Frontières de l'IA dans le secteur maritime : sécurité, cyber-risque, éthique et responsabilité

Gains :

• Capacité à reconnaître que l'IA peut produire des coefficients, des clauses de règles et des valeurs techniques fictifs et appliquer la vérification dans le contexte de la sécurité des personnes et des biens
• Capacité à gérer la cybersécurité, la confidentialité des données et les limites réglementaires dans les systèmes des navires et OT (technologie opérationnelle)
• Comprendre que la responsabilité ultime de l'approbation de classe, de la sécurité de la navigation et de l'éthique incombe à l'ingénieur et au capitaine.

Tout au long de ce module, nous avons utilisé l'intelligence artificielle (IA) comme accélérateur à chaque étape de l'ingénierie navale et maritime : de la conception du formulaire à l'analyse structurelle, de la maintenance prédictive à l'optimisation du voyage, de la conformité des émissions à la production du chantier naval. Dans cette dernière unité, nous prenons du recul et regardons la situation dans son ensemble : quelles sont les principales limites de l'IA dans le secteur maritime, quels risques (hallucinations, cybersécurité, confidentialité des données, biais) sont en alerte constante et qui en porte la responsabilité ? Car la condition préalable pour utiliser un véhicule en toute sécurité est de savoir où il peut mal tourner.

La thèse constante du module s'applique ici et régit toutes les autres : dans les travaux maritimes critiques pour la sécurité, la sortie de l'IA ne remplace pas l'approbation de l'ingénieur, du capitaine ou de l'inspecteur de classe compétent. L'IA suggère, rédige, calcule et rappelle ; Mais le propriétaire de la décision qui détermine la sécurité de la vie, des biens et de l'environnement est la personne qui signe cette décision et qui est légalement responsable.

Concepts : Hallucination : IA fabriquant une valeur, une règle ou une ressource qui n'existe pas. Sécurité OT : Cyberprotection des technologies opérationnelles (machines et systèmes de régulateur de vitesse). Empoisonnement des données : corruption intentionnelle des données de formation/entrée pour induire un modèle en erreur. Biais du modèle : biais systématique et injuste du modèle qui provient des données sur lesquelles il est formé. Chaîne de responsabilité : l’appropriation juridique et technique d’une décision est clairement évidente.

Limites permanentes de l'IA

L’IA a quatre frontières permanentes dans le transport maritime, et celles-ci ne disparaîtront pas même à mesure que la technologie progresse. Premièrement, l’hallucination : le modèle comble le vide avec des affirmations « les plus probables » lorsqu’il ne dispose pas de données définitives ; Cela s'avère être une clause de classe inventée, une valeur de stabilité impossible ou un coefficient inexistant. Deuxièmement, le comportement hors déploiement : le modèle devient peu fiable en dehors des situations pour lesquelles il a été formé et testé (type de navire inhabituel, dysfonctionnement inhabituel, trafic invisible). Troisièmement, le manque de compréhension de la physique : l'IA traite les modèles de mots, ne « comprend » pas la conservation de l'énergie ou les lois de Newton ; Il peut produire un résultat qui semble raisonnable mais qui est physiquement impossible. Quatrièmement, l'actualité : la législation, les prix et l'évolution technologique ; Les informations du modèle sont figées à une date.

Ces limites expliquent pourquoi la discipline de vérification que nous avons apprise tout au long du module est indispensable : contrôle de l'ordre de grandeur, cohérence des unités, reproduction indépendante et vérification de la source. Surtout lorsque l'IA fait des calculs (par exemple un script Python/Excel généré pour un moment de ballast/stabilité ou un calcul de puissance), même si le code semble fluide et fonctionnel, sa logique, ses entrées et ses cas extrêmes ne sont pas traduits en une décision de sécurité sans tests indépendants. Ce n’est pas parce qu’un code de compte « fonctionne » qu’il est « correct ».

Attention : un code comptable généré par l'IA peut fonctionner sans erreur, mais peut contenir la mauvaise formule, la mauvaise unité ou un cas limite négligé. Avant d'accepter le code, testez-le avec une entrée connue (un exemple dont vous connaissez la réponse de première main), testez les cas extrêmes et vérifiez le résultat de manière indépendante. Dans les calculs critiques pour la sécurité tels que la stabilité, un ordinateur de chargement approuvé et la confirmation d'un ingénieur sont essentiels.

Cybersécurité et confidentialité des données

Le navire moderne est un réseau informatique flottant : les systèmes de navigation, le contrôle des machines, la gestion du fret et la connectivité par satellite sont interconnectés. Cela signifie une surface de cyberattaque. Les systèmes d’IA ajoutent deux nouveaux risques à ce tableau. Premièrement, la sécurité des OT (technologie opérationnelle) : un composant d’IA lié à la navigation et au contrôle des machines présente un risque direct pour la sécurité en cas d’attaque ; Ainsi, les systèmes OT critiques sont isolés, la sortie de l'IA ne doit jamais déclencher une action de contrôle par elle-même, l'approbation humaine et un comportement par défaut sûr doivent être maintenus. Deuxièmement, la confidentialité des données : la forme de la coque, les courbes de performances, les contrats entre armateurs et chantiers navals et la télémétrie opérationnelle sont des secrets commerciaux et de la propriété intellectuelle ; La saisie de ces données dans des services d’IA externes non approuvés constitue une perte irréversible.

De plus, les risques de manipulation tels que l'empoisonnement des données (induire le modèle en erreur avec des entrées malveillantes) et l'usurpation d'identité de données telles que l'AIS nécessitent de ne pas faire aveuglément confiance aux entrées de l'IA. Règle : les données critiques sont anonymisées ou ne sont pas partagées du tout, seuls des outils approuvés et dont la confidentialité est garantie sont utilisés, l'authenticité des entrées critiques est vérifiée de manière croisée.

Risque

Comment cela se produit-il ?

précaution

hallucination

Règle/valeur/source inventée

Confirmation de la source, contrôle du classement

Cyberattaque OT

Infiltration du système de contrôle

Isolement, approbation humaine, défaut sécurisé

fuite de données

Saisie de données confidentielles dans un outil externe

L'anonymisation, outil approuvé

Empoisonnement/usurpation de données

Entrée intentionnellement corrompue

Validation des entrées, recoupement

Biais du modèle

Données d'entraînement déséquilibrées

Examiner le résultat avec le jugement humain

Éthique et chaîne de responsabilité

La propriété juridique et technique d'une décision dans le domaine maritime doit être claire : le capitaine est responsable de la sécurité de la navigation, le chef mécanicien est responsable des machines, l'ingénieur responsable est responsable de la conception et du calcul, et l'inspecteur de classe est responsable du respect des règles. L’IA ne devrait pas introduire de « déficit de responsabilité » dans cette chaîne. « AI a suggéré ceci » n’est pas une excuse ; L'humain qui utilise l'IA et accepte sa sortie est responsable. Par conséquent, l’utilisation de l’IA doit être transparente (il faut enregistrer quelle décision elle soutient, quelle vérification elle a subie) et la décision finale doit revenir à un humain signé.

La dimension éthique inclut également la sécurité de l'équipage et l'environnement : si une proposition d'économie de carburant met l'équipage en danger, si une solution d'automatisation réduit la marge de sécurité, si le gain à court terme masque le risque à long terme, l'éthique de l'ingénierie exige de dire « non ». L'IA est un outil puissant de productivité ; Mais l’efficacité ne peut jamais prévaloir sur la vie, l’environnement et un jugement technique honnête.

Mini-étuis

Cas 1 – Excuse « L’IA l’a dit ». Dans un rapport, une valeur limite est utilisée telle que donnée par l'IA, sans vérification, et la valeur s'avère incorrecte. La personne responsable tente de se défendre en disant « AI a suggéré cela ». Ni le droit des classes ni le droit de la responsabilité ne le reconnaissent : l'ingénieur qui accepte le résultat est responsable. Leçon : l’IA n’est pas une excuse ; La responsabilité incombe à celui qui l'utilise.

Cas 2 — Fuite de données confidentielles. Une équipe colle les performances réelles d'un armateur et les données sur le carburant dans un outil d'IA accessible au public et demande une analyse. Ces données sont désormais hors de contrôle ; des secrets commerciaux et des ruptures de contrat surviennent. Il n'y aurait aucun risque si vous travailliez avec des valeurs représentatives anonymisées ou un outil approuvé. Leçon : les données réelles/confidentielles ne sont jamais saisies dans un outil externe non approuvé.

Cas 3 — Fonctionne mais code erroné. L'IA génère un script Python pour un moment de stabilité ; le code s'exécute sans erreur et renvoie un nombre raisonnable. Lorsque l'ingénieur le teste avec un cas de chargement connu (dont la réponse est connue manuellement), il constate que le code prend un terme de pleine concurrence avec le mauvais signe. Le script "fonctionnait" mais le résultat était faux. Leçon : le fonctionnement du code compte n'est pas une garantie d'exactitude ; Des tests avec des entrées connues et une vérification indépendante sont essentiels.

Modèles d'invite copiables

Modèle 1 — Auto-évaluation des limites et des risques :

Rôle : Vous êtes un évaluateur auditant les résultats de l'IA que j'utilise. Contexte : [tâche/résultat]. Tâche : 1) Où le risque d'hallucination est-il élevé dans ce résultat ?

Modèle 2 — Calendrier de vérification du code de compte :

Élaborez un plan de vérification avant d'utiliser le code comptable généré par l'IA (Python/Excel) suivant : [coller le code/logique] 1) Suggérer une entrée de test pour laquelle je connais la réponse. 2) Répertorier les cas extrêmes qui doivent être testés (zéro, négatif, extrême). 3) Comment vérifier la cohérence de l'unité ?

Modèle 3 — Filtre de confidentialité des données :

Vérifiez la confidentialité dans le contexte suivant que je donnerais à un outil d'IA :[texte à partager]1) Y contient-il des secrets commerciaux/confidentiels/des données contractuelles ?2) Quelles valeurs doivent être anonymisées ou extraites ?3) Cette tâche nécessite-t-elle un outil interne approuvé ?Contrainte : Les données réelles d'expédition/performance/contrat ne vont pas dans l'outil externe.

Modèle 4 — Note sur la responsabilité et la transparence :

Rédigez une note de transparence pour documenter la décision suivante basée sur l'IA :[décision].Contenu : (1) à quel stade l'IA a-t-elle été utilisée, (2) quelles vérifications a-t-elle subie, (3) quel humain l'a approuvée, (4) quelles sources ont été vérifiées.Contrainte : indiquez clairement que la responsabilité finale incombe à la signature humaine.

Invite faible/Invite forte

Invite faible :

Je vais mettre cette analyse de l'IA dans le rapport, est-ce que ça va ?

Invite puissante :

Rôle : vous êtes l'examinateur indépendant qui audite les résultats de l'IA. Contexte : [analyse/résultat et où les utiliser]. Tâche : 1) Signaler le risque d'hallucination, la plausibilité physique et l'actualité. 2) Y a-t-il des données qui ne devraient pas être partagées pour des raisons de confidentialité ? Indiquez les étapes de vérification et indiquez que la responsabilité incombe à l'ingénieur signataire.

Une invite faible demande une confirmation ; Une invite forte expose les risques, la confidentialité et la chaîne de vérification humaine.

Erreurs courantes

• Cela signifie « AI l'a dit ». La responsabilité incombe à celui qui accepte le résultat ; L'IA n'est pas une excuse.
• Saisie de données confidentielles dans un outil externe. Secret commercial et rupture de contrat ; Une fois divulguées, les données ne peuvent pas être récupérées.
• Penser que le code de travail est correct. Un script qui fonctionne sans erreur peut contenir la mauvaise formule/unité ; Les tests et la confirmation indépendante sont essentiels.
• Laisser le système OT à l’IA. L’action de contrôle n’est jamais déclenchée par l’IA seule ; L’approbation humaine et la valeur par défaut sécurisée sont maintenues.
• Faire passer l’efficacité avant la sécurité. La vie, l’environnement et le jugement honnête de l’ingénierie ne sont pas sacrifiés pour des économies.

En résumé

Les limites persistantes (hallucinations, comportement non distribué, manque de compréhension de la physique, obsolescence) et les risques (sécurité cyber/OT, confidentialité des données, empoisonnement, biais) de l'IA dans le maritime illustrent pourquoi la discipline de vérification apprise tout au long du module est indispensable. Dans les décisions critiques pour la sécurité, les résultats de l’IA ne remplacent pas l’approbation humaine compétente ; La chaîne de responsabilité est claire et « AI l’a dit » n’est pas une excuse. L’IA est un puissant accélérateur ; Mais la vie, l’environnement et le jugement honnête de l’ingénieur passent toujours en premier.

Tâche de candidature

Sélectionnez une sortie IA (un compte, un brouillon de rapport ou un code) que vous avez produit dans ce module. Signalez les risques d'hallucination, de plausibilité physique et de réalité avec le modèle « Auto-évaluation des limites et des risques ». S'il s'agit d'un code de compte, testez-le avec une entrée connue à l'aide du modèle « plan de vérification du code de compte » et vérifiez-le de manière indépendante. Appliquez un « filtre de confidentialité des données » et filtrez les données qui ne doivent pas être partagées. Enfin, rédigez une note de transparence documentant la décision et indiquant clairement qui a la responsabilité ultime.

liste de contrôle

• [ ] J'ai vérifié les risques d'hallucination, de physique et de réalité de la sortie de l'IA.
• [ ] J'ai testé et vérifié de manière indépendante le code de compte avec une entrée connue.
• [ ] Je n'ai pas saisi de données confidentielles/contractuelles dans l'outil externe ; Je l'ai anonymisé.
• [ ] J'ai maintenu l'approbation humaine et sécurisé par défaut dans les systèmes OT/contrôle.
• [ ] J’ai documenté de manière transparente l’utilisation de l’IA et précisé qui en était responsable.
• [ ] Je n'ai jamais fait passer l'efficacité avant l'éthique de la vie, de l'environnement et de l'ingénierie.

Examen de module

1. Lorsque vous travaillez avec un outil d'IA en tant qu'ingénieur maritime, lequel des éléments suivants doit toujours incomber à l'humain (ingénieur/classman) ?

• A) Approbation et signature de la conformité d'un élément de structure à la règle de classe ✔
• B) Produire la première ébauche d'un rapport sur la résistance
• C) Modification des étiquettes des axes d'un graphique
• D) Préparer un glossaire de termes pour un rapport technique

Description : IA ; Il peut accélérer des tâches telles que le précalcul de la résistance, la rédaction de rapports et la synthèse des données. Cependant, approuver la conformité d'un élément structurel à la règle de classe et la refléter par une signature sur le dossier technique est une décision qui crée la sécurité des personnes et des biens ; ne peuvent pas être transférés à AI sans vérification indépendante et approbation autorisée.

2. Vous avez demandé à l'IA de calculer la résistance d'un bateau et elle a réduit le résultat de 20 % avec un « facteur de correction empirique » qui n'était pas dans l'expérience du modèle. Quelle est la première action correcte à entreprendre ?

• A) Accepter le résultat tel quel car l'IA semble confiante
• B) Remettre en question la source du coefficient, rejeter la correction infondée et la recalculer avec la méthode reconnue ✔
• C) Augmenter encore plus le coefficient et rester prudent
• D) Passer à la sélection d'hélice sans changer le résultat

Explication : Les modèles linguistiques peuvent fabriquer de manière convaincante des coefficients et des nombres infondés (hallucination). Dans un calcul qui affecte directement la puissance de propulsion et le carburant, comme la résistance, il faut s'interroger sur la source de chaque coefficient utilisé (méthode, essai sur modèle, norme) et rejeter le coefficient non justifié.

3. Au lieu d'utiliser la quantité de marchandises transportées comme dénominateur pour calculer le CII (indicateur d'intensité carbone) d'un navire, l'IA a utilisé uniquement la distance. Quel est le principal problème de cette sortie ?

• A) La CII est calculée uniquement pour les pétroliers, cela n'est pas nécessaire à bord
• B) Le résultat CII est toujours exprimé en pourcentage, la décimale est fausse
• C) Le dénominateur CII ne doit pas seulement être la distance, mais la capacité de charge (poids mort) multipliée par la distance ✔
• D) Les données de vitesse sont obligatoires pour le calcul du CII, elles sont manquantes

Description : CII mesure les émissions de carbone par tâche transportée et est basé sur la charge utile proposée multipliée par la distance (par exemple, poids mort x distance). L'omission du terme charge/capacité entraîne une erreur de calcul totale de l'indicateur. La première et obligatoire étape consiste à ce que chaque terme des indicateurs de productivité soit pleinement conforme à la définition de l’OMI.

4. Quel est le résultat le plus précieux d’un système de maintenance prédictive alimenté par l’IA dans la salle des machines ?

• A) Résumer le coût moyen de la maintenance passée en une seule ligne
• B) Transformer toutes les données du capteur en un graphique plus coloré
• C) Couleur et liste des tendances en matière de vibrations/température
• D) Pré-marquage de la fenêtre de temps pendant laquelle un roulement ou un turbocompresseur est plus susceptible de tomber en panne ✔

Description : Le but de la maintenance prédictive est de détecter la tendance des équipements à se détériorer avant qu'ils ne tombent en panne et de planifier la maintenance en temps opportun. Ainsi, le risque de dysfonctionnements et d’arrêts inattendus est réduit. Il est utile non seulement de résumer le passé, mais aussi de produire des alertes précoces sur l’avenir.

5. AI a comparé le résultat de la contrainte dans un modèle FEA (analyse par éléments finis) à la contrainte admissible dans le code de classe et l'a déclaré « approprié ». Quelle est l’approche la plus correcte ?

• A) Vérifier la configuration du modèle (maillage, condition aux limites, charge) et confirmer la contrainte admissible à partir du texte de la règle de classe ✔
• B) Confirmer directement le résultat parce que l'IA a dit « en forme »
• C) Réduire de manière aléatoire la contrainte admissible pour rester du bon côté
• D) Changer uniquement l'échelle de couleurs sans resserrer le réseau

La description : résultat FEA ; Cela dépend entièrement de la qualité du maillage, des conditions aux limites, de la définition de la charge et des propriétés du matériau. De plus, la valeur de contrainte admissible utilisée par l'IA peut être incorrecte. Avant d'accepter le résultat, il est nécessaire de vérifier la configuration du modèle et de confirmer la valeur de la règle de classe à partir du texte.

6. Vous avez créé un itinéraire qui minimise le carburant en effectuant un itinéraire météo avec l'IA. Quelle considération est la plus critique pour l’utilisabilité du résultat ?

• A) L'itinéraire doit être sécuritaire en termes de sécurité de navigation (vagues, météo, restrictions du navire) et doit être approuvé par le capitaine ✔
• B) L'apparition la plus courte de l'itinéraire sur la carte
• C) L'itinéraire comprend le plus d'escales
• D) L'itinéraire minimise l'ETA quel que soit le contrat

Explication : Quelle que soit l'optimisation du carburant de la proposition d'itinéraire, la sécurité de la navigation et l'autorité du capitaine sont prioritaires. Si la tempête, la hauteur des vagues et les restrictions du navire dépassent la limite de sécurité, le gain de carburant n'a aucun sens. La décision finale d'itinéraire doit être filtrée au travers des contraintes de sécurité et approuvée par le capitaine.

7. Vous avez demandé à l'IA une exigence SOLAS et elle a donné une valeur exacte en référence à un « numéro de chapitre/règle » spécifique. Quel est le comportement d’ingénierie correct ?

• A) Appliquer la valeur directement car l'IA est à jour
• B) Augmenter la valeur de manière aléatoire pour rester du bon côté
• C) Vérifiez le numéro et la valeur de l'article à partir d'une source SOLAS/classe officielle et à jour ✔
• D) Ajout au dossier sans vérifier le numéro d'article

Description : les modèles de langage peuvent mémoriser mal ou inventer des numéros et des valeurs de clauses de contrat/règle. Dans les domaines contraignants tels que SOLAS, MARPOL et les règles de classe, chaque élément et chaque valeur doivent être vérifiés textuellement à partir de la source officielle actuelle (texte de l'OMI, règle de classe, circulaire de gestion) ; La sortie de l'IA montre uniquement où chercher.

8. Dans un système de navigation autonome ou d'aide à la décision, l'IA proposait une manœuvre basée sur les données radar et AIS. Quelle est l’évaluation correcte en termes de COLREG (évitement des conflits) ?

• A) Exécuter automatiquement la manœuvre lorsque l'IA accède aux données actuelles
• B) Transmettre la suggestion à l'autre navire via VHF et attendre son approbation
• C) Éteindre le radar et compter uniquement sur l'AIS
• D) Considérez la suggestion comme une aide à la décision et laissez le COLREG et la décision finale de manœuvre à l'officier de quart/capitaine de bord.

Explication : Conformément aux règles COLREG et aux bonnes pratiques maritimes, la responsabilité d'éviter l'abordage et la décision finale de manœuvre incombe à l'autorité en passerelle (capitaine/officier de quart). La recommandation de l’IA est une aide à la décision ; les angles morts, les erreurs de capteur et l’interprétation des règles nécessitent une surveillance humaine.

9. Vous avez généré une recommandation d'économie de carburant à partir de la courbe SFOC (consommation spécifique de carburant) du moteur principal avec AI. Quelle est la méthode la plus appropriée pour tester le caractère raisonnable ?

• A) Appliquer la recommandation aux données de voyages passés et comparer avec la consommation réelle de carburant ✔
• B) Acceptez la suggestion telle quelle et inscrivez-la dans le budget en tant qu'économies.
• C) Prendre le pourcentage d’épargne le plus optimiste comme seule valeur réelle
• D) Il suffit d'embellir le graphique de la courbe SFOC

Explication : Les allégations d'économies produites par l'IA doivent être testées en les comparant aux données réelles du voyage du navire (consommation de carburant enregistrée, charge, vitesse, météo). L’appliquer rétrospectivement aux données des voyages passés et la comparer avec la consommation réelle montre à quel point la recommandation est réaliste.

10. Un projet d'enquête/rapport technique préparé par AI contient des valeurs techniques fluides mais d'origine incertaine. Quel est le comportement correct ?

• A) Présenter le rapport tel quel car le texte est fluide
• B) Faites correspondre chaque valeur à la mesure/source d'origine et supprimez le ✔ non confirmé
• C) Arrondir et gloser les valeurs
• D) Lisez simplement le résumé et ignorez le reste

Description : Chaque valeur technique du rapport doit être traçable jusqu'à sa source d'origine (mesure, enregistrement de l'appareil calibré, règle de classe, données du fabricant). Aucun numéro ne doit être soumis à la classe ou à la direction sans vérification de sa source, même s'il s'agit d'une valeur dans une phrase fluide ; Dans le cas contraire, une valeur fictive entre dans la base de décision.

11. Quelle est la meilleure étape avant d'utiliser un calcul Excel/Python généré par l'IA (par exemple, état du ballast et moment de stabilité) ?

• A) Application du calcul directement au plan de chargement réel
• B) Il suffit de regarder la longueur et la disposition du code
• C) Essayer des cas extrêmes en comparant le calcul avec un scénario de test connu et un outil de chargement approuvé ✔
• D) Supprimer une partie du code pour le raccourcir

Explication : Les calculs de stabilité et de charge peuvent sembler corrects mais donner des résultats incorrects. Exécuter le calcul sur un petit scénario de test dont vous connaissez le résultat, soit manuellement, soit avec un ordinateur de chargement certifié, le comparer au résultat attendu et essayer des cas de charge limite/bord permettra de détecter l'erreur avant qu'elle ne se répercute sur la décision de chargement réelle.

12. Vous souhaitez coller les données non partagées de conception et de performances de votre vaisseau dans un outil d'IA public et demander une analyse. Quelle est l’approche la plus correcte ?

• A) Coller les données telles quelles pour plus de vitesse
• B) Il suffit de supprimer le nom du navire et de partager toutes les données restantes
• C) Partager les données puis demander à l'IA de les supprimer
• D) Vérifier la politique institutionnelle et anonymiser les données ou utiliser un outil sécurisé/institutionnel ✔

Divulgation : La forme de la coque, les courbes de performances et les données contractuelles de l'armateur/chantier sont des secrets commerciaux et sensibles à la propriété intellectuelle ; De plus, les informations sur les infrastructures critiques et les systèmes OT comportent des cyber-risques. Avant de partager des données, il est nécessaire de vérifier la politique de l'entreprise, de l'anonymiser ou d'utiliser un outil d'entreprise qui ne partage pas de données.

13. Le contrôle qualité basé sur l'IA effectué sur un assemblage de blocs dans un chantier naval a signalé qu'un cordon de soudure était « acceptable ». Quel est le comportement d’ingénierie correct ?

• A) Considérez l'évaluation de l'IA comme une acceptation finale et approuvez la couture
• B) Considérer l'évaluation préliminaire de l'IA comme un outil de sélection et lier l'acceptation finale au résultat du CND et à l'approbation de classe ✔
• C) Passer au bloc suivant sans examiner du tout la couture
• D) Il suffit de vérifier simplement visuellement l'aspect de la couture

Description : La qualité du soudage est un domaine critique pour la sécurité qui nécessite des résultats de tests non destructifs (CND) et une approbation de classe. L'évaluation préliminaire d'IA au moyen d'images ou de données fournit des conseils, mais l'acceptation finale est donnée par une inspection qualifiée et l'approbation de l'inspecteur de classe.

14. En matière de gestion de flotte, AI a produit une recommandation définitive pour une expédition disant que « ce port de ravitaillement et cette vitesse sont certainement les plus rentables ». Quelle est la bonne évaluation ?

• A) Mettre en œuvre la recommandation directement lorsque l'IA accède à des données à jour
• B) Transmettre la proposition à l'armateur comme un engagement ferme
• C) Verrouillage de l'intégralité du plan d'expédition basé sur cette seule sortie
• D) Considérer l'offre définitive comme peu fiable et la traiter comme un scénario vérifiable avec le prix actuel, les conditions de location et la sécurité ✔

Explication : le prix du bunker, les conditions d'affrètement, les conditions météorologiques et les retards portuaires évoluent rapidement et sont des variables incertaines ; L’IA ne peut garantir une rentabilité absolue. La proposition doit être traitée comme un scénario qui doit être vérifié avec le prix actuel, les conditions de charte-partie et les contraintes de sécurité.