એન્ડ-ટુ-એન્ડ વર્કફ્લો, ગવર્નન્સ, ઓથેન્ટિકેશન અને જવાબદાર ઉપયોગ

નફો:

• હ્યુમન વેરિફિકેશન ગેટ્સ અને એક-વાક્ય સંક્રમણ શરતો સાથે ડિઝાઇનથી ઓપરેશન સુધીના દરેક તબક્કે AI ને સતત એમ્બેડ કરવાની ક્ષમતા
• માન્ય વાહન સૂચિ, ડેટા વર્ગીકરણ, ટ્રેસેબિલિટી, તાલીમ અને ચાલુ ચકાસણી સાથે ગવર્નન્સ ફ્રેમવર્ક સ્થાપિત કરવાની ક્ષમતા
• કાર્યપ્રવાહમાં માનવ જવાબદારી, સુરક્ષા અગ્રતા, ચકાસણી, ગોપનીયતા, પારદર્શિતા અને પર્યાવરણીય-સામાજિક જવાબદારીના સિદ્ધાંતોને એમ્બેડ કરવાની ક્ષમતા

અગાઉના દસ એકમોમાં, અમે રાસાયણિક એન્જિનિયરિંગના વ્યક્તિગત ક્ષેત્રોમાં AI નો સુરક્ષિત રીતે ઉપયોગ કેવી રીતે કરવો તે જોયું છે-ડિઝાઇન, સિમ્યુલેશન, ગતિશાસ્ત્ર, પ્રોપર્ટી પ્રિડિક્શન, ઑપ્ટિમાઇઝેશન, કંટ્રોલ ડેટા, HAZOP, સ્ટાન્ડર્ડ સર્ચ અને પાયથોન. આ અંતિમ એકમમાં, અમે ટુકડાઓ એકસાથે મૂકીએ છીએ: અમે એ શીખીશું કે પ્રોજેક્ટની શરૂઆતથી સમાપ્તિ સુધી AI ને કેવી રીતે એમ્બેડ કરવું અથવા સુસંગત શિસ્ત, માનવ ચકાસણી દરવાજા અને શાસન માળખું સાથેની સુવિધા - એક માળખું જે નિયમો નક્કી કરે છે કે સંસ્થામાં કયા સાધનો, ડેટા અને નિર્ણયોનો ઉપયોગ કરવામાં આવશે. ધ્યેય એક સ્તરવાળી સિસ્ટમ બનાવવાનું છે જે એકલ AI બગને ડિઝાઇન, વ્યવસાયિક નિર્ણય અથવા સુરક્ષા દસ્તાવેજમાં પ્રવેશતા અટકાવે છે.

મૂળભૂત વિચાર સરળ છે: દરેક તબક્કે માનવ ચકાસણી દ્વાર અને સ્પષ્ટ સંક્રમણ સ્થિતિ મૂકવામાં આવે છે; તમે બીજા દરવાજામાંથી પસાર થયા વિના એક દરવાજામાંથી પસાર થઈ શકતા નથી. કેમિકલ એન્જિનિયરિંગ તેમજ ફોરેન્સિક અથવા મેડિકલ ક્ષેત્રોમાં આ એક જીવન-રક્ષક માળખું છે — કારણ કે અહીં પણ, ભૂલો કાગળ પર નહીં પરંતુ વાસ્તવિકતામાં, લોકો અને પર્યાવરણ પર પરિણામ આપે છે.

એન્ડ-ટુ-એન્ડ વર્કફ્લો: ચકાસણી દરવાજા સાથે

ચાલો કેમિકલ એન્જિનિયરિંગ પ્રોજેક્ટને પાંચ તબક્કામાં ધ્યાનમાં લઈએ અને દરેકમાં AI અને વેરિફિકેશન ગેટની ભૂમિકા મૂકીએ:

1. ડિઝાઇન અને ખ્યાલ. AI રૂટ વિકલ્પો અને PFD ડ્રાફ્ટ જનરેટ કરે છે. દરવાજો: શું સામગ્રીનું સંતુલન હાથથી જાળવવામાં આવે છે, શું એન્જિનિયરિંગના નિર્ણય સાથે માર્ગ પસંદ કરવામાં આવ્યો હતો?

2. વિશ્લેષણ અને સિમ્યુલેશન. AI સિમ્યુલેશન આઉટપુટનો સારાંશ આપે છે, ગતિશાસ્ત્ર/પ્રોપર્ટી સ્કેચ આપે છે. ગેટ: શું થર્મોડાયનેમિક મોડલ યોગ્ય છે, શું સમૂહ/ઊર્જા સંતુલન ધરાવે છે, શું નિર્ણાયક મૂલ્યો પ્રાયોગિક/ડેટાબેઝ સ્ત્રોત પર આધારિત છે?

3. ઑપ્ટિમાઇઝેશન અને કદ બદલવાનું. AI ઑપ્ટિમાઇઝેશન અને ગણતરી કોડ ડ્રાફ્ટ બનાવે છે. દરવાજો: શું અવરોધો પૂર્ણ છે, શું કોડનું પરીક્ષણ કરવામાં આવ્યું છે, શું તે શ્રેષ્ઠ સુરક્ષા વિંડોમાં છે?

4. સુરક્ષા અને પાલન. AI HAZOP હાડપિંજર અને પ્રમાણભૂત નકશો પ્રદાન કરે છે. ડોર: શું નિષ્ણાત ટીમ દ્વારા જોખમનું વિશ્લેષણ કરવામાં આવ્યું છે, શું પ્રાથમિક સ્ત્રોતમાંથી પ્રમાણભૂત વસ્તુઓની ચકાસણી કરવામાં આવી છે, શું અધિકૃત મંજૂરી મેળવવામાં આવી છે?

5. ઓપરેશન અને મોનીટરીંગ. AI સેન્સર ડેટા અને ફ્લેગ વિસંગતતાઓ પર નજર રાખે છે. દરવાજો: સિગ્નલ વાસ્તવિક અથવા સેન્સર, સ્વતંત્ર SIS માં સલામતી સુરક્ષા?

આ દરવાજાઓ એક જ વણચકાસાયેલ આઉટપુટને આગલા તબક્કામાં લઈ જવામાં અટકાવે છે. જો કોઈ ભૂલ છટકી જાય તો પણ, તે બાજુના દરવાજા પર પકડાઈ જવાની સારી તક છે.

ટીપ: દરેક તબક્કા માટે એક-વાક્ય "સંક્રમણ સ્થિતિ" લખો અને તેને ટીમને દૃશ્યક્ષમ બનાવો: "જ્યાં સુધી સામગ્રી સંતુલન મેન્યુઅલી ચકાસવામાં ન આવે ત્યાં સુધી સિમ્યુલેશન શરૂ કરી શકાતું નથી." આવા સ્પષ્ટ નિયમો સુનિશ્ચિત કરે છે કે સમયના દબાણમાં પણ શિસ્ત જાળવવામાં આવે છે.

ગવર્નન્સ ફ્રેમવર્ક: સંસ્થાકીય શિસ્ત

વ્યક્તિગત વેરિફિકેશન સારું છે, પરંતુ સુવિધા સ્કેલ પર ગવર્નન્સ ફ્રેમવર્ક જરૂરી છે. પાંચ મુખ્ય ઘટકો:

1. માન્ય વાહન અને મોડલ યાદી. તે વ્યાખ્યાયિત કરે છે કે કયા AI સાધનોનો ઉપયોગ કયા કાર્યો માટે થઈ શકે છે. અપ્રુવ્ડ ટૂલ્સનો ઉપયોગ સુરક્ષા-જટિલ એકાઉન્ટ્સ માટે થતો નથી.

2. ડેટા વર્ગીકરણ. કયા વાહનમાં રજિસ્ટર્ડ પ્રિસ્ક્રિપ્શન્સ, ઓપરેટિંગ શરતો અને વ્યક્તિગત ડેટા દાખલ કરી શકાય છે? સંસ્થાની બહાર ડેટા લીક કરતા સાધનોને ગોપનીય/માલિકીનો ડેટા આપવામાં આવતો નથી.

3. રેકોર્ડિંગ અને ટ્રેસેબિલિટી (ઓડિટ ટ્રેઇલ). કયું આઉટપુટ કયા સાધનમાંથી આવ્યું, કોણે તેની ચકાસણી કરી, તે કયા સ્ત્રોત સાથે જોડાયેલું હતું? જો કોઈ સમસ્યા થાય તો તે શોધી શકાય તેવું હોવું જોઈએ.

4. તાલીમ અને યોગ્યતા. વપરાશકર્તાઓએ AI ની મર્યાદાઓ, આભાસનું જોખમ અને ચકાસણીની શિસ્ત જાણવી જોઈએ. સાધન શક્તિશાળી છે, પરંતુ ખોટા હાથમાં જોખમી છે.

5. સતત ચકાસણી. મોડલ અને વાહનો અલગ અલગ હોય છે; આઉટપુટની વિશ્વસનીયતા સમયાંતરે ફરીથી પરીક્ષણ કરવામાં આવે છે.

ધ્યાન આપો: સંસ્થામાં, "દરેક વ્યક્તિએ તેઓને જોઈતો ડેટા તેઓને જોઈતા AI ટૂલને આપવો જોઈએ" નો અભિગમ માલિકીની માહિતી લિકેજ અને સુરક્ષા નિષ્ફળતા બંનેનું જોખમ છે. શાસન એ અદ્રશ્ય પરંતુ નિર્ણાયક ઇન્ફ્રાસ્ટ્રક્ચર છે જે આ જોખમોને મર્યાદિત કરે છે.

જવાબદાર ઉપયોગ સિદ્ધાંતો

ચાલો મોડ્યુલને છ સિદ્ધાંતો સાથે જોડીએ:

1. માનવ જવાબદારી. અંતિમ નિર્ણય અને સહી સક્ષમ નિષ્ણાત પાસે છે; AI નું આઉટપુટ તેની મંજૂરીનો વિકલ્પ નથી.
2. સુરક્ષા અગ્રતા. સલામતી-નિર્ણાયક નિર્ણયો (સુરક્ષા, જોખમ, સામગ્રી, કદ બદલવા માટે) ચકાસણી અને અધિકૃત મંજૂરીની જરૂર છે.
3. ચકાસણીની શિસ્ત. દરેક આઉટપુટ ભૌતિકશાસ્ત્ર/સ્રોત સાથે જોડાયેલ છે, સ્વતંત્ર પદ્ધતિથી પરીક્ષણ કરવામાં આવે છે અને અર્થઘટન ફિલ્ટરમાંથી પસાર થાય છે.
4. સુરક્ષા. માલિકી અને વ્યક્તિગત ડેટાની પ્રક્રિયા ફક્ત માન્ય, સુરક્ષિત રીતે કરવામાં આવે છે.
5. પારદર્શિતા. અહેવાલો અને દસ્તાવેજોમાં AI નો ઉપયોગ પ્રમાણિકપણે જણાવવામાં આવ્યો છે.
6. પર્યાવરણીય અને સામાજિક જવાબદારી. નિર્ણયો માત્ર અર્થતંત્રને જ નહીં, પણ માનવ સ્વાસ્થ્ય અને પર્યાવરણને પણ ધ્યાનમાં લે છે.

ત્રણ નાના કેસો

કેસ 1 - દરવાજાએ બગ પકડ્યો. એક પ્રોજેક્ટમાં, AI ના PFD ડ્રાફ્ટમાં 4% સામૂહિક અસંતુલન સિમ્યુલેશન તબક્કામાં જતા પહેલા બેલેન્સ ગેટમાં પકડાયું હતું. સ્ત્રોત પર ભૂલ સુધારાઈ હતી; જો ત્યાં કોઈ દરવાજો ન હોત, તો આ ભૂલ સિમ્યુલેશનમાં અને પછી પરિમાણમાં ફેલાઈ જશે. સ્તરીય માળખું કામ કર્યું.

કેસ 2 - ગવર્નન્સે ડેટા લીકેજને અટકાવ્યું. એક એન્જીનીયર ખુલ્લા AI વાહનમાં માલિકીની ઉત્પ્રેરક રેસીપી પેસ્ટ કરવા જઈ રહ્યો હતો. એજન્સીના ડેટા ક્લાસિફિકેશનના નિયમમાં કહેવામાં આવ્યું છે કે આ ડેટાને માત્ર ઇન-હાઉસ માન્ય ટૂલમાં જ પ્રોસેસ કરી શકાય છે. આ નિયમ વ્યાપારી રીતે જટિલ લીકને અટકાવે છે.

કેસ 3 - ટ્રેસિબિલિટી વિશ્વાસ લાવી. એક ઓડિટમાં, અમને પૂછવામાં આવ્યું કે ડિઝાઇનનો નિર્ણય કેવી રીતે લેવામાં આવ્યો. સંસ્થાના રેકોર્ડિંગ શિસ્ત બદલ આભાર, તે દસ્તાવેજીકૃત કરવું શક્ય હતું કે AI એ માત્ર એક ડ્રાફ્ટ બનાવ્યો હતો, દરેક નિર્ણાયક મૂલ્ય પ્રાયોગિક સ્ત્રોતને આભારી હતું, અને તે નિર્ણય અધિકૃત એન્જિનિયર દ્વારા મંજૂર કરવામાં આવ્યો હતો. પારદર્શિતા વિશ્વાસ અને કાનૂની સુરક્ષા બંને પ્રદાન કરે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) વર્કફ્લો ગેટ પ્લાન:

તમારી ભૂમિકા: પ્રોજેક્ટ ખાતરી સલાહકાર. મારો પ્રોજેક્ટ: [વર્ણન]. સ્ટેજ (ડિઝાઇન, એનાલિસિસ, સાઈઝિંગ, સિક્યુરિટી, ઑપરેશન) માટે મને વેરિફિકેશન ગેટ પ્લાન તૈયાર કરો: AI દરેક તબક્કે શું કરે છે, કઈ એક-વાક્યની સંક્રમણ સ્થિતિ પૂરી થયા વિના આગળના તબક્કામાં પસાર થઈ શકતી નથી, કોણ ચકાસે છે. સુરક્ષા-નિર્ણાયક દરવાજા પર વિશેષ ભાર.

2) શાસન સ્વ-નિયમન:

અમારી સંસ્થામાં AI ના ઉપયોગ માટે સ્વ-ઓડિટ ચેકલિસ્ટ જારી કરવામાં આવે છે: (1) શું મંજૂર સાધનોની સૂચિ છે, (2) શું ડેટા વર્ગીકરણ વ્યાખ્યાયિત છે, (3) રેકોર્ડ/ટ્રેસેબિલિટી રાખવામાં આવી છે, (4) શું ત્યાં વપરાશકર્તા તાલીમ છે, (5) શું ત્યાં સતત ચકાસણી છે? દરેક આઇટમ માટે "હા/આંશિક/ના" મૂલ્યાંકન અને સુધારણા સૂચનોની વિનંતી કરો. સંદર્ભ: [વ્યાખ્યા]

3) પારદર્શિતા / ઉપયોગની ઘોષણા:

એક પારદર્શિતા ફકરાનો મુસદ્દો તૈયાર કરો જે ઈજનેરી અહેવાલ માટે AI ના ઉપયોગનું પ્રમાણિકપણે વર્ણન કરે છે: AI નો ઉપયોગ ડ્રાફ્ટ/વિશ્લેષણ માટે કયા તબક્કે કરવામાં આવ્યો હતો, આઉટપુટ કેવી રીતે માન્ય કરવામાં આવ્યા હતા, જવાબદાર એન્જિનિયરની અંતિમ જવાબદારી સાથે. અતિશયોક્તિ; વાસ્તવમાં શું કરવામાં આવ્યું હતું તે માત્ર પ્રતિબિંબિત કરો. કાર્યો: [વર્ણન]

4) નિર્ણય પહેલાં છેલ્લી તપાસ:

હું આ નિર્ણય લેવાનો છું: [નિર્ણય]. તે આપતા પહેલા મને અંતિમ ચેકલિસ્ટ દ્વારા ચલાવો: (1) શું આ સુરક્ષા-નિર્ણાયક છે, (2) શું કોઈ મૂલ્યો હું સ્ત્રોત/પ્રયોગ પર આધાર રાખું છું, (3) શું સ્વતંત્ર ચકાસણી કરવામાં આવી છે, (4) શું સત્તાધિકારીની મંજૂરી જરૂરી છે, (5) શું ગોપનીયતા/પાલન અવલોકન કરવામાં આવ્યું છે? તમે ખૂટે છે તે પગલું ચિહ્નિત કરો. નિર્ણય મારો છે; તમે ચેકલિસ્ટને અનુસરો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારે મારા પ્રોજેક્ટમાં AI નો ઉપયોગ કેવી રીતે કરવો જોઈએ?

કોઈ સંદર્ભ નથી, કોઈ માન્યતા માળખું નથી. AI સુરક્ષા-નિર્ણાયક દરવાજાઓને બાયપાસ કરીને સામાન્ય જવાબ આપે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: પ્રોજેક્ટ ખાતરી સલાહકાર. હું 50,000 ટન/વર્ષના રાસાયણિક ઉત્પાદન પ્રોજેક્ટમાં ડિઝાઇનથી ઓપરેશન સુધી AI નો ઉપયોગ કરવા માંગુ છું. દરેક તબક્કા માટે, મને AI ની ભૂમિકા માટે એક માળખું મળે છે, ચકાસણીનું માળખું જે પાસ કર્યા વિના પસાર થઈ શકતું નથી, તેને કોણ મંજૂરી આપશે અને કયા ટૂલને કયો ડેટા આપી શકાય. સુરક્ષા-નિર્ણાયક પગલાંને પણ ચિહ્નિત કરો અને જ્યાં માનવ મંજૂરી ફરજિયાત છે તે પ્રકાશિત કરો.

તફાવત સ્પષ્ટ છે: પ્રોજેક્ટ સંદર્ભ, દરવાજા, મંજૂરી અને ડેટા નિયમો AI ના ઉપયોગને વ્યવસ્થિત બનાવે છે.

એન્ડ-ટુ-એન્ડ સ્ટ્રક્ચરમાં ભૂમિકાનું વિતરણ

સ્ટેજ

AI ની ભૂમિકા

ચકાસણી દ્વાર

ડિઝાઇન

રૂટ, PFD ડ્રાફ્ટ

બેલેન્સ + રૂટ કન્ફર્મેશન

વિશ્લેષણ

સિમ્યુલેશન સારાંશ, આગાહી

મોડલ + સ્ત્રોત પુષ્ટિ

કદ બદલવાનું

ઓપ્ટિમાઇઝેશન, કોડ

નિયંત્રણ + પરીક્ષણ + સુરક્ષા

સુરક્ષા/પાલન

HAZOP હાડપિંજર, નકશો

નિષ્ણાત ટીમ + પ્રાથમિક સ્ત્રોત

વ્યાપાર

વિસંગતતા ટ્રેકિંગ

વાસ્તવિક/સેન્સર + સ્વતંત્ર SIS

સામાન્ય ભૂલો

• સમય દબાણ હેઠળ દરવાજા જમ્પિંગ. ગેટ છોડવાથી ભૂલને અનુગામી તબક્કામાં લીક થવા દેશે.
• શાસનની ઉપેક્ષા. ટૂલ્સ અને ડેટાનો અનિયમિત ઉપયોગ લીકેજ અને સુરક્ષા જોખમો ઉભો કરે છે.
• ઉપયોગ છુપાવો. જો AI નો ઉપયોગ પારદર્શક રીતે દસ્તાવેજીકૃત કરવામાં આવતો નથી, તો વિશ્વાસ અને કાનૂની સુરક્ષા બંનેને નુકસાન થાય છે.
• ઔપચારિક જોવા માટે સુરક્ષા-નિર્ણાયક મંજૂરી. અધિકૃત મંજૂરી એ હસ્તાક્ષર કરવાની ઔપચારિકતા નથી પરંતુ વાસ્તવિક ચકાસણીની જવાબદારી છે.
• પર્યાવરણીય અને સામાજિક પાસાઓને ભૂલી જવું. નિર્ણયોને માત્ર આર્થિક જ નહીં પરંતુ આરોગ્ય અને પર્યાવરણીય દ્રષ્ટિકોણથી પણ ગણવામાં આવે છે.

સારાંશમાં

એન્ડ-ટુ-એન્ડ સ્ટ્રક્ચરમાં, AI રાસાયણિક ઇજનેરીના દરેક તબક્કે માનવ ચકાસણી દરવાજા સાથે જોડાયેલું છે; તમે બીજા દરવાજામાંથી પસાર થયા વિના એક દરવાજામાંથી પસાર થઈ શકતા નથી. ગવર્નન્સ ફ્રેમવર્ક (પ્રમાણિત સાધનો, ડેટા વર્ગીકરણ, ટ્રેસેબિલિટી, તાલીમ, સતત ચકાસણી) આ શિસ્તને એન્ટરપ્રાઇઝ સ્કેલ પર લાવે છે. જવાબદાર ઉપયોગની કરોડરજ્જુ છ સિદ્ધાંતો છે: માનવ જવાબદારી, સુરક્ષા અગ્રતા, ચકાસણી શિસ્ત, ગોપનીયતા, પારદર્શિતા અને પર્યાવરણીય-સમાજ જવાબદારી. AI એક શક્તિશાળી સહાયક છે; પરંતુ ડિઝાઇન, સુરક્ષા અને છેલ્લા શબ્દના માલિક હંમેશા સક્ષમ નિષ્ણાત છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના (અથવા કાલ્પનિક) પ્રોજેક્ટ માટે "વર્કફ્લો ગેટ પ્લાન" ટેમ્પલેટ સાથે પાંચ-પગલાંની ચકાસણી ગેટ પ્લાન બનાવો; દરેક તબક્કા માટે એક-વાક્યની સંક્રમણ સ્થિતિ લખો. પછી, "ગવર્નન્સ સેલ્ફ-ઓડિટ" ટેમ્પલેટ સાથે, મૂલ્યાંકન કરો કે આ પ્રોજેક્ટમાં AI નો ઉપયોગ મંજૂર સાધનો, ડેટા વર્ગીકરણ, ટ્રેસેબિલિટી અને તાલીમના સંદર્ભમાં કેવી રીતે થઈ રહ્યો છે, અને ઓછામાં ઓછા બે સુધારાઓ ઓળખો.

ચેકલિસ્ટ

• [ ] મેં દરેક તબક્કે માનવ ચકાસણી ગેટ અને એક-વાક્ય પાસની શરત મૂકી છે.
• [ ] મેં માન્ય સાધન સૂચિ અને ડેટા વર્ગીકરણ વ્યાખ્યાયિત કર્યું.
• [ ] મેં રેકોર્ડ/ટ્રેસેબિલિટી (શું આઉટપુટ, કોણે ચકાસ્યું, કયો સ્ત્રોત) રાખ્યો.
• [ ] મેં રિપોર્ટમાં AI નો ઉપયોગ પારદર્શક રીતે કર્યો છે.
• [ ] હું અધિકૃત નિષ્ણાતની મંજૂરી અને પર્યાવરણીય-સમાજની જવાબદારીને સલામતી-નિર્ણાયક નિર્ણયોનું શ્રેય આપું છું.

મોડ્યુલ પરીક્ષા

1. કેમિકલ એન્જિનિયરિંગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે નીચેનામાંથી કયું સ્થાન સૌથી સચોટ છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ માનવ મંજૂરી વિના સીધા જ ડિઝાઇનમાં સલામતી ગણતરીઓ લખી શકે છે
• B) AI એ એકાઉન્ટ એક્સિલરેટર અને બ્લુપ્રિન્ટ જનરેટર છે; ડિઝાઇનની સલામતી નક્કી કરવાની જવાબદારી અને અંતિમ નિર્ણય મનુષ્યની છે ✔
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ હંમેશા મનુષ્યો કરતાં વધુ વિશ્વસનીય હોવાથી, સુરક્ષાના નિર્ણયો તેના પર છોડવા જોઈએ.
• ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ માત્ર ટેક્સ્ટનો સારાંશ આપવા માટે જ ઉપયોગી છે, તેને એન્જિનિયરિંગ ગણતરીઓ સાથે કોઈ લેવાદેવા નથી

વર્ણન: કૃત્રિમ બુદ્ધિ; તે એક સહાયક છે જે વિશાળ ડેટા, ફ્લેગ પેટર્ન અને ગણતરીઓ/કોડ ડ્રાફ્ટ તૈયાર કરે છે. ડિઝાઇનની સલામતી, સિમ્યુલેશનનું અર્થઘટન અને અંતિમ નિર્ણય જેવા જટિલ મુદ્દાઓની જવાબદારી અને મંજૂરી સક્ષમ નિષ્ણાતની છે; અપ્રમાણિત આઉટપુટ રિએક્ટર લીક અથવા વિસ્ફોટ તરફ દોરી શકે છે. તેથી, કૃત્રિમ બુદ્ધિ આઉટપુટ સક્ષમ નિષ્ણાતની મંજૂરીને બદલતું નથી.

2. આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલ એન્જિનિયરિંગ ગણતરી પરિણામ માટે ત્રણ-પગલાંની ચકાસણી શિસ્ત કઈ છે?

• એ) આઉટપુટ અસ્ખલિત અને આત્મવિશ્વાસપૂર્ણ છે કે કેમ તે જોવું
• B) કૃત્રિમ બુદ્ધિમત્તાને એક જ પ્રશ્ન ત્રણ વખત પૂછો અને સરેરાશ લો
• C) તેને ભૌતિકશાસ્ત્ર/સ્રોત સાથે કનેક્ટ કરો, સ્વતંત્ર રીતે તેનું પરીક્ષણ કરો, તેને ટિપ્પણી-સીમા ફિલ્ટરમાંથી પસાર કરો ✔
• ડી) પરિણામ સીધું સ્વીકારવું અને માત્ર રિપોર્ટના તબક્કે જ તેની તપાસ કરવી

સમજૂતી: દરેક આઉટપુટ સૌપ્રથમ ભૌતિકશાસ્ત્ર/સ્રોત (કયા સમીકરણ, કયો સ્ત્રોત, કઈ ધારણા) સાથે જોડાયેલ હોય છે, પછી તેનું સ્વતંત્ર પદ્ધતિ (હાથની ગણતરી, સિમ્યુલેશન, સંદર્ભ ડેટા, ઓર્ડર ચેક) સાથે પરીક્ષણ કરવામાં આવે છે અને અંતે તે ટિપ્પણી-સીમા ફિલ્ટરમાંથી પસાર થાય છે (સામૂહિક/ઊર્જા સંરક્ષિત છે, વાસ્તવિક મૂલ્ય છે). આ ત્રણ પગલાં મોટા ભાગના આભાસને પકડે છે.

3. જો કુલ જથ્થામાં પ્રવેશવું અને બહાર નીકળવું એ પ્રક્રિયા ડિઝાઇનમાં કૃત્રિમ બુદ્ધિ દ્વારા સ્થાપિત સામગ્રી સંતુલન ડ્રાફ્ટ સાથે મેળ ખાતું ન હોય તો શું કરવું જોઈએ?

• એ) નાનો તફાવત બિનમહત્વપૂર્ણ છે, તેને અવગણો અને ડિઝાઇન ચાલુ રાખો
• બી) તફાવત જોવા મળે છે અને સુધારેલ છે; ત્યાં ઘણીવાર ભૂલી ગયેલા પ્રવાહ અથવા ડબલ-કાઉન્ટેડ લૂપબેક હોય છે ✔
• C) સંતુલન યોગ્ય માનવામાં આવે છે કારણ કે કૃત્રિમ બુદ્ધિ તે રીતે ગણતરી કરે છે.
• ડી) તફાવત બનાવવા માટે આઉટગોઇંગ સ્ટ્રીમનું મૂલ્ય મેન્યુઅલી મોટું કરવામાં આવે છે

સમજૂતી: રાસાયણિક ઇજનેરીમાં, સમૂહ કાં તો સંરક્ષિત છે અથવા નથી; 'તેની લગભગ કિંમત' અસ્વીકાર્ય છે. જો ઇનપુટ = આઉટપુટ સમીકરણ સંતુષ્ટ ન હોય, તો ઘણીવાર ભુલાઈ ગયેલ બાજુ પ્રવાહ, ડબલ-કાઉન્ટેડ રિસાયકલ અથવા ભૂલ હોય છે. જ્યાં સુધી આ શોધી અને સુધારવામાં ન આવે ત્યાં સુધી ડિઝાઇન આગળ વધી શકતી નથી; અન્યથા ભૂલ તમામ અનુગામી કદ બદલવામાં આવશે.

4. એક પ્રક્રિયા સિમ્યુલેશન 'કન્વર્જ્ડ અને એક સુઘડ ચિત્ર આપ્યું'. આ પરિણામની ચોકસાઈ માટે સૌથી ગંભીર જોખમ શું છે?

• A) કોષ્ટક રંગીન અને સુવાચ્ય સ્વરૂપમાં પ્રસ્તુત નથી
• બી) સિમ્યુલેશન ખૂબ ઝડપથી કન્વર્જ થાય છે
• સી) એક થર્મોડાયનેમિક મોડલ જે સિસ્ટમની લાક્ષણિકતાઓ માટે યોગ્ય નથી તે ખાતરીપૂર્વક પરંતુ ખોટા પરિણામો આપે છે ✔
• ડી) પ્રવાહ કોષ્ટકમાં ઘણા બધા દશાંશ સ્થાનો છે

સમજૂતી: મોટાભાગની સિમ્યુલેશન ભૂલો સંખ્યાત્મક નથી, પરંતુ થર્મોડાયનેમિક મોડલ (પ્રોપર્ટી પેકેજ) પસંદગીને કારણે છે. ધ્રુવીય મિશ્રણમાં આદર્શ મોડલ લાગુ કરવાથી એઝિયોટ્રોપ અદ્રશ્ય થઈ શકે છે, અને પરિણામ સરળ પરંતુ સંપૂર્ણપણે ખોટું હશે. દેખીતી રીતે એકરૂપ અને સુંદર ચિત્ર સાચું સાબિત થતું નથી; મોડેલ ફિટ અને પ્રાયોગિક સરખામણી જરૂરી છે.

5. જ્યારે કૃત્રિમ બુદ્ધિ રિએક્ટર ડિઝાઇન માટે પ્રતિક્રિયા દર સ્થિર (k) મૂલ્ય આપે ત્યારે વ્યક્તિએ કેવી રીતે કાર્ય કરવું જોઈએ?

• એ) મૂલ્ય પ્રાયોગિક રીતે નક્કી કરવું જોઈએ; AI આગાહીનો ઉપયોગ ડિઝાઇન ડેટા તરીકે થતો નથી ✔
• B) મૂલ્ય સીધા ડિઝાઇનમાં મૂકવામાં આવે છે કારણ કે AI વિશ્વાસપૂર્વક વિતરિત કરે છે
• C) સ્થિતિને ધ્યાનમાં લીધા વિના દરેક પ્રતિક્રિયામાં મૂલ્ય સમાન હોવાનું માનવામાં આવે છે
• ડી) ઈન્ટરનેટ પર સમાન નંબર દેખાય તે પછી મૂલ્ય પર્યાપ્ત છે

વર્ણન: દર સ્થિરાંકો, સક્રિયકરણ ઊર્જા અને પદ્ધતિ માત્ર પ્રયોગ દ્વારા નક્કી કરવામાં આવે છે; સમાન પ્રતિક્રિયા વિવિધ ઉત્પ્રેરક, અશુદ્ધિઓ અથવા તબક્કાઓ સાથે ખૂબ જ અલગ રીતે વર્તે છે. AI દ્વારા પરત કરવામાં આવેલ A k મૂલ્ય પ્રારંભિક અનુમાન હોઈ શકે છે, પરંતુ તે ડિઝાઇન ડેટા નથી. દરેક ગતિ પરિમાણ જે ડિઝાઇનના આધારે જાય છે તે પ્રયોગમૂલક સ્ત્રોત પર આધારિત હોવું જોઈએ.

6. સલામત ઠંડક ડિઝાઇન માટે એક્ઝોથર્મિક પ્રતિક્રિયા (પ્રતિક્રિયા એન્થાલ્પી) ની ગરમી કેવી રીતે નક્કી કરવી જોઈએ?

• A) કૃત્રિમ બુદ્ધિ દ્વારા આપવામાં આવેલ પ્રારંભિક મૂલ્ય સીધા જ ઠંડક ડિઝાઇનમાં દાખલ થાય છે
• બી) મૂલ્ય કેલરીમેટ્રી દ્વારા માપવામાં આવે છે અને અધિકૃત ઈજનેર દ્વારા મૂલ્યાંકન કરવામાં આવે છે, તે કૃત્રિમ બુદ્ધિના અનુમાન પર આધારિત નથી ✔
• સી) જો પ્રતિક્રિયા એક્ઝોથર્મિક હોય, તો ગરમીના ભારને અવગણી શકાય છે
• ડી) સ્થિતિને ધ્યાનમાં લીધા વિના સમાન સંયોજનનું મૂલ્ય વપરાય છે

વર્ણન: પ્રતિક્રિયા ગરમી અને થર્મલ રનઅવે સંભવિત સલામતી-નિર્ણાયક મુદ્દો છે. AI દ્વારા પરત કરવામાં આવેલ મૂલ્ય અલગ દ્રાવક/સ્થિતિનું હોઈ શકે છે અને વાસ્તવિક ગરમીના ભારને નોંધપાત્ર રીતે ખોટી રીતે રજૂ કરી શકે છે. આ મૂલ્યો કેલરીમેટ્રી (દા.ત. પ્રતિક્રિયા કેલરીમેટ્રી) દ્વારા માપવામાં આવે છે અને સક્ષમ એન્જિનિયર દ્વારા મૂલ્યાંકન કરવામાં આવે છે; તે ક્યારેય એકલા આર્ટિફિશિયલ ઇન્ટેલિજન્સ અનુમાન પર આધારિત નથી.

7. કૃત્રિમ બુદ્ધિમત્તાએ આત્મવિશ્વાસ નંબર સાથે દ્રાવકનું વરાળનું દબાણ આપ્યું. આ મૂલ્યનો ઉપયોગ કરતા પહેલા શું કરવું જોઈએ?

• A) મૂલ્ય અસ્ખલિત રીતે આપવામાં આવ્યું હોવાથી, તે સીધા કૉલમની ડિઝાઇનમાં મૂકવામાં આવે છે
• બી) માત્ર એકમ નિયંત્રિત છે, સ્ત્રોત જોવાની જરૂર નથી
• C) મૂલ્ય વિશ્વસનીય ડેટાબેઝ (DIPPR/NIST) અથવા પ્રયોગ દ્વારા શરત સાથે ચકાસવામાં આવે છે ✔
• ડી) જો મૂલ્યની તુલના અન્ય દ્રાવક સાથે કરવામાં આવે છે અને તે સમાન છે, તો તે સ્વીકારવામાં આવે છે.

સમજૂતી: વિશેષતા અંદાજ એ ડિઝાઇનનો સંખ્યાત્મક આધાર છે, અને અહીં એક ભૂલ સમગ્ર ગણતરી દરમિયાન ફેલાય છે. AI મૂલ્ય અન્ય સંયોજન સાથે સંબંધિત હોઈ શકે છે, ખોટી સ્થિતિમાં હોઈ શકે છે અથવા આભાસ હોઈ શકે છે. તેથી, દરેક નિર્ણાયક વિશેષતા વિશ્વસનીય ડેટાબેઝ (DIPPR/NIST) અથવા પ્રયોગ દ્વારા ચકાસવામાં આવે છે; મૂલ્યની સ્થિતિ (તાપમાન, દબાણ, તબક્કો) સાથે પણ વિનંતી કરવી આવશ્યક છે.

8. જો કૃત્રિમ બુદ્ધિમત્તાને પ્રક્રિયાના ઑપ્ટિમાઇઝેશનમાં 'ઊર્જા ન્યૂનતમ' કરવાનું કહેવામાં આવે તો શું થાય છે પરંતુ ઉત્પાદનની શુદ્ધતાની કોઈ મર્યાદા આપવામાં આવતી નથી?

• એ) પરિણામ હંમેશા સલામત અને ઉચ્ચ ગુણવત્તાનું હોય છે, પ્રતિબંધો બિનજરૂરી છે
• બી) એક ભ્રામક શ્રેષ્ઠ ઉભરી શકે છે જે કાગળ પર સારું લાગે છે પરંતુ શુદ્ધતા અથવા સલામતીનું બલિદાન આપે છે ✔
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ખૂટતા અવરોધોને સ્વયંભૂ અને યોગ્ય રીતે પૂર્ણ કરે છે
• ડી) ઑપ્ટિમાઇઝેશન કામ કરતું નથી અને કોઈ પરિણામ આપતું નથી

સમજૂતી: અનિયંત્રિત ઑપ્ટિમાઇઝેશન ગેરમાર્ગે દોરનારું છે: AI અથવા અલ્ગોરિધમ એક 'ઑપ્ટિમમ' સૂચવી શકે છે જે કાગળ પર ઊર્જા ઘટાડે છે પરંતુ વાસ્તવમાં સ્પષ્ટીકરણની નીચે ઉત્પાદનની શુદ્ધતા ઘટાડે છે અથવા સલામતી માર્જિન કરતાં વધી જાય છે. તેથી, તમામ ગુણવત્તા અને સુરક્ષા અવરોધો, તેમજ હેતુ અને નિર્ણય ચલો, સંપૂર્ણ રીતે વ્યાખ્યાયિત હોવા જોઈએ; સલામતી અને સંભવિતતા માટે ગાણિતિક શ્રેષ્ઠનું પણ પરીક્ષણ કરવું આવશ્યક છે.

9. જ્યારે AI સેન્સર ડેટામાં અચાનક જમ્પને 'સંભવિત લીક' તરીકે ફ્લેગ કરે ત્યારે પ્રથમ શું કરવું જોઈએ?

• A) પ્રક્રિયા તરત જ બંધ કરવી, કારણ કે આર્ટિફિશિયલ ઈન્ટેલિજન્સે કહ્યું કે તે લીક થઈ રહી છે
• બી) સિગ્નલને અવગણવું કારણ કે સેન્સર હંમેશા ખોટા હોય છે
• સી) વિશ્વસનીયતા ફિલ્ટર વડે તપાસવું કે સિગ્નલ વાસ્તવિક પ્રક્રિયાની ઘટના છે કે સેન્સર/માપની સમસ્યા છે ✔
• ડી) ડેટા સેટમાંથી જમ્પ આપમેળે કાઢી નાખો

સમજૂતી: સેન્સર જૂઠું બોલી શકે છે: કેલિબ્રેશન સ્લિપ થાય છે, કનેક્શન ઢીલું થઈ જાય છે, લાઇન અવાજ ઉઠાવે છે. ડેટાની વિશ્વસનીયતા માટે વિસંગતતા સિગ્નલને પહેલા ફિલ્ટર કરવું આવશ્યક છે: શું તે પડોશી/સંબંધિત સેન્સર્સ સાથે સુસંગત છે, શું તે ભૌતિક રીતે શક્ય છે, શું તે જાળવણી/કેલિબ્રેશન રેકોર્ડ સાથે મેળ ખાય છે? આ પસાર થયા પછી જ તેની વાસ્તવિક પ્રક્રિયા ઘટના તરીકે તપાસ કરવામાં આવે છે; નહિંતર, ખોટા એલાર્મના આધારે હસ્તક્ષેપ થઈ શકે છે.

10. HAZOP અભ્યાસમાં AI ની યોગ્ય અને સલામત ભૂમિકા શું છે?

• A) પ્રક્રિયાને જાણીને અને મીટિંગને બિનજરૂરી બનાવીને સંપૂર્ણ HAZOP બનાવવું
• બી) જોખમના સ્તરોનું ચોક્કસ વર્ગીકરણ કરવું અને સાવચેતીભર્યા નિર્ણયો લેવા
• સી) કાર્યકારી માળખું પૂરું પાડવું, શબ્દોના પ્રશ્નોનું માર્ગદર્શન આપવું અને મિનિટો તૈયાર કરવી; જોખમનું વાસ્તવિક મૂલ્યાંકન નિષ્ણાત ટીમ પર છોડી દો ✔
• ડી) મીટીંગના સ્થળે જઈને એકલા અંતિમ જોખમ અહેવાલ પર સહી કરવી

વર્ણન: HAZOP એ સુરક્ષા-નિર્ણાયક નિષ્ણાત પ્રવૃત્તિ છે. કૃત્રિમ બુદ્ધિ; નોડ/પેરામીટર/ગાઇડવર્ડ મેટ્રિક્સ ફ્રેમવર્ક દસ્તાવેજીકરણને ઝડપી બનાવે છે, જેમ કે લાક્ષણિક દૃશ્ય યાદ અને મિનિટ સંપાદન. પરંતુ કયું વિચલન વાસ્તવિક ખતરો છે, પરિણામની ગંભીરતા અને સાવચેતીની પર્યાપ્તતા મલ્ટિડિસિપ્લિનરી નિષ્ણાત ટીમની છે; વધુમાં, કૃત્રિમ બુદ્ધિમત્તામાં પ્રક્રિયા-વિશિષ્ટ જોખમો જોવા મળતા નથી. AI ડ્રાફ્ટ એ નિષ્ણાત મીટિંગનું ઇનપુટ છે, આઉટપુટ નથી.

11. ધોરણો અને નિયમનકારી સંશોધનમાં AI માટે સૌથી મહત્વપૂર્ણ ચેતવણી શું છે?

• A) કૃત્રિમ બુદ્ધિ તેના પ્રમાણભૂત જ્ઞાનમાં ક્યારેય ખોટું નથી, તેનો સીધો ઉપયોગ કરી શકાય છે
• બી) દરેક પદાર્થ નંબર, મર્યાદા મૂલ્ય અને તારીખ પ્રાથમિક અને વર્તમાન સ્ત્રોતમાંથી ચકાસવામાં આવશ્યક છે; AI માત્ર દિશા પ્રદાન કરે છે ✔
• સી) અપડેટ ચેક બિનજરૂરી છે કારણ કે ધોરણો ક્યારેય બદલાતા નથી.
• ડી) એકલા ચેકલિસ્ટ બનાવવાથી પાલન સાબિત થાય છે

સમજૂતી: ધોરણોનું સંશોધન એ એવા ક્ષેત્રોમાંનું એક છે જ્યાં AI આભાસ સૌથી વિનાશક હોઈ શકે છે: અસ્તિત્વમાં ન હોય તેવી આઇટમ નંબર, ખોટો બ્રેકપોઇન્ટ અથવા જૂની જરૂરિયાતને ખૂબ જ ખાતરીપૂર્વક રજૂ કરી શકાય છે. પાલન એટલે સુરક્ષા અને કાયદો બંને. તેથી, દરેક પદાર્થ, મર્યાદા મૂલ્ય અને તારીખનો ઉપયોગ પ્રાથમિક અને વર્તમાન સ્ત્રોતમાંથી પુષ્ટિ કર્યા વિના કરી શકાતો નથી; AI માત્ર દિશા પ્રદાન કરે છે.

12. આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા લખાયેલ પાયથોન એન્જિનિયરિંગ કેલ્ક્યુલેશન કોડ ભૂલો વિના કામ કરે છે અને સંખ્યા ઉત્પન્ન કરે છે. આ નિષ્કર્ષ પર વિશ્વાસ કરવા માટે શું કરવું જોઈએ?

• A) કોડની ભૂલ-મુક્ત કામગીરી સાબિત કરે છે કે પરિણામ સાચું છે.
• બી) કોડનું પરીક્ષણ જાણીતા પરિણામ સાથે થવું જોઈએ, એકમ અને ધારના કેસોનું પરીક્ષણ કરવું જોઈએ, અને સુરક્ષા ગણતરી પણ સત્તાધિકારી દ્વારા ચકાસવી જોઈએ ✔
• C) જો કોડ લાંબો હોય અને જટિલ લાગે, તો તેને સાચો ગણી શકાય
• ડી) તે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા લખાયેલ હોવાથી, વધારાની ચકાસણીની જરૂર નથી

સમજૂતી: 'વર્કિંગ' અને 'કરેક્ટ' અલગ-અલગ વસ્તુઓ છે: કોડ ભૂલો વિના ચાલી શકે છે અને ખોટો નંબર પેદા કરી શકે છે (યુનિટ કન્ફ્યુઝન, સાઇન એરર, ઇન્ડેક્સ શિફ્ટ). તેથી, દરેક કોડનું પરીક્ષણ કેસ (વિશ્લેષણાત્મક નમૂના, હાથની ગણતરી, સંદર્ભ ડેટા) પર પરીક્ષણ કરવું જોઈએ જેનો જવાબ સ્વતંત્ર રીતે જાણીતો છે; એકમો અને ધારના કેસોની તપાસ કરવી આવશ્યક છે; સલામતી-નિર્ણાયક ગણતરીઓ પણ અધિકૃત ઇજનેર દ્વારા ચકાસવી આવશ્યક છે.

13. ડિઝાઇન અથવા સિક્યોરિટી ડોક્યુમેન્ટમાં લીક થતી સિંગલ બગથી એન્ડ-ટુ-એન્ડ AI-સક્ષમ કેમિકલ એન્જિનિયરિંગ પ્રક્રિયાને સુરક્ષિત રાખવાની સૌથી અસરકારક રીત કઈ છે?

• A) સમગ્ર પ્રક્રિયાને એક જ AI ટૂલને સોંપવી અને અંતે એક નજર નાખવી
• બી) ઝડપ માટે મધ્યવર્તી ચકાસણીઓ દૂર કરવી અને માત્ર અંતિમ તબક્કે તપાસ કરવી
• C) દરેક તબક્કે માનવ ચકાસણી દ્વાર અને એક-વાક્ય પાસની શરત મૂકવી (સ્તરવાળી ચકાસણી) ✔
• ડી) દરેક ઈજનેર રેકોર્ડ રાખ્યા વિના પોતાના વાહનનો મુક્તપણે ઉપયોગ કરી શકે છે.

વર્ણન: માનવ ચકાસણી દરવાજો અને સ્પષ્ટ સંક્રમણ સ્થિતિ (શું તે સ્થિર છે, શું તે સ્ત્રોત સાથે જોડાયેલ છે, કોડ ચકાસાયેલ છે, નિષ્ણાતની મંજૂરી પ્રાપ્ત છે) દરેક તબક્કે મૂકવામાં આવે છે (ડિઝાઇન, વિશ્લેષણ, કદ, સુરક્ષા, કામગીરી). તમે બીજા દરવાજામાંથી પસાર થયા વિના એક દરવાજામાંથી પસાર થઈ શકતા નથી; આ સ્તરીય માળખું અનુગામી તબક્કામાં એકલ AI ભૂલને લીક થવાથી અટકાવે છે.

14. નીચેનામાંથી કઈ એપ્લિકેશન સંસ્થામાં કૃત્રિમ બુદ્ધિના ઉપયોગને શાસનની દ્રષ્ટિએ સુરક્ષિત બનાવે છે?

• A) દરેક વપરાશકર્તા તેમની પસંદગીના કોઈપણ ઓપન ટૂલમાં સ્વતંત્રપણે માલિકીનો ડેટા દાખલ કરી શકે છે.
• બી) એક ગવર્નન્સ ફ્રેમવર્ક જેમાં માન્ય વાહન સૂચિ, ડેટા વર્ગીકરણ, ટ્રેસીબિલિટી, તાલીમ અને ચાલુ ચકાસણીનો સમાવેશ થાય છે ✔
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ બિલકુલ નોંધાયેલો નથી
• ડી) સુરક્ષા-સંવેદનશીલ એકાઉન્ટ્સ સહિત દરેક નોકરી માટે એક જ, અપ્રુવ્ડ ટૂલનો ઉપયોગ કરવો

સમજૂતી: 'દરેક વ્યક્તિએ તેઓને જોઈતો ડેટા તેઓને જોઈતા વાહનને આપવો જોઈએ' અભિગમ માલિકીની માહિતી લિકેજ અને સુરક્ષા ભૂલો બંનેનું જોખમ ઊભું કરે છે. નક્કર શાસન માળખું; તેમાં માન્ય વાહન અને મોડેલ સૂચિ, ડેટા વર્ગીકરણ (કયું વાહન નોંધાયેલ/વ્યક્તિગત ડેટાની નોંધણી કરી શકે છે), નોંધણી અને ટ્રેસેબિલિટી (ઓડિટ ટ્રેઇલ), વપરાશકર્તા તાલીમ અને સતત ચકાસણીનો સમાવેશ થાય છે. આ જટિલ ઈન્ફ્રાસ્ટ્રક્ચર છે જે જોખમોને મર્યાદિત કરે છે.