Ροή εργασιών προγραμματισμού και εταιρική εφαρμογή υποβοηθούμενη από τεχνητή νοημοσύνη από άκρο σε άκρο

Κέρδη:

• Δυνατότητα ενσωμάτωσης της τεχνητής νοημοσύνης στη θέση και εντός των ορίων σε κάθε στάδιο της ροής εργασιών, από τη συλλογή δεδομένων έως την απόφαση σχεδίου
• Δυνατότητα δημιουργίας άμεσης βιβλιοθήκης, πρωτοκόλλου επαλήθευσης, διακυβέρνησης δεδομένων και πολιτικής απορρήτου σε εταιρική κλίμακα
• Ικανότητα σχεδιασμού μιας νοοτροπίας ελέγχου που διαφυλάσσει το δημόσιο συμφέρον, τη διαφάνεια, τη λογοδοσία και την εμπιστοσύνη του κοινού στον σχεδιασμό που υποστηρίζεται από AI

Προηγούμενες ενότητες σάς έχουν δείξει πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη σε μεμονωμένες εργασίες σχεδιασμού (ανάλυση σχεδίου, GIS, δορυφόρος, πληθυσμός, μεταφορά, προσομοίωση, νομοθεσία, συμμετοχή, καταστροφή). Αυτή η τελική ενότητα συνδυάζει αυτά τα κομμάτια σε μια συνεκτική ροή εργασίας και μετατρέπει τις ατομικές δεξιότητες σε οργανωτική ικανότητα. Επειδή σε έναν δήμο ή ένα γραφείο σχεδιασμού, το κύριο ζήτημα δεν είναι η καλή χρήση της τεχνητής νοημοσύνης από έναν μόνο σχεδιαστή. Ολόκληρος ο οργανισμός χρησιμοποιεί την τεχνητή νοημοσύνη με ασφαλή, συνεπή, εμπιστευτικό και δημόσιο συμφέρον τρόπο. Αυτό απαιτεί τρεις δομές που εξορθολογίζουν την κατανεμημένη και ανεξέλεγκτη χρήση: μια κοινή βιβλιοθήκη προτροπής, ένα πρωτόκολλο ελέγχου ταυτότητας ανά τύπο εξόδου και μια πολιτική διακυβέρνησης δεδομένων και απορρήτου. Σε αυτήν την ενότητα, θα μάθετε να δημιουργείτε αυτές τις δομές και να σχεδιάζετε μια κουλτούρα ελέγχου που διατηρεί την εμπιστοσύνη του κοινού στον προγραμματισμό με δυνατότητα τεχνητής νοημοσύνης.

Ροή εργασιών από άκρο σε άκρο

Δείτε πώς συνυφαίνεται μια διαδικασία σχεδιασμού από την αρχή μέχρι το τέλος με την τεχνητή νοημοσύνη (το AI επιταχύνει, ο άνθρωπος επαληθεύει σε κάθε στάδιο):

1. Συλλογή και οργάνωση δεδομένων. Δορυφόρος, GIS, πληθυσμός, μεταφορές, δεδομένα παρουσίας — καθαρισμοί τεχνητής νοημοσύνης, πίνακες.
2. Ανάλυση. Χρήση γης, προσβασιμότητα, κίνδυνος — Κατασκευές τεχνητής νοημοσύνης, επαληθεύει ο ειδικός.
3. Παραγωγή σεναρίου. Σενάρια ανάπτυξης και μεταφοράς — Η τεχνητή νοημοσύνη συγκρίνει, επεξεργάζεται επιλέγει.
4. Ρυθμιστικός έλεγχος. Κάθε απόφαση ελέγχεται από τη νομοθεσία — σαρώσεις AI, επιβεβαιώνει το επίσημο κείμενο.
5. Συμμετοχή. Η γνώμη των ενδιαφερομένων συλλέγεται και συνοψίζεται — αναλύσεις τεχνητής νοημοσύνης, διατηρείται η εκπροσώπηση.
6. Παροχή απόφασης και σχεδίου. Ένας ικανός σχεδιαστής λαμβάνει αποφάσεις και φέρει ευθύνη.
7. Αναφορά και έγκριση. Έκθεση περιγραφής σχεδίου — προσχέδιο AI, υπεύθυνος σχεδιαστής.
8. Παρακολούθηση. Παρακολούθηση αλλαγής μετά το σχέδιο — προ-σαρώσεις AI, επιβεβαίωση πεδίου.

Σε αυτήν την αλυσίδα, η τεχνητή νοημοσύνη είναι σαν ένας «βοηθός διασταύρωσης»: βοηθά σε κάθε στάση, αλλά ο σχεδιαστής είναι πάντα στο τιμόνι.

Συμβουλή: Ο μεγαλύτερος κίνδυνος στη χρήση από άκρο σε άκρο είναι ότι μια μη επαληθευμένη έξοδος θα μεταφερθεί ως είσοδος στο επόμενο στάδιο. Ένας λανθασμένος αριθμός πληθυσμού μπορεί να διαρρεύσει στην ανάλυση, από εκεί στο σενάριο και από εκεί στην απόφαση. Σε κάθε έξοδο σταδίου, "επιβεβαιώνεται αυτό;" βάλε την πόρτα.

Δομή επιχείρησης 1: Βιβλιοθήκη προτροπής

Το να γράφει κάθε προγραμματιστής από την αρχή τη δική του προτροπή είναι χάσιμο χρόνου και πηγή ασυνέπειας. Το ίδρυμα συλλέγει ελεγμένες και επαληθευμένες προτροπές σε μια κοινή βιβλιοθήκη: "πίνακας σημειώσεων σχεδίου", "ερώτημα που εξαρτάται από το κείμενο της νομοθεσίας", "εξαγωγή θέματος συμμετοχής" κ.λπ. Κάθε προτροπή περιέχει κανόνες ασφαλείας όπως μια ετικέτα "ΑΠΑΙΤΕΙΤΑΙ ΕΠΑΛΗΘΕΥΣΗ", απαγόρευση δημιουργίας δεδομένων και αίτηση πόρων. Επομένως, η ποιότητα εξαρτάται από το ίδρυμα και όχι από το άτομο.

Οργανωτική δομή 2: Πρωτόκολλο ελέγχου ταυτότητας

Κάθε τύπος εξόδου έχει το δικό του επίπεδο επικύρωσης. Ένα σημείωμα συνάντησης υποβάλλεται σε γρήγορη αναθεώρηση. μια νομοθεσία απαιτεί επίσημη επιβεβαίωση κειμένου. Ένας δείκτης κινδύνου καταστροφής απαιτεί μελέτη εμπειρογνωμόνων. Ο οργανισμός γράφει την αντιστοίχιση «τύπος εξόδου → υποχρεωτική επαλήθευση → υπεύθυνος» σε έναν πίνακα και την καθιστά δεσμευτική.

Οργανωτική δομή 3: Διακυβέρνηση δεδομένων και απόρρητο

Θα πρέπει να υπάρχει μια γραπτή πολιτική σχετικά με το ποια δεδομένα μπορούν να μεταφερθούν στο cloud και ποια όχι, πώς θα ανωνυμοποιηθούν και ποια εργαλεία εγκρίνονται. Σαφείς κανόνες για ευαίσθητες πληροφορίες, όπως σχέδια που δεν έχουν ανασταλεί, ιδιοκτήτες δεμάτων, προσωπικά δεδομένα. εγκεκριμένος κατάλογος οχημάτων· και η εγγύηση ότι τα δεδομένα δεν θα χρησιμοποιηθούν στην εκπαίδευση είναι ο πυρήνας αυτής της πολιτικής.

Βήμα προς βήμα: χτίζοντας ταλέντο επιχειρηματικής τεχνητής νοημοσύνης

1. Βγάλτε απόθεμα. Σε ποιες εργασίες χρησιμοποιείται/θα μπορούσε να χρησιμοποιηθεί το AI;
2. Κάντε μια ταξινόμηση κινδύνου. Τοποθετήστε κάθε εργασία στην πράσινη/κίτρινη/κόκκινη ζώνη.
3. Εγκαταστήστε τη βιβλιοθήκη εντολών. Οι κανόνες ασφαλείας είναι ενσωματωμένοι, κοινοί.
4. Γράψτε ένα πρωτόκολλο ελέγχου ταυτότητας. Τύπος εξόδου → επαλήθευση → υπεύθυνος.
5. Γράψτε μια πολιτική δεδομένων/απορρήτου. Εγκεκριμένο εργαλείο, ανωνυμοποίηση, απαγορευμένα δεδομένα.
6. Δώστε παιδεία. Ενημερώστε την ομάδα για τα όρια και την επικύρωση.
7. Ελέγξτε και ενημερώστε. Αποθηκεύστε ίχνη και αναθεωρήστε τακτικά.

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμη προσέγγιση: "Αφήστε την ομάδα να χρησιμοποιήσει τεχνητή νοημοσύνη, ο καθένας θα βρει τη δική του μέθοδο."

Αυτό σημαίνει ασυνεπής ποιότητα, διαρροές απορρήτου, μη επαληθευμένα αποτελέσματα και έλλειψη λογοδοσίας.

Ισχυρή προσέγγιση: "Συνδέουμε τη χρήση της τεχνητής νοημοσύνης στον οργανισμό με τρεις δομές: (1) κοινή βιβλιοθήκη προτροπής με ενσωματωμένους κανόνες ασφαλείας, (2) υποχρεωτική επαλήθευση και υπεύθυνη αντιστοίχιση για κάθε τύπο εξόδου, (3) πολιτική δεδομένων με εγκεκριμένο εργαλείο και κανόνα ανωνυμοποίησης. Δεν μπορεί να μετακινηθεί κάθε έξοδος τεχνητής νοημοσύνης στο επόμενο στάδιο χωρίς να περάσει η σχετική διαδικασία επαλήθευσης.

Η δεύτερη προσέγγιση μετατρέπει την τεχνητή νοημοσύνη από μια ατομική συνήθεια σε μια οργανωτική, ελεγχόμενη ικανότητα.

Τέσσερα πρότυπα με δυνατότητα αντιγραφής

Εργασία: Μεταφράστε την ακόλουθη λίστα εργασιών προγραμματισμού σε έναν πίνακα χρήσης εταιρικής τεχνητής νοημοσύνης. Για κάθε εργασία: ζώνη κινδύνου (πράσινη/κίτρινη/κόκκινη), ρόλος AI, υποχρεωτική επαλήθευση, υπεύθυνος. Με τα κόκκινα καθήκοντα, γράψτε "Η έγκριση εξουσιοδοτημένου ειδικού και η επίσημη διαδικασία είναι υποχρεωτικές". Καθήκοντα: [...]

Εργασία: Δημιουργήστε έναν πίνακα πρωτοκόλλου ελέγχου ταυτότητας για τους ακόλουθους τύπους εξόδου: τύπος εξόδου | κίνδυνος | υποχρεωτικά βήματα επαλήθευσης | υπεύθυνος ρόλος |απαίτηση εγγραφής/ιχνών. Τύποι εξόδου: [...]

Εργασία: Γράψτε ένα ΣΧΕΔΙΟ δεδομένων AI/πολιτικής απορρήτου για έναν οργανισμό σχεδιασμού. Συμπεριλάβετε: τύπους δεδομένων που δεν μπορούν να μεταβούν στο cloud, κανόνας ανωνυμοποίησης, εγκεκριμένο κριτήριο εργαλείου, απαίτηση μη χρήσης στην εκπαίδευση, ενέργειες σε περίπτωση παραβίασης. Πλαίσιο: [...]

Εργασία: Ελέγξτε την ακόλουθη ροή εργασιών σχεδιασμού από άκρο σε άκρο. Ελέγξτε για μια "πύλη επικύρωσης" στην έξοδο κάθε σταδίου. Επισημάνετε σημεία όπου η μη επαληθευμένη έξοδος ενδέχεται να διαρρεύσει στο επόμενο στάδιο. Ροή εργασιών: [...]

Ένας πίνακας: στάδιο, ρόλος AI και κάτοχος επαλήθευσης

Σκηνή

Ο ρόλος του AI

Υποχρεωτική επαλήθευση

Υπεύθυνος

Επεξεργασία δεδομένων

Καθαρισμός, πίνακας

Έλεγχος πηγής/μορφής

αναλυτής

Ανάλυση

Επεξεργασία, προσχέδιο κώδικα

CRS, ποιότητα δεδομένων

σχεδιαστής

Σενάριο

Σύγκριση

Διαφάνεια υποθέσεων

ομάδα σχεδιαστή

νομοθεσία

Σάρωση βάσει κειμένου

Επίσημο τρέχον κείμενο

σχεδιαστής/νόμος

Συμμετοχή

Εξαγωγή θέματος

Αναπαράσταση, ακατέργαστα δεδομένα

Υπεύθυνος συμμετοχής

καταστροφή/κίνδυνος

Σύνθεση, προέλεγχος

μελέτη εμπειρογνωμόνων

αρμόδιος εμπειρογνώμονας

Αναφορά

σύνταξη σχεδίου

Περιεχόμενο + ευθύνη

ικανός σχεδιαστής

τρεις μίνι θήκες

Περίπτωση 1 — Σφάλμα ερπυσμού. Ένας μη επαληθευμένος αριθμός πληθυσμού μπαίνει σε ανάλυση σε ένα γραφείο, από εκεί μεταφέρεται σε λογαριασμό σχολικών αναγκών και από εκεί σε παροχή σχεδίου. Το σφάλμα παρατηρείται στο στάδιο έγκρισης σχεδίου και η διαδικασία επανέρχεται. Ένας θεσμός που βάζει μια «πύλη επαλήθευσης» σε κάθε στάδιο θα έκοψε αυτήν την αλυσίδα στο δεύτερο βήμα. Αυτός είναι ο μεγαλύτερος κίνδυνος της χρήσης peer-to-peer.

Περίπτωση 2 — Συνέπεια με τη βιβλιοθήκη. Ένας δήμος μεταβαίνει σε μια κοινή βιβλιοθήκη. Σήμερα, κάθε σχεδιαστής διερωτάται τη νομοθεσία με την ίδια προτροπή που ενσωματώνεται στον κανόνα «να βασίζεσαι μόνο στο κείμενο που δίνεται, να μην συνθέτεις το άρθρο». Τα σφάλματα που προκαλούνται από παραισθήσεις μειώνονται σημαντικά και η ποιότητα γίνεται ανεξάρτητη από το άτομο. Η θεσμοθέτηση κάνει την ποιότητα να μην είναι πλέον σύμπτωση.

Περίπτωση 3 — Η αξία μιας πολιτικής απορρήτου. Ένας ασκούμενος πρόκειται να φορτώσει μια αναθεώρηση σχεδίου χωρίς αναστολή σε ένα δωρεάν όχημα. Η πολιτική δεδομένων του ιδρύματος μας υπενθυμίζει τον κανόνα "τα ευαίσθητα δεδομένα δεν μεταφορτώνονται σε μη εγκεκριμένο εργαλείο, ανωνυμοποιήστε τα". Αποτρέπεται πιθανή διαρροή και κρίση εμπιστοσύνης του κοινού. Η γραπτή πολιτική προστατεύει όπου αποτυγχάνουν οι καλές προθέσεις.

Συνήθη λάθη

• Μη τοποθέτηση πύλης επαλήθευσης. Η μη επαληθευμένη έξοδος διαρρέει και αυξάνεται μεταξύ των σταδίων.
• Προσωπικά εξαρτώμενη ποιότητα. Χωρίς μια κοινή βιβλιοθήκη, κάθε σχεδιαστής λειτουργεί διαφορετικά και ασυνεπή.
• Άγραφη ιδιωτικότητα. Εάν δεν υπάρχει πολιτική, οι καλές προθέσεις δεν θα είναι αρκετές για να αποτρέψουν μια διαρροή.
• Χαλάρωση της κόκκινης ζώνης. Η παράλειψη της άδειας καταστροφής/ρυθμιστικής εκκαθάρισης για λόγους ταχύτητας θέτει σε κίνδυνο τη δημόσια ασφάλεια.
• Χωρίς παρακολούθηση. Η δημόσια διαδικασία πρέπει να είναι υπόλογη. απαιτείται εγγραφή επαλήθευσης.
• Παράλειψη προπόνησης. Ακόμα και η καλύτερη πολιτική παραμένει στα χαρτιά αν η ομάδα δεν γνωρίζει τα όρια.
• Χωρίς ενημέρωση της πολιτικής. Αλλαγή εργαλείων και νομοθεσίας. Η δομή πρέπει επίσης να ενημερωθεί.

Συνοπτικά

Η πραγματική ωριμότητα στον προγραμματισμό που βασίζεται στην τεχνητή νοημοσύνη είναι η ασφαλής διαχείριση της διαδικασίας από άκρο σε άκρο, όχι μια μεμονωμένη εργασία. Αυτό απαιτεί τη δημιουργία μιας αλυσίδας επιταχυνόμενης με AI αλλά επαληθευμένη από τον άνθρωπο σε κάθε στάδιο, από τη συλλογή δεδομένων έως την παρακολούθηση. Ο μεγαλύτερος κίνδυνος είναι ότι η μη επαληθευμένη έξοδος διαρρέει στο επόμενο στάδιο, η λύση είναι μια πύλη επαλήθευσης σε κάθε στάδιο. Τρεις δομές που μετατρέπουν τις ατομικές δεξιότητες σε εταιρικό ταλέντο: κανόνες ασφαλείας, ενσωματωμένη βιβλιοθήκη εντολών, πρωτόκολλο ελέγχου ταυτότητας ανά τύπο εξόδου και πολιτική δεδομένων/απόρρητου. Αυτές οι δομές καθιστούν την ποιότητα ανεξάρτητη από τα άτομα, τις διαδικασίες υπεύθυνες και την εμπιστοσύνη του κοινού διατηρείται. Η τεχνητή νοημοσύνη επιταχύνει τον προγραμματισμό. Το δημόσιο συμφέρον, η διαφάνεια και η ευθύνη ανήκουν πάντα στους ανθρώπους.

Εργασία εφαρμογής

Σχεδιάστε ένα πλαίσιο χρήσης AI για το δικό σας ίδρυμα (ή ένα δείγμα δήμου). (1) Τοποθετήστε τουλάχιστον πέντε εργασίες σχεδιασμού σε μια μήτρα κινδύνου με το πρώτο πρότυπο. (2) Γράψτε το πρωτόκολλο επαλήθευσης για τρεις τύπους εξόδου με δεύτερο πρότυπο. (3) Δημιουργήστε ένα σύντομο σχέδιο δεδομένων/πολιτικής απορρήτου με το τρίτο πρότυπο. (4) Με το τέταρτο πρότυπο, ελέγξτε μια ροή εργασιών από άκρο σε άκρο και εντοπίστε τουλάχιστον μία "πύλη επικύρωσης" που λείπει και γράψτε πώς να την κλείσετε.

λίστα ελέγχου

• [ ] Έβαλα μια πύλη επικύρωσης στην έξοδο κάθε σταδίου ροής εργασίας.
• [ ] Δημιούργησα μια κοινή βιβλιοθήκη προτροπής με ενσωματωμένους κανόνες ασφαλείας.
• [ ] Έχω γράψει τον τύπο εξόδου → επαλήθευση → υπεύθυνη αντιστοίχιση.
• [ ] Έχω δημιουργήσει μια πολιτική απορρήτου με εγκεκριμένο εργαλείο, ανωνυμοποίηση και κανόνες απαγορευμένων δεδομένων.
• [ ] Έχω υποβάλει τις εξόδους της κόκκινης ζώνης σε έγκριση αρμόδιων ειδικών.
• [ ] Προγραμμάτισα προπόνηση για την ομάδα σχετικά με τα όρια και την επικύρωση.
• [ ] Κράτησα ένα κομμάτι/καταγραφή και τακτικές ενημερώσεις για όλη τη διαδικασία.

Εξέταση Ενοτήτων

1. Η μονάδα σχεδιασμού ενός δήμου θέλει να καθορίσει εάν θα επιβάλει απαγόρευση δόμησης με βάση τον επικείμενο κίνδυνο καταστροφής για μια γειτονιά και εξετάζει το ενδεχόμενο να χρησιμοποιήσει τεχνητή νοημοσύνη για να επισπεύσει αυτή την απόφαση. Ποια είναι η πιο σωστή προσέγγιση;

• Α) Χρήση τεχνητής νοημοσύνης μόνο για διαμάχη δεδομένων και σύνταξη εκθέσεων. Κάντε την τελική εκτίμηση κινδύνου και απόφαση με επίσημη ανάλυση και έγκριση από αρμόδιους εμπειρογνώμονες ✔
• Β) Μετατροπή της βαθμολογίας κινδύνου που παράγεται από AI απευθείας σε απόφαση απαγόρευσης κτιρίου
• Γ) Αποδοχή χωρίς επίσημη ανάλυση εάν η ΑΙ έδωσε το ίδιο αποτέλεσμα περισσότερες από μία φορές
• Δ) Παράλειψη έγκρισης ειδικού και επιτάχυνση της διαδικασίας

Περιγραφή: Η απαγόρευση κτιρίων με βάση τον κίνδυνο καταστροφής είναι μια κρίσιμη για την ασφάλεια και νομικά δεσμευτική απόφαση όσον αφορά την ασφάλεια της ζωής. Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για ανασκόπηση βιβλιογραφίας, επιμέλεια δεδομένων και σύνταξη εκθέσεων. Ωστόσο, η τελική εκτίμηση κινδύνου και απόφαση πρέπει να ληφθεί με επίσημη ανάλυση και έγκριση αρμόδιων ειδικών γεωλογίας/γεωτεχνικών και πολεοδόμων σύμφωνα με την ισχύουσα νομοθεσία. Η έξοδος AI δεν αντικαθιστά αυτήν την έγκριση και την επίσημη διαδικασία.

2. Ποιος είναι ο ασφαλέστερος τρόπος για να αποφύγετε μια ψεύτικη τιμή (ψευδαίσθηση) όταν ρωτάτε το AI για την κατάσταση ζωνών και τις συνθήκες κατασκευής (TAKS/KAKS, λειτουργία, αποστάσεις σχεδίασης) ενός δέματος;

• Α) Εμπιστοσύνη της αξίας που παρέχει η AI και έναρξη του έργου
• Β) Να επιβεβαιωθούν οι όροι κατασκευής από το επίσημο χωροταξικό έγγραφο της αρμόδιας διοίκησης και το ισχύον εγκεκριμένο σχέδιο και σημειώσεις σχεδίου. ✔
• Γ) Κάντε ξανά την ίδια ερώτηση με διαφορετικές λέξεις και πάρτε το μέσο όρο
• Δ) Προχωρώντας με βάση την περιγραφή της αγγελίας σε ιστότοπο ακινήτων

Επεξήγηση: Αν και το μοντέλο γλώσσας γνωρίζει όρους ζωνών, μπορεί να συνθέτει τιμές, κωδικούς συναρτήσεων και τιμές για ένα συγκεκριμένο δέμα ή να παρέχει ξεπερασμένες πληροφορίες. Οι πληροφορίες αυτές θα πρέπει να επιβεβαιώνονται μόνο από το επίσημο έγγραφο κατάστασης χωροταξίας της αρμόδιας διοίκησης (δήμου) και από το ισχύον εγκεκριμένο χωροταξικό σχέδιο και σημειώσεις του σχεδίου.

3. Εντοπίσατε αστική αλλαγή (νέα κατασκευή) με AI από τη δορυφορική εικόνα. Ποια είναι η καλύτερη προσέγγιση όταν χρησιμοποιείται αυτή η έξοδος σε μια διαδικασία επιθεώρησης ζωνών;

• Α) Μετατροπή κάθε αλλαγής που σημειώνεται από AI απευθείας σε αναφορά παράνομης δόμησης
• Β) Θεωρώντας την ημερομηνία και την ανάλυση της εικόνας ως ασήμαντες και αποδεχόμενοι το αποτέλεσμα ως οριστικό
• Γ) Να βασιστεί η διαδικασία παίρνοντας τα ευρήματα ως προληπτικό έλεγχο και επιβεβαιώνοντάς τα με επιτόπιο έλεγχο, επίσημη καταγραφή και μέτρηση ✔
• Δ) Παράβλεψη σφαλμάτων που σχετίζονται με τη σκιά και το σύννεφο

Περιγραφή: Η ταξινόμηση εικόνων AI και η ανίχνευση αλλαγών παρέχει ισχυρή προ-σάρωση, αλλά περιέχει ανάλυση, ημερομηνία, σκίαση και σφάλμα ταξινόμησης. Η εντοπιζόμενη αλλαγή δεν μπορεί να βασίζεται σε νομική συναλλαγή χωρίς να επιβεβαιωθεί από επιτόπιο έλεγχο, εγγραφή τίτλου ιδιοκτησίας/άδειας και επίσημη μέτρηση. Η έξοδος AI από μόνη της δεν είναι απόδειξη.

4. Ποιος είναι ο πιο κρίσιμος έλεγχος πριν εκτελέσετε ένα σενάριο GeoPandas/Python γραμμένο με AI στα πραγματικά δεδομένα του έργου σας;

• Α) Ελέγξτε ότι ο κωδικός δεν προκαλεί σφάλματα και εκτελέστε τον σε ολόκληρο το σύνολο δεδομένων.
• Β) Βασιζόμενος στον χάρτη εξόδου για να δείχνεις ωραίος
• Γ) Εκτέλεση του κώδικα απευθείας στο κύριο σύνολο δεδομένων χωρίς να το διαβάσετε
• Δ) Ανάγνωση του κώδικα και δοκιμή του επαληθεύοντας το σύστημα συντεταγμένων και τη γεωμετρία σε μικρά δείγματα δεδομένων και συγκρίνοντας το αποτέλεσμα με μια γνωστή αναφορά ✔

Περιγραφή: Ο χωρικός κώδικας AI μπορεί να υποθέσει το λάθος σύστημα αναφοράς συντεταγμένων (CRS), να παραμορφώσει τη γεωμετρία ή να υπολογίσει περιοχές με λάθος μονάδα. Ο κώδικας πρέπει να διαβαστεί, να ελεγχθεί πρώτα επαληθεύοντας το σύστημα συντεταγμένων και τη γεωμετρία σε ένα μικρό δείγμα δεδομένων και το αποτέλεσμα να συγκριθεί με μια γνωστή αναφορά.

5. Ποια είναι η καλύτερη χρήση όταν λαμβάνετε μια πληθυσμιακή προβολή που προετοιμάζεται από AI;

• Α) Εισαγωγή επίσημων στατιστικών δεδομένων και υποθέσεων και η AI να προετοιμάσει ένα σενάριο και ένα προσχέδιο έκθεσης, δηλώνοντας ξεκάθαρα την αβεβαιότητα ✔
• Β) Ζητώντας από την τεχνητή νοημοσύνη να σχηματίσει τον πληθυσμό της είναι χωρίς πηγές
• Γ) Χρησιμοποιώντας τον αριθμό που παράγεται από την AI αντί για επίσημες στατιστικές
• Δ) Παρουσίαση ενός μόνο ακριβούς αριθμού χωρίς να προσδιορίζεται το εύρος αβεβαιότητας

Εξήγηση: Η τεχνητή νοημοσύνη δεν παράγει από μόνη της αξιόπιστη αριθμητική προβολή. Επεξεργάζεται τα δεδομένα των επίσημων στατιστικών (π.χ. TURKSTAT) και της επαληθευμένης μεθόδου και προετοιμάζει προσχέδια σεναρίων και εκθέσεων. Η σωστή χρήση είναι η χρήση της τεχνητής νοημοσύνης ως εργαλείου ερμηνείας και γραφής δηλώνοντας με σαφήνεια τα δεδομένα εισόδου, τις παραδοχές ανάπτυξης και το εύρος αβεβαιότητας.

6. Όταν ρυθμίζετε μια ανάλυση καταλληλότητας χρήσης γης με AI, ένα από τα επίπεδα δεδομένων που χρησιμοποιείτε είναι παλιό και έχει χαμηλή χωρική ακρίβεια. Ποια είναι η πιο υγιεινή προσέγγιση;

• Α) Χρησιμοποιώντας το στρώμα ως έχει και αποδεχόμενοι το αποτέλεσμα ως τελικό
• Β) Αξιολογήστε την τρέχουσα κατάσταση και την ακρίβεια των δεδομένων, αντικαταστήστε τα με την τρέχουσα πηγή αν είναι δυνατόν και γράψτε τα όρια στην αναφορά ✔
• Γ) Αδιαφορία για την ποιότητα των δεδομένων επειδή η τεχνητή νοημοσύνη παράγει έναν όμορφο χάρτη
• Δ) Σιωπηλή αφαίρεση του επιπέδου που λείπει από την ανάλυση και μη αναφορά του στην αναφορά

Επεξήγηση: Το αποτέλεσμα της χωρικής ανάλυσης είναι τόσο καλό όσο και η ποιότητα των δεδομένων εισόδου (σκουπίδια μέσα, σκουπίδια έξω). Ένα παλιό ή χαμηλής πιστότητας στρώμα θα παραπλανήσει συστηματικά το αποτέλεσμα. Το νόμισμα και η ακρίβεια των δεδομένων θα πρέπει να αξιολογούνται, να αντικαθίστανται από μια ενημερωμένη/επαληθευμένη πηγή, εάν είναι δυνατόν, και τα όρια θα πρέπει να γράφονται με σαφήνεια στην αναφορά.

7. Συνοψίζετε τις χιλιάδες απόψεις πολιτών που συλλέξατε στο συμμετοχικό σχεδιασμό με AI. Ποιος είναι ο πιο κρίσιμος κίνδυνος και προφύλαξη όσον αφορά την εκπροσώπηση;

• Α) Αντιμετώπιση της περίληψης της τεχνητής νοημοσύνης ως δίκαιης εκπροσώπησης όλων των απόψεων και μη εξέτασης των πρωτογενών δεδομένων
• Β) Βασίστε την απόφαση μόνο στα πιο συχνά επαναλαμβανόμενα θέματα
• Γ) Παρακολούθηση των απόψεων των μειονοτικών και περιθωριοποιημένων ομάδων χωριστά, προστατεύοντας την πρόσβαση σε πρωτογενή δεδομένα και αφήνοντας την απόφαση σε μια διαφανή δημόσια διαδικασία ✔
• Δ) Εξαλείψτε τις λιγότερο επαναλαμβανόμενες απόψεις ως θόρυβο

Εξήγηση: Οι περιλήψεις της τεχνητής νοημοσύνης μπορούν να αναδείξουν τις φωνές της πλειοψηφίας και τις συχνά επαναλαμβανόμενες δηλώσεις και να συσκοτίσουν τις απόψεις μειοψηφιών και περιθωριοποιημένων ομάδων. Αυτό είναι μια προκατάληψη αναπαράστασης. Η περίληψη θα πρέπει να παρακολουθεί αυτές τις ομάδες χωριστά, η πρόσβαση σε ανεπεξέργαστα δεδομένα θα πρέπει να προστατεύεται και η τελική απόφαση θα πρέπει να αφήνεται σε μια διαφανή δημόσια διαδικασία.

8. Ποιο είναι το πιο ακριβές πλαίσιο κατά την παρουσίαση του αποτελέσματος μιας προσομοίωσης αστικής ανάπτυξης στο δημοτικό συμβούλιο;

• Α) Παρουσίαση της παραγωγής ως ακριβής μελλοντική πρόβλεψη
• Β) Εμφάνιση ενός μόνο σεναρίου σωστά χωρίς να εξηγούνται οι υποθέσεις και η αβεβαιότητα
• Γ) Αντικατάσταση της προσομοίωσης με την επίσημη διαδικασία σχεδιασμού
• Δ) Δηλώστε ξεκάθαρα τις υποθέσεις, τους περιορισμούς και τις αβεβαιότητες, παρουσιάστε το αποτέλεσμα ως σενάριο/εργαλείο συζήτησης και αφήστε την απόφαση στην επίσημη διαδικασία ✔

Εξήγηση: Η έξοδος της προσομοίωσης είναι ένα σενάριο κάτω από ορισμένες υποθέσεις, όχι μια ακριβής πρόβλεψη ή μέλλον. Η σωστή παρουσίαση δηλώνει ξεκάθαρα τις υποθέσεις εισόδου, τους περιορισμούς και την αβεβαιότητα και την παρουσίαση του αποτελέσματος ως επιχείρημα για την απόφαση. αφήνοντας την τελική απόφαση στην επίσημη διαδικασία του σχεδίου και στην αξιολόγηση των ειδικών.

9. Ποια είναι η καλύτερη συμπεριφορά όσον αφορά το απόρρητο κατά την παροχή των δεδομένων σχεδίου και δέματος μιας τροποποίησης σχεδίου που δεν έχει ακόμη ανασταλεί σε ένα εργαλείο τεχνητής νοημοσύνης που βασίζεται σε σύννεφο;

• Α) Ανωνυμοποιήστε το πλαίσιο, ξεκαθαρίστε τα αναγνωριστικά και χρησιμοποιήστε ένα εργαλείο συμβατό με την πολιτική όπου τα δεδομένα δεν θα χρησιμοποιηθούν στην εκπαίδευση ✔
• Β) Μεταφόρτωση όλων των σχεδίων και των πληροφοριών κατόχου δεμάτων ως έχουν
• Γ) Χρήση δωρεάν εργαλείου χωρίς ανάγνωση της πολιτικής απορρήτου
• Δ) Υποθέτοντας ότι οι πληροφορίες τοποθεσίας πρέπει να γνωστοποιούνται για την ποιότητα των αποτελεσμάτων.

Αποκάλυψη: Τα δεδομένα σχεδίου που δεν έχει ανασταλεί, οι πληροφορίες κατόχου αγροτεμαχίου και η τοποθεσία είναι ευαίσθητα τόσο ως προσωπικά δεδομένα όσο και ως δημόσια διαδικασία. Η πρώιμη διαρροή δημιουργεί τον κίνδυνο κερδοσκοπίας και παράνομων κερδών. Είναι απαραίτητο να ανωνυμοποιήσετε το πλαίσιο, καθαρά αναγνωριστικά όπως δέμα/συντεταγμένη/όνομα και να επιλέξετε ένα εργαλείο συμβατό με την πολιτική που εγγυάται ότι τα δεδομένα δεν θα χρησιμοποιηθούν στην εκπαίδευση.

10. Ποια είναι η πιο ακριβής προσέγγιση κατά την ερμηνεία των αποτελεσμάτων ενός μοντέλου κίνησης με AI;

• Α) Ζητώντας από την τεχνητή νοημοσύνη να υπολογίσει η ίδια τους όγκους κίνησης, χωρίς μοντέλο
• Β) Συνοψίστε τα αποτελέσματα του βαθμονομημένου και επικυρωμένου μοντέλου στην τεχνητή νοημοσύνη, αναφέροντας σαφώς τις υποθέσεις και αφήνοντας την τελική αξιολόγηση στον ειδικό ✔
• Γ) Αποδοχή του αποτελέσματος ως ακριβές ακόμα κι αν το μοντέλο δεν είναι βαθμονομημένο με μέτρηση πεδίου.
• Δ) Χρησιμοποιώντας την τιμή όγκου που παρήγαγε η ΑΙ αντί της επίσημης μελέτης

Εξήγηση: Η τεχνητή νοημοσύνη δεν υπολογίζει η ίδια την ανάθεση κίνησης. Συνοψίζει την έξοδο ενός βαθμονομημένου μοντέλου. Για να έχουν νόημα τα αποτελέσματα, το μοντέλο πρέπει να βαθμονομηθεί και να επικυρωθεί με απογραφή πεδίου, οι υποθέσεις (έτος σεναρίου, πίνακας ζήτησης) πρέπει να είναι σαφείς και η τελική αξιολόγηση πρέπει να γίνει από αρμόδιο εμπειρογνώμονα μεταφορών.

11. Ποια είναι η βασική δομή που πρέπει να δημιουργηθεί για να διατηρηθεί η ποιότητα, το δημόσιο συμφέρον και η λογοδοσία σε μια μονάδα σχεδιασμού με δυνατότητα τεχνητής νοημοσύνης;

• Α) Κάθε εργαζόμενος χρησιμοποιεί τεχνητή νοημοσύνη χωρίς επίβλεψη με τον δικό του τρόπο
• Β) Μεταφέρετε τις εξόδους AI απευθείας στο σχέδιο χωρίς να αποθηκεύσετε καμία
• Γ) Δημιουργία κοινής άμεσης βιβλιοθήκης, πρωτοκόλλου επαλήθευσης, διακυβέρνησης δεδομένων και πολιτικής απορρήτου και κλείσιμο κρίσιμων εξόδων με αρμόδια έγκριση ✔
• Δ) Πραγματοποιήστε επαλήθευση μόνο μία φορά στο τέλος της διαδικασίας

Περιγραφή: Η κατανεμημένη και ανεξέλεγκτη χρήση της τεχνητής νοημοσύνης μεγεθύνει τον κίνδυνο λάθους, μεροληψίας και ιδιωτικότητας και υπονομεύει την εμπιστοσύνη του κοινού. Δημιουργία κοινής βιβλιοθήκης εντολών σε εταιρική κλίμακα, πρωτόκολλο επαλήθευσης για κάθε τύπο εξόδου, διακυβέρνηση δεδομένων και σαφής πολιτική απορρήτου. Είναι απαραίτητο να κλείσετε κάθε κρίσιμης σημασίας έξοδο για την ασφάλεια και το δημόσιο συμφέρον με αρμόδια έγκριση.

12. Όταν ρωτήσατε την τεχνητή νοημοσύνη για ένα άρθρο σχετικά με τη ρύθμιση των ζωνών, έδωσε έναν σαφή αριθμό και ποσοστό άρθρου. Τι πρέπει να κάνετε πριν χρησιμοποιήσετε αυτές τις πληροφορίες στην απόφαση του σχεδίου σας;

• Α) Εφαρμόστε απευθείας καθώς το AI δίνει μια διαυγή ουσία
• Β) Αντικατάσταση του αντικειμένου με την τιμή που θυμάστε από άλλο έργο
• Γ) Χρησιμοποιώντας τον αριθμό του άρθρου με στρογγυλοποίηση χωρίς να κοιτάξετε την πηγή
• Δ) Να επιβεβαιώσει τις πληροφορίες από το επίσημο τρέχον κείμενο του ισχύοντος κανονισμού και, εάν χρειαστεί, να τις επαληθεύσει από την αρμόδια διοίκηση ✔

Εξήγηση: Τα άρθρα του κανονισμού αλλάζουν με την πάροδο του χρόνου και η τεχνητή νοημοσύνη μπορεί να επιστρέψει πληροφορίες που είναι ξεπερασμένες ή από διαφορετική νομοθεσία ή ακόμη και να παραπλανούν τον αριθμό του άρθρου. Η τιμή πρέπει να επιβεβαιώνεται από το επίσημο και ισχύον κείμενο του ισχύοντος σχετικού κανονισμού και, εάν χρειάζεται, να επαληθεύεται από την αρμόδια διοίκηση.

13. Ο πιο αποτελεσματικός τρόπος χρήσης της τεχνητής νοημοσύνης σε μια ανάλυση χρήσης γης είναι να της δώσεις τι;

• Α) Δίνοντας καθαρά και δομημένα την περιοχή εργασίας, τα επίπεδα, το σύστημα συντεταγμένων, τα κριτήρια και τα βάρη ✔
• Β) Απλώς δώστε ένα αίτημα μιας πρότασης όπως «κάντε μια καλή ανάλυση χρήσης γης»
• Γ) Δημιουργία πολλών χαρτών και επιλογή ενός χωρίς να δοθεί κανένα πλαίσιο
• Δ) Αφήνοντας τα κριτήρια και τα βάρη που πρέπει να αναλάβει η ίδια η ΑΙ

Εξήγηση: Η ποιότητα εξόδου του AI εξαρτάται από την ποιότητα εισόδου. Η έξοδος λειτουργεί καλά όταν προσδιορίζετε με σαφήνεια περιορισμούς όπως το όριο της περιοχής εργασίας, τα επίπεδα που θα χρησιμοποιηθούν, το σύστημα συντεταγμένων, τα κριτήρια ανάλυσης και τα βάρη. Τα ασαφή αιτήματα μιας πρότασης παράγουν γενικά και επιφανειακά, ακόμη και παραπλανητικά αποτελέσματα.

14. Συντάξατε μια αναφορά αποκάλυψης σχεδίου (αναφορά αιτιολόγησης σχεδίου) με AI. Ποια είναι η πιο σωστή στάση απέναντι σε αυτό το προσχέδιο;

• Α) Τοποθέτηση του σχεδίου ως έχει στο φάκελο έγκρισης
• Β) Χρησιμοποιήστε το προσχέδιο ως πλαίσιο και ελέγξτε και διορθώστε κάθε στοιχείο, νομοθετική αναφορά και αιτιολόγηση με έναν αρμόδιο σχεδιαστή ✔
• Γ) Μη έλεγχος παραπομπών νομοθεσίας επειδή τις δίνει η τεχνητή νοημοσύνη
• Δ) Αποδοχή δεδομένων ανάλυσης χωρίς σύγκριση με την πραγματική μελέτη

Επεξήγηση: Η αναφορά αποκάλυψης σχεδίου αποτελεί μέρος της διαδικασίας νομικής έγκρισης και δημιουργεί τεχνική/νομική ευθύνη. Η τεχνητή νοημοσύνη μπορεί να παράγει γρήγορα έναν σκελετό βύθισης. Ωστόσο, κάθε στοιχείο, αναφορά νομοθεσίας, ποσοστό και αιτιολόγηση πρέπει να εξετάζεται από αρμόδιο πολεοδόμο και να διορθώνεται σύμφωνα με την ισχύουσα νομοθεσία και τα πραγματικά δεδομένα ανάλυσης και η ευθύνη πρέπει να παραμένει στον πολεοδόμο.