تحليل البيانات المعدنية وحدود الذكاء الاصطناعي مع بايثون

المكاسب:

• القدرة على إنتاج وفهم التعليمات البرمجية التي تقوم بتنظيف البيانات المعدنية وتحليلها وتصورها باستخدام لغة Python، مع دعم الذكاء الاصطناعي
• القدرة على إنشاء عادة التحقق من صحة التعليمات البرمجية التي تم إنشاؤها بواسطة الذكاء الاصطناعي من خلال فحص الوحدة وحالة الاختبار والمعقولية المادية
• فهم شامل للحدود الشاملة والمسؤولية والإطار الأخلاقي للذكاء الاصطناعي في علم المعادن

يتم تنفيذ الأعمال المعدنية بشكل متزايد باستخدام المزيد من البيانات: مئات من نتائج اختبار الشد، وآلاف من قياسات SPC، وسجلات أفران المعالجة الحرارية، ومخرجات التوصيف. إن البحث عن هذه البيانات يدويًا في برنامج Excel أمر بطيء وعرضة للخطأ؛ تجعل لغة بايثون (لغة برمجة شائعة لتحليل البيانات والحوسبة العلمية) هذا الأمر قابلاً للتكرار والتدقيق والتلقائي. الذكاء الاصطناعي قوي للغاية في كتابة وتصحيح الأخطاء وشرح كود بايثون - لكن الكود الذي ينتجه يمكن أن يبدو صحيحًا ولكنه يعطي نتيجة خاطئة: خطأ في الوحدة، ومعامل خاطئ، وفقدان صامت للبيانات. في هذه الوحدة الأخيرة، ستتعلم كيفية تحليل البيانات المعدنية بدعم الذكاء الاصطناعي في لغة Python والتحقق من كل رمز، ثم تجميع حدود الذكاء الاصطناعي وإطار المسؤولية والأخلاقيات المغطى بشكل شامل في جميع أنحاء الوحدة بأكملها.

المهام النموذجية في تحليل البيانات المعدنية

المهام الشائعة مع دعم الذكاء الاصطناعي في بايثون:

• تنظيف البيانات: القيمة المفقودة، ارتباك الوحدة (MPa مقابل ksi)، إزالة القيم المتطرفة. البيانات القذرة تفسد حتى أفضل التحليلات.
• التصور: رسم منحنى الشد، مخطط التحكم، توزيع حجم الحبوب، ملف تعريف درجة الحرارة والوقت.
• التقسيم والإضافة: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2))، Arrhenius (sıcaklık-hız)، الانحدار، الإحصاء.
• الأتمتة: معالجة عدد كبير من الملفات وإنتاج جداول/تقارير ملخصة.

تعد علاقة Hall-Petch مثالاً جيدًا هنا: تزداد قوة الخضوع بشكل يتناسب عكسيًا مع الجذر التربيعي لقطر الحبوب. يمكن للذكاء الاصطناعي ترجمة هذه الصيغة إلى كود؛ ولكن سواء كنت تستخدم d كميكرومتر أو متر، وما هي الوحدة التي تستخدمها لمعامل k، فإن ذلك يغير النتيجة تمامًا. لا تكمن صحة الكود في حفظ الصيغة، بل في التحقق من صحة الوحدات وحالة الاختبار.

نصيحة: تأكد من تضمين "اختبار الإجابة المعروفة" في كل حساب يكتبه الذكاء الاصطناعي. أعط مدخلاً صغيرًا تعرف نتيجته يدويًا (على سبيل المثال، القوة المتوقعة لـ d = 100 ميكرومتر)؛ إذا كان الكود يعطي تلك القيمة، فيمكنك الوثوق به؛ إذا لم يحدث ذلك، فسيتم إخفاء الخطأ.

خطوة بخطوة: تدفق تحليل آمن باستخدام الذكاء الاصطناعي

1. قم بوصف المهمة والبيانات: أي ملف، أي أعمدة، أي وحدات، ما الذي سيتم حسابه؟
2. طلب الهيكل العظمي للكود: اطلب من الذكاء الاصطناعي الحصول على هيكل عظمي مقسم ومعلق؛ حدد الوحدات ذات المتغيرات الصريحة في الأعلى.
3. اختبار باستخدام بيانات صغيرة: قم بالتشغيل باستخدام بضعة صفوف/قيم معروفة أولاً؛ التحقق من النتيجة يدويا.
4. التحكم في الوحدة والحدود: هل الناتج معقول ماديًا؟ هل هناك أي هراء مثل القوة السلبية بمعدل 120٪؟
5. تصور وانظر: هل يظهر الرسم البياني الاتجاه المتوقع؟ هل القيم المتطرفة أخطاء في البيانات؟
6. التحقق والتوثيق: مقارنة النتيجة بحساب/معيار مستقل؛ قم بالتعليق على الكود والافتراضات.

جدول التحقق من رمز الذكاء الاصطناعي

خطر

أعراض

طريقة التحكم

خطأ في الوحدة

والنتيجة منحرفة 1000x

تعريف الوحدات في المتغير الصريح، والتحكم في الحجم

المعامل/الصيغة غير صحيحة

قيمة معقولة ولكن خاطئة

سيناريو الاختبار مع الإجابات المعروفة

فقدان البيانات الصامت

عدد الصفوف أقل من المتوقع

طباعة عدد الصفوف قبل/بعد المعالجة

تشويه خارجي

متوسط قوارب الكاياك

تصور مع الرسم البياني، والنظر في التوزيع

التجهيز الزائد (مكتبة الهلوسة)

وظيفة غير موجودة

تشغيل، وقراءة الخطأ، وإلقاء نظرة على الوثائق

ثلاث حالات صغيرة

الحالة 1 - خطأ في المجلد المخفي. يطلب أحد المهندسين رمزًا من الذكاء الاصطناعي لحساب Hall-Petch؛ ويتوقع الكود قطر الحبوب بالمتر لكن المهندس يدخل بالميكرومتر. والنتيجة منحرفة 1000 مرة، لكنها غير ملحوظة للوهلة الأولى لأنها تبدو كـ "رقم". Mühendis d = 100 μm için elle beklediği ~ 350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar، birim dönüşümünü koda ekler. الدرس المستفاد: يكشف اختبار الإجابة المعروفة عن خطأ الوحدة في ثوانٍ.

الحالة 2 - فقدان البيانات الصامت. يقوم الفريق بتنظيف 500 نتيجة اختبار سحب باستخدام كود مكتوب بواسطة الذكاء الاصطناعي؛ بينما يقوم الكود بإسقاط الصفوف ذات القيم المفقودة، فإنه يتجاهل أيضًا عن طريق الخطأ بعض الصفوف الصالحة، مما يترك 300 صف. متوسط ​​القوة أعلى من المتوقع لأنه تم التخلص من الدفعة ذات القيمة المنخفضة. عندما يطبع الفريق عدد الصفوف قبل/بعد المعالجة، يلاحظون أن 200 صف قد اختفوا بصمت ويقومون بإصلاح عامل التصفية. الدرس المستفاد: تؤدي طباعة عدد الصفوف في كل خطوة من خطوات معالجة البيانات إلى اكتشاف الخسائر الصامتة.

الحالة 3 - الاستخدام الصحيح، تقرير قابل للتكرار. يجب على فريق الجودة معالجة العشرات من سجلات الفرن وإصدار تقارير موجزة كل أسبوع. يطلب من الذكاء الاصطناعي كتابة برنامج نصي معلق يقرأ الملفات بكميات كبيرة وينتج رسومًا بيانية وجداول ملخصة. يختبر الفريق الكود باستخدام عدد قليل من الملفات المعروفة، ويتحقق من عدد الوحدات والخطوط، ويفحص الرسم البياني الناتج بصريًا. ثم يستخدم النص أسبوعيا؛ يتم تقليل ساعات العمل إلى دقائق والعمل بنفس الطريقة القابلة للتدقيق كل أسبوع. وأكد الفريق أن الذكاء الاصطناعي مكن من الأتمتة المتكررة.

قوالب سريعة قابلة للنسخ

CODE SKELETON TEMPLATE "الدور: أنت مساعد الكود لتحليل بيانات المعادن. المهمة: [على سبيل المثال، قراءة نتائج الرسم من ملف CSV ومتوسط قوة الإنتاج]. البيانات: [ملف، أعمدة، وحدات]. اكتب هيكلًا عظميًا معلقًا باستخدام الباندا: (1) تعريف الوحدات في متغير مفتوح في الأعلى، (2) قراءة البيانات وطباعة عدد الصفوف، (3) مسح عدد الصفوف وطباعته مرة أخرى، (4) إجراء الحساب، (5) طباعة النتيجة و التحقق من المعقولية أضف تعليقات إلى كل خطوة.

نموذج اختبار الإجابة المعروفة"اكتب "اختبار الإجابة المعروفة" للوظيفة التالية: [وظيفة]. اختر مدخلاً صغيرًا يمكن حساب نتيجته يدويًا، وعلق على المخرجات المتوقعة، وتحقق من التأكيد. اختبر أيضًا اتساق الوحدة. إذا لم ينجح الاختبار، فاذكر الأسباب المحتملة (الوحدة، المعامل، الصيغة)."

مراجعة الكود / قالب تصحيح "افحص الكود التالي: [الكود]. تحقق من ما يلي: (1) تناسق الحجم، (2) خطر فقدان البيانات الصامت، (3) التأثير الخارجي، (4) الإخراج المستحيل فعليًا (القوة السلبية،> معدل 100٪). اكتب كيفية التحقق من كل خطر. لا تؤكد الكود على أنه "يعمل"؛ أشر إلى أنه غير موثوق به بدون اختبار."

قالب التصور "ارسم [منحنى الشد/مخطط التحكم/التوزيع] باستخدام matplotlib. أضف الوحدات إلى تسميات المحاور، ضع العنوان والشبكة. قم بتمييز القيم المتطرفة بشكل مختلف. لاحظ أنني بحاجة إلى فحص المخطط بصريًا والتحقق من الاتجاه المتوقع (على سبيل المثال، زيادة الإجهاد والانفعال). لا تخفي أي نقاط "لتجميل" البيانات."

موجه ضعيف / موجه قوي

مطالبة ضعيفة: "اكتب لي الكود الذي يقوم بحساب Hall-Petch."

مطالبة قوية: "الدور: أنت مساعد الكود لتحليل البيانات المعدنية. اكتب دالة Python لحساب Hall-Petch(σy = σ0 + k·d^(-1/2)). الوحدات: d ميكرومتر، σ0 وσy MPa، k MPa·μm^(1/2). قم بتشغيل تحويل الوحدة داخل الوظيفة والتعليق. أيضًا d = 100 احسب النتيجة المتوقعة يدويًا لـ μm،σ0 = 50 MPa، k = 300 MPa · μm^0.5 واختبار مع التأكيد، أضف فحص المعقولية (σy لا يمكن أن يكون سالبًا).

تنتج المطالبة الضعيفة رمزًا لا يحتوي على وحدة واختبار وقد يحدث خطأً بصمت. تحدد المطالبات القوية الوحدات بوضوح، وتفرض التحويل، وتتطلب اختبار الإجابة المعروفة، والتحقق من المعقولية - مما يجعل التعليمات البرمجية قابلة للتحقق.

ملخص شامل للوحدة: مكان وحدود الذكاء الاصطناعي في علم المعادن

تم تكرار مبدأ واحد خلال هذه الوحدة: الذكاء الاصطناعي هو مساعد، وليس صانع قرار. عبر اثنتي عشرة وحدة، استخدمنا الذكاء الاصطناعي من البداية إلى النهاية، بدءًا من اختيار المواد وحتى التنبؤ بالممتلكات، ومن تحليل الطور إلى البنية المجهرية، ومن المعالجة الحرارية إلى التصنيع، ومن مراقبة الجودة إلى تحليل الأضرار، ومن التوصيف إلى التقييس وتحليل بايثون. في كل وحدة، قام الذكاء الاصطناعي بشرح المفاهيم، وإنشاء الفرضيات، وكتب المسودات والأكواد - ولكن لم يتخذ القرار بمفرده في أي وحدة. وكانت الحدود واضحة: الهلوسة (الرقم والمعيار المفتعل)، وعدم إمكانية تفويض المسؤولية الحرجة المتعلقة بالسلامة، والاعتماد على جودة البيانات والقياس/المعايرة، وخطر الاستقراء والسرية. لقد ظل نظام التحقق دائمًا مع البشر في مثلث الحساب المعياري والمختبري.

الأخطاء الشائعة

• تطبيق الكود على بيانات حقيقية دون اختبار الإجابات المعروفة.
• عدم تحديد الوحدات بوضوح؛ تطل على MPa/ksi، ميكرومتر/م ارتباك.
• عدم طباعة عدد الصفوف أثناء خطوات معالجة البيانات وعدم ملاحظة الفقد الصامت.
• الاعتماد على المتوسط ​​دون تصور القيم المتطرفة.
• قبول المكتبة/الوظيفة غير الموجودة التي يتكونها الذكاء الاصطناعي دون تنفيذها.
• بافتراض أن الكود صحيح لأنه "يبدو أنه يعمل"؛ الفشل في التحقق من المعقولية المادية.

باختصار

يعد الذكاء الاصطناعي في تحليل البيانات المعدنية باستخدام لغة Python بمثابة مُسرِّع قوي للتشفير وتصحيح الأخطاء والأتمتة؛ لكن الكود الذي ينتجه قد يحمل أخطاء في الوحدة، ومعاملات غير صحيحة، وفقدانًا صامتًا للبيانات. تحقق من كل رمز من خلال اختبار الإجابة المعروفة، وفحص الوحدة، وتتبع عدد الأسطر، والمعقولية المادية. هنا، كما هو الحال في الوحدة بأكملها، يعد الذكاء الاصطناعي هو المساعد: فهو يضمن تولي المهندس المعتمد السرعة والتنظيم والدقة والمسؤولية. في القرارات المتعلقة بالمعادن ذات الأهمية الحيوية للسلامة، لا تعد مخرجات الذكاء الاصطناعي بديلاً أبدًا عن المعايير والتجارب والحسابات وموافقة المهندس المختص.

مهمة التطبيق

اختر حسابًا للمعادن (مثل Hall-Petch أو متوسط ​​بيانات الشد). باستخدام قالب "CODE SKELETON"، اطلب من الذكاء الاصطناعي رمزًا معلقًا يطبع عدد الأسطر بوحدات واضحة. ثم أضف سيناريو اختبار حيث تعرف النتيجة يدويًا باستخدام قالب "اختبار الإجابة المعروفة" وقم بتشغيله. إذا كان الرمز لا يعطي القيمة المتوقعة، فابحث عن الخطأ (الوحدة، المعامل، البيانات) وقم بإصلاحه. أخيرًا، اكتب عن نظام التحقق بالذكاء الاصطناعي الذي تعلمته في هذه الوحدة من خلال تكييفه مع عملك الخاص في ثلاث مقالات.

قائمة مرجعية

• [ ] لقد حددت بوضوح المهمة والبيانات والوحدات للذكاء الاصطناعي.
• [ ] لقد حددت الوحدات بمتغيرات صريحة في الجزء العلوي من الكود.
• [ ] في خطوات معالجة البيانات، قمت بطباعة عدد الصفوف وفحصت الفقد الصامت.
• [ ] لقد قمت بالتحقق من الكود من خلال حالة اختبار ذات إجابة معروفة.
• [ ] لقد تحققت من المعقولية المادية (القيمة السلبية/السخيفة) للإخراج.
• [ ] لقد استخدمت الذكاء الاصطناعي كمسرّع؛ لقد حافظت على النزاهة والمسؤولية.

امتحان الوحدة

1. عند العمل باستخدام أداة الذكاء الاصطناعي كمهندس مواد، أي من المسؤولية النهائية عما يلي يجب أن تظل دائمًا على عاتق الإنسان (المهندس القانوني)؟

• أ) الموافقة والتوقيع على صلاحية القطعة للخدمة ✔
• ب) إعداد المسودة الأولى لتقرير الأضرار
• ج) تحرير تسميات محور الرسم البياني المجهرية
• د) إعداد مسرد للمصطلحات المعدنية للعرض

الوصف: الذكاء الاصطناعي؛ يمكنه تسريع المهام مثل توضيح المفهوم وصياغة التقرير وقائمة الفرضيات والهيكل العظمي للكود. ومع ذلك، فإن الموافقة على صلاحية القطعة للخدمة/الطيران هو قرار يترتب عليه سلامة الأرواح والممتلكات؛ لا يمكن نقلها إلى الذكاء الاصطناعي دون اختبارات معتمدة وموافقة مهندس معتمد.

2. لقد سألت الذكاء الاصطناعي عن قوة إنتاج الفولاذ AISI 4140 عند التسقية والتلطيف عند درجة حرارة 200 درجة مئوية، وأجاب "1500 ميجا باسكال بالتأكيد". ما هو أول إجراء صحيح يجب اتخاذه؟

• أ) ضع القيمة مباشرة في حساب التصميم لأن الذكاء الاصطناعي يبدو واثقًا
• ب) التحقق من القيمة باستخدام ورقة بيانات المادة/شهادة المطحنة واختبار الشد إذا لزم الأمر، وعدم الاعتماد على قيمة نقطة واحدة ✔
• ج) خفض القيمة بشكل عشوائي للبقاء في الجانب الآمن
• د) اقبل القيمة وانتقل مباشرة إلى وصفة المعالجة الحرارية

الشرح: يمكن للنماذج اللغوية اختلاق أرقام غير مؤكدة بشكل مقنع (الهلوسة). قوة الخضوع وهو يختلف على نطاق واسع اعتمادًا على درجة حرارة التقسية وسمك القسم وقابلية الصلابة. من الضروري الحصول على القيمة من شهادة المطحنة أو اختبار الشد وفقًا للمعيار، وعدم تضمين مخرجات الذكاء الاصطناعي ذات النقطة الواحدة في التصميم.

3. من خلال نموذج التعلم الآلي الذي يتنبأ بخصائص الفولاذ، أنتج الذكاء الاصطناعي قيمة "آمنة" لسبائك خارج نطاق التركيب في بيانات التدريب. ما هي المشكلة الرئيسية في هذا الإخراج؟

• أ) النموذج يعطي دائمًا نتائج بالنسبة المئوية، أما MPa فهو خاطئ
• ب) التوقع غير موثوق لأنه يتم خارج نطاق البيانات التدريبية (الاستقراء) ويجب التحقق منه بالتجربة ✔
• ج) النموذج يعمل فقط للفولاذ المقاوم للصدأ
• د) يكون ناتج النموذج دائمًا ضعف القيمة الفعلية تمامًا

Explanation: تعمل نماذج التعلم الآلي بشكل معقول ضمن نطاق بيانات التدريب (الاستيفاء)؛ عندما تكون التنبؤات خارج هذا النطاق (الاستقراء)، تصبح غير موثوقة وغالباً لا يظهر النموذج ذلك. لا يمكن استخدام القيمة التي تم إنشاؤها عند نقطة خارج توزيع بيانات التدريب دون التحقق التجريبي.

4. لقد قمت بتطبيق الذكاء الاصطناعي لحساب نسبة الطور في سبيكة ثنائية الطور. ما المدخلات التي يجب على الذكاء الاصطناعي استخدامها بشكل صحيح عند تطبيق "قاعدة الرافعة"؟

• أ) درجة الحرارة فقط؛ مجموعات غير ضرورية
• ب) كثافة السبيكة فقط
• ج) التركيب الكلي للسبيكة مع تركيبات حدود الطور عند درجة الحرارة ذات الصلة ✔
• د) درجة حرارة الانصهار فقط

شرح: تعطي قاعدة الرافعة كميات الطور باستخدام المسافات بين تركيبات حدود الطور (على سبيل المثال، تركيبات الطور الصلب والسائل) والتركيب الكلي للسبيكة عند درجة حرارة معينة. إذا تمت قراءة مجموعات حدود الطور بشكل غير صحيح، فستكون النسبة خاطئة تمامًا؛ ولذلك، فإن تأكيد القيم من مخطط المرحلة إلزامي.

5. لقد قمت بقياس حجم الحبوب من البنية المجهرية باستخدام تدفق معالجة الصور المدعوم بالذكاء الاصطناعي، ولكنك نسيت معايرة شريط القياس بالبكسل. لماذا النتيجة غير موثوقة؟

• أ) جميع قياسات الأبعاد بمقياس خاطئ لأنه لم يتم إجراء معايرة طول البكسل ✔
• ب) يتم تشويه القياس بسبب استخدام صورة ملونة
• ج) لا يمكن قياس حجم الحبوب إلا عن طريق SEM، والمجهر الضوئي غير دقيق
• د) القياس غير ضروري لأن دقة الصورة عالية

الوصف: في علم المعادن الكمي، يتوافق كل بكسل مع طول؛ إذا لم تتم معايرة هذا التحول باستخدام شريط المقياس، فستظهر جميع قياسات الأبعاد مثل حجم الحبوب ونسبة الطور والمسامية على مقياس خاطئ. المعايرة هي الخطوة الأولى والإلزامية للقياس القائم على الصورة.

6. اقترح الذكاء الاصطناعي وصفة للمعالجة الحرارية (الأوستينية + التبريد + التقسية) لتحقيق الصلابة المستهدفة للصلب. ما هي الخطوة الأفضل قبل تطبيق الوصفة الطبية؟

• أ) تطبيق الوصفة مباشرة على الإنتاج الضخم
• ب) قم بتطبيق الوصفة على القطعة التجريبية، وقم بقياس الصلابة/البنية المجهرية ومقارنتها بالمعيار ✔
• ج) فقط قم بزيادة درجة حرارة التخفيف بشكل عشوائي على الجانب الآمن
• د) التصحيح والموافقة على كتابة الوصفة الطبية فقط

الوصف: نتيجة للمعالجة الحرارية؛ تختلف سماكة المقطع وقابلية التصلب (جوميني) بشدة باختلاف واقع الفرن وبيئة التبريد. الوصفة الطبية التي قدمها الذكاء الاصطناعي هي فرضية أولية؛ يجب التحقق منه من خلال تطبيقه على القطعة التجريبية وقياس الصلابة والبنية المجهرية ومقارنتها بالمعيار.

7. لقد طلبت من الذكاء الاصطناعي "رقم مادة محددًا" لمعيار ASTM لقيمة حد المادة وأجاب بالقيمة الدقيقة. ما هو السلوك الهندسي الصحيح؟

• أ) كتابة القيمة مباشرة في التقرير لأن الذكاء الاصطناعي محدث
• ب) تغيير القيمة بشكل عشوائي للبقاء في الجانب الآمن
• ج) التحقق من رقم المادة وإصدارها وقيمتها من النص القياسي الرسمي والحالي ✔
• د) إضافة رقم الصنف إلى ملف المطابقة دون التحقق منه

Explanation: حتى لو كانت نماذج اللغة تعرف الاسم القياسي بشكل صحيح، فإنها قد تخطئ في تذكر أو تقوم بتكوين رقم المقالة والإصدار ونقطة التوقف. في الحقول الملزمة مثل ASTM/ISO/EN، يجب التحقق من كل مادة وقيمة حرفيًا من المصدر الرسمي والحالي؛ يُظهر إخراج الذكاء الاصطناعي فقط المكان الذي يجب البحث فيه.

8. لقد عرضت صورة السطح المكسور للمسمار على الذكاء الاصطناعي وتلقيت الإجابة "هذا بالتأكيد كسر بسبب التعب". ما هو النهج الصحيح لتحليل السبب الجذري؟

• أ) كتابة التشخيص مباشرة في التقرير لأن الذكاء الاصطناعي يتحدث بدقة
• ب) ما عليك سوى زيادة دقة الصورة وتأكيد التشخيص
• ج) تركيب جزء جديد دون فحص السطح المكسور
• د) تأكيد التشخيص كفرضية باستخدام تصوير الكسور وتاريخ الشحن وأدلة البنية المجهرية ✔

الوصف: تفسير السطح المكسور؛ يتطلب تصوير الكسور (الخطوط، وخطوط الشاطئ، وفصل الدمل/الانقسام باستخدام SEM) النظر في تاريخ التحميل والبيئة وأدلة البنية المجهرية معًا. إن التشخيص النهائي الذي يجريه الذكاء الاصطناعي من صورة واحدة هو مجرد فرضية؛ لا يمكن الإعلان عن السبب الجذري دون تأكيد النتائج المختبرية.

9. قام الذكاء الاصطناعي بتعيين ذروة لمرحلة محددة في نمط حيود الأشعة السينية (XRD). ما هي الطريقة الأنسب لجعل تحديد المرحلة موثوقًا؟

• أ) مطابقة الذروة مع قاعدة بيانات الأنماط المرجعية (مثل بطاقات PDF) والتحقق من التداخل والتحف ✔
• ب) قبول المهمة مباشرة لأن الذكاء الاصطناعي يقول اسم المرحلة
• ج) النظر في القمة الأعلى فقط وإهمال الباقي
• د) تلوين النموذج وجعله جميلاً بصريًا

الوصف: يتم تحديد مرحلة XRD عن طريق مطابقة مواضع الذروة وكثافاتها المقاسة مع الأنماط المرجعية المعروفة (مثل بطاقات ICDD/PDF). إن تعيين قمة واحدة بشكل منفصل أمر مضلل؛ ينبغي أن تؤخذ في الاعتبار القمم المتداخلة والتوجه التفضيلي والتحف الخلفية وتأكيد المهمة باستخدام قاعدة البيانات المرجعية.

10. تحتوي مسودة تقرير الأضرار/الفحص التي أعدتها منظمة العفو الدولية على قيم فنية سائلة ولكن من أصل غير معروف. ما هو السلوك الصحيح؟

• أ) تقديم التقرير كما هو لسلاسة النص
• ب) تقريب القيم وتوضيحها
• ج) ما عليك سوى قراءة الملخص التنفيذي وتخطي الباقي
• د) قم بمطابقة كل قيمة مع القياس/المصدر الأصلي وإزالة ✔ غير المؤكدة

الوصف: كل قيمة فنية في التقرير؛ يجب أن تكون قابلة للقياس أو سجل الجهاز المعاير أو البيانات القياسية أو بيانات الشركة المصنعة. وحتى لو كانت قيمة في جملة سليمة، فلا ينبغي إدراج أي رقم لم يتم التحقق من مصدره في التقرير أو أساس القرار؛ وبخلاف ذلك، يتم نقل قيمة وهمية إلى المستند الذي ينشئ المسؤولية.

11. ما هي أفضل خطوة قبل استخدام حساب بايثون الذي تم إنشاؤه بواسطة الذكاء الاصطناعي (على سبيل المثال، علاقة Hall-Petch لقوة إنتاجية حجم الحبوب)؟

• أ) تطبيق الكود مباشرة على بيانات الإنتاج الفعلية
• ب) فقط التأكد من أن الكود يبدو قصيرًا وأنيقًا
• ج) قم بتشغيل الكود في سيناريو اختباري ذو نتائج معروفة والتحقق من الوحدات والمخرجات ✔
• د) حذف جزء من الكود لتقصيره

توضيح: قد يبدو الرمز صحيحًا ولكنه يعطي نتيجة خاطئة: قد يكون هناك خطأ في الوحدة أو معامل غير صحيح أو خطأ في الصيغة. يؤدي تشغيل الكود في حالة اختبار صغيرة حيث تعرف النتيجة يدويًا ومقارنتها بالمخرجات المتوقعة والتحقق من الوحدات إلى اكتشاف الخطأ قبل أن ينتقل إلى القرار الفعلي.

12. تريد لصق وصفة السبائك ومعلمات العملية التي لم تحصل على براءة اختراع لشركتك في أداة الذكاء الاصطناعي المتاحة للعامة وطلب التحليل. ما هو النهج الأكثر صحة؟

• أ) لصق الوصفة كما هي لجعلها أسرع
• ب) يكفي فقط حذف اسم الشركة ومشاركة جميع المعلمات المتبقية.
• ج) مشاركة البيانات ومن ثم مطالبة الذكاء الاصطناعي بحذفها
• د) التحقق من السياسة المؤسسية وإخفاء هوية البيانات أو استخدام أداة آمنة / مؤسسية ✔

الوصف: تعتبر وصفة السبائك ومعلمات العملية ومواصفات العميل من الأسرار التجارية وحساسة للملكية الفكرية. قبل مشاركة البيانات، من الضروري التحقق من سياسة الشركة، أو إخفاء هويتها، أو استخدام أداة مؤسسية/موقعية لا ترسل البيانات.

13. أشار نظام SPC (التحكم في العمليات الإحصائية) المدعوم بالذكاء الاصطناعي إلى أنه تم تجاوز حد مخطط التحكم في دفعة الإنتاج. ما هو السلوك الهندسي الصحيح؟

• أ) تجاهل التحذير واستمر في الإنتاج
• ب) توسيع حدود الرقابة بحيث لا يحدث أي إنذار
• ج) اعتبر التحذير بمثابة محفز، وأكد القياس، وتحقق من السبب الجذري، ثم اتخذ قرارًا وفقًا لمعايير القبول ✔
• د) إلغاء الدفعة بأكملها مباشرة دون قياس

توضيح: تجاوز حد مخطط التحكم يعد بمثابة تحذير؛ السبب الجذري ليس واضحا تلقائيا. يمكن أن يكون خطأ في القياس، أو مشكلة في أخذ العينات، أو الانجراف الفعلي للعملية. النهج الصحيح هو اعتبار التحذير بمثابة محفز، وتأكيد القياس، والتحقيق في السبب الجذري واتخاذ القرار بناءً على معايير القبول ونتائج الاختبار/الاختبار غير التدميري.

14. وضع تقييم الصور بمساعدة الذكاء الاصطناعي على جزء الصب علامة على المنطقة بأنها "مقبولة". ما هو النهج الصحيح لجزء بالغ الأهمية للسلامة؟

• أ) اعتبار التقييم الأولي للذكاء الاصطناعي أداة فحص وربط القبول النهائي بنتيجة الاختبار غير الاتلافي والموافقة المصرح بها ✔
• ب) اعتبار التقييم الذكاء الاصطناعي بمثابة القبول النهائي والموافقة على الجزء
• ج) الانتقال إلى العملية التالية دون فحص الجزء على الإطلاق
• د) يكفي فقط فحص سطح الجزء بصريًا.

الوصف: غالبًا ما تكون عيوب الصب الداخلية (المسامية والانكماش والشوائب) غير مرئية من السطح ويتم تقييمها عن طريق الاختبارات غير المدمرة (NDT: التصوير الشعاعي والموجات فوق الصوتية). التقييم الأولي الذي يقدمه الذكاء الاصطناعي من خلال الصورة هو أداة فحص؛ يتم منح القبول النهائي للجزء الحرج للسلامة من خلال NDT وموافقة الفحص المعتمد وفقًا للمعيار.