گردش کار برنامه ریزی و برنامه سازمانی به کمک هوش مصنوعی

سود:

• توانایی ادغام هوش مصنوعی در محل و درون مرزها در هر مرحله از گردش کار، از جمع آوری داده ها تا تصمیم گیری برنامه ریزی
• امکان ایجاد یک کتابخانه سریع، پروتکل تأیید، حاکمیت داده و سیاست حفظ حریم خصوصی در مقیاس سازمانی
• توانایی طراحی فرهنگ حسابرسی که منافع عمومی، شفافیت، پاسخگویی و اعتماد عمومی را در برنامه ریزی مبتنی بر هوش مصنوعی حفظ کند.

واحدهای قبلی به شما نشان داده اند که چگونه از هوش مصنوعی در وظایف فردی برنامه ریزی (تحلیل طرح، GIS، ماهواره، جمعیت، حمل و نقل، شبیه سازی، قانون گذاری، مشارکت، فاجعه) استفاده کنید. این واحد نهایی این قطعات را در یک جریان کاری منسجم ترکیب می کند و مهارت فردی را به یک قابلیت سازمانی تبدیل می کند. زیرا در شهرداری یا اداره برنامه ریزی، مسئله اصلی استفاده خوب یک برنامه ریز از هوش مصنوعی نیست. کل سازمان از هوش مصنوعی به شیوه ای ایمن، سازگار، محرمانه و با منافع عمومی استفاده می کند. این به سه ساختار نیاز دارد که استفاده توزیع شده و کنترل نشده را ساده می کند: یک کتابخانه سریع مشترک، یک پروتکل احراز هویت بر اساس نوع خروجی، و یک حاکمیت داده و سیاست حفظ حریم خصوصی. در این واحد، شما یاد خواهید گرفت که این ساختارها را ایجاد کنید و یک فرهنگ حسابرسی طراحی کنید که اعتماد عمومی را به برنامه ریزی مبتنی بر هوش مصنوعی حفظ کند.

گردش کار انتها به انتها

در اینجا نحوه اجرای یک فرآیند برنامه ریزی از ابتدا تا انتها با هوش مصنوعی (AI تسریع می شود، انسان در هر مرحله تأیید می کند):

1. جمع آوری داده ها و سازماندهی. ماهواره، GIS، جمعیت، حمل و نقل، داده های حضور و غیاب - پاکسازی هوش مصنوعی، جداول.
2. تجزیه و تحلیل. استفاده از زمین، دسترسی، خطر - ساخت‌های هوش مصنوعی، کارشناس تأیید می‌کند.
3. تولید سناریو سناریوهای رشد و حمل و نقل - هوش مصنوعی مقایسه می کند، پردازش می کند.
4. کنترل نظارتی هر تصمیمی توسط قانون آزمایش می شود - اسکن هوش مصنوعی، متن رسمی تایید می کند.
5. مشارکت نظرات ذینفعان جمع آوری و خلاصه می شود - هوش مصنوعی تجزیه و تحلیل می کند، نمایندگی حفظ می شود.
6. ارائه تصمیم و طرح. یک برنامه ریز ماهر تصمیم می گیرد و مسئولیت دارد.
7. گزارش و تایید. گزارش شرح طرح - پیش نویس هوش مصنوعی، مسئول برنامه ریز.
8. نظارت. ردیابی تغییر پس از طرح - پیش‌اسکن‌های هوش مصنوعی، تأیید میدانی.

در این زنجیره، هوش مصنوعی مانند یک "دستیار اتصال" است: در هر توقف کمک می کند، اما برنامه ریز همیشه در فرمان است.

نکته: بزرگترین خطر در استفاده سرتاسری این است که یک خروجی تأیید نشده به عنوان ورودی به مرحله بعدی منتقل شود. یک رقم نادرست جمعیت ممکن است به تجزیه و تحلیل نشت کند، از آنجا به سناریو، و از آنجا به تصمیم. در خروجی هر مرحله، "این تایید شده است؟" در را بگذار

ساختار سازمانی 1: کتابخانه سریع

اینکه هر برنامه‌ریزی دستور خود را از ابتدا بنویسد، هم اتلاف وقت و هم منبع ناسازگاری است. این مؤسسه دستورات آزمایش شده و تأیید شده را در یک کتابخانه مشترک جمع آوری می کند: «جدول یادداشت طرح»، «پرس و جوی وابسته به متن قانون»، «استخراج موضوع مشارکت»، و غیره. هر درخواست حاوی قوانین امنیتی مانند برچسب «لازم به تأیید»، ممنوعیت ساخت داده ها، و درخواست منابع است. بنابراین، کیفیت به موسسه بستگی دارد، نه فرد.

ساختار سازمانی 2: پروتکل احراز هویت

هر نوع خروجی سطح اعتبار خود را دارد. یادداشت جلسه از طریق بررسی سریع انجام می شود. یک قانون نیاز به تأیید متن رسمی دارد. یک شاخص خطر بلایا نیاز به مطالعه کارشناسی دارد. سازمان نقشه برداری «نوع خروجی → تأیید اجباری → فرد مسئول» را در جدول می نویسد و آن را الزام آور می کند.

ساختار سازمانی 3: حاکمیت داده ها و حریم خصوصی

باید یک خط مشی مکتوب وجود داشته باشد که کدام داده ها می توانند به ابر بروند و کدام نمی توانند، چگونه ناشناس می شوند و کدام ابزار تایید می شوند. قوانین شفاف برای اطلاعات حساس مانند برنامه های معلق، مالکان بسته، داده های شخصی؛ لیست خودروهای تایید شده؛ و تضمین عدم استفاده از داده ها در آموزش، هسته اصلی این سیاست است.

گام به گام: ایجاد استعدادهای هوش مصنوعی سازمانی

1. موجودی را بردارید. در کدام وظایف می توان از هوش مصنوعی استفاده کرد؟
2. یک طبقه بندی ریسک انجام دهید. هر کار را در منطقه سبز/زرد/قرمز قرار دهید.
3. کتابخانه prompt را نصب کنید قوانین امنیتی تعبیه شده و رایج هستند.
4. یک پروتکل احراز هویت بنویسید. نوع خروجی → تأیید → مسئول.
5. یک خط مشی داده/حریم خصوصی بنویسید. ابزار تایید شده، ناشناس سازی، داده های ممنوعه.
6. آموزش بده. اجازه دهید تیم مرزها و اعتبار را بداند.
7. بررسی و به روز رسانی کنید. آثار را ذخیره کنید و مرتبا مرور کنید.

اعلان ضعیف / اعلان قوی

رویکرد ضعیف: "اجازه دهید تیم از هوش مصنوعی استفاده کند، هرکس روش خود را پیدا کند."

این به معنای کیفیت ناسازگار، نشت حریم خصوصی، خروجی تایید نشده و عدم پاسخگویی است.

رویکرد قوی: "ما استفاده از هوش مصنوعی در سازمان را به سه ساختار مرتبط می کنیم: (1) کتابخانه سریع مشترک با قوانین امنیتی تعبیه شده، (2) تایید اجباری و نقشه برداری مسئول برای هر نوع خروجی، (3) خط مشی داده با ابزار تایید شده و قانون ناشناس.

رویکرد دوم هوش مصنوعی را از یک عادت فردی به یک قابلیت سازمانی و قابل کنترل تبدیل می کند.

چهار قالب قابل کپی

وظیفه: لیست وظایف برنامه ریزی زیر را به یک ماتریس استفاده از هوش مصنوعی سازمانی ترجمه کنید. برای هر کار: منطقه خطر (سبز / زرد / قرمز)، نقش هوش مصنوعی، تأیید اجباری، مسئول. در وظایف قرمز رنگ بنویسید «تایید کارشناسی مجاز و فرآیند رسمی الزامی است». وظایف: [...]

وظیفه: یک جدول پروتکل احراز هویت برای انواع خروجی زیر ایجاد کنید: نوع خروجی | ریسک | مراحل تایید اجباری | نقش مسئول | نیاز ثبت/ردیابی. انواع خروجی: [...]

وظیفه: یک پیش نویس خط مشی داده/حریم خصوصی هوش مصنوعی برای یک آژانس برنامه ریزی بنویسید. شامل: انواع داده هایی که نمی توانند به فضای ابری بروند، قانون ناشناس سازی، معیار ابزار تایید شده، عدم استفاده در الزامات آموزشی، اقدامات در صورت تخلف. زمینه: [...]

وظیفه: گردش کار برنامه ریزی سرتاسر زیر را بررسی کنید. در خروجی هر مرحله یک "دروازه اعتبار سنجی" را بررسی کنید. نقاطی را که ممکن است خروجی تایید نشده به مرحله بعدی نشت کند، علامت بزنید. گردش کار: [...]

یک جدول: مرحله، نقش هوش مصنوعی، و مالک تأیید

مرحله

نقش هوش مصنوعی

تایید اجباری

مسئول

ویرایش داده ها

تمیز کردن، جدول بندی

کنترل منبع/فرمت

تحلیلگر

تجزیه و تحلیل

ویرایش، پیش نویس کد

CRS، کیفیت داده

برنامه ریز

سناریو

مقایسه

شفافیت فرضی

تیم برنامه ریز

قانون گذاری

اسکن مبتنی بر متن

متن رسمی فعلی

برنامه ریز/قانون

مشارکت

استخراج تم

نمایندگی، داده های خام

افسر مشارکت

فاجعه / خطر

سنتز، پیش غربالگری

مطالعه تخصصی

کارشناس ذیصلاح

گزارش دهید

پیش نویس نوشتن

محتوا + مسئولیت

برنامه ریز شایسته

سه کیف کوچک

مورد 1 - خطای خزنده. یک رقم جمعیت تایید نشده وارد تجزیه و تحلیل در یک دفتر می شود، از آنجا به حساب نیازهای مدرسه منتقل می شود و از آنجا به تهیه برنامه منتقل می شود. خطا در مرحله تصویب طرح مشاهده می شود و روند برمی گردد. نهادی که در هر مرحله یک "دروازه تایید" قرار می دهد، این زنجیره را در مرحله دوم قطع می کند. این بزرگترین خطر استفاده همتا به همتا است.

مورد 2 - سازگاری با کتابخانه. یک شهرداری به یک کتابخانه سریع مشترک سوئیچ می کند. امروزه، هر برنامه‌ریزی با همان اعلان قانون «فقط با تکیه بر متن داده شده، مقاله را تشکیل ندهید» از قانون استعلام می‌گیرد. خطاهای ناشی از توهم به میزان قابل توجهی کاهش می یابد و کیفیت از فرد مستقل می شود. نهادینه شدن باعث می شود کیفیت دیگر تصادفی نباشد.

مورد 3 - ارزش یک سیاست حفظ حریم خصوصی. یک کارآموز در حال بارگذاری یک بازنگری طرح معلق در یک وسیله نقلیه رایگان است. خط مشی داده این موسسه به ما یادآوری می کند که "داده های حساس در ابزار تایید نشده آپلود نمی شوند، آن را ناشناس کنید". از نشت احتمالی و بحران اعتماد عمومی جلوگیری می شود. خط مشی مکتوب از جایی محافظت می کند که نیت خوب شکست بخورد.

اشتباهات رایج

• قرار ندادن گیت تایید. خروجی تایید نشده نشت می کند و بین مراحل رشد می کند.
• کیفیت وابسته به شخص بدون یک کتابخانه مشترک، هر برنامه ریز به طور متفاوت و متناقض کار می کند.
• حریم خصوصی نانوشته اگر سیاستی وجود نداشته باشد، نیت خوب برای جلوگیری از نشت کافی نخواهد بود.
• شل شدن منطقه قرمز نادیده گرفتن مجوز بلایا/قانونی به خاطر سرعت، امنیت عمومی را به خطر می اندازد.
• پیگیری نکردن فرآیند عمومی باید پاسخگو باشد. سابقه تأیید مورد نیاز است.
• پرش از آموزش. اگر تیم مرزها را نشناسد، حتی بهترین سیاست روی کاغذ باقی می ماند.
• عدم به روز رسانی خط مشی تغییر ابزارها و قوانین؛ ساختار نیز باید به روز شود.

به طور خلاصه

بلوغ واقعی در برنامه ریزی مبتنی بر هوش مصنوعی، مدیریت ایمن فرآیند سرتاسر است، نه یک کار واحد. این امر مستلزم ایجاد یک زنجیره با شتاب هوش مصنوعی اما تایید شده توسط انسان در هر مرحله، از جمع آوری داده ها تا نظارت است. بزرگترین خطر این است که خروجی تایید نشده به مرحله بعدی نشت کند، راه حل یک گیت تأیید در هر مرحله است. سه ساختاری که مهارت های فردی را به استعدادهای شرکتی تبدیل می کند: قوانین امنیتی، کتابخانه سریع تعبیه شده، پروتکل احراز هویت بر اساس نوع خروجی، و سیاست داده/حریم خصوصی. این ساختارها کیفیت را مستقل از افراد، فرآیندها را پاسخگو و اعتماد عمومی را حفظ می کند. هوش مصنوعی برنامه ریزی را سرعت می بخشد. منافع عمومی، شفافیت و مسئولیت همیشه متعلق به مردم است.

وظیفه کاربردی

یک چارچوب استفاده از هوش مصنوعی برای موسسه خود (یا یک شهرداری نمونه) پیش‌نویس کنید. (1) حداقل پنج کار برنامه ریزی را در یک ماتریس ریسک با الگوی اول قرار دهید. (2) پروتکل تأیید را برای سه نوع خروجی با الگوی دوم بنویسید. (3) یک پیش نویس کوتاه داده/خط مشی رازداری با الگوی سوم تهیه کنید. (4) با الگوی چهارم، یک گردش کار سرتاسر را بررسی کنید و حداقل یک «دروازه اعتبارسنجی» گمشده را شناسایی کنید و نحوه بستن آن را بنویسید.

چک لیست

• [ ] من یک دروازه اعتبار سنجی در خروجی هر مرحله گردش کار قرار دادم.
• [ ] من یک کتابخانه اعلان مشترک با قوانین امنیتی جاسازی شده ایجاد کردم.
• [ ] من نوع خروجی → تأیید → نقشه برداری مسئول را نوشته ام.
• [ ] من یک خط مشی رازداری با ابزار تایید شده، ناشناس سازی و قوانین داده های ممنوعه ایجاد کرده ام.
• [ ] من خروجی های منطقه قرمز را در معرض تایید کارشناسی صالح قرار داده ام.
• [ ] من برای تیم تمرین در مورد محدودیت ها و اعتبار سنجی برنامه ریزی کردم.
• [ ] من یک مسیر/گزارش و به‌روزرسانی‌های منظم را برای کل فرآیند نگه داشتم.

امتحان ماژول

1. واحد برنامه ریزی شهرداری می خواهد تعیین کند که آیا ممنوعیت ساخت و ساز بر اساس خطر فاجعه قریب الوقوع برای یک محله اعمال می شود و در حال بررسی استفاده از هوش مصنوعی برای تسریع در این تصمیم است. صحیح ترین رویکرد کدام است؟

• الف) استفاده از هوش مصنوعی فقط برای جدال داده ها و تهیه گزارش. ارزیابی و تصمیم نهایی ریسک را با تجزیه و تحلیل رسمی و تایید کارشناسان ذیصلاح انجام دهید ✔
• ب) تبدیل امتیاز ریسک تولید شده توسط هوش مصنوعی به طور مستقیم به تصمیم ممنوعیت ساختمان
• ج) پذیرش بدون تجزیه و تحلیل رسمی در صورتی که هوش مصنوعی بیش از یک بار نتیجه مشابهی را ارائه دهد
• د) عدم تایید کارشناس و تسریع در روند

توضیحات: ممنوعیت ساختمان بر اساس خطر بلایا یک تصمیم ایمنی حیاتی و الزام آور قانونی از نظر ایمنی جان است. هوش مصنوعی را می توان برای بررسی ادبیات، گردآوری داده ها و تهیه گزارش استفاده کرد. با این حال، ارزیابی و تصمیم نهایی خطر باید با تجزیه و تحلیل رسمی و تایید کارشناسان ذیصلاح زمین شناسی/ژئوتکنیک و برنامه ریز شهری مطابق با قوانین مربوطه صورت گیرد. خروجی هوش مصنوعی جایگزین این فرآیند تایید و رسمی نمی شود.

2. هنگامی که از هوش مصنوعی در مورد وضعیت منطقه بندی و شرایط ساخت (TAKS/KAKS، عملکرد، فواصل ترسیم) یک بسته سوال می کنید، مطمئن ترین راه برای جلوگیری از دریافت یک مقدار جعلی (توهم) چیست؟

• الف) اعتماد به ارزش ارائه شده توسط هوش مصنوعی و شروع پروژه
• ب) تأیید شرایط ساخت و ساز از سند رسمی پهنه بندی اداره ذی صلاح و طرح و تبصره های طرح مصوب جاری. ✔
• ج) یک سوال را دوباره با کلمات مختلف بپرسید و میانگین بگیرید
• د) اقدام بر اساس توضیحات آگهی در وب سایت املاک

توضیح: اگرچه مدل زبان اصطلاحات منطقه‌بندی را می‌داند، اما ممکن است مقادیر، کدهای عملکرد و نرخ‌ها را برای یک بسته خاص تشکیل دهد یا اطلاعات قدیمی ارائه کند. این اطلاعات فقط باید از طریق سند رسمی وضعیت پهنه بندی اداره ذیصلاح (شهرداری) و تبصره های طرح و طرح پهنه بندی مصوب فعلی تایید شود.

3. شما تغییرات شهری (ساخت و ساز جدید) را با هوش مصنوعی از تصویر ماهواره ای تشخیص دادید. بهترین رویکرد هنگام استفاده از این خروجی در فرآیند بازرسی منطقه بندی چیست؟

• الف) تبدیل هر تغییری که توسط هوش مصنوعی مشخص شده است به طور مستقیم به گزارش ساختمان غیرقانونی
• ب) بی اهمیت دانستن تاریخ و وضوح تصویر و قبول نتیجه قطعی
• ج) با در نظر گرفتن یافته ها به عنوان پیش غربالگری و تأیید آنها با کنترل میدانی، ثبت رسمی و اندازه گیری، فرآیند را پایه گذاری کنید.
• د) نادیده گرفتن خطاهای مربوط به سایه و ابر

توضیحات: طبقه بندی تصویر و تشخیص تغییر هوش مصنوعی، پیش اسکن قدرتمندی را ارائه می دهد، اما حاوی وضوح، تاریخ، سایه و خطای طبقه بندی است. تغییر شناسایی شده نمی تواند بر اساس یک تراکنش حقوقی باشد بدون اینکه توسط کنترل میدانی، ثبت سند مالکیت/مجوز و اندازه گیری رسمی تأیید شود. خروجی هوش مصنوعی به تنهایی مدرکی نیست.

4. مهم ترین بررسی قبل از اجرای اسکریپت GeoPandas/Python نوشته شده با هوش مصنوعی بر روی داده های پروژه واقعی شما چیست؟

• الف) بررسی کنید که کد هیچ خطایی ایجاد نکند و آن را روی کل مجموعه داده اجرا کنید.
• ب) تکیه بر نقشه خروجی برای زیبا به نظر رسیدن
• ج) اجرای کد مستقیماً روی مجموعه داده اصلی بدون خواندن آن
• د) خواندن کد و آزمایش آن با تأیید سیستم مختصات و هندسه بر روی داده های نمونه کوچک و مقایسه نتیجه با یک مرجع شناخته شده ✔

توضیحات: کد مکانی هوش مصنوعی ممکن است سیستم مرجع مختصات اشتباه (CRS) را فرض کند، هندسه را مخدوش کند، یا مناطق را با واحد اشتباه محاسبه کند. کد باید خوانده شود، ابتدا سیستم مختصات و هندسه را بر روی یک داده نمونه کوچک تأیید کرد و نتیجه را با یک مرجع شناخته شده مقایسه کرد.

5. بهترین استفاده در هنگام دریافت پیش بینی جمعیت تهیه شده توسط هوش مصنوعی چیست؟

• الف) وارد کردن داده‌ها و مفروضات آماری رسمی و تهیه سناریو و پیش‌نویس گزارش توسط هوش مصنوعی با بیان واضح عدم قطعیت✔
• ب) درخواست از هوش مصنوعی برای تشکیل جمعیت خود بدون منبع است
• ج) استفاده از عدد تولید شده توسط هوش مصنوعی به جای آمار رسمی
• د) ارائه یک عدد دقیق بدون تعیین محدوده عدم قطعیت

توضیح: هوش مصنوعی به تنهایی پیش بینی عددی قابل اعتمادی تولید نمی کند. داده های آمار رسمی (مانند TURKSTAT) و روش تایید شده را پردازش می کند و پیش نویس های سناریو و گزارش را آماده می کند. استفاده صحیح، استفاده از هوش مصنوعی به عنوان یک ابزار تفسیر و نوشتن با بیان واضح داده های ورودی، مفروضات رشد و محدوده عدم قطعیت است.

6. هنگام تنظیم تجزیه و تحلیل مناسب کاربری زمین با هوش مصنوعی، یکی از لایه های داده ای که استفاده می کنید قدیمی است و دقت مکانی پایینی دارد. سالم ترین رویکرد چیست؟

• الف) استفاده از لایه همانطور که هست و پذیرفتن نتیجه به عنوان نهایی
• ب) ارزیابی فعلی و صحت داده ها، جایگزینی آن با منبع فعلی در صورت امکان و نوشتن محدودیت ها در گزارش ✔
• ج) بی توجهی به کیفیت داده ها زیرا هوش مصنوعی نقشه زیبایی را تولید می کند
• د) حذف بی صدا لایه گم شده از تحلیل و گزارش نکردن آن در گزارش

توضیح: نتیجه تجزیه و تحلیل فضایی به اندازه کیفیت داده های ورودی است (زباله داخل، زباله بیرون). یک لایه قدیمی یا کم وفاداری به طور سیستماتیک نتیجه را گمراه می کند. ارز و دقت داده ها باید ارزیابی شود، در صورت امکان با یک منبع به روز/تأیید شده جایگزین شود، و محدودیت ها باید به وضوح در گزارش نوشته شوند.

7. هزاران نظر شهروندی را که در برنامه ریزی مشارکتی با هوش مصنوعی جمع آوری کرده اید، خلاصه می کنید. مهم ترین خطر و احتیاط از نظر نمایندگی چیست؟

• الف) نگاه کردن به خلاصه AI به عنوان یک نمایش منصفانه از همه نظرات و عدم نگاه به داده های خام
• ب) تصمیم را فقط بر اساس مضامین تکرار شونده قرار دهید
• ج) نظارت بر دیدگاه‌های گروه‌های اقلیت و حاشیه‌نشین به‌طور جداگانه، حفاظت از دسترسی به داده‌های خام و واگذاری تصمیم‌گیری به یک فرآیند عمومی شفاف.
• د) نظرات کمتر تکراری را به عنوان نویز حذف کنید

توضیح: خلاصه‌های هوش مصنوعی می‌توانند صدای اکثریت و اظهارات مکرر را برجسته کنند و دیدگاه‌های گروه‌های اقلیت و حاشیه‌نشین را مبهم کنند. این یک سوگیری نمایندگی است. خلاصه باید این گروه ها را به طور جداگانه بررسی کند، دسترسی به داده های خام باید محافظت شود، و تصمیم نهایی باید به یک فرآیند عمومی شفاف واگذار شود.

8. دقیق ترین چارچوب بندی هنگام ارائه خروجی شبیه سازی رشد شهری به شورای شهر چیست؟

• الف) ارائه خروجی به عنوان پیش بینی دقیق آینده
• ب) نمایش صحیح یک سناریو بدون توضیح مفروضات و عدم قطعیت
• ج) جایگزینی شبیه سازی با فرآیند برنامه ریزی رسمی
• د) فرضیات، محدودیت ها و عدم قطعیت ها را به وضوح بیان کنید، خروجی را به عنوان یک سناریو/ابزار بحث ارائه کنید و تصمیم گیری را به فرآیند رسمی واگذار کنید.

توضیح: خروجی شبیه سازی یک سناریو تحت مفروضات خاصی است، نه یک پیش بینی دقیق یا آینده. ارائه مناسب به صورت واضح بیان کردن مفروضات ورودی، محدودیت ها و عدم قطعیت و ارائه خروجی به عنوان استدلالی برای تصمیم است. تصمیم گیری نهایی را به فرآیند رسمی طرح و ارزیابی کارشناسی واگذار می کنیم.

9. بهترین رفتار از نظر حریم خصوصی هنگام ارائه داده های نقشه و بسته اصلاحیه طرحی که هنوز به حالت تعلیق در نیامده است به ابزار هوش مصنوعی مبتنی بر ابر چیست؟

• الف) زمینه را ناشناس کنید، شناسه ها را روشن کنید و از ابزاری مطابق با خط مشی استفاده کنید که در آن داده ها در آموزش استفاده نمی شوند.
• ب) بارگذاری تمام نقشه ها و اطلاعات مالک بسته همانطور که هست
• ج) استفاده از ابزار رایگان بدون مطالعه سیاست حفظ حریم خصوصی
• د) با فرض اینکه اطلاعات مکان باید برای کیفیت نتایج افشا شود.

افشا: داده های طرح تعلیق نشده، اطلاعات مالک بسته و موقعیت مکانی هم به عنوان داده های شخصی و هم به عنوان فرآیند عمومی حساس هستند. نشت زودهنگام خطر گمانه زنی و سود غیرقانونی را ایجاد می کند. لازم است متن، شناسه‌های تمیز مانند بسته/مختصات/نام را ناشناس کنید و ابزاری مطابق با خط‌مشی انتخاب کنید که تضمین کند از داده‌ها در آموزش استفاده نمی‌شود.

10. دقیق ترین رویکرد هنگام تفسیر نتایج یک مدل ترافیک با هوش مصنوعی چیست؟

• الف) درخواست از هوش مصنوعی برای محاسبه حجم ترافیک خود، بدون مدل
• ب) خروجی مدل کالیبره شده و تایید شده را به هوش مصنوعی خلاصه کنید، مفروضات را به وضوح بیان کنید و ارزیابی نهایی را به متخصص بسپارید ✔
• ج) قبول نتیجه به عنوان دقیق حتی اگر مدل با شمارش میدان کالیبره نشده باشد.
• د) استفاده از مقدار حجم تولید شده توسط هوش مصنوعی به جای مطالعه رسمی

توضیح: هوش مصنوعی تخصیص ترافیک را خودش محاسبه نمی کند. خروجی یک مدل کالیبره شده را خلاصه می کند. برای معنی دار بودن نتایج، مدل باید توسط سرشماری میدانی کالیبره و اعتبار سنجی شود، مفروضات (سال سناریو، ماتریس تقاضا) باید واضح باشد و ارزیابی نهایی باید توسط یک کارشناس حمل و نقل صالح انجام شود.

11. ساختار اساسی که باید برای حفظ کیفیت، منافع عمومی و پاسخگویی در یک واحد برنامه ریزی مبتنی بر هوش مصنوعی ایجاد شود، چیست؟

• الف) هر کارمندی به روش خود از هوش مصنوعی بدون نظارت استفاده می کند
• ب) خروجی های هوش مصنوعی را مستقیماً بدون ذخیره کردن به برنامه منتقل کنید
• ج) ایجاد یک کتابخانه سریع مشترک، پروتکل راستی‌آزمایی، حاکمیت داده‌ها و خط‌مشی حفظ حریم خصوصی و بستن خروجی‌های حیاتی با تأیید صالح ✔
• د) در پایان فرآیند فقط یک بار تأیید را انجام دهید

توضیحات: استفاده توزیع شده و کنترل نشده از هوش مصنوعی خطر خطا، سوگیری و حریم خصوصی را افزایش می دهد و اعتماد عمومی را تضعیف می کند. ایجاد یک کتابخانه سریع مشترک در مقیاس سازمانی، پروتکل تأیید برای هر نوع خروجی، حاکمیت داده و سیاست حفظ حریم خصوصی واضح؛ بسته شدن هر خروجی حیاتی امنیتی و منافع عمومی با تایید صالح ضروری است.

12. هنگامی که از هوش مصنوعی در مورد یک مقاله مقررات منطقه بندی پرسیدید، او شماره و نرخ مقاله واضحی را ارائه کرد. قبل از استفاده از این اطلاعات در تصمیم گیری برنامه خود چه کاری باید انجام دهید؟

• الف) مستقیماً استفاده کنید زیرا هوش مصنوعی یک ماده شفاف می دهد
• ب) جایگزینی آیتم با مقداری که از پروژه دیگری به یاد دارید
• ج) استفاده از شماره مقاله با گرد کردن بدون نگاه کردن به منبع
• د) تأیید اطلاعات از متن رسمی جاری آیین نامه جاری و در صورت لزوم تأیید آن از اداره ذیصلاح ✔

توضیح: مقالات مقررات در طول زمان تغییر می‌کنند و هوش مصنوعی ممکن است اطلاعاتی را که منسوخ شده یا مربوط به قوانین دیگری است بازگرداند یا حتی شماره مقاله را توهم کند. مقدار باید از متن رسمی و جاری آیین نامه مربوطه در حال اجرا تأیید و در صورت لزوم توسط اداره ذیصلاح تأیید شود.

13. موثرترین راه برای استفاده از هوش مصنوعی در تجزیه و تحلیل کاربری زمین این است که به آن چه چیزی بدهید؟

• الف) دادن منطقه کار، لایه ها، سیستم مختصات، معیارها و وزن ها به طور واضح و ساختار یافته ✔
• ب) فقط یک جمله درخواست کنید مانند "تجزیه و تحلیل کاربری زمین را خوب انجام دهید"
• ج) تهیه نقشه های زیاد و انتخاب یکی بدون ذکر زمینه
• د) واگذاری معیارها و وزن ها توسط خود هوش مصنوعی

توضیح: کیفیت خروجی هوش مصنوعی به کیفیت ورودی بستگی دارد. خروجی زمانی به خوبی کار می کند که محدودیت هایی مانند مرز ناحیه کاری، لایه های مورد استفاده، سیستم مختصات، معیارهای تحلیل و وزن ها را به وضوح مشخص کنید. درخواست های مبهم یک جمله ای نتایج کلی و سطحی و حتی گمراه کننده ایجاد می کند.

14. شما پیش نویس گزارش افشای طرح (گزارش توجیهی طرح) را با هوش مصنوعی تهیه کردید. صحیح ترین نگرش نسبت به این پیش نویس چیست؟

• الف) قرار دادن پیش نویس همانطور که در پرونده تصویب است
• ب) از پیش نویس به عنوان چارچوب استفاده کنید و هر داده، مرجع قانونی و توجیهی را با یک برنامه ریز ذیصلاح بررسی و تصحیح کنید.
• ج) بررسی نکردن مراجع قانونی چون هوش مصنوعی آنها را می دهد
• د) پذیرش داده های تجزیه و تحلیل بدون مقایسه آن با مطالعه واقعی

توضیح: گزارش افشای طرح بخشی از فرآیند تصویب قانونی است و مسئولیت فنی/حقوقی ایجاد می کند. هوش مصنوعی می تواند به سرعت یک اسکلت پیش نویس تولید کند. با این حال، هر داده، مرجع قانون، نرخ و توجیه باید توسط یک شهرساز ذیصلاح بررسی و بر اساس قوانین جاری و داده های تحلیل واقعی تصحیح شود و مسئولیت آن بر عهده برنامه ریز باشد.