విజ్ఞాన శాస్త్రం మరియు సాంకేతిక విజ్ఞానం - టెస్ట్ 11 - కృత్రిమ మేధస్సు – ప్రాథమిక భావనలు మరియు అనువర్తనాలు
Please keep at least one language enabled. || కనీసం ఒక భాషను ఎంచుకోండి.
Question 1
ప్రశ్న 1
Which scenario most clearly demonstrates machine-learning-based AI rather than ordinary fixed automation?
క్రింది పరిస్థితుల్లో సాధారణంగా ముందే నిర్ణయించిన automation కంటే machine-learning ఆధారిత AIను అత్యంత స్పష్టంగా చూపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Ordinary automation can execute predetermined rules or sequences without learning patterns from data.
• In the vision example, a trained model applies patterns learned from labelled examples to classify new inputs.
• Automation and AI can be combined, but automation alone should not automatically be treated as machine-learning-based AI.
• In the vision example, a trained model applies patterns learned from labelled examples to classify new inputs.
• Automation and AI can be combined, but automation alone should not automatically be treated as machine-learning-based AI.
వివరణ:
• సాధారణ automation ముందుగా నిర్ణయించిన నియమాలు లేదా క్రమాన్ని అమలు చేయగలదు; డేటా నుంచి నమూనాలు నేర్చుకోవాల్సిన అవసరం ఉండదు.
• Vision ఉదాహరణలో శిక్షణ పొందిన మోడల్ గుర్తింపు ఇచ్చిన ఉదాహరణల నుంచి నేర్చుకున్న నమూనాలను కొత్త inputs వర్గీకరణకు ఉపయోగిస్తుంది.
• Automation మరియు AI కలిసి పనిచేయవచ్చు; కానీ automation ఉన్న ప్రతి వ్యవస్థను machine-learning ఆధారిత AIగా పరిగణించకూడదు.
• Vision ఉదాహరణలో శిక్షణ పొందిన మోడల్ గుర్తింపు ఇచ్చిన ఉదాహరణల నుంచి నేర్చుకున్న నమూనాలను కొత్త inputs వర్గీకరణకు ఉపయోగిస్తుంది.
• Automation మరియు AI కలిసి పనిచేయవచ్చు; కానీ automation ఉన్న ప్రతి వ్యవస్థను machine-learning ఆధారిత AIగా పరిగణించకూడదు.
Question 2
ప్రశ్న 2
Which statement correctly distinguishes an algorithm, training data and a trained machine-learning model?
అల్గారిథం, శిక్షణ డేటా మరియు శిక్షణ పొందిన machine-learning మోడల్ మధ్య తేడాను సరైన విధంగా తెలిపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• An algorithm specifies a computational or learning procedure.
• Training data provides the examples or observations from which a learning algorithm extracts useful patterns.
• Training produces a model with learned parameters that can subsequently be used for inference on new data.
• Training data provides the examples or observations from which a learning algorithm extracts useful patterns.
• Training produces a model with learned parameters that can subsequently be used for inference on new data.
వివరణ:
• అల్గారిథం గణన లేదా నేర్చుకునే విధానాన్ని నిర్దేశిస్తుంది.
• శిక్షణ డేటా ద్వారా అల్గారిథం ఉపయోగకరమైన నమూనాలను నేర్చుకునేందుకు examples లేదా observations లభిస్తాయి.
• శిక్షణ తరువాత learned parameters కలిగిన మోడల్ ఏర్పడి కొత్త డేటాపై ఫలితాలు పొందడానికి ఉపయోగించవచ్చు.
• శిక్షణ డేటా ద్వారా అల్గారిథం ఉపయోగకరమైన నమూనాలను నేర్చుకునేందుకు examples లేదా observations లభిస్తాయి.
• శిక్షణ తరువాత learned parameters కలిగిన మోడల్ ఏర్పడి కొత్త డేటాపై ఫలితాలు పొందడానికి ఉపయోగించవచ్చు.
Question 3
ప్రశ్న 3
Which statement best distinguishes training from inference in machine learning?
Machine learningలో training మరియు inference మధ్య తేడాను అత్యంత సరైన విధంగా తెలిపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Model training is the learning stage in which parameters are adjusted to improve performance on training objectives.
• Inference is the use stage: the trained model processes new data and generates a prediction, classification, recommendation or other output.
• Training and inference have different computational goals even though both involve the same underlying model architecture in many systems.
• Inference is the use stage: the trained model processes new data and generates a prediction, classification, recommendation or other output.
• Training and inference have different computational goals even though both involve the same underlying model architecture in many systems.
వివరణ:
• Model training అనేది నేర్చుకునే దశ; ఇందులో లక్ష్య పనిపై పనితీరును మెరుగుపరచేందుకు parametersను సర్దుతారు.
• Inference అనేది ఉపయోగ దశ; శిక్షణ పొందిన మోడల్ కొత్త డేటాను విశ్లేషించి అంచనా, వర్గీకరణ, సిఫారసు లేదా ఇతర ఫలితాన్ని ఇస్తుంది.
• అనేక systemsలో ఒకే model architecture ఉపయోగించినా training, inference లక్ష్యాలు వేరు.
• Inference అనేది ఉపయోగ దశ; శిక్షణ పొందిన మోడల్ కొత్త డేటాను విశ్లేషించి అంచనా, వర్గీకరణ, సిఫారసు లేదా ఇతర ఫలితాన్ని ఇస్తుంది.
• అనేక systemsలో ఒకే model architecture ఉపయోగించినా training, inference లక్ష్యాలు వేరు.
Question 4
ప్రశ్న 4
A system must assign each incoming email to one of the categories 'spam' or 'not spam', while another system must estimate tomorrow's numerical electricity demand in megawatts. Which pairing is most appropriate?
ఒక వ్యవస్థ ప్రతి incoming emailను 'spam' లేదా 'not spam' అనే వర్గాల్లో ఒకటిగా నిర్ణయించాలి. మరో వ్యవస్థ రేపటి విద్యుత్ డిమాండ్ను megawattsలో సంఖ్యాత్మకంగా అంచనా వేయాలి. సరైన జత ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Classification assigns an input to one of a set of categories, such as spam versus not spam.
• Regression predicts a numerical value, while forecasting often applies such prediction to future time-dependent quantities.
• The form of the required output is therefore important when selecting an AI/ML task formulation.
• Regression predicts a numerical value, while forecasting often applies such prediction to future time-dependent quantities.
• The form of the required output is therefore important when selecting an AI/ML task formulation.
వివరణ:
• Classificationలో inputను ముందుగా నిర్వచించిన వర్గాల్లో ఒకదానికి కేటాయిస్తారు; ఉదాహరణకు spam లేదా not spam.
• Regressionలో సంఖ్యాత్మక విలువను అంచనా వేస్తారు; కాలంతో మారే భవిష్యత్ విలువలకు forecastingను ఉపయోగించవచ్చు.
• కాబట్టి కావలసిన output స్వభావం ఆధారంగా సరైన AI/ML పనిని ఎంచుకోవాలి.
• Regressionలో సంఖ్యాత్మక విలువను అంచనా వేస్తారు; కాలంతో మారే భవిష్యత్ విలువలకు forecastingను ఉపయోగించవచ్చు.
• కాబట్టి కావలసిన output స్వభావం ఆధారంగా సరైన AI/ML పనిని ఎంచుకోవాలి.
Question 5
ప్రశ్న 5
A streaming platform suggests movies to a user based on viewing history, interactions and patterns among similar users or items. This is primarily an example of:
ఒక streaming platform వినియోగదారి viewing history, interactions మరియు సమాన users లేదా itemsలోని నమూనాల ఆధారంగా moviesను సూచిస్తోంది. ఇది ప్రధానంగా ఏదికి ఉదాహరణ?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Recommendation systems use information about users, items and interactions to estimate which items are likely to be relevant or useful.
• Methods can include collaborative filtering, content-based approaches and learned ranking models.
• A recommendation is a prediction about relevance or preference, not proof that the user will definitely like the item.
• Methods can include collaborative filtering, content-based approaches and learned ranking models.
• A recommendation is a prediction about relevance or preference, not proof that the user will definitely like the item.
వివరణ:
• Recommendation systems users, items మరియు వాటి interactionsకు సంబంధించిన సమాచారాన్ని ఉపయోగించి ఏవి ఉపయోగకరంగా లేదా ఆసక్తికరంగా ఉండవచ్చో అంచనా వేస్తాయి.
• Collaborative filtering, content-based methods లేదా learned ranking models వంటి పద్ధతులు ఉపయోగించవచ్చు.
• Recommendation అనేది relevance లేదా preferenceపై అంచనా మాత్రమే; వినియోగదారుడు తప్పనిసరిగా దాన్ని ఇష్టపడతాడనే హామీ కాదు.
• Collaborative filtering, content-based methods లేదా learned ranking models వంటి పద్ధతులు ఉపయోగించవచ్చు.
• Recommendation అనేది relevance లేదా preferenceపై అంచనా మాత్రమే; వినియోగదారుడు తప్పనిసరిగా దాన్ని ఇష్టపడతాడనే హామీ కాదు.
Question 6
ప్రశ్న 6
Which statement best describes 'narrow AI' in present-day applications?
ప్రస్తుత అనువర్తనాల్లో 'narrow AI'ను అత్యంత సరైన విధంగా వివరించే ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Most deployed AI systems are specialised for particular tasks or domains such as image recognition, translation, recommendation or forecasting.
• Strong performance in one task does not imply broad human-like intelligence across unrelated tasks.
• Artificial general intelligence remains a hypothetical and contested concept rather than a synonym for ordinary deployed AI.
• Strong performance in one task does not imply broad human-like intelligence across unrelated tasks.
• Artificial general intelligence remains a hypothetical and contested concept rather than a synonym for ordinary deployed AI.
వివరణ:
• ప్రస్తుతం ఉపయోగంలో ఉన్న చాలా AI systems image recognition, translation, recommendation, forecasting వంటి నిర్దిష్ట పనులు లేదా domains కోసం ప్రత్యేకంగా రూపొందించబడ్డాయి.
• ఒక పనిలో మంచి పనితీరు ఉందనే కారణంతో సంబంధంలేని అన్ని పనుల్లో మానవ స్థాయి మేధస్సు ఉందని చెప్పలేం.
• Artificial general intelligence ఇంకా hypothetical మరియు చర్చనీయ భావన; సాధారణంగా ఉపయోగిస్తున్న AIకు అది మరో పేరు కాదు.
• ఒక పనిలో మంచి పనితీరు ఉందనే కారణంతో సంబంధంలేని అన్ని పనుల్లో మానవ స్థాయి మేధస్సు ఉందని చెప్పలేం.
• Artificial general intelligence ఇంకా hypothetical మరియు చర్చనీయ భావన; సాధారణంగా ఉపయోగిస్తున్న AIకు అది మరో పేరు కాదు.
Question 7
ప్రశ్న 7
A model performs extremely well on its training examples but poorly on new real-world data of the same intended task. Which problem is most strongly suggested?
ఒక మోడల్ training examplesపై చాలా మంచి ఫలితాలు ఇస్తోంది; కానీ అదే లక్ష్య పనికి చెందిన కొత్త real-world dataపై బాగా పనిచేయడం లేదు. ఇది ప్రధానంగా ఏ సమస్యను సూచిస్తుంది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Overfitting occurs when a model fits training data too closely, including patterns that do not generalise well to unseen data.
• The goal of machine learning is useful performance on new relevant data, not merely memorising the training set.
• Validation, regularisation, suitable model complexity and representative data can help manage overfitting.
• The goal of machine learning is useful performance on new relevant data, not merely memorising the training set.
• Validation, regularisation, suitable model complexity and representative data can help manage overfitting.
వివరణ:
• Overfittingలో మోడల్ training dataకు అతిగా సరిపోయి, కొత్త dataకు ఉపయోగపడని ప్రత్యేక నమూనాలను కూడా నేర్చుకోవచ్చు.
• Machine learningలో లక్ష్యం training setను కేవలం గుర్తుపెట్టుకోవడం కాదు; కొత్త సంబంధిత dataపై కూడా ఉపయోగకరంగా పనిచేయడం.
• Validation, regularisation, తగిన model complexity మరియు representative data వంటి పద్ధతులు overfittingను తగ్గించడంలో సహాయపడతాయి.
• Machine learningలో లక్ష్యం training setను కేవలం గుర్తుపెట్టుకోవడం కాదు; కొత్త సంబంధిత dataపై కూడా ఉపయోగకరంగా పనిచేయడం.
• Validation, regularisation, తగిన model complexity మరియు representative data వంటి పద్ధతులు overfittingను తగ్గించడంలో సహాయపడతాయి.
Question 8
ప్రశ్న 8
An agricultural image-classification model was trained almost entirely on photographs from one region and performs poorly when used in a region with different crops, lighting and field conditions. Which explanation is most appropriate?
ఒక agricultural image-classification model దాదాపుగా ఒకే ప్రాంతంలోని photographsపై శిక్షణ పొందింది. వేరే crops, lighting, field conditions ఉన్న మరో ప్రాంతంలో అది బాగా పనిచేయడం లేదు. సరైన వివరణ ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• AI performance depends strongly on how well training and evaluation data represent the conditions encountered in deployment.
• Differences in crops, imaging conditions, devices or populations can shift the data distribution and reduce model performance.
• Representative datasets and subgroup evaluation are therefore important for identifying and managing harmful performance disparities.
• Differences in crops, imaging conditions, devices or populations can shift the data distribution and reduce model performance.
• Representative datasets and subgroup evaluation are therefore important for identifying and managing harmful performance disparities.
వివరణ:
• AI పనితీరు training మరియు evaluation data వాస్తవ అమలు పరిస్థితులను ఎంతవరకు ప్రతినిధ్యం చేస్తుందో బలంగా ఆధారపడుతుంది.
• Crops, imaging conditions, devices లేదా populations మారితే data distribution మారి model performance తగ్గవచ్చు.
• అందువల్ల representative datasets మరియు subgroup evaluation ద్వారా హానికరమైన performance differencesను గుర్తించి తగ్గించడం ముఖ్యమైనది.
• Crops, imaging conditions, devices లేదా populations మారితే data distribution మారి model performance తగ్గవచ్చు.
• అందువల్ల representative datasets మరియు subgroup evaluation ద్వారా హానికరమైన performance differencesను గుర్తించి తగ్గించడం ముఖ్యమైనది.
Question 9
ప్రశ్న 9
Why is human oversight especially important when AI is used to support high-stakes decisions such as medical treatment or allocation of important public benefits?
వైద్య చికిత్స లేదా ముఖ్యమైన ప్రజా ప్రయోజనాల కేటాయింపు వంటి high-stakes నిర్ణయాలకు AI సహాయం తీసుకున్నప్పుడు మానవ పర్యవేక్షణ ఎందుకు ప్రత్యేకంగా ముఖ్యమైనది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• High-stakes AI errors can have serious consequences for individuals and institutions.
• Human reviewers can consider context, exceptions, legal requirements and evidence outside the model's input.
• Oversight does not automatically eliminate error, so validation, monitoring, accountability and appropriate system design remain necessary.
• Human reviewers can consider context, exceptions, legal requirements and evidence outside the model's input.
• Oversight does not automatically eliminate error, so validation, monitoring, accountability and appropriate system design remain necessary.
వివరణ:
• High-stakes AIలో వచ్చే తప్పులు వ్యక్తులు మరియు సంస్థలపై తీవ్రమైన ప్రభావం చూపవచ్చు.
• Human reviewers model inputకు బయట ఉన్న సందర్భం, exceptions, చట్టపరమైన అవసరాలు మరియు ఇతర evidenceను పరిగణించగలరు.
• మానవ పర్యవేక్షణ ఉన్నంత మాత్రాన errors పూర్తిగా తొలగవు; validation, monitoring, accountability మరియు సరైన system design ఇంకా అవసరం.
• Human reviewers model inputకు బయట ఉన్న సందర్భం, exceptions, చట్టపరమైన అవసరాలు మరియు ఇతర evidenceను పరిగణించగలరు.
• మానవ పర్యవేక్షణ ఉన్నంత మాత్రాన errors పూర్తిగా తొలగవు; validation, monitoring, accountability మరియు సరైన system design ఇంకా అవసరం.
Question 10
ప్రశ్న 10
Which use of AI in healthcare is most scientifically defensible?
Healthcareలో AI వినియోగానికి శాస్త్రీయంగా అత్యంత సమర్థించగల ఉదాహరణ ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• AI can assist with image analysis, risk estimation, workflow prioritisation and other clinical decision-support tasks when appropriately developed and validated.
• Its output should be interpreted in the context of clinical evidence and the intended use of the system.
• High confidence or high average accuracy does not make an AI system infallible for every patient.
• Its output should be interpreted in the context of clinical evidence and the intended use of the system.
• High confidence or high average accuracy does not make an AI system infallible for every patient.
వివరణ:
• సరైన విధంగా అభివృద్ధి చేసి validate చేసిన AI medical image analysis, risk estimation, workflow prioritisation వంటి clinical decision-support పనుల్లో సహాయపడగలదు.
• AI outputను ఇతర clinical evidence మరియు system intended useతో కలిపి అర్థం చేసుకోవాలి.
• High confidence లేదా మంచి average accuracy ఉందనే కారణంతో ప్రతి patient విషయంలో AI తప్పులేనిదిగా మారదు.
• AI outputను ఇతర clinical evidence మరియు system intended useతో కలిపి అర్థం చేసుకోవాలి.
• High confidence లేదా మంచి average accuracy ఉందనే కారణంతో ప్రతి patient విషయంలో AI తప్పులేనిదిగా మారదు.
Question 11
ప్రశ్న 11
Which application most appropriately illustrates AI-assisted precision agriculture?
AI-assisted precision agricultureను సరైన విధంగా చూపే అనువర్తనం ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Precision agriculture uses spatial and temporal data to make more targeted farm-management decisions.
• AI models can combine sensor readings, weather, satellite or drone imagery and historical information to recognise patterns or estimate needs.
• Recommendations remain dependent on data quality, local agronomy and appropriate validation.
• AI models can combine sensor readings, weather, satellite or drone imagery and historical information to recognise patterns or estimate needs.
• Recommendations remain dependent on data quality, local agronomy and appropriate validation.
వివరణ:
• Precision agricultureలో ప్రదేశం మరియు కాలానికి సంబంధించిన data ఆధారంగా మరింత లక్ష్యబద్ధమైన వ్యవసాయ నిర్ణయాలు తీసుకుంటారు.
• Sensors, weather, satellite లేదా drone imagery మరియు historical informationను AI models కలిపి patterns గుర్తించడం లేదా అవసరాలను అంచనా వేయడం చేయగలవు.
• Recommendations నాణ్యమైన data, స్థానిక agronomy మరియు సరైన validationపై ఆధారపడతాయి.
• Sensors, weather, satellite లేదా drone imagery మరియు historical informationను AI models కలిపి patterns గుర్తించడం లేదా అవసరాలను అంచనా వేయడం చేయగలవు.
• Recommendations నాణ్యమైన data, స్థానిక agronomy మరియు సరైన validationపై ఆధారపడతాయి.
Question 12
ప్రశ్న 12
A government department uses an AI model to flag applications with unusual patterns for possible fraud investigation. Which design principle is most appropriate?
ఒక ప్రభుత్వ శాఖ unusual patterns ఉన్న applicationsను possible fraud investigation కోసం గుర్తించేందుకు AI modelను ఉపయోగిస్తోంది. సరైన design principle ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Anomaly or risk models can help prioritise cases for investigation, but a flag is not proof of wrongdoing.
• Historical data may contain errors or systemic patterns that can produce unfair results if not examined.
• Appropriate human review, documentation, monitoring and avenues for correction are important in consequential public-sector uses.
• Historical data may contain errors or systemic patterns that can produce unfair results if not examined.
• Appropriate human review, documentation, monitoring and avenues for correction are important in consequential public-sector uses.
వివరణ:
• Anomaly లేదా risk model investigationకు casesను prioritise చేయడంలో సహాయపడవచ్చు; కానీ flag రావడం wrongdoingకు proof కాదు.
• Historical dataలో errors లేదా systemic patterns ఉండి unfair resultsకు దారితీయవచ్చు.
• ముఖ్యమైన public-sector usesలో human review, documentation, monitoring మరియు correction లేదా appeal అవకాశాలు అవసరం.
• Historical dataలో errors లేదా systemic patterns ఉండి unfair resultsకు దారితీయవచ్చు.
• ముఖ్యమైన public-sector usesలో human review, documentation, monitoring మరియు correction లేదా appeal అవకాశాలు అవసరం.
Question 13
ప్రశ్న 13
Which industrial application most clearly uses AI for predictive maintenance rather than ordinary periodic maintenance?
Industrial settingలో సాధారణ periodic maintenance కంటే AI-based predictive maintenanceను అత్యంత స్పష్టంగా చూపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Predictive maintenance uses condition and historical data to estimate developing faults or remaining useful life.
• AI/ML can identify combinations and trends in sensor signals that precede failures.
• Fixed-calendar servicing is preventive maintenance, while waiting for failure is reactive maintenance.
• AI/ML can identify combinations and trends in sensor signals that precede failures.
• Fixed-calendar servicing is preventive maintenance, while waiting for failure is reactive maintenance.
వివరణ:
• Predictive maintenanceలో current condition మరియు historical data ఆధారంగా అభివృద్ధి చెందుతున్న faults లేదా remaining useful lifeను అంచనా వేస్తారు.
• AI/ML sensor signalsలో failureకు ముందుగా కనిపించే combinations, trendsను గుర్తించగలదు.
• Fixed-calendar servicing preventive maintenance; breakdown తరువాత repair చేయడం reactive maintenance.
• AI/ML sensor signalsలో failureకు ముందుగా కనిపించే combinations, trendsను గుర్తించగలదు.
• Fixed-calendar servicing preventive maintenance; breakdown తరువాత repair చేయడం reactive maintenance.
Question 14
ప్రశ్న 14
An AI-based learning platform recommends different practice questions to students based on their previous responses. Which statement is most appropriate?
ఒక AI-based learning platform విద్యార్థుల గత సమాధానాల ఆధారంగా వేర్వేరు practice questionsను సూచిస్తోంది. దీనిపై సరైన ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• AI can personalise practice by estimating which content or difficulty may be useful for a learner.
• Such estimates are based on observed data and can be incomplete, noisy or affected by model assumptions.
• Human educators remain important for pedagogy, context, motivation and interpretation of broader evidence about learning.
• Such estimates are based on observed data and can be incomplete, noisy or affected by model assumptions.
• Human educators remain important for pedagogy, context, motivation and interpretation of broader evidence about learning.
వివరణ:
• AI learner performance ఆధారంగా ఏ content లేదా difficulty ఉపయోగకరమో అంచనా వేసి practiceను personalise చేయగలదు.
• ఈ అంచనాలు observed dataపై ఆధారపడతాయి; data incomplete లేదా noisy కావచ్చు మరియు model assumptions ప్రభావం చూపవచ్చు.
• Pedagogy, context, motivation మరియు broader learning evidence అర్థం చేసుకోవడంలో teachers పాత్ర ఇంకా ముఖ్యమైనది.
• ఈ అంచనాలు observed dataపై ఆధారపడతాయి; data incomplete లేదా noisy కావచ్చు మరియు model assumptions ప్రభావం చూపవచ్చు.
• Pedagogy, context, motivation మరియు broader learning evidence అర్థం చేసుకోవడంలో teachers పాత్ర ఇంకా ముఖ్యమైనది.
Question 15
ప్రశ్న 15
Which transport application most clearly involves AI-based prediction or perception rather than only fixed automation?
Transport రంగంలో కేవలం fixed automation కాకుండా AI-based prediction లేదా perceptionను అత్యంత స్పష్టంగా చూపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• AI can learn traffic patterns from historical and live data to forecast congestion, travel time or route conditions.
• Dynamic recommendations can then be updated as the environment changes.
• A fixed pre-programmed timing cycle is automation but does not, by itself, demonstrate data-driven AI prediction.
• Dynamic recommendations can then be updated as the environment changes.
• A fixed pre-programmed timing cycle is automation but does not, by itself, demonstrate data-driven AI prediction.
వివరణ:
• AI historical మరియు live traffic data నుంచి patterns నేర్చుకుని congestion, travel time లేదా route conditionsను అంచనా వేయగలదు.
• పరిస్థితులు మారుతున్నప్పుడు recommendationsను కూడా నవీకరించవచ్చు.
• ముందే నిర్ణయించిన timing cycle automation మాత్రమే; అది ఒక్కటే data-driven AI predictionకు ఉదాహరణ కాదు.
• పరిస్థితులు మారుతున్నప్పుడు recommendationsను కూడా నవీకరించవచ్చు.
• ముందే నిర్ణయించిన timing cycle automation మాత్రమే; అది ఒక్కటే data-driven AI predictionకు ఉదాహరణ కాదు.
Question 16
ప్రశ్న 16
Which statement best describes a scientifically responsible use of AI in research?
Scientific researchలో AIను బాధ్యతాయుతంగా ఉపయోగించే విధానాన్ని అత్యంత సరైనంగా తెలిపేది ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• AI can accelerate scientific search by finding patterns in large datasets and prioritising candidates for further study.
• Model predictions are hypotheses or evidence-supporting outputs, not automatic experimental proof.
• Reproducibility, domain knowledge, physical reasoning and experimental or observational validation remain important.
• Model predictions are hypotheses or evidence-supporting outputs, not automatic experimental proof.
• Reproducibility, domain knowledge, physical reasoning and experimental or observational validation remain important.
వివరణ:
• భారీ datasetsలో patterns గుర్తించి తదుపరి అధ్యయనానికి candidatesను prioritise చేయడం ద్వారా AI scientific researchను వేగవంతం చేయగలదు.
• Model predictions hypotheses లేదా supporting outputs మాత్రమే; అవి స్వయంగా experimental proof కావు.
• Reproducibility, domain knowledge, physical reasoning మరియు experimental లేదా observational validation ఇంకా ముఖ్యమైనవి.
• Model predictions hypotheses లేదా supporting outputs మాత్రమే; అవి స్వయంగా experimental proof కావు.
• Reproducibility, domain knowledge, physical reasoning మరియు experimental లేదా observational validation ఇంకా ముఖ్యమైనవి.
Question 17
ప్రశ్న 17
An AI model used for loan-risk prediction performed well when deployed, but several years later customer behaviour and economic conditions changed substantially and its errors increased. Which issue is most relevant?
Loan-risk predictionకు ఉపయోగిస్తున్న AI model మొదట బాగా పనిచేసింది. కొన్ని సంవత్సరాల తరువాత customer behaviour మరియు economic conditions గణనీయంగా మారడంతో errors పెరిగాయి. ఏ సమస్య అత్యంత సంబంధితది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• AI systems are deployed into environments that can change over time.
• If relationships between inputs and outcomes change, or the incoming data distribution shifts, performance can deteriorate.
• Continuous monitoring and periodic re-evaluation are therefore important parts of responsible AI lifecycle management.
• If relationships between inputs and outcomes change, or the incoming data distribution shifts, performance can deteriorate.
• Continuous monitoring and periodic re-evaluation are therefore important parts of responsible AI lifecycle management.
వివరణ:
• AI systems మారుతూ ఉండే real-world environmentsలో ఉపయోగించబడతాయి.
• Inputs మరియు outcomes మధ్య సంబంధాలు మారినా లేదా incoming data distribution మారినా model performance తగ్గవచ్చు.
• అందువల్ల responsible AI lifecycleలో continuous monitoring మరియు periodic re-evaluation ముఖ్యమైనవి.
• Inputs మరియు outcomes మధ్య సంబంధాలు మారినా లేదా incoming data distribution మారినా model performance తగ్గవచ్చు.
• అందువల్ల responsible AI lifecycleలో continuous monitoring మరియు periodic re-evaluation ముఖ్యమైనవి.
Question 18
ప్రశ్న 18
A classification model reports 92% accuracy on a representative test set. Which conclusion is most defensible?
Representative test setపై ఒక classification model 92% accuracy చూపించింది. దీనిపై అత్యంత సమర్థించగల conclusion ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Test-set accuracy estimates performance under the conditions represented by that evaluation data; it is not an absolute guarantee for every future sample.
• Other metrics such as sensitivity, specificity, precision, calibration or subgroup performance may matter depending on the application.
• Monitoring remains important after deployment because operating conditions can change.
• Other metrics such as sensitivity, specificity, precision, calibration or subgroup performance may matter depending on the application.
• Monitoring remains important after deployment because operating conditions can change.
వివరణ:
• Test-set accuracy ఆ evaluation data ప్రతినిధ్యం చేసే పరిస్థితుల్లో model performanceకు ఒక estimate మాత్రమే; ప్రతి future sampleకు absolute guarantee కాదు.
• Applicationను బట్టి sensitivity, specificity, precision, calibration లేదా subgroup performance వంటి ఇతర metrics కూడా ముఖ్యమవుతాయి.
• Deployment తరువాత operating conditions మారవచ్చు కాబట్టి monitoring అవసరం.
• Applicationను బట్టి sensitivity, specificity, precision, calibration లేదా subgroup performance వంటి ఇతర metrics కూడా ముఖ్యమవుతాయి.
• Deployment తరువాత operating conditions మారవచ్చు కాబట్టి monitoring అవసరం.
Question 19
ప్రశ్న 19
With reference to the IndiaAI Mission, which statement is correct?
IndiaAI Mission గురించి సరైన ప్రకటన ఏది?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• The Union Cabinet approved the IndiaAI Mission in March 2024 with an outlay of ₹10,371.92 crore over five years.
• It is a broad ecosystem mission covering compute access, indigenous AI capabilities, datasets, socially useful applications, skills, startup financing and safe and trusted AI.
• It is therefore much broader than a single AI application or chatbot.
• It is a broad ecosystem mission covering compute access, indigenous AI capabilities, datasets, socially useful applications, skills, startup financing and safe and trusted AI.
• It is therefore much broader than a single AI application or chatbot.
వివరణ:
• Union Cabinet 2024 మార్చిలో IndiaAI Missionను ఐదేళ్లకు ₹10,371.92 కోట్ల outlayతో ఆమోదించింది.
• Compute access, indigenous AI capabilities, datasets, socially useful applications, skills, startup financing మరియు Safe & Trusted AI వంటి విస్తృత అంశాలు ఇందులో ఉన్నాయి.
• కాబట్టి ఇది ఒక్క AI application లేదా chatbotకు పరిమితమైన కార్యక్రమం కాదు.
• Compute access, indigenous AI capabilities, datasets, socially useful applications, skills, startup financing మరియు Safe & Trusted AI వంటి విస్తృత అంశాలు ఇందులో ఉన్నాయి.
• కాబట్టి ఇది ఒక్క AI application లేదా chatbotకు పరిమితమైన కార్యక్రమం కాదు.
Question 20
ప్రశ్న 20
With reference to IndiaAI developments reported by the Government of India in 2026, consider the following statements:
1. The IndiaAI compute effort had expanded from an initial target of 10,000 GPUs to more than 38,000 onboarded GPUs.
2. Safe & Trusted AI is a pillar of the IndiaAI Mission concerned with responsible and secure AI development and deployment.
3. The IndiaAI Mission is restricted to government departments and excludes startups, researchers and other ecosystem participants.
Which of the statements given above are correct?
1. The IndiaAI compute effort had expanded from an initial target of 10,000 GPUs to more than 38,000 onboarded GPUs.
2. Safe & Trusted AI is a pillar of the IndiaAI Mission concerned with responsible and secure AI development and deployment.
3. The IndiaAI Mission is restricted to government departments and excludes startups, researchers and other ecosystem participants.
Which of the statements given above are correct?
2026లో Government of India నివేదించిన IndiaAI developments గురించి క్రింది ప్రకటనలను పరిశీలించండి:
1. IndiaAI compute effort ప్రారంభ 10,000 GPUs లక్ష్యం నుంచి 38,000కు పైగా onboarded GPUs వరకు విస్తరించింది.
2. Safe & Trusted AI అనేది responsible మరియు secure AI development, deploymentపై దృష్టి పెట్టే IndiaAI Mission pillar.
3. IndiaAI Mission government departmentsకు మాత్రమే పరిమితం; startups, researchers మరియు ఇతర ecosystem participantsను మినహాయిస్తుంది.
పై ప్రకటనల్లో ఏవి సరైనవి?
1. IndiaAI compute effort ప్రారంభ 10,000 GPUs లక్ష్యం నుంచి 38,000కు పైగా onboarded GPUs వరకు విస్తరించింది.
2. Safe & Trusted AI అనేది responsible మరియు secure AI development, deploymentపై దృష్టి పెట్టే IndiaAI Mission pillar.
3. IndiaAI Mission government departmentsకు మాత్రమే పరిమితం; startups, researchers మరియు ఇతర ecosystem participantsను మినహాయిస్తుంది.
పై ప్రకటనల్లో ఏవి సరైనవి?
Select an option first. || ముందుగా ఒక సమాధానాన్ని ఎంచుకోండి.
Explanation:
• Government updates in 2026 reported that more than 38,000 GPUs had been onboarded under the IndiaAI compute effort, exceeding the Mission's original 10,000-plus GPU target.
• Safe & Trusted AI is one of the Mission's pillars and addresses responsible, secure and trustworthy AI.
• The Mission is designed as a wider ecosystem initiative involving public and private participants, startups, researchers, institutions and other stakeholders, so Statement 3 is incorrect.
• Safe & Trusted AI is one of the Mission's pillars and addresses responsible, secure and trustworthy AI.
• The Mission is designed as a wider ecosystem initiative involving public and private participants, startups, researchers, institutions and other stakeholders, so Statement 3 is incorrect.
వివరణ:
• 2026 Government updates ప్రకారం IndiaAI compute effortలో 38,000కు పైగా GPUs onboard అయ్యాయి; ఇది ప్రారంభ 10,000-plus GPU లక్ష్యాన్ని మించింది.
• Safe & Trusted AI IndiaAI Missionలో ఒక pillar; responsible, secure, trustworthy AIపై ఇది దృష్టి పెడుతుంది.
• Mission విస్తృత ecosystem initiativeగా రూపొందించబడింది; public, private participants, startups, researchers, institutions వంటి అనేక stakeholders ఇందులో భాగస్వాములు కావచ్చు. కాబట్టి 3వ ప్రకటన తప్పు.
• Safe & Trusted AI IndiaAI Missionలో ఒక pillar; responsible, secure, trustworthy AIపై ఇది దృష్టి పెడుతుంది.
• Mission విస్తృత ecosystem initiativeగా రూపొందించబడింది; public, private participants, startups, researchers, institutions వంటి అనేక stakeholders ఇందులో భాగస్వాములు కావచ్చు. కాబట్టి 3వ ప్రకటన తప్పు.
Answer Key సమాధానాల పట్టిక
-
Question 1 ప్రశ్న 1Answer: B. A vision system trained on labelled images classifies newly arriving products as defective or non-defective సమాధానం: B. గుర్తింపు ఇచ్చిన చిత్రాలపై శిక్షణ పొందిన vision system కొత్తగా వచ్చే productsను లోపభూయిష్టమైనవి లేదా లోపంలేనివిగా వర్గీకరించడం
-
Question 2 ప్రశ్న 2Answer: C. An algorithm provides a procedure for learning or computation; training data supplies examples; training produces a model whose learned parameters can be applied to new inputs సమాధానం: C. అల్గారిథం నేర్చుకోవడం లేదా గణన చేయడానికి విధానాన్ని అందిస్తుంది; శిక్షణ డేటా ఉదాహరణలను అందిస్తుంది; శిక్షణ ద్వారా నేర్చుకున్న parameters కలిగిన మోడల్ ఏర్పడి కొత్త inputsపై ఉపయోగించబడుతుంది
-
Question 3 ప్రశ్న 3Answer: A. Training adjusts model parameters using data, whereas inference applies a trained model to new inputs to produce predictions or other outputs సమాధానం: A. Trainingలో డేటా ఆధారంగా మోడల్ parametersను సర్దుతారు; inferenceలో శిక్షణ పొందిన మోడల్ను కొత్త inputsపై ఉపయోగించి అంచనాలు లేదా ఇతర ఫలితాలు పొందుతారు
-
Question 4 ప్రశ్న 4Answer: D. Email task — classification; electricity task — numerical regression/forecasting సమాధానం: D. Email పని — classification; విద్యుత్ పని — సంఖ్యాత్మక regression/forecasting
-
Question 5 ప్రశ్న 5Answer: A. A recommendation system సమాధానం: A. Recommendation system
-
Question 6 ప్రశ్న 6Answer: C. It is designed or trained for a limited domain or set of tasks, even if it performs those tasks very effectively సమాధానం: C. ఇది పరిమిత domain లేదా నిర్దిష్ట పనుల సమూహం కోసం రూపొందించబడుతుంది లేదా శిక్షణ పొందుతుంది; ఆ పనులను చాలా సమర్థంగా చేయవచ్చు
-
Question 7 ప్రశ్న 7Answer: A. Overfitting and poor generalisation సమాధానం: A. Overfitting మరియు బలహీన generalisation
-
Question 8 ప్రశ్న 8Answer: D. The training data may not adequately represent the deployment conditions, creating distribution shift and possible performance bias సమాధానం: D. Training data వాస్తవ అమలు పరిస్థితులను సరిపడా ప్రతినిధ్యం చేయకపోవడం వల్ల distribution shift మరియు పనితీరు పక్షపాతం ఏర్పడి ఉండవచ్చు
-
Question 9 ప్రశ్న 9Answer: A. Because AI outputs can contain errors or bias and may require contextual, legal, ethical or domain judgement that the model does not reliably provide సమాధానం: A. AI outputsలో errors లేదా పక్షపాతం ఉండవచ్చు; మోడల్ విశ్వసనీయంగా ఇవ్వలేని సందర్భ అవగాహన, చట్టపరమైన, నైతిక లేదా domain judgement అవసరం కావచ్చు
-
Question 10 ప్రశ్న 10Answer: A. A validated model assists clinicians by highlighting suspicious patterns in medical images, while qualified professionals interpret the result together with other clinical information సమాధానం: A. ధృవీకరించిన మోడల్ medical imagesలో అనుమానాస్పద patternsను గుర్తించడంలో cliniciansకు సహాయపడుతుంది; qualified professionals ఇతర clinical informationతో కలిపి ఫలితాన్ని అర్థం చేసుకుంటారు
-
Question 11 ప్రశ్న 11Answer: B. A model combines sensor, weather and imagery data to estimate crop stress or irrigation needs for particular field areas సమాధానం: B. Sensor, weather మరియు imagery dataను కలిపి fieldలోని ప్రత్యేక ప్రాంతాలకు crop stress లేదా irrigation అవసరాన్ని model అంచనా వేయడం
-
Question 12 ప్రశ్న 12Answer: B. Use the model as a prioritisation or decision-support tool, evaluate error and bias rates, and retain appropriate review and appeal mechanisms సమాధానం: B. Modelను prioritisation లేదా decision-support toolగా ఉపయోగించి error, bias ratesను పరిశీలించడం మరియు తగిన review, appeal mechanisms ఉంచడం
-
Question 13 ప్రశ్న 13Answer: A. A model learns patterns from vibration, temperature and failure-history data to estimate which machines are developing faults సమాధానం: A. Vibration, temperature మరియు failure-history dataలో patterns నేర్చుకున్న model ఏ machinesలో faults అభివృద్ధి చెందుతున్నాయో అంచనా వేయడం
-
Question 14 ప్రశ్న 14Answer: A. Personalisation can support practice, but the recommendations should be monitored because performance data may be incomplete and the system should not be assumed to understand every learner perfectly సమాధానం: A. Personalisation practiceకు సహాయపడవచ్చు; కానీ performance data incomplete కావచ్చు మరియు system ప్రతి learnerను పూర్తిగా అర్థం చేసుకుంటుందని భావించకూడదు కాబట్టి recommendationsను monitor చేయాలి
-
Question 15 ప్రశ్న 15Answer: C. A system analyses current and historical traffic data to predict congestion and dynamically recommend routes సమాధానం: C. Current మరియు historical traffic dataను విశ్లేషించి congestionను అంచనా వేసి routesను dynamically recommend చేయడం
-
Question 16 ప్రశ్న 16Answer: B. AI can help identify patterns, rank candidate molecules or materials and guide experiments, but promising predictions still require appropriate validation సమాధానం: B. AI patternsను గుర్తించడం, candidate molecules లేదా materialsను rank చేయడం మరియు experimentsకు దిశ చూపడంలో సహాయపడవచ్చు; కానీ promising predictionsకు తగిన validation ఇంకా అవసరం
-
Question 17 ప్రశ్న 17Answer: A. Data or concept drift, requiring renewed monitoring, evaluation and possibly retraining or model changes సమాధానం: A. Data లేదా concept drift; అందువల్ల monitoring, evaluationను మళ్లీ చేయడం మరియు అవసరమైతే retraining లేదా model changes అవసరం
-
Question 18 ప్రశ్న 18Answer: C. The measured test performance is useful evidence, but future performance can vary with data quality, population, distribution shift and the kinds of errors that matter in the application సమాధానం: C. Test performance ఉపయోగకరమైన evidence; కానీ future performance data quality, population, distribution shift మరియు applicationలో ముఖ్యమైన error typesను బట్టి మారవచ్చు
-
Question 19 ప్రశ్న 19Answer: B. It was approved in March 2024 with an outlay of ₹10,371.92 crore over five years to strengthen India's AI ecosystem through multiple pillars including compute, indigenous/foundation-model capability, datasets, applications, skills, startup support and Safe & Trusted AI సమాధానం: B. ఇది 2024 మార్చిలో ₹10,371.92 కోట్ల outlayతో ఐదేళ్లకు ఆమోదించబడింది; compute, indigenous/foundation-model capability, datasets, applications, skills, startup support మరియు Safe & Trusted AI వంటి అనేక pillars ద్వారా భారత AI ecosystemను బలోపేతం చేయడం లక్ష్యం
-
Question 20 ప్రశ్న 20Answer: D. 1 and 2 only సమాధానం: D. 1 మరియు 2 మాత్రమే