Όρια της τεχνητής νοημοσύνης στη Ναυτιλία: Ασφάλεια, Κίνδυνος στον κυβερνοχώρο, Ηθική και Υπευθυνότητα

Κέρδη:

• Ικανότητα αναγνώρισης ότι η τεχνητή νοημοσύνη μπορεί να παράγει εικονικούς συντελεστές, ρήτρες κανόνων και τεχνικές αξίες και να εφαρμόζει επαλήθευση στο πλαίσιο της ασφάλειας ζωής/περιουσίας
• Δυνατότητα διαχείρισης της ασφάλειας στον κυβερνοχώρο, του απορρήτου δεδομένων και των ρυθμιστικών ορίων σε συστήματα πλοίων και OT (λειτουργικής τεχνολογίας)
• Κατανοώντας ότι η τελική ευθύνη για την έγκριση κλάσης, την ασφάλεια της ναυσιπλοΐας και την ηθική ανήκει στον μηχανικό και τον καπετάνιο.

Σε όλη αυτή την ενότητα, χρησιμοποιήσαμε την τεχνητή νοημοσύνη (AI) ως επιταχυντή σε κάθε στάδιο της μηχανικής πλοίων και θαλάσσιων μεταφορών: από τη σχεδίαση φόρμας έως τη δομική ανάλυση, την προγνωστική συντήρηση έως τη βελτιστοποίηση του ταξιδιού, τη συμμόρφωση με τις εκπομπές έως την παραγωγή ναυπηγείων. Σε αυτήν την τελική ενότητα, κάνουμε ένα βήμα πίσω και εξετάζουμε ολόκληρη την εικόνα: ποια είναι τα βασικά όρια της τεχνητής νοημοσύνης στη ναυτιλία, ποιοι κίνδυνοι (ψευδαίσθηση, ασφάλεια στον κυβερνοχώρο, απόρρητο δεδομένων, προκατάληψη) βρίσκονται σε διαρκή εγρήγορση και ποιος φέρει την ευθύνη; Γιατί η απαραίτητη προϋπόθεση για την ασφαλή χρήση ενός οχήματος είναι να γνωρίζουμε πού μπορεί να πάει στραβά.

Η διαρκής διατριβή της ενότητας ισχύει εδώ και διέπει όλες τις άλλες: σε κρίσιμες για την ασφάλεια ναυτιλιακές εργασίες, η παραγωγή τεχνητής νοημοσύνης δεν υποκαθιστά την έγκριση από τον αρμόδιο μηχανικό, τον πλοίαρχο ή τον επιθεωρητή τάξης. Το AI προτείνει, συντάσσει, υπολογίζει και υπενθυμίζει. Όμως, ο ιδιοκτήτης της απόφασης που καθορίζει την ασφάλεια της ζωής, της περιουσίας και του περιβάλλοντος είναι το πρόσωπο που υπογράφει αυτή την απόφαση και είναι νομικά υπεύθυνο.

Έννοιες: Παραισθήσεις: Η τεχνητή νοημοσύνη κατασκευάζει μια τιμή, κανόνα ή πόρο που δεν υπάρχει. Ασφάλεια OT: Κυβερνοπροστασία επιχειρησιακής τεχνολογίας (συστήματα μηχανήματος και cruise control). Δηλητηρίαση δεδομένων: Σκόπιμη καταστροφή της εκπαίδευσης/εισαγωγής δεδομένων για την παραπλάνηση ενός μοντέλου. Model bias: Η συστηματική και άδικη μεροληψία του μοντέλου που προέρχεται από τα δεδομένα στα οποία έχει εκπαιδευτεί. Αλυσίδα ευθύνης: Η νομική και τεχνική ιδιοκτησία μιας απόφασης είναι ξεκάθαρη.

Μόνιμα Όρια ΤΝ

Η τεχνητή νοημοσύνη έχει τέσσερα μόνιμα σύνορα στη ναυτιλία, και αυτά δεν θα εξαφανιστούν ακόμη και με την πρόοδο της τεχνολογίας. Πρώτον, παραίσθηση: το μοντέλο καλύπτει το κενό με δηλώσεις «πιθανότατα» όταν δεν έχει οριστικά δεδομένα. Αποδεικνύεται ότι πρόκειται για μια κατασκευασμένη ρήτρα κλάσης, μια αδύνατη τιμή σταθερότητας ή έναν ανύπαρκτο συντελεστή. Δεύτερον, συμπεριφορά εκτός ανάπτυξης: το μοντέλο γίνεται αναξιόπιστο εκτός των καταστάσεων για τις οποίες εκπαιδεύτηκε και δοκιμάστηκε (ασυνήθιστος τύπος πλοίου, ασυνήθιστη δυσλειτουργία, αόρατη κίνηση). Τρίτον, έλλειψη κατανόησης της φυσικής: η τεχνητή νοημοσύνη επεξεργάζεται μοτίβα λέξεων, δεν «καταλαβαίνει» τη διατήρηση της ενέργειας ή τους νόμους του Νεύτωνα. Μπορεί να παράγει παραγωγή που φαίνεται λογικό αλλά είναι φυσικά αδύνατο. Τέταρτον, επικαιρότητα: νομοθεσία, τιμές και αλλαγή τεχνολογίας. Οι πληροφορίες του μοντέλου παγώνουν σε μια ημερομηνία.

Αυτά τα όρια εξηγούν γιατί η πειθαρχία επαλήθευσης που μάθαμε σε όλη την ενότητα είναι απαραίτητη: έλεγχος τάξης μεγέθους, συνέπεια μονάδας, ανεξάρτητη αναπαραγωγή και επαλήθευση πηγής. Ειδικά όταν χρειάζεται το AI να κάνει υπολογισμούς (π.χ. ένα σενάριο Python/Excel που δημιουργείται για μια στιγμή έρματος/σταθερότητας ή έναν υπολογισμό ισχύος), ακόμα κι αν ο κώδικας φαίνεται ρευστός και λειτουργεί, η λογική, οι είσοδοι και οι περιπτώσεις ακμών δεν μεταφράζονται σε απόφαση ασφαλείας χωρίς ανεξάρτητη δοκιμή. Ακριβώς επειδή ένας κωδικός λογαριασμού "δουλεύει" δεν σημαίνει ότι είναι "σωστός".

Προσοχή: Ένας λογιστικός κώδικας που δημιουργείται από τεχνητή νοημοσύνη μπορεί να λειτουργεί χωρίς σφάλματα, αλλά μπορεί να περιέχει λάθος τύπο, λάθος μονάδα ή παραβλέπεται μια ακμή. Πριν αποδεχτείτε τον κώδικα, δοκιμάστε τον με γνωστά δεδομένα εισόδου (ένα παράδειγμα που γνωρίζετε την απάντηση από πρώτο χέρι), δοκιμάστε για περιπτώσεις ακμών και επαληθεύστε το αποτέλεσμα με ανεξάρτητο τρόπο. Σε κρίσιμους για την ασφάλεια υπολογισμούς, όπως η ευστάθεια, είναι απαραίτητο να υπάρχει εγκεκριμένος υπολογιστής φόρτωσης και επιβεβαίωση μηχανικού.

Κυβερνοασφάλεια και Απόρρητο Δεδομένων

Το σύγχρονο πλοίο είναι ένα πλωτό δίκτυο υπολογιστών: συστήματα πλοήγησης, έλεγχος μηχανημάτων, διαχείριση φορτίου και δορυφορική συνδεσιμότητα είναι διασυνδεδεμένα. Αυτό σημαίνει επιφάνεια κυβερνοεπίθεσης. Τα συστήματα AI προσθέτουν δύο νέους κινδύνους σε αυτήν την εικόνα. Πρώτον, ασφάλεια OT (λειτουργικής τεχνολογίας): ένα εξάρτημα τεχνητής νοημοσύνης που συνδέεται με την πλοήγηση και τον έλεγχο μηχανών αποτελεί άμεσο κίνδυνο για την ασφάλεια σε περίπτωση επίθεσης. Έτσι, τα κρίσιμα συστήματα OT είναι απομονωμένα, η έξοδος AI δεν θα πρέπει ποτέ να ενεργοποιεί μια ενέργεια ελέγχου από μόνη της, πρέπει να διατηρηθεί η ανθρώπινη έγκριση και η ασφαλής προεπιλεγμένη συμπεριφορά. Δεύτερον, το απόρρητο των δεδομένων: η μορφή του κύτους, οι καμπύλες απόδοσης, οι συμβάσεις πλοιοκτητών-ναυπηγείων και η επιχειρησιακή τηλεμετρία είναι εμπορικά μυστικά και πνευματική ιδιοκτησία. Η εισαγωγή αυτών των δεδομένων σε μη εγκεκριμένες εξωτερικές υπηρεσίες τεχνητής νοημοσύνης είναι μια μη αναστρέψιμη απώλεια.

Επιπλέον, οι κίνδυνοι χειραγώγησης όπως η δηλητηρίαση δεδομένων (παραπλάνηση του μοντέλου με κακόβουλη εισαγωγή) και η πλαστογράφηση δεδομένων όπως το AIS απαιτούν να μην εμπιστεύεστε τυφλά τις εισόδους του AI. Κανόνας: τα κρίσιμα δεδομένα είναι ανώνυμα ή δεν κοινοποιούνται καθόλου, χρησιμοποιούνται μόνο εγκεκριμένα εργαλεία και εργαλεία που διασφαλίζουν την εμπιστευτικότητα, τα κρίσιμα δεδομένα διασταυρώνονται ως προς την αυθεντικότητα.

Κίνδυνος

Πώς εμφανίζεται;

προφύλαξη

ψευδαίσθηση

Φτιαγμένος κανόνας/αξία/πηγή

Επιβεβαίωση από την πηγή, έλεγχος κατάταξης

OT κυβερνοεπίθεση

Διείσδυση συστήματος ελέγχου

Απομόνωση, ανθρώπινη έγκριση, ασφαλής προεπιλογή

διαρροή δεδομένων

Εισαγωγή εμπιστευτικών δεδομένων σε εξωτερικό εργαλείο

Ανωνυμοποίηση, εγκεκριμένο εργαλείο

Δηλητηρίαση/πλαστογράφηση δεδομένων

Σκόπιμα αλλοιωμένη είσοδος

Επικύρωση εισόδου, διασταύρωση

Προκατάληψη μοντέλου

Μη ισορροπημένα δεδομένα προπόνησης

Αναθεώρηση του αποτελέσματος με ανθρώπινη κρίση

Ηθική και Αλυσίδα ευθύνης

Η νομική και τεχνική ιδιοκτησία μιας απόφασης στη ναυτιλία πρέπει να είναι σαφής: ο πλοίαρχος είναι υπεύθυνος για την ασφάλεια της ναυσιπλοΐας, ο αρχιμηχανικός είναι υπεύθυνος για τα μηχανήματα, ο υπεύθυνος μηχανικός είναι υπεύθυνος για το σχεδιασμό και τον υπολογισμό και ο επιθεωρητής τάξης είναι υπεύθυνος για τη συμμόρφωση με τους κανόνες. Η τεχνητή νοημοσύνη δεν θα πρέπει να εισάγει ένα «κενό ευθύνης» σε αυτήν την αλυσίδα. Το "AI πρότεινε αυτό" δεν είναι δικαιολογία. Υπεύθυνος είναι ο άνθρωπος που χρησιμοποιεί το AI και αποδέχεται την έξοδο του. Επομένως, η χρήση της τεχνητής νοημοσύνης πρέπει να είναι διαφανής (πρέπει να καταγράφεται ποια απόφαση υποστηρίζει, σε ποια επαλήθευση έχει υποβληθεί) και η τελική απόφαση πρέπει να λαμβάνεται από έναν υπογεγραμμένο άνθρωπο.

Η ηθική διάσταση περιλαμβάνει επίσης την ασφάλεια του πληρώματος και το περιβάλλον: εάν μια πρόταση εξοικονόμησης καυσίμου θέτει το πλήρωμα σε κίνδυνο, εάν μια λύση αυτοματισμού περιορίζει το περιθώριο ασφαλείας, εάν το βραχυπρόθεσμο κέρδος καλύπτει τον μακροπρόθεσμο κίνδυνο, η ηθική της μηχανικής απαιτεί να λέμε «όχι». Το AI είναι ένα ισχυρό εργαλείο για την παραγωγικότητα. Αλλά η αποτελεσματικότητα δεν μπορεί ποτέ να προηγηθεί της ζωής, του περιβάλλοντος και της ειλικρινούς κρίσης της μηχανικής.

Μίνι Θήκες

Περίπτωση 1 — Δικαιολογία «Το είπε ο AI». Σε μια αναφορά, χρησιμοποιείται μια οριακή τιμή όπως δίνεται από το AI, χωρίς επαλήθευση, και η τιμή αποδεικνύεται λανθασμένη. Ο υπεύθυνος προσπαθεί να υπερασπιστεί τον εαυτό του λέγοντας «Το AI το πρότεινε αυτό». Ούτε ο νόμος κατηγορίας ούτε ευθύνης το αναγνωρίζει αυτό: υπεύθυνος είναι ο μηχανικός που αποδέχεται την έξοδο. Μάθημα: Η τεχνητή νοημοσύνη δεν είναι δικαιολογία. Η ευθύνη ανήκει στο άτομο που το χρησιμοποιεί.

Περίπτωση 2 — Διαρροή εμπιστευτικών δεδομένων. Μια ομάδα επικολλά την πραγματική απόδοση και τα δεδομένα καυσίμων ενός πλοιοκτήτη σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης και ζητά ανάλυση. Αυτά τα δεδομένα είναι πλέον εκτός ελέγχου. προκύπτουν εμπορικό μυστικό και παραβίαση της σύμβασης. Δεν θα υπήρχε κίνδυνος εάν εργάζεστε με ανώνυμες αντιπροσωπευτικές τιμές ή εγκεκριμένο εργαλείο. Μάθημα: πραγματικά/εμπιστευτικά δεδομένα δεν εισάγονται ποτέ σε μη εγκεκριμένο εξωτερικό εργαλείο.

Περίπτωση 3 — Λειτουργικός αλλά λάθος κωδικός. Το AI δημιουργεί ένα σενάριο Python για μια στιγμή σταθερότητας. ο κωδικός εκτελείται χωρίς σφάλματα και επιστρέφει έναν λογικό αριθμό. Όταν ο μηχανικός το δοκιμάζει με μια γνωστή θήκη φόρτωσης (η απάντηση της οποίας είναι γνωστή με το χέρι), διαπιστώνει ότι ο κωδικός παίρνει έναν όρο βραχίονα με λάθος πρόσημο. Το σενάριο «δούλευε» αλλά το αποτέλεσμα ήταν λάθος. Μάθημα: η λειτουργία του κωδικού λογαριασμού δεν αποτελεί εγγύηση ορθότητας. Η δοκιμή με γνωστά στοιχεία εισόδου και ανεξάρτητη επαλήθευση είναι απαραίτητη.

Αντιγράψιμα πρότυπα προτροπής

Πρότυπο 1 — Αυτοαξιολόγηση ορίων και κινδύνου:

Ρόλος: Είστε ελεγκτής που ελέγχει το αποτέλεσμα τεχνητής νοημοσύνης που χρησιμοποιώ. Πλαίσιο: [εργασία/εξόδου]. Εργασία:1) Πού είναι υψηλός ο κίνδυνος παραισθήσεων σε αυτό το αποτέλεσμα; 2) Υπάρχει κάτι αμφισβητούμενο από άποψη φυσικής αληθοφάνειας;3) Ποιες τιμές απαιτούν επικαιρότητα (νομοθεσία/τιμή) πρέπει να επαληθεύονται; αμφισβητήσιμο σημείο και πώς να το επαληθεύσετε.

Πρότυπο 2 — Πρόγραμμα επαλήθευσης κωδικού λογαριασμού:

Δημιουργήστε ένα σχέδιο επαλήθευσης πριν χρησιμοποιήσετε τον ακόλουθο λογιστικό κώδικα που δημιουργείται από AI (Python/Excel):[επικόλληση κώδικα/λογική]1) Προτείνετε μια εισαγωγή δοκιμής για την οποία γνωρίζω την απάντηση άγνωστα.2) Καταχωρίστε τις περιπτώσεις άκρων που πρέπει να ελεγχθούν (μηδέν, αρνητικό, ακραίο).3) Πώς μπορώ να ελέγξω τη συνέπεια της μονάδας; απαιτείται για τον κρίσιμο για την ασφάλεια λογαριασμό.

Πρότυπο 3 — Φίλτρο απορρήτου δεδομένων:

Έλεγχος απορρήτου το ακόλουθο πλαίσιο που θα έδινα σε ένα εργαλείο τεχνητής νοημοσύνης: [κείμενο προς κοινή χρήση] 1) Υπάρχουν εμπορικά μυστικά / εμπιστευτικά / δεδομένα σύμβασης σε αυτό; 2) Ποιες τιμές πρέπει να ανωνυμοποιηθούν ή να εξαχθούν; 3) Απαιτεί αυτή η εργασία εγκεκριμένο εσωτερικό εργαλείο; Περιορισμός: Τα πραγματικά δεδομένα πλοίου/απόδοσης/συμβολαίου δεν μεταφέρονται στο εξωτερικό εργαλείο.

Πρότυπο 4 — Σημείωση λογοδοσίας και διαφάνειας:

Συντάξτε ένα σημείωμα διαφάνειας για να τεκμηριώσετε την ακόλουθη απόφαση που βασίζεται σε τεχνητή νοημοσύνη:[απόφαση]. Περιεχόμενο: (1) σε ποιο στάδιο χρησιμοποιήθηκε η τεχνητή νοημοσύνη, (2) σε ποιες επαληθεύσεις πέρασε, (3) ποιος άνθρωπος το ενέκρινε, (4) ποιες πηγές επαληθεύτηκαν. Περιορισμός: Ξεκαθαρίστε ότι η τελική ευθύνη ανήκει στην ανθρώπινη υπογραφή.

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμη προτροπή:

Θα βάλω αυτήν την ανάλυση AI στην αναφορά, είναι εντάξει;

Ισχυρή προτροπή:

Ρόλος: Είστε ο ανεξάρτητος αναθεωρητής που ελέγχει τα αποτελέσματα της AI απόφαση· Αναφέρετε τα βήματα επαλήθευσης και ότι την ευθύνη φέρει ο μηχανικός υπογραφής.

Το αδύναμο μήνυμα ζητά επιβεβαίωση. Η ισχυρή προτροπή εκθέτει κινδύνους, το απόρρητο και την ανθρώπινη αλυσίδα επαλήθευσης.

Συνήθη λάθη

• Σημαίνει «το είπε ο AI». Η ευθύνη ανήκει στο άτομο που αποδέχεται την έξοδο. Το AI δεν αποτελεί δικαιολογία.
• Εισαγωγή εμπιστευτικών δεδομένων σε εξωτερικό εργαλείο. Εμπορικό απόρρητο και παραβίαση σύμβασης. Μόλις διαρρεύσουν δεδομένα δεν μπορούν να ανακτηθούν.
• Νομίζοντας ότι ο κώδικας εργασίας είναι σωστός. Ένα σενάριο που λειτουργεί χωρίς σφάλματα μπορεί να περιέχει λάθος τύπο/μονάδα. Η δοκιμή και η ανεξάρτητη επιβεβαίωση είναι απαραίτητες.
• Αφήνοντας το σύστημα OT στην AI. Η ενέργεια ελέγχου δεν ενεργοποιείται ποτέ μόνο από την τεχνητή νοημοσύνη. Η ανθρώπινη έγκριση και η ασφαλής προεπιλογή διατηρούνται.
• Βάζοντας την αποτελεσματικότητα πάνω από την ασφάλεια. Η ζωή, το περιβάλλον και η ειλικρινής κρίση μηχανικής δεν θυσιάζονται για καμία εξοικονόμηση.

Συνοπτικά

Τα διαρκή όρια (ψευδαίσθηση, συμπεριφορά εκτός διανομής, έλλειψη κατανόησης της φυσικής, ξεπερασμένη) και οι κίνδυνοι (ασφάλεια στον κυβερνοχώρο/ΟΤ, απόρρητο δεδομένων, δηλητηρίαση, μεροληψία) της τεχνητής νοημοσύνης στη ναυτιλία δείχνουν γιατί η πειθαρχία επαλήθευσης που μαθαίνεται σε όλη την ενότητα είναι απαραίτητη. Σε κρίσιμες για την ασφάλεια αποφάσεις, η παραγωγή τεχνητής νοημοσύνης δεν υποκαθιστά την ικανή ανθρώπινη έγκριση. Η αλυσίδα ευθύνης είναι ξεκάθαρη και το «το είπε η AI» δεν αποτελεί δικαιολογία. Το AI είναι ένας ισχυρός επιταχυντής. Αλλά η ζωή, το περιβάλλον και η ειλικρινής κρίση μηχανικής είναι πάντα πρώτα.

Εργασία εφαρμογής

Επιλέξτε μια έξοδο AI ​​(έναν λογαριασμό, ένα προσχέδιο αναφοράς ή έναν κωδικό) που δημιουργήσατε σε αυτήν την ενότητα. Επισημάνετε τους κινδύνους παραισθήσεων, σωματικής αληθοφάνειας και επικαιρότητας με το πρότυπο "αυτοαξιολόγηση ορίου και κινδύνου". Εάν πρόκειται για κωδικό λογαριασμού, δοκιμάστε τον με μια γνωστή εισαγωγή χρησιμοποιώντας το πρότυπο "πλάνο επαλήθευσης κωδικού λογαριασμού" και επαληθεύστε ανεξάρτητα. Εφαρμόστε ένα «φίλτρο απορρήτου δεδομένων» και φιλτράρετε δεδομένα που δεν πρέπει να κοινοποιούνται. Τέλος, γράψτε ένα σημείωμα διαφάνειας που τεκμηριώνει την απόφαση και καθιστά σαφές ποιος έχει την τελική ευθύνη.

λίστα ελέγχου

• [ ] Έλεγξα τους κινδύνους παραισθήσεων, φυσικής και πραγματικότητας της εξόδου AI.
• [ ] Έχω δοκιμάσει και επαληθεύσω ανεξάρτητα τον κωδικό λογαριασμού με γνωστά δεδομένα.
• [ ] Δεν εισήγαγα εμπιστευτικά/συμβατικά δεδομένα στο εξωτερικό εργαλείο. Το ανωνυμοποίησα.
• [ ] Διατήρησα την ανθρώπινη έγκριση και την ασφαλή προεπιλογή στα συστήματα OT/ελέγχου.
• [ ] Τεκμηρίωσα με διαφάνεια τη χρήση της τεχνητής νοημοσύνης και διευκρίνισα ποιος ήταν υπεύθυνος.
• [ ] Ποτέ δεν έθεσα την αποτελεσματικότητα πάνω από τη ζωή, το περιβάλλον και την ηθική της μηχανικής.

Εξέταση Ενοτήτων

1. Όταν εργάζεστε με ένα εργαλείο τεχνητής νοημοσύνης ως μηχανικός ναυτιλίας, η τελική ευθύνη για ποιο από τα παρακάτω πρέπει να παραμένει πάντα στον άνθρωπο (μηχανικός/μαθητής);

• Α) Έγκριση και υπογραφή συμμόρφωσης δομικού στοιχείου με τον κανόνα κλάσης ✔
• Β) Παραγωγή του πρώτου σχεδίου έκθεσης αντίστασης
• Γ) Επεξεργασία των ετικετών αξόνων ενός γραφήματος
• Δ) Προετοιμασία γλωσσαρίου όρων για τεχνική έκθεση

Περιγραφή: AI; Μπορεί να επιταχύνει εργασίες όπως ο προυπολογισμός αντίστασης, η σύνταξη αναφοράς και η σύνοψη δεδομένων. Ωστόσο, η έγκριση της συμμόρφωσης ενός δομικού στοιχείου με τον κανόνα της τάξης και η απεικόνιση αυτού ως υπογραφής στον τεχνικό φάκελο είναι μια απόφαση που δημιουργεί ασφάλεια ζωής και ιδιοκτησίας. δεν μπορεί να μεταφερθεί σε AI χωρίς ανεξάρτητη επαλήθευση και εξουσιοδοτημένη έγκριση.

2. Είχατε το AI να υπολογίσει την αντίσταση ενός σκάφους και μείωσε το αποτέλεσμα κατά 20% με έναν «εμπειρικό συντελεστή διόρθωσης» που δεν υπήρχε στο πείραμα του μοντέλου. Ποια είναι η πρώτη σωστή ενέργεια που πρέπει να κάνετε;

• Α) Αποδοχή του αποτελέσματος ως έχει επειδή το AI φαίνεται σίγουρο
• Β) Να αμφισβητήσετε την πηγή του συντελεστή, να απορρίψετε την αβάσιμη διόρθωση και να την υπολογίσετε εκ νέου με την αναγνωρισμένη μέθοδο ✔
• Γ) Αυξάνοντας ακόμη περισσότερο τον συντελεστή και παραμένοντας στην ασφαλή πλευρά
• Δ) Μετάβαση στην επιλογή προπέλας χωρίς αλλαγή του αποτελέσματος

Εξήγηση: Τα γλωσσικά μοντέλα μπορούν να κατασκευάσουν πειστικά αβάσιμους συντελεστές και αριθμούς (ψευδαίσθηση). Σε έναν υπολογισμό που επηρεάζει άμεσα την ισχύ πρόωσης και το καύσιμο, όπως η αντίσταση, είναι απαραίτητο να αμφισβητηθεί η πηγή κάθε χρησιμοποιούμενου συντελεστή (μέθοδος, δοκιμή μοντέλου, πρότυπο) και να απορριφθεί ο μη υποστηριζόμενος συντελεστής.

3. Αντί να χρησιμοποιεί την ποσότητα του μεταφερόμενου φορτίου ως παρονομαστή για τον υπολογισμό του CII (Δείκτης Έντασης Άνθρακα) ενός πλοίου, η τεχνητή νοημοσύνη χρησιμοποίησε μόνο την απόσταση. Ποιο είναι το κύριο πρόβλημα με αυτήν την έξοδο;

• Α) Το CII υπολογίζεται μόνο για δεξαμενόπλοια, αυτό δεν είναι απαραίτητο επί του σκάφους
• Β) Το αποτέλεσμα CII έρχεται πάντα ως ποσοστό, το δεκαδικό είναι λάθος
• Γ) Ο παρονομαστής CII δεν πρέπει να είναι μόνο η απόσταση, αλλά η φέρουσα ικανότητα (νεκρό βάρος) πολλαπλασιαζόμενη επί την απόσταση ✔
• Δ) Τα δεδομένα ταχύτητας είναι υποχρεωτικά για τον υπολογισμό CII, λείπουν

Περιγραφή: Το CII μετρά τις εκπομπές άνθρακα ανά εργασία που μεταφέρεται και βασίζεται στο προσφερόμενο ωφέλιμο φορτίο πολλαπλασιασμένο με την απόσταση (π.χ. νεκρό βάρος x απόσταση). Αν παραλείψουμε τον όρο φορτίο/χωρητικότητα, ο δείκτης υπολογίζεται εντελώς εσφαλμένα. Το πρώτο και υποχρεωτικό βήμα είναι κάθε όρος στους δείκτες παραγωγικότητας να συμμορφώνεται πλήρως με τον ορισμό του ΙΜΟ.

4. Ποιο είναι το πιο πολύτιμο αποτέλεσμα ενός συστήματος πρόβλεψης συντήρησης που λειτουργεί με AI στο μηχανοστάσιο;

• Α) Συνοψίστε το μέσο κόστος της προηγούμενης συντήρησης σε μία γραμμή
• Β) Μετατροπή όλων των δεδομένων αισθητήρων σε ένα πιο πολύχρωμο γράφημα
• Γ) Χρώμα και λίστα τάσεων δόνησης/θερμοκρασίας
• Δ) Προεπισήμανση του χρονικού παραθύρου όταν ένα ρουλεμάν ή στροβιλοσυμπιεστής είναι πιο πιθανό να αποτύχει ✔

Περιγραφή: Ο σκοπός της προγνωστικής συντήρησης είναι να ανιχνεύσει την τάση για φθορά του εξοπλισμού πριν αποτύχει και να προγραμματίσει τη συντήρηση εγκαίρως. Έτσι, μειώνεται ο κίνδυνος απροσδόκητων δυσλειτουργιών και ακινητοποιήσεων. Είναι πολύτιμο όχι μόνο να συνοψίσουμε το παρελθόν αλλά και να παράγουμε έγκαιρες προειδοποιήσεις για το μέλλον.

5. Η τεχνητή νοημοσύνη συνέκρινε το αποτέλεσμα της τάσης σε ένα μοντέλο FEA (ανάλυση πεπερασμένων στοιχείων) με την επιτρεπόμενη τάση στον κωδικό τάξης και δήλωσε «κατάλληλη». Ποια είναι η πιο σωστή προσέγγιση;

• Α) Επαλήθευση της ρύθμισης του μοντέλου (πλέγμα, οριακή κατάσταση, φορτίο) και επιβεβαίωση της επιτρεπόμενης τάσης από το κείμενο κανόνα κλάσης ✔
• Β) Άμεση επιβεβαίωση του αποτελέσματος επειδή η τεχνητή νοημοσύνη είπε "ταιριάζει"
• Γ) Τυχαία μείωση της επιτρεπόμενης πίεσης για να παραμείνει στην ασφαλή πλευρά
• Δ) Αλλαγή μόνο της χρωματικής κλίμακας χωρίς σύσφιξη του δικτύου

Περιγραφή: Αποτέλεσμα FEA. Εξαρτάται πλήρως από την ποιότητα του πλέγματος, τις οριακές συνθήκες, τον ορισμό του φορτίου και τις ιδιότητες του υλικού. Επιπλέον, η επιτρεπόμενη τιμή τάσης που χρησιμοποιείται από το AI μπορεί να είναι εσφαλμένη. Πριν αποδεχτείτε το αποτέλεσμα, είναι απαραίτητο να επαληθεύσετε τη ρύθμιση του μοντέλου και να επιβεβαιώσετε την τιμή του κανόνα κλάσης από το κείμενο.

6. Δημιουργήσατε μια διαδρομή που ελαχιστοποιεί τα καύσιμα εκτελώντας δρομολόγηση καιρού με AI. Ποια θεώρηση είναι πιο κρίσιμη για τη χρηστικότητα του αποτελέσματος;

• Α) Η διαδρομή πρέπει να είναι ασφαλής όσον αφορά την ασφάλεια της ναυσιπλοΐας (περιορισμοί κυμάτων, καιρικών συνθηκών, πλοίων) και πρέπει να έχει εγκριθεί από τον καπετάνιο ✔
• Β) Η συντομότερη εμφάνιση της διαδρομής στον χάρτη
• Γ) Η διαδρομή περιλαμβάνει τις περισσότερες κλήσεις λιμένων
• Δ) Η διαδρομή ελαχιστοποιεί την ΕΤΑ ανεξάρτητα από τη σύμβαση

Εξήγηση: Ανεξάρτητα από το πόσο βέλτιστη για καύσιμα είναι η πρόταση διαδρομής, προτεραιότητα έχουν η ασφάλεια πλοήγησης και η εξουσία του κυβερνήτη. Εάν η καταιγίδα, το ύψος κύματος και οι περιορισμοί του πλοίου υπερβούν το όριο ασφαλείας, η αύξηση του καυσίμου δεν έχει νόημα. Η τελική απόφαση διαδρομής πρέπει να φιλτράρεται μέσω περιορισμών ασφαλείας και να εγκρίνεται από τον καπετάνιο.

7. Ζητήσατε από το AI μια απαίτηση SOLAS και έδωσε μια ακριβή τιμή με αναφορά σε έναν συγκεκριμένο «αριθμό κεφαλαίου/κανόνα». Ποια είναι η σωστή μηχανική συμπεριφορά;

• Α) Εφαρμογή της τιμής απευθείας επειδή το AI είναι ενημερωμένο
• Β) Αύξηση της τιμής τυχαία για να παραμείνετε στην ασφαλή πλευρά
• Γ) Επαληθεύστε τον αριθμό και την τιμή του προϊόντος από την επίσημη, ενημερωμένη πηγή SOLAS/κλάσης ✔
• Δ) Προσθήκη στο αρχείο χωρίς έλεγχο του αριθμού αντικειμένου

Περιγραφή: Τα μοντέλα γλώσσας ενδέχεται να θυμούνται λάθος ή να συνθέτουν αριθμούς και τιμές συμβολαίων/ρητρών κανόνων. Σε δεσμευτικά πεδία όπως SOLAS, MARPOL και κανόνες κλάσης, κάθε στοιχείο και τιμή πρέπει να επαληθεύονται αυτολεξεί από την επίσημη, τρέχουσα πηγή (κείμενο IMO, κανόνας τάξης, εγκύκλιος διαχείρισης). Η έξοδος AI δείχνει μόνο πού να κοιτάξετε.

8. Σε ένα αυτόνομο σύστημα πλοήγησης ή σύστημα πλοήγησης με τη βοήθεια αποφάσεων, το AI πρότεινε έναν ελιγμό βασισμένο σε δεδομένα ραντάρ και AIS. Ποια είναι η σωστή αξιολόγηση όσον αφορά την COLREG (αποφυγή συγκρούσεων);

• Α) Εκτελέστε αυτόματα τον ελιγμό καθώς το AI έχει πρόσβαση σε τρέχοντα δεδομένα
• Β) Διαβιβάστε την πρόταση στο άλλο πλοίο μέσω VHF και περιμένετε την έγκρισή του
• Γ) Απενεργοποίηση του ραντάρ και βασιζόμενος μόνο στο AIS
• Δ) Θεωρήστε την πρόταση ως υποστήριξη απόφασης και αφήστε την απόφαση COLREG και την τελική απόφαση ελιγμών στον αξιωματικό της φυλακής/καπετάνιο.

Εξήγηση: Σύμφωνα με τους κανόνες της COLREG και την ορθή ναυτική πρακτική, η ευθύνη για την αποφυγή της σύγκρουσης και την τελική απόφαση ελιγμών ανήκει στην αρχή στη γέφυρα (καπετάνιος/αξιωματικός της φυλακής). Η σύσταση AI είναι μια υποστήριξη αποφάσεων. Τα τυφλά σημεία, το σφάλμα αισθητήρα και η ερμηνεία κανόνων απαιτούν ανθρώπινη επίβλεψη.

9. Δημιουργήσατε μια σύσταση οικονομίας καυσίμου από την καμπύλη SFOC του κύριου κινητήρα (ειδική κατανάλωση καυσίμου) με AI. Ποια είναι η καταλληλότερη μέθοδος για τον έλεγχο της λογικής;

• Α) Εφαρμόστε τη σύσταση σε δεδομένα προηγούμενων ταξιδιών και συγκρίνετε με την πραγματική κατανάλωση καυσίμου ✔
• Β) Αποδεχτείτε την πρόταση ως έχει και γράψτε την στον προϋπολογισμό ως εξοικονόμηση.
• Γ) Λαμβάνοντας ως μοναδική πραγματική αξία το πιο αισιόδοξο ποσοστό αποταμίευσης
• Δ) Απλώς ομορφύνετε το γράφημα της καμπύλης SFOC

Εξήγηση: Ο ισχυρισμός εξοικονόμησης που παράγεται από την AI θα πρέπει να ελεγχθεί συγκρίνοντάς τον με τα πραγματικά δεδομένα ταξιδιού του πλοίου (καταγεγραμμένη κατανάλωση καυσίμου, φορτίο, ταχύτητα, καιρός). Η αναδρομική εφαρμογή του σε δεδομένα προηγούμενων ταξιδιών και η σύγκριση με την πραγματική κατανάλωση δείχνει πόσο ρεαλιστική είναι η σύσταση.

10. Ένα προσχέδιο έρευνας/τεχνικής έκθεσης που συντάχθηκε από την AI περιέχει τεχνικές τιμές που είναι ρευστές αλλά αβέβαιης προέλευσης. Ποια είναι η σωστή συμπεριφορά;

• Α) Παρουσίαση της έκθεσης ως έχει επειδή το κείμενο είναι άπταιστο
• Β) Αντιστοιχίστε κάθε τιμή με την αρχική μέτρηση/πηγή και αφαιρέστε το μη επιβεβαιωμένο ✔
• Γ) Στρογγυλοποίηση και στίλβωση των τιμών
• Δ) Απλώς διαβάστε την περίληψη και παραλείψτε τα υπόλοιπα

Περιγραφή: Κάθε τεχνική τιμή στην αναφορά πρέπει να είναι ανιχνεύσιμη στην αρχική της πηγή (μέτρηση, βαθμονομημένη εγγραφή συσκευής, κανόνας κλάσης, δεδομένα κατασκευαστή). Κανένας αριθμός δεν πρέπει να υποβάλλεται στην κλάση ή τη διαχείριση χωρίς επαλήθευση της πηγής του, ακόμα κι αν είναι μια τιμή σε μια ευχάριστη πρόταση. Διαφορετικά, μια πλασματική τιμή εισέρχεται στη βάση απόφασης.

11. Ποιο είναι το καλύτερο βήμα πριν χρησιμοποιήσετε έναν υπολογισμό Excel/Python που δημιουργείται από AI (π.χ. κατάσταση έρματος και ροπή σταθερότητας);

• Α) Εφαρμογή του υπολογισμού απευθείας στο πραγματικό σχέδιο φόρτωσης
• Β) Απλά κοιτάζοντας το μήκος και τη διάταξη του κώδικα
• Γ) Δοκιμάζοντας ακραίες περιπτώσεις συγκρίνοντας τον υπολογισμό με ένα γνωστό σενάριο δοκιμής και ένα εγκεκριμένο εργαλείο φόρτωσης ✔
• Δ) Διαγραφή μέρους του κώδικα για να τον συντομεύσετε

Εξήγηση: Οι υπολογισμοί σταθερότητας και φορτίου μπορεί να φαίνονται σωστοί αλλά να δίνουν εσφαλμένα αποτελέσματα. Εκτελώντας τον υπολογισμό σε ένα μικρό σενάριο δοκιμής όπου γνωρίζετε το αποτέλεσμα, είτε με μη αυτόματο τρόπο είτε με πιστοποιημένο υπολογιστή φόρτωσης, συγκρίνοντάς τον με την αναμενόμενη έξοδο και δοκιμάζοντας περιπτώσεις φόρτωσης ορίου/ακρών θα εντοπίσει το σφάλμα προτού μεταφερθεί στην πραγματική απόφαση φόρτωσης.

12. Θέλετε να επικολλήσετε τα μη κοινοποιημένα δεδομένα σχεδίασης και απόδοσης του πλοίου σας σε ένα δημόσιο εργαλείο τεχνητής νοημοσύνης και ανάλυση αιτημάτων. Ποια είναι η πιο σωστή προσέγγιση;

• Α) Επικόλληση των δεδομένων ως έχουν για την ταχύτητα
• Β) Αρκεί απλώς να διαγράψετε το όνομα του πλοίου και να μοιραστείτε όλα τα δεδομένα που απομένουν
• Γ) Κοινή χρήση των δεδομένων και στη συνέχεια ζητώντας από το AI να τα διαγράψει
• Δ) Έλεγχος της θεσμικής πολιτικής και ανωνυμοποίηση των δεδομένων ή χρήση ασφαλούς/θεσμικού εργαλείου ✔

Γνωστοποίηση: Η μορφή του κύτους, οι καμπύλες απόδοσης και τα δεδομένα της σύμβασης πλοιοκτήτη/ναυπηγείου είναι ευαίσθητα σε εμπορικό απόρρητο και πνευματική ιδιοκτησία. Επιπλέον, η υποδομή ζωτικής σημασίας και οι πληροφορίες του συστήματος OT ενέχουν κίνδυνο στον κυβερνοχώρο. Πριν από την κοινή χρήση δεδομένων, είναι απαραίτητο να ελέγξετε την εταιρική πολιτική, να την ανωνυμοποιήσετε ή να χρησιμοποιήσετε ένα εταιρικό εργαλείο που δεν μοιράζεται δεδομένα.

13. Ο ποιοτικός έλεγχος με τεχνητή νοημοσύνη σε ένα συγκρότημα μπλοκ ναυπηγείου επισήμανε μια ραφή συγκόλλησης ως «αποδεκτή». Ποια είναι η σωστή μηχανική συμπεριφορά;

• Α) Θεωρήστε την αξιολόγηση AI ως τελική αποδοχή και εγκρίνετε το ράψιμο
• Β) Θεωρώντας την προκαταρκτική αξιολόγηση AI ως εργαλείο ελέγχου και συνδέοντας την τελική αποδοχή με το αποτέλεσμα NDT και την έγκριση της τάξης ✔
• Γ) Μετακίνηση στο επόμενο μπλοκ χωρίς να εξετάσετε καθόλου τη ραφή
• Δ) Αρκεί να ελέγχετε απλώς οπτικά την εμφάνιση της ραφής

Περιγραφή: Η ποιότητα συγκόλλησης είναι ένας κρίσιμος για την ασφάλεια τομέας που απαιτεί αποτελέσματα μη καταστροφικών δοκιμών (NDT) και έγκριση κατηγορίας. Η προκαταρκτική αξιολόγηση της τεχνητής νοημοσύνης μέσω εικόνων ή δεδομένων παρέχει καθοδήγηση, αλλά η τελική αποδοχή γίνεται με ειδική επιθεώρηση και έγκριση από τον επιθεωρητή τάξης.

14. Στη διαχείριση του στόλου, η τεχνητή νοημοσύνη δημιούργησε μια οριστική σύσταση για μια αποστολή λέγοντας «αυτό το λιμάνι και αυτή η ταχύτητα είναι σίγουρα τα πιο κερδοφόρα». Ποια είναι η σωστή εκτίμηση;

• Α) Άμεση εφαρμογή της σύστασης καθώς η τεχνητή νοημοσύνη έχει πρόσβαση σε ενημερωμένα δεδομένα
• Β) Να διαβιβαστεί η πρόταση στον πλοιοκτήτη ως πάγια δέσμευση
• Γ) Κλείδωμα ολόκληρου του σχεδίου αποστολής με βάση αυτή τη μοναδική έξοδο
• Δ) Θεωρώντας την οριστική προσφορά ως αναξιόπιστη και αντιμετωπίζοντάς την ως σενάριο που μπορεί να επαληθευτεί με την τρέχουσα τιμή, την κατάσταση ναύλωσης και την ασφάλεια ✔

Εξήγηση: Η τιμή των καυσίμων, οι συνθήκες ναύλωσης, οι καιρικές συνθήκες και οι καθυστερήσεις στα λιμάνια αλλάζουν ταχέως και αβέβαιες μεταβλητές. Η τεχνητή νοημοσύνη δεν μπορεί να εγγυηθεί την απόλυτη κερδοφορία. Η πρόταση θα πρέπει να αντιμετωπίζεται ως έξοδος σεναρίου που πρέπει να επαληθευτεί με την τρέχουσα τιμή, τους όρους ναύλωσης και τους περιορισμούς ασφαλείας.