End-to-end Workflow, Governance, Autentificering og Ansvarlig Brug

Gevinster:

• Evne til konsekvent at indlejre AI på alle trin fra design til drift med menneskelige verifikationsporte og overgangsbetingelser med én sætning
• Evne til at etablere en styringsramme med en godkendt køretøjsliste, dataklassificering, sporbarhed, træning og løbende verifikation
• Evne til at integrere principperne om menneskeligt ansvar, sikkerhedsprioritet, verifikation, fortrolighed, gennemsigtighed og miljø-socialt ansvar i arbejdsgangen

I de foregående ti enheder har vi set, hvordan man bruger kunstig intelligens sikkert i individuelle områder inden for kemiteknik – design, simulering, kinetik, egenskabsforudsigelse, optimering, kontroldata, HAZOP, standardsøgning og Python. I denne sidste enhed sætter vi brikkerne sammen: Vi lærer, hvordan man indlejrer AI fra start til slut af et projekt eller en facilitet med konsekvent disciplin, menneskelige verifikationsporte og en styringsstruktur – den ramme, der bestemmer reglerne for, hvilke værktøjer, data og beslutninger skal bruges i en organisation. Målet er at bygge et lagdelt system, der forhindrer en enkelt AI-fejl i at krybe ind i et design, en forretningsbeslutning eller et sikkerhedsdokument.

Den grundlæggende idé er enkel: en menneskelig verifikationsport og en klar overgangstilstand er placeret på hvert trin; Du kan ikke gå gennem én dør uden at gå gennem en anden. Dette er en livreddende struktur inden for kemiteknik såvel som inden for retsmedicinske eller medicinske områder - for også her har fejl ikke konsekvenser på papiret, men i virkeligheden, på mennesker og miljø.

End-to-end workflow: med verifikationsporte

Lad os overveje et kemiingeniørprojekt i fem faser og placere rollen som AI og verifikationsporten i hver:

1. Design og koncept. AI genererer rutemuligheder og PFD-udkast. Dør: er materialebalancen opretholdt i hånden, blev ruten valgt med ingeniørmæssig vurdering?

2. Analyse og simulering. Opsummerer AI-simuleringsoutput, giver kinetik/egenskabsskitse. Gate: er den termodynamiske model passende, holder masse-/energibalancen, er de kritiske værdier afhængige af den eksperimentelle/database-kilde?

3. Optimering og dimensionering. AI producerer optimerings- og beregningskodeudkast. Dør: er begrænsningerne fuldstændige, er koden testet, er den i det optimale sikkerhedsvindue?

4. Sikkerhed og compliance. Giver AI HAZOP skelet og standardkort. Dør: Er fareanalysen udført af et eksperthold, er standardelementerne blevet verificeret fra den primære kilde, er der opnået autoriseret godkendelse?

5. Drift og overvågning. AI overvåger sensordata og markerer uregelmæssigheder. Dør: signal reelt eller sensor, sikkerhedsbeskyttelse i uafhængig SIS?

Disse porte forhindrer et enkelt ubekræftet output i at blive overført til næste trin. Selvom en fejl undslipper, er der en god chance for, at den bliver fanget ved den næste dør.

Tip: Skriv en "overgangsbetingelse" med én sætning for hver fase, og gør den synlig for teamet: "Simulering kan ikke startes, før materialebalancen er manuelt verificeret." Sådanne klare regler sikrer, at disciplinen opretholdes selv under tidspres.

Styringsramme: institutionel disciplin

Individuel verifikation er godt, men der er behov for en styringsramme i facilitetsskala. Fem nøglekomponenter:

1. Godkendt køretøj og modelliste. Den definerer hvilke AI-værktøjer der kan bruges til hvilke opgaver. Ikke-godkendte værktøjer bruges ikke til sikkerhedskritiske konti.

2. Dataklassificering. I hvilket køretøj kan registrerede recepter, driftsforhold og personlige data indtastes? Fortrolige/beskyttede data gives ikke til værktøjer, der lækker data uden for organisationen.

3. Registrering og sporbarhed (revisionsspor). Hvilket output kom fra hvilket værktøj, hvem verificerede det, hvilken kilde var det knyttet til? Det skal kunne spores, hvis der opstår et problem.

4. Træning og kompetence. Brugere skal kende grænserne for AI, risikoen for hallucinationer og verifikationsdisciplinen. Værktøjet er kraftfuldt, men farligt i de forkerte hænder.

5. Løbende verifikation. Modeller og køretøjer varierer; Udgangenes pålidelighed testes med jævne mellemrum.

Opmærksomhed: I en institution er tilgangen "alle skal give de data, de ønsker, til det AI-værktøj, de ønsker", en risiko for både proprietær informationslækage og sikkerhedsfejl. Governance er den usynlige, men kritiske infrastruktur, der begrænser disse risici.

Ansvarlig brugsprincipper

Lad os forbinde modulet med seks principper:

1. Menneskets ansvar. Den endelige beslutning og underskrift ligger hos den kompetente ekspert; AI'ens output er ikke en erstatning for dens godkendelse.
2. Sikkerhedsprioritet. Sikkerhedskritiske beslutninger (sikkerhed, fare, materiale, dimensionering) kræver verifikation og autoriseret godkendelse.
3. Verifikationsdisciplinen. Hvert output er forbundet til fysik/kilde, testet med en uafhængig metode og passeret gennem fortolkningsfilteret.
4. Sikkerhed. Proprietære og personlige data behandles kun på en godkendt og sikker måde.
5. Gennemsigtighed. Brugen af ​​kunstig intelligens er oplyst ærligt i rapporter og dokumentation.
6. Miljømæssig og social ansvarlighed. Beslutninger tager ikke kun hensyn til økonomien, men også menneskers sundhed og miljøet.

tre minisager

Tilfælde 1 - Døren fangede fejlen. I et projekt blev en masseubalance på 4 % i AI's PFD-træk fanget i balanceporten, før man gik ind i simuleringsfasen. Fejlen blev rettet ved kilden; Hvis der ikke var nogen dør, ville denne fejl sprede sig til simulering og derefter til dimensionering. Den lagdelte struktur virkede.

Case 2 — Governance forhindrede datalækage. En ingeniør var ved at indsætte en proprietær katalysatoropskrift i et åbent AI-køretøj. Agenturets dataklassificeringsregel sagde, at disse data kun kunne behandles i et internt godkendt værktøj. Reglen forhindrede et kommercielt kritisk læk.

Sag 3 — Sporbarhed skabte tillid. I en revision blev vi spurgt, hvordan en designbeslutning blev truffet. Takket være institutionens registreringsdisciplin var det muligt at dokumentere, at AI’en kun producerede et udkast, at hver kritisk værdi blev tilskrevet den eksperimentelle kilde, og at beslutningen blev godkendt af den autoriserede ingeniør. Gennemsigtighed gav både tillid og juridisk beskyttelse.

Fire kopierbare skabeloner

1) Workflow gate plan:

Din rolle: Projektsikringskonsulent. Mit projekt: [beskrivelse]. Forbered mig en VERIFICATION GATE-plan for stadierne (design, analyse, dimensionering, sikkerhed, drift): hvad gør AI på hvert trin, hvilken overgangsbetingelse med én sætning KAN IKKE overføres til næste fase uden at være opfyldt, hvem verificerer. Særlig vægt på sikkerhedskritiske døre.

2) Governance-selvregulering:

Der udstedes en selvrevisionstjekliste for brugen af AI i vores organisation: (1) er der en liste over godkendte værktøjer, (2) er dataklassificering defineret, (3) opbevares registrering/sporbarhed, (4) er der brugertræning, (5) er der løbende verifikation? Anmod om en "ja/delvis/nej"-evaluering og forbedringsforslag for hvert punkt. Kontekst: [definition]

3) Gennemsigtighed / brugserklæring:

Udarbejd et gennemsigtighedsafsnit, der ærligt beskriver brugen af AI til en ingeniørrapport: på hvilke stadier AI blev brugt til at udarbejde/analysere, hvordan outputtet blev valideret, med det endelige ansvar på den ansvarlige ingeniør. Overdrivelse; bare afspejle, hvad der rent faktisk blev gjort. Doings: [beskrivelse]

4) Sidste kontrol før beslutning:

Jeg er ved at tage denne beslutning: [beslutning]. Kør mig gennem en sidste tjekliste, før du giver den væk: (1) er dette sikkerhedskritisk, (2) er nogen værdier, jeg stoler på, hentet/eksperimenteret, (3) har der været uafhængig verifikation, (4) er myndighedsgodkendelse påkrævet, (5) er fortrolighed/compliance blevet overholdt? Marker det trin, du ser mangler. Beslutningen er min; Du følger tjeklisten.

Svag prompt / Stærk prompt

Svag prompt:

Hvordan skal jeg bruge AI i mit projekt?

Ingen kontekst, ingen valideringsstruktur. AI giver et generelt svar og omgår sikkerhedskritiske porte.

Kraftig prompt:

Din rolle: Projektsikringskonsulent. Jeg vil bruge kunstig intelligens fra design til drift i et 50.000 tons/år kemikalieproduktionsprojekt. For hvert trin får jeg en ramme for AI's rolle, verifikationsstrukturen, der ikke kan passeres uden at bestå, hvem der skal godkende den, og hvilke data der kan gives til hvilket værktøj. Markér også sikkerhedskritiske trin og fremhæv, hvor menneskelig godkendelse er obligatorisk.

Forskellen er tydelig: projektkontekst, gates, godkendelse og dataregler systematiserer brugen af ​​AI.

Rollefordeling i en ende-til-ende-struktur

Scene

AI's rolle

verifikationsport

Design

Rute, PFD udkast

Saldo + rutebekræftelse

Analyse

Simuleringsoversigt, forudsigelse

Model + kildebekræftelse

Dimensionering

optimering, kode

Begrænsning + test + sikkerhed

Sikkerhed/compliance

HAZOP skelet, kort

Ekspertteam + primær kilde

Forretning

Anomali sporing

Real/sensor + uafhængig SIS

Almindelige fejl

• Hoppedøre under tidspres. Hvis du springer en gate over, kan fejlen lække ind i efterfølgende faser.
• Forsømmelse af regeringsførelse. Uregelmæssig brug af værktøjer og data udgør lækage og sikkerhedsrisici.
• Skjuler brug. Hvis brugen af ​​kunstig intelligens ikke dokumenteres gennemsigtigt, undergraves både tillid og juridisk beskyttelse.
• Sikkerhedskritisk godkendelse for at se formel. Autoriseret godkendelse er ikke en underskriftsformalitet, men et ægte verifikationsansvar.
• At glemme de miljømæssige og sociale aspekter. Beslutninger afvejes ikke kun ud fra økonomiske, men også ud fra sundheds- og miljømæssige perspektiver.

Sammenfattende

I en ende-til-ende-struktur er AI indlejret med menneskelige verifikationsporte på alle stadier af kemiteknik; Du kan ikke gå gennem én dør uden at gå gennem en anden. En styringsramme (certificerede værktøjer, dataklassificering, sporbarhed, træning, kontinuerlig verifikation) bringer denne disciplin til virksomhedens skala. Rygraden i ansvarlig brug er seks principper: menneskeligt ansvar, sikkerhedsprioritet, verifikationsdisciplin, fortrolighed, gennemsigtighed og miljømæssigt samfundsansvar. AI er en kraftfuld assistent; Men ejeren af ​​design, sikkerhed og det sidste ord er altid den kompetente ekspert.

Ansøgningsopgave

Opret en fem-trins verifikation gate plan for dit eget (eller imaginære) projekt med "workflow gate plan" skabelonen; Skriv en overgangsbetingelse med én sætning for hvert trin. Derefter skal du med skabelonen "governance self-audit" evaluere, hvordan brugen af ​​AI i dette projekt klarer sig med hensyn til godkendte værktøjer, dataklassificering, sporbarhed og træning, og identificere mindst to forbedringer.

tjekliste

• [ ] Jeg satte en menneskelig verifikationsport og en beståelsesbetingelse med én sætning på hvert trin.
• [ ] Jeg definerede den godkendte værktøjsliste og dataklassifikation.
• [ ] Jeg registrerede/sporbarhed (hvilket output, hvem verificerede, hvilken kilde).
• [ ] Jeg angav brugen af ​​kunstig intelligens gennemsigtigt i rapporten.
• [ ] Jeg tilskriver sikkerhedskritiske beslutninger autoriseret ekspertgodkendelse og miljø-samfundsansvar.

Modul eksamen

1. Hvilken af følgende er den mest nøjagtige positionering for kunstig intelligens i kemiteknik?

• A) Kunstig intelligens kan skrive sikkerhedsberegninger direkte ind i designet uden menneskelig godkendelse
• B) AI er en kontoaccelerator og blueprint-generator; Ansvaret for at bestemme sikkerheden ved designet og den endelige beslutning ligger hos mennesket ✔
• C) Da kunstig intelligens altid er mere pålidelig end mennesker, bør sikkerhedsbeslutninger overlades til det.
• D) Kunstig intelligens er kun nyttig til at opsummere tekst, det har intet at gøre med tekniske beregninger

Beskrivelse: Kunstig intelligens; Det er en assistent, der triagerer omfangsrige data, markerer mønstre og producerer beregninger/kodeudkast. Ansvar og godkendelse af kritiske spørgsmål såsom sikkerhed ved design, fortolkning af simuleringen og endelig beslutning tilhører den kompetente ekspert; Et ubekræftet output kan føre til en reaktorlækage eller en eksplosion. Derfor erstatter kunstig intelligens ikke kompetent ekspertgodkendelse.

2. Hvilken er den tre-trins verifikationsdisciplin for et teknisk beregningsresultat givet af kunstig intelligens?

• A) Se, om outputtet er flydende og sikkert
• B) Stil det samme spørgsmål til kunstig intelligens tre gange og tag gennemsnittet
• C) Forbind det til fysik/kilde, test det uafhængigt, send det gennem kommentargrænsefilter ✔
• D) Accepter resultatet direkte og kontroller det kun på rapportstadiet

Forklaring: Hvert output forbindes først med fysikken/kilden (hvilken ligning, hvilken kilde, hvilken antagelse), derefter testes den med en uafhængig metode (håndberegning, simulering, referencedata, ordrekontrol), og til sidst føres den gennem kommentar-grænsefilteret (er massen/energien bevaret, er værdien realistisk). Disse tre trin fanger de fleste hallucinationer.

3. Hvad skal der gøres, hvis den samlede masse, der kommer ind og ud, ikke stemmer overens med materialebalanceudkastet etableret af kunstig intelligens i et procesdesign?

• A) Den lille forskel er ligegyldig, ignorer den og fortsæt designet
• B) Forskellen findes og korrigeret; der er ofte et glemt flow eller et dobbelttalt loopback ✔
• C) Balancen anses for korrekt, fordi den kunstige intelligens beregner det på den måde.
• D) Værdien af ​​en udgående strøm forstørres manuelt for at udligne forskellen

Forklaring: I kemiteknik er masse enten bevaret eller ej; 'det koster cirka' er uacceptabelt. Hvis input = output-ligningen ikke er opfyldt, er der ofte et glemt sideflow, et dobbelttalt genbrug eller en fejl. Designet kan ikke komme videre, før dette er fundet og rettet; ellers vil fejlen forplante sig til alle efterfølgende dimensioneringer.

4. En processimulering 'konvergerede og gav et pænt billede'. Hvad er den mest kritiske risiko for nøjagtigheden af ​​dette resultat?

• A) Tabellen er ikke præsenteret i farve og læselig form
• B) Simuleringen konvergerer for hurtigt
• C) En termodynamisk model, der ikke er egnet til systemets karakteristika, giver overbevisende, men forkerte resultater ✔
• D) For mange decimaler i flowtabellen

Forklaring: De fleste af simuleringsfejlene er ikke numeriske, men på grund af valg af termodynamisk model (ejendomspakke). Anvendelse af en ideel model på en polær blanding kan gøre en azeotrop usynlig, og resultatet bliver glat, men helt forkert. Et tilsyneladende konvergent og smukt billede viser sig ikke at være sandt; modeltilpasning og eksperimentel sammenligning er påkrævet.

5. Hvordan skal man handle, når kunstig intelligens giver en reaktionshastighedskonstant (k) værdi for et reaktordesign?

• A) Værdien bør bestemmes eksperimentelt; AI-forudsigelse bruges ikke som designdata ✔
• B) Værdi sættes direkte i design, da AI leverer trygt
• C) Værdien antages at være den samme i enhver reaktion uanset forhold
• D) Værdien er tilstrækkelig, når et tilsvarende tal vises på internettet

Beskrivelse: Hastighedskonstanter, aktiveringsenergi og mekanisme bestemmes kun ved eksperiment; Den samme reaktion opfører sig meget forskelligt med forskellige katalysatorer, urenheder eller faser. En k-værdi returneret af AI kan være et indledende gæt, men det er ikke designdata. Hver kinetisk parameter, der indgår i grundlaget for designet, skal være baseret på empirisk kilde.

6. Hvordan skal varmen fra en eksoterm reaktion (reaktionsentalpi) bestemmes for sikkert køledesign?

• A) Startværdien givet af kunstig intelligens indtastes direkte i køledesignet
• B) Værdien er målt ved kalorimetri og evalueret af en autoriseret ingeniør, den er ikke baseret på forudsigelse af kunstig intelligens ✔
• C) Hvis reaktionen er eksoterm, kan varmebelastningen negligeres
• D) Værdien af en lignende forbindelse anvendes uanset tilstanden

Beskrivelse: Reaktionsvarme og termisk løbsk potentiale er et sikkerhedskritisk problem. En værdi, der returneres af AI, kan tilhøre et andet opløsningsmiddel/tilstand og kan i væsentlig grad repræsentere den faktiske varmebelastning. Disse værdier måles ved kalorimetri (f.eks. reaktionskalorimetri) og evalueres af den kompetente ingeniør; Det er aldrig baseret på forudsigelse af kunstig intelligens alene.

7. Kunstig intelligens gav damptrykket af et opløsningsmiddel med et sikkert tal. Hvad skal der gøres, før du bruger denne værdi?

• A) Da værdien er givet flydende, placeres den direkte i søjledesignet
• B) Kun enheden styres, der er ingen grund til at se på kilden
• C) Værdien er verificeret af en pålidelig database (DIPPR/NIST) eller eksperiment med betingelsen ✔
• D) Hvis værdien sammenlignes med værdien for et andet opløsningsmiddel og er ens, accepteres den.

Forklaring: Featureestimering er det numeriske grundlag for design, og en fejl her forplanter sig gennem hele beregningen. AI-værdien kan tilhøre en anden forbindelse, være i den forkerte tilstand eller være en hallucination. Derfor er hver kritisk funktion verificeret af en pålidelig database (DIPPR/NIST) eller eksperiment; skal også anmodes om sammen med værditilstanden (temperatur, tryk, fase).

8. Hvad sker der, hvis kunstig intelligens bliver bedt om at 'minimere energi' i en procesoptimering, men der ikke gives nogen begrænsning af produktets renhed?

• A) Resultatet er altid sikkert og af høj kvalitet, begrænsninger er unødvendige
• B) Der kan opstå et vildledende optimum, der ser godt ud på papiret, men som ofrer renhed eller sikkerhed ✔
• C) Kunstig intelligens fuldender de manglende begrænsninger spontant og korrekt
• D) Optimering virker ikke og giver ingen resultater

Forklaring: Ubegrænset optimering er vildledende: AI'en eller algoritmen kan foreslå et 'optimum', der på papiret reducerer energien, men i virkeligheden reducerer produktets renhed under specifikation eller overstiger sikkerhedsmarginen. Derfor skal alle kvalitets- og sikkerhedsbegrænsninger, såvel som formåls- og beslutningsvariabler, være fuldt definerede; Det matematiske optimum skal også testes for sikkerhed og gennemførlighed.

9. Hvad er den første ting at gøre, når AI markerer et pludseligt spring i sensordata som 'mulig læk'?

• A) Stop processen med det samme, fordi den kunstige intelligens sagde, at den var utæt
• B) Ignorerer signalet, fordi sensorer altid er forkerte
• C) Kontrol med pålidelighedsfilter, om signalet er en reel proceshændelse eller et sensor-/måleproblem ✔
• D) Slet automatisk springet fra datasættet

Forklaring: Sensorer kan ligge: kalibrering glider, en forbindelse løsnes, ledningen opfanger støj. Et anomalisignal skal først filtreres for datapålidelighed: er det i overensstemmelse med nabo-/tilknyttede sensorer, er det fysisk muligt, stemmer det overens med vedligeholdelses-/kalibreringsposten? Først efter at disse er bestået, undersøges det som en reel procesbegivenhed; Ellers kan der forekomme indgreb baseret på en falsk alarm.

10. Hvad er den passende og sikre rolle for AI i HAZOP-undersøgelsen?

• A) At producere en komplet HAZOP ved at kende processen og gøre mødet unødvendigt
• B) At klassificere risikoniveauer præcist og træffe forsigtighedsbeslutninger
• C) Tilvejebringelse af en arbejdsramme, vejledende ordspørgsmål og udarbejdelse af referater; Overlad selve farevurderingen til ekspertteamet ✔
• D) Gå til mødestedet og underskrive den endelige risikorapport alene

Beskrivelse: HAZOP er en sikkerhedskritisk specialistaktivitet. Kunstig intelligens; Node/parameter/guideword-matrixrammerne fremskynder dokumentationen, såsom typisk scenarie-genkaldelse og minutredigering. Men hvilken afvigelse, der er den reelle fare, konsekvensens alvor og forsigtighedens tilstrækkelighed tilhører det tværfaglige ekspertteam; Desuden findes processpecifikke farer ikke i kunstig intelligens. AI-udkastet er input, ikke output, fra ekspertmødet.

11. Hvad er det mest kritiske forbehold for AI i standarder og lovgivningsmæssig forskning?

• A) Kunstig intelligens er aldrig forkert i sin standardviden, den kan bruges direkte
• B) Hvert stofnummer, grænseværdi og dato skal verificeres fra en primær og aktuel kilde; AI giver kun retning ✔
• C) Opdateringstjek er unødvendigt, fordi standarderne aldrig ændres.
• D) Oprettelse af en tjekliste alene beviser overholdelse

Forklaring: Standardforskning er et af de områder, hvor AI-hallucination kan være mest ødelæggende: Et ikke-eksisterende varenummer, et forkert brudpunkt eller et forældet krav kan præsenteres på en meget overbevisende måde. Overholdelse betyder både sikkerhed og lov. Derfor kan hvert stof, grænseværdi og dato ikke anvendes uden bekræftelse fra den primære og aktuelle kilde; AI giver kun retning.

12. En Python-teknisk beregningskode skrevet af kunstig intelligens fungerede uden fejl og producerede et tal. Hvad skal der til for at stole på denne konklusion?

• A) Den fejlfrie funktion af koden beviser, at resultatet er korrekt.
• B) Koden skal testes med et kendt resultat, enheds- og kanttilfælde skal testes, og sikkerhedsberegningen skal også verificeres af myndigheden ✔
• C) Hvis koden er lang og ser kompleks ud, kan den betragtes som korrekt
• D) Da det er skrevet af kunstig intelligens, er der ikke behov for yderligere verifikation

Forklaring: 'Working' og 'correct' er forskellige ting: Koden kan køre uden fejl og producere et forkert tal (enhedsforvirring, fortegnsfejl, indeksskift). Derfor bør hver kode testes på en testcase (analytisk prøve, håndberegning, referencedata), hvis svar er kendt uafhængigt; enheder og kantkasser skal kontrolleres; Sikkerhedskritiske beregninger skal også verificeres af den autoriserede tekniker.

13. Hvad er den mest effektive måde at beskytte en end-to-end AI-aktiveret kemisk ingeniørproces mod en enkelt fejl, der lækker ind i design- eller sikkerhedsdokumentet?

• A) Delegering af hele processen til et enkelt AI-værktøj og se på slutningen
• B) Fjernelse af mellemliggende verifikationer for hastighed og kontrol først på sidste trin
• C) Anbringelse af en menneskelig verifikationsport og en en-sætnings pass-betingelse på hvert trin (lagdelt verifikation) ✔
• D) Hver ingeniør kan frit bruge sit eget køretøj uden at føre optegnelser.

Beskrivelse: En menneskelig verifikationsport og en klar overgangstilstand (er den stabil, er den forbundet til kilden, er koden testet, er ekspertgodkendelse modtaget) er placeret på hvert trin (design, analyse, dimensionering, sikkerhed, drift). Du kan ikke gå gennem én dør uden at gå gennem en anden; Denne lagdelte struktur forhindrer en enkelt AI-fejl i at lække ind i efterfølgende faser.

14. Hvilken af ​​følgende applikationer gør brugen af ​​kunstig intelligens i en institution sikker med hensyn til styring?

• A) Enhver bruger kan frit indtaste proprietære data i ethvert åbent værktøj efter eget valg.
• B) En styringsramme, der inkluderer en godkendt køretøjsliste, dataklassificering, sporbarhed, træning og løbende verifikation ✔
• C) Brugen af kunstig intelligens registreres slet ikke
• D) Brug af et enkelt, ikke-godkendt værktøj til hvert job, inklusive sikkerhedskritiske konti

Forklaring: 'Alle skal give de data, de ønsker, til det køretøj, de ønsker'-tilgangen udgør en risiko for både proprietære informationslækage og sikkerhedsfejl. En solid styringsramme; Det omfatter godkendt køretøjs- og modelliste, dataklassificering (hvilket køretøj kan registrere registrerede/personlige data), registrering og sporbarhed (revisionsspor), brugertræning og løbende verifikation. Dette er kritisk infrastruktur, der begrænser risici.