高“漏报”率意味着什么？为什么它很重要？
- A) 有缺陷的面料被视为完美并交付给客户； ✔ 最危险的质量错误类型
- B) 将完美的织物不必要地标记为缺陷；它只会降低效率
- C) 模型未发现缺陷；总是一个好兆头
- D) 相机分辨率低
解释：假阴性是指真正的缺陷被归类为“完美”。这意味着有缺陷的面料会流向客户并产生退货/声誉成本。在质量关键的应用中，通常设置阈值以保持较低的误报率，并通过人工检查消除增加的误报。
5. 色彩管理中的“Delta E”(ΔE) 值意味着什么？
- A) 每公斤油漆的成本
- B) 量化两种颜色之间总感知差异的标准✔
- C) 织物的透光率
- D) 染色温度值（以度为单位）
描述：Delta E 是量化 CIELAB 色彩空间中两种颜色之间总感知差异的标准。 ΔE值小表明颜色接近；在纺织品中，批次间的验收公差通常根据合同定义为 ΔE。因此，“保持颜色”的说法需要测量。
6. 当两个样本在一种光源下看起来相同而在另一种光源下看起来不同时，这被称为什么？为什么它在色彩管理中很重要？
- A) 同色异谱；颜色确认必须在多个标准光源下进行✔
- B) 荧光；在所有条件下颜色看起来都一样
- C) 不透明度；色差仅取决于厚度
- D) 校准；只涉及屏幕
描述：这种现象称为同色异谱。具有不同光谱反射率的两种颜色可能在某些照明下匹配而在其他照明下发散。因此，颜色确认不应在单一光源下进行，而应在标准灯箱中在多个光源（例如D65、TL84、A）下进行。
7. 在将人工智能生成的纺织图案投入商业使用之前，最关键的法律检查是什么？
- A) 减少图案的颜色数量
- B) 减小图案的文件大小
- C) 检查与现有受保护设计的相似性/侵权和版权 ✔
- D) 仅以高分辨率保存图案
说明：需要检查生成的模型是否与现有受保护的设计、商标或受版权保护的作品存在相似/侵权，并评估模型的训练数据和输出权的不确定性。不检查原创性和侵权情况的商业化会带来版权诉讼的风险。
8. 在按 SKU 预测需求时验证 AI 输出的最可靠方法是什么？
- A) 将模型给出的单点预测原样转换为订单数量
- B) 对过去的销售情况进行回溯测试，并通过业务判断过滤器评估误差幅度 ✔
- C) 选择最高估算并保留多余库存
- D) 如果趋势最受欢迎，则将预测加倍
说明：预测应该针对过去的销售实现进行回溯测试，并通过业务判断与库存、活动、季节性等背景进行过滤。不要盲目相信模型的单点预测，而是评估误差幅度和场景。
9、生产排程中涂料批次顺序由“浅色到深色”的主要原因是什么？
- A）深色更便宜
- B) 减少颜色污染的风险和机器清洁时间 ✔
- C) 浅色持续时间更长
- D）这只是一种审美偏好
说明：如果在同一台机器中先染深色后染浅色，则清洁/污染和额外洗涤时间的风险会增加。从浅色到深色分类可减少颜色污染的风险和机器清洁时间，从而提高效率。人工智能建议应包括此流程限制。
10. 在报告织物的环境足迹时，对于人工智能产生的“再生聚酯可减少 90% 的用水量”等说法，正确的态度是什么？
- A) 将声明原样放入营销文案中
- B) 未经系统边界、数据源和证书验证，不得使用该声明 ✔
- C) 如果数量较多，则假设主张较强
- D) 将数字四舍五入并发布
解释：如果没有明确系统边界（从摇篮到大门或从大门到大门）、数据来源和范围，这样的主张是没有意义的；它必须基于可验证的 LCA 数据和认证。否则，可能会出现洗绿和法律风险。虽然 AI 数字看似合理，但它们是独立来源的。
11. 在使用 pandas 和 Python 分析生产数据时，验证 AI 编写的代码的第一步应该是什么？
- A）如果代码运行没有错误，则接受正确的结果
- B) 手动计算输出并在小数据样本上验证单位和逻辑 ✔
- C) 将代码直接添加到生产报告中
- D) 如果图表结果良好，则认为分析已完成。
备注：即使代码有效，也不能保证逻辑正确；必须对单位、列匹配和多行进行手动会计检查。例如，在平均克重时，不正确的分组或单位混淆可能会默默地产生不正确的结果。在小样本中，手动验证是最快的保证。
12. 将纺织品生产数据发送到人工智能工具时，数据隐私方面的最佳实践是什么？
- A) 按原样发送所有实际客户和处方信息
- B) 对敏感信息进行匿名处理，并根据公司政策，使用代表性标签进行发送 ✔
- C) 假设隐私并不重要，因为数据太多。
- D) 只需更改文件名并按原样发送内容
说明：客户姓名、配方秘密、价格和供应商信息等敏感数据应匿名或带有代表性标签（客户-A、配方-1）。不得违反公司政策和协议将商业秘密和个人数据转移给第三方模型。
13. 图像处理模型在生产线上的准确率达到 98%，但遗漏了现场的许多缺陷。造成这种情况最可能的原因是什么？
- A) 由于数据不平衡，准确性具有误导性；缺陷类别的敏感性（召回率）较低 ✔
- B）模型运行速度非常慢
- C) 因为相机是彩色的
- D) 98%已经完美了，问题出在操作者身上
解释：当数据集中存在缺陷的样本很少（数据不平衡）时，模型可以通过称一切为“完美”来实现高精度，但无法捕获实际的缺陷。因此，光是准确性就具有误导性。应监控缺陷类别的灵敏度（召回率）和精度。
14. 根据整个模块强调的关键原则，人工智能在安全和关键合同纺织决策中的作用是什么？
- A）人工智能可以自行做出关键决策，因为它速度很快
- B) AI是助手；关键决策均经过主管工程师的批准和物理测试的验证 ✔
- C) AI输出取代签名报告
- D) 使用最新模型时无需人工确认
描述：AI是助手、加速器；产生假设、准备草稿、捕捉模式。然而，涂装配方批准、质量验收、强度/安全评估等关键决策需要有能力的工程师批准和物理测试。人工智能输出并不能替代专家的认可。