مقدمه ای بر هوش مصنوعی در متالورژی: مرزها، اعتبارسنجی، مسئولیت و اخلاق

سود:

• توانایی تشخیص محل هایی که هوش مصنوعی در جریان کار متالورژی و مواد در زمان واقعی صرفه جویی می کند و مسئولیت حیاتی ایمنی باید با مهندس باقی بماند، بر اساس سطح خطر.
• توانایی اجرای یک رشته اعتبار سنجی سه لایه که هر خروجی هوش مصنوعی را در برابر محاسبات استاندارد، مستقل و آزمایش های آزمایشگاهی آزمایش می کند.
• امکان ناشناس کردن زمینه و انتخاب ابزار ایمن برای محافظت از دستور العمل آلیاژ محرمانه، پارامتر فرآیند و داده های مشتری

در حالی که تیغه توربین یک موتور هواپیما صدها بار در ثانیه با دمای 1400 درجه سانتی گراد می چرخد، شما فردی هستید که تصمیم می گیرید از کدام سوپرآلیاژ (آلیاژ خاصی که استحکام خود را در دمای بالا حفظ می کند) آن تیغه ساخته شود، تحت چه عملیات حرارتی قرار گیرد و چند هزار ساعت دوام بیاورد: مهندس متالورژی یا مواد. هر تصمیمی که در این حرفه می گیرید یا بقای یک سازه یا آسیب آن را تعیین می کند. هوش مصنوعی (به اختصار AI: سیستم‌های نرم‌افزاری که متن، اعداد و تصاویر را پردازش می‌کنند و پیشنهادات را تولید می‌کنند) می‌تواند این تصمیم‌ها را سرعت بخشد. اما او هرگز نمی تواند مسئولیت شما را بپذیرد. این واحد به شما می آموزد که کجا از هوش مصنوعی در کارهای متالورژی و مواد به طور ایمن استفاده کنید، کجا خطرناک است، و چرا باید هر خروجی هوش مصنوعی را با آزمایشگاه، استاندارد و آزمایش تأیید کنید.

اصل اصلی که در این ماژول استفاده خواهید کرد این است: هوش مصنوعی یک دستیار است، نه یک تصمیم گیرنده. یک ویژگی مادی، یک مقدار حدی، یک آیتم استاندارد یا یک دستور العمل عملیات حرارتی فقط به این دلیل درست نمی شود که "AI چنین گفته است". این فقط یک فرضیه است تا زمانی که با اندازه گیری، مرجع و قضاوت مهندسی تأیید شود. این جمله را دوباره در هر واحد از ماژول خواهید دید، زیرا در متالورژی، یک عدد اشتباه اغلب به معنای قطعه شکسته است.

LLM چیست، در متالورژی چه می کند؟

LLM (Large Language Model) نرم افزاری است که الگوها را از تکه های بسیار بزرگ متن یاد می گیرد و «کلمه بعدی» را بر اساس احتمال پیش بینی می کند. این موتور ابزارهایی مانند ChatGPT، Claude، Gemini است. نکته اینجاست: LLM یک "برآورنده زبان" است، نه یک "پایه دانش". اصطلاحات متالورژی را روان صحبت می کند، اما عددی را اندازه نمی گیرد. عددی را تولید می کند که محتمل ترین به نظر می رسد. بنابراین، او ممکن است در مورد قدرت تسلیم، دمای ذوب یا شماره آیتم یک استاندارد پاسخ های مطمئن اما نادرست بدهد. به این حالت توهم (ساختگی) می گویند. توهم یک نقص نیست، بلکه یکی از ویژگی های ذاتی این فناوری است. بنابراین، تأیید یک "مرحله اضافی" نیست، بلکه بخشی جدایی ناپذیر از کار است.

وظایفی که هوش مصنوعی در متالورژی قوی است:

• توضیح مفهوم و آموزش: تبدیل مارتنزیت چیست، چرا سخت و شکننده است. تفاوت بین یوتکتیک و یوتکتوئید چیست؟
• ایجاد یک لیست فرضیه: ایجاد یک لیست سیستماتیک از اینکه چرا تخلخل (گاز یا حفره های ناشی از انقباض) ممکن است در ریخته گری رخ داده باشد.
• تولید متن: پیش نویس گزارش تجزیه و تحلیل آسیب، پیش نویس WPS (مشخصات روش جوشکاری)، ارائه، ایمیل.
• کد نویسی: تمیز کردن داده ها، گرافیک، اسکریپت های محاسباتی ساده (پایتون).
• جمع‌بندی داده‌ها و سازماندهی جدول: تبدیل نتایج آزمون به یک جدول سازمان‌یافته.
• طوفان فکری: عناصر نامزد، ایده های ماتریس تجربی برای طراحی آلیاژ.

جایی که هوش مصنوعی ضعیف و پرخطر است:

• دادن مقدار عددی دقیق (خاصیت، مقدار حدی، ترکیب شیمیایی).
• بند استاندارد فعلی/ویژه و اطلاعات نسخه.
• عیب‌یابی بدون داده‌های اندازه‌گیری واقعی تأسیسات شما.
• تصمیم حیاتی ایمنی: قابلیت پرواز/خدمات پذیری یک قطعه.

طبقه بندی بر اساس ریسک: فیلتر قبل از استفاده از هوش مصنوعی

همه وظایف در سطح یکسانی از خطر نیستند. قبل از استفاده از هوش مصنوعی، کار را بر اساس سطح خطر طبقه بندی کنید. جدول زیر چارچوب تصمیم گیری را ارائه می دهد که در این ماژول از آن استفاده خواهید کرد.

سطح ریسک

نمونه کار

نقش هوش مصنوعی

تایید اجباری

پایین

توضیح مفهوم، متن پیش نویس، اسکلت کد

استفاده رایگان

بررسی کافی است

متوسط

تنظیم محاسبات، فهرست فرضیه ها، خلاصه ادبیات

پیش نویس/نویسنده مشترک

کنترل دستی + تایید منبع

بالا

انتخاب مواد، دستور عملیات حرارتی، مقدار محدود

ایده پرداز

استاندارد + تست آزمایشگاهی

انتقادی

قابلیت سرویس/ قابلیت پرواز، علت اصلی آسیب، صدور گواهینامه

فقط پیش نویس

تست معتبر + تاییدیه مهندس مجاز

نکته: اگر کاری را به عنوان "بحرانی" علامت گذاری کرده اید، خروجی هوش مصنوعی هرگز سند نهایی نیست. حداکثر می تواند یک پیش نویس اولیه یا چک لیست باشد. مهندس مجاز امضا و مسئولیت را بر عهده می گیرد.

جریان انتها به انتها: تعبیه هوش مصنوعی در گردش کار شما

یک چرخه معمولی حل مسئله در یک تجارت متالورژی چیزی شبیه به این است، با هوش مصنوعی که وارد هر مرحله می شود اما هیچ یک از آنها به تنهایی بسته نمی شود:

1. مشکل را تعریف کنید: چه چیزی خراب شد، چه ویژگی مورد هدف قرار گرفته است، چه محدودیتی وجود دارد؟ (AI: به روشن شدن سوال کمک می کند.)
2. جمع آوری داده ها: تجزیه و تحلیل ترکیب، آزمایش مکانیکی، ریزساختار، داده های میدانی. (هوش مصنوعی: لیستی از آزمایشات مورد نیاز.)
3. ایجاد فرضیه: علل/راه حل های احتمالی. (AI: قدرتمند - لیست های سیستماتیک تولید می کند.)
4. تجزیه و تحلیل: محاسبه، مدل، پردازش تصویر. (AI: کد و داستان محاسباتی تولید می کند.)
5. اعتبارسنجی: استاندارد، آزمایشگاهی، آزمایش مجدد. (هوش مصنوعی: در حاشیه اینجا؛ انسان و دستگاه تصمیم می گیرند.)
6. گزارش و تصمیم گیری: مهندس مسئولیت را بر عهده می گیرد. (AI: نویسنده پیش نویس.)

این شش مرحله را در ذهن داشته باشید؛ بقیه ماژول به شما نشان می دهد که چگونه در هر یک از این مراحل از هوش مصنوعی با وظایف مشخص استفاده کنید.

سه کیف کوچک

مورد 1 - قدرت تسلیم مناسب. یک کارآموز از هوش مصنوعی در مورد استحکام تسلیم فولاد AISI 4140 که در دمای 200 درجه سانتیگراد خاموش و تمپر شده است می پرسد. هوش مصنوعی می گوید "حدود 1500 مگاپاسکال". کارآموز این را مستقیماً در یک محاسبات طراحی اسپیندل قرار می دهد. با این حال، مقدار واقعی بسته به پارامترهای عملیات حرارتی و ضخامت بخش تقریباً بین 900-1600 MPa متفاوت است. مقدار گرفته شده در یک نمونه نازک در یک بخش ضخیم صادق نیست. نتیجه: ضریب ایمنی کمتر از حد انتظار است. نگرش صحیح این است که مقدار را از برگه اطلاعات مواد (گواهی آسیاب) و در صورت لزوم از آزمایش کشش مطابق ISO 6892 گرفته شود.

مورد 2 - بند استاندارد غیر موجود. یک مهندس از هوش مصنوعی در مورد محدودیت گنجاندن فولاد ضد زنگ می پرسد. هوش مصنوعی می گوید "حداکثر 2.5 مطابق با ASTM E45 بخش 7.3". مهندس بر این اساس گزارش را می نویسد. در بازرسی مشتری مشخص می شود که شماره مقاله جعلی است و استاندارد چنین بندی ندارد. نگرش صحیح این است که نسخه فعلی استاندارد را از منبع رسمی باز کنید و مقاله را تأیید کنید. هوش مصنوعی حتی اگر نام استاندارد را به درستی بداند ممکن است شماره مورد را دچار توهم کند.

مورد 3 - استفاده صحیح. یک تیم تجزیه و تحلیل آسیب عکسی از سطح شکسته یک پیچ M20 شکسته را بررسی می کند. آن‌ها از هوش مصنوعی می‌پرسند: «تفاوت‌های معمولی در سطح شکست یک ترک خستگی و یک شکستگی شکننده را فهرست کنید و به من بگویید که برای هر یک از میکروسکوپ‌های الکترونی روبشی (SEM) چه چیزی را باید جستجو کنم.» هوش مصنوعی به طور سیستماتیک علائم ساحل، استریا (خطوط خستگی) و تمایز گودی/شکاف را توضیح می‌دهد. تیم این ردپاها را با SEM جستجو می کند، استریا را پیدا می کند و با تصویر دستگاه تشخیص می دهد. در اینجا هوش مصنوعی به درستی استفاده شد: اطلاعات را سازماندهی کرد، آزمایشگاه تصمیم گرفت.

الگوهای درخواستی قابل کپی

شما می توانید با تطبیق الگوهای زیر با کسب و کار خود از آنها استفاده کنید. در هر یک از آنها دستورالعمل آگاهانه وجود دارد که "عدد دقیق بدهید، منبع را مشخص کنید، عدم قطعیت را توضیح دهید".

الگوی نقش و مرز "نقش: شما یک دستیار مهندس متالورژی با تجربه هستید. وظیفه: [موضوع را بنویسید]. قوانین: هنگام دادن مقدار عددی دقیق، منبع را ذکر کنید؛ اگر مطمئن نیستید، بگویید "باید تایید شود". اگر مورد استاندارد را می‌دهید، آن را با نسخه ارائه دهید، اما یادآوری کنید که در انتهای مورد باید آن را تایید کنید. آنچه باید با آزمایش تأیید شود.»

الگوی تولید فرضیه"لیست منظمی از علل ریشه ای احتمالی برای مشکل زیر تهیه کنید: [مشکل، مواد، فرآیند، مشاهده] را شرح دهید. برای هر فرضیه: (1) چه شواهدی آن را تایید می کند، (2) چه آزمایشی باید برای تایید/رد آن انجام شود. تشخیص قطعی انجام ندهید، فقط یک نقشه راه تحقیقاتی تهیه کنید."

الگوی فهرست بررسی تأیید "هر مقدار عددی و هر مرجع استاندارد را در پیش‌نویس خروجی/گزارش زیر فهرست کنید. برای هر کدام، مشخص کنید که از کدام منبع (گواهی کارخانه، متن استاندارد، گزارش آزمایش) باید تأیید شود. مواردی را که منشأ نامشخص دارند تحت عنوان جداگانه «تا تأیید نشده موجود نیست» جمع‌آوری کنید. متن: [چسباندن]."

الگوی پیش‌بررسی ناشناس "قبل از دادن متن زیر به ابزار هوش مصنوعی، قسمت‌هایی را که حاوی اسرار تجاری یا داده‌های شخصی هستند پرچم‌گذاری کنید: نسبت‌های دستور آلیاژ، نام مشتری، پارامترهای محرمانه دما/زمان فرآیند، نام پرسنل. پیشنهاد کنید چگونه می‌توانم اینها را بی‌نام کنم. متن:[ چسباندن]."

اعلان ضعیف / اعلان قوی

پرسیدن یک سوال به دو صورت نتایج بسیار متفاوتی به همراه خواهد داشت.

پیام ضعیف: "خواص فولاد 4140 را به من بگویید."

STRONG PROMPT: "نقش: شما دستیار مهندس عملیات حرارتی هستید. توضیح دهید چه چیزی بر استحکام تسلیم تاثیر می گذارد وقتی که خاموش کردن + تلطیف برای فولاد AISI 4140 انجام می شود (دمای سکوریت، ضخامت مقطع/سختی پذیری، دمای آستنیته). یک عدد EXACT ارائه ندهید؛ در عوض، در چه محدوده ای باید آزمون را انجام دهم. تست کشش) برای به دست آوردن مقدار صحیح لطفاً به وضوح بگویید که در کجا مطمئن نیستید."

اعلان ضعیف معمولاً یک لیست بی فایده و سطحی و احتمالاً اعداد ساخته شده را برمی گرداند. اعلان قدرتمند؛ نقشی را تعیین می‌کند، محدودیت‌هایی را تعیین می‌کند («اعداد دقیق»)، به ابزاری برای تأیید نیاز دارد، و عدم قطعیت را آشکار می‌کند. در سرتاسر این ماژول، الگوی "اعلان قوی" را مشاهده خواهید کرد که برای هر واحد اعمال می شود.

اخلاق، حریم خصوصی و مسئولیت پذیری

داده های متالورژی اغلب محرمانه هستند: دستور العمل های آلیاژی مشتری، پارامترهای فرآیند ثبت شده، یافته های تجزیه و تحلیل آسیب، مشخصات صنایع دفاعی. قرار دادن آنها در یک سرویس هوش مصنوعی عمومی می تواند یک راز تجاری و نقض قرارداد باشد. همچنین این خطر وجود دارد که داده ها در آموزش مدل تداخل داشته باشند.

• ترکیبات، دستور العمل ها و نقشه های شرکت/مشتری را بدون تایید وارد سرویس خارجی نکنید.
• سوابق حاوی اطلاعات شخصی (نام اپراتور، شماره ثبت) را ناشناس کنید.
• از خط مشی شرکت و هر ابزار هوش مصنوعی سازمانی در محل یا قراردادی پیروی کنید.
• در گزارش به طور شفاف بیان کنید که از هوش مصنوعی استفاده می کنید. روشن کنید که تصمیم نهایی بر اساس قضاوت مهندسی شما است.
• امضا و مسئولیت همیشه با مهندس مجاز باقی می ماند. خروجی هوش مصنوعی توجیه نیست.

احتیاط: "این چیزی است که هوش مصنوعی گفت" یک توجیه مهندسی نیست. در گزارش خسارت، انتخاب مواد یا تصمیم انطباق، مبنای شما باید استانداردها، آزمایش و محاسبه باشد. هوش مصنوعی ابزاری است که حداکثر اینها را سازماندهی می کند. برای کارهای حیاتی ایمنی، خروجی هوش مصنوعی جایگزین تاییدیه مهندس واجد شرایط نیست.

اشتباهات رایج

• با استفاده از مقدار عددی (ویژگی، حد، ترکیب) داده شده توسط هوش مصنوعی بدون آزمایش و مرجع.
• نوشتن شماره های استاندارد در گزارش بدون تایید آنها.
• وارد کردن اطلاعات محرمانه مشتری/شرکت در هوش مصنوعی عمومی.
• پرسیدن از هوش مصنوعی "عیب چیست" بدون ارائه داده های تاسیسات و اشتباه گرفتن پاسخ کلی برای تشخیص.
• استفاده از خروجی هوش مصنوعی به عنوان سند نهایی در تصمیم گیری های حیاتی، دور زدن تایید مهندس.
• نادیده گرفتن عدم قطعیت: اشتباه گرفتن لحن مطمئن هوش مصنوعی با دقت.

به طور خلاصه

هوش مصنوعی یک شتاب دهنده قدرتمند در مهندسی متالورژی و مواد است: مفاهیم را توضیح می دهد، فرضیه ها را تولید می کند، پیش نویس ها و کد می نویسد. اما مقدار عددی خطر توهم در موارد استاندارد و تصمیمات حیاتی ایمنی را به همراه دارد. وظایف را بر اساس سطح خطر طبقه بندی کنید، هر خروجی را در مثلث استاندارد-آزمایشگاه-حساب تأیید کنید، محرمانه بودن را حفظ کنید و همیشه مسئولیت را با مهندس مجاز نگه دارید. بقیه ماژول این اصل را برای هر کار مشخص اعمال می کند.

وظیفه کاربردی

پنج کار معمولی را از کار خود (یا یک پروژه نمونه) انتخاب کنید: به عنوان مثال، "انتخاب مواد"، "نوشتن گزارش خسارت"، "پرس و جو استانداردها"، "تفسیر ریزساختار"، "اسکریپت محاسبه". طبق جدول ریسک بالا، هر کدام را به‌عنوان کم/متوسط/بالا/بحرانی طبقه‌بندی کنید و در یک جمله بنویسید که چگونه خروجی هوش مصنوعی را برای هرکدام تأیید می‌کنید (کدام استاندارد، کدام تست، تایید کدام یک). سپس الگوی "ROLE AND BOUNDARY" را با یکی از این وظایف تطبیق دهید.

چک لیست

• [ ] من ماموریت را بر اساس سطح خطر (کم / متوسط / زیاد / بحرانی) طبقه بندی کرده ام.
• [ ] من به هوش مصنوعی دستور نقش، محدودیت و دستور «تعداد دقیق/مشخص کردن منبع» را دادم.
• [ ] من هر مقدار عددی و آیتم استاندارد را از منابع مستقل تأیید کرده ام.
• [ ] من داده های محرمانه/شخصی را در یک سرویس خارجی وارد نکرده ام یا آن را ناشناس نکرده ام.
• [ ] من تصمیم نهایی را بر اساس اندازه گیری و استاندارد استوار کردم و از هوش مصنوعی به عنوان توجیه استفاده نکردم.
• [ ] مسئولیت و امضا را به مهندس مجاز واگذار کردم.