એન્ડ-ટુ-એન્ડ વર્કફ્લો: AI સાથે શરૂઆતથી સમાપ્ત સુધી પ્રોજેક્ટ ચલાવવો

નફો:

• પ્રોજેક્ટને કન્સેપ્ટથી લઈને ડિલિવરી સુધીના તબક્કામાં વિભાજીત કરવાની ક્ષમતા અને આર્ટિફિશિયલ ઈન્ટેલિજન્સ, સક્રિય થવાની ચકાસણી અને દરેક તબક્કે જવાબદાર નિષ્ણાતની ભૂમિકા નક્કી કરવાની ક્ષમતા.
• દરેક તબક્કાના અંતે જોખમ બકેટ પ્રશ્ન પૂછવા અને તેના પોતાના તબક્કે સ્થાનિક પ્લાન્ટ, કાયદા અને કિંમતની પુષ્ટિ કરવામાં સક્ષમ બનવું.
• AI ઉત્પાદનને એકીકૃત કરવાની ક્ષમતા, માનવ નિર્ણય લે છે, દરેક નિર્ણાયક આઉટપુટ ચકાસવામાં આવે છે, હસ્તાક્ષર એન્ડ-ટુ-એન્ડ વર્કફ્લોમાં નિષ્ણાત સિદ્ધાંતો સાથે છે

અગાઉના અગિયાર એકમોમાં, અમે એક પછી એક ભાગો શીખ્યા: ખ્યાલ, દ્રશ્ય, સાઇટ વિશ્લેષણ, છોડ, પાણી, ટકાઉપણું, તકનીક, પ્રસ્તુતિ, ખર્ચ, કાયદો. આ એકમમાં અમે તે બધાને એક વાસ્તવિક પ્રોજેક્ટમાં જોડીએ છીએ. ઉદ્દેશ્ય એવા વર્કફ્લોની સ્થાપના કરવાનો છે કે જે પ્રોજેક્ટની શરૂઆતથી તેની ડિલિવરી સુધી કૃત્રિમ બુદ્ધિમત્તા (AI) નો અસ્ખલિત અને સુરક્ષિત રીતે ઉપયોગ કરી શકે. વર્કફ્લો એ અનુક્રમિક પગલાઓનો સમૂહ છે જે નોકરી શરૂઆતથી અંત સુધી અનુસરે છે. આ એકમ સારાંશ નથી, પરંતુ એકીકરણ રિહર્સલ છે: દરેક તબક્કે, જ્યાં AI વેગ આપે છે, જ્યાં તે અટકે છે, કઈ માન્યતા અમલમાં આવે છે.

નમૂના પ્રોજેક્ટ: સ્ટ્રીમ દ્વારા 4 હેક્ટર સિટી પાર્ક

ચાલો આપણે જે પ્રોજેક્ટનો ઉલ્લેખ કર્યો છે તે મોડ્યુલમાં શરૂઆતથી અંત સુધી ધ્યાનમાં લઈએ. મ્યુનિસિપાલિટી પૂરના જોખમમાં નિષ્ક્રિય સ્ટ્રીમ બેંકને શહેરના ઉદ્યાનમાં રૂપાંતરિત કરવા માંગે છે જે પાણીને બફર કરે છે અને પડોશમાં ઉપયોગીતા લાવે છે. બજેટ મર્યાદિત છે, સમયગાળો ત્રણ મહિનાનો છે, વાતાવરણ હળવું-વરસાદી છે.

તબક્કો 1 — ફ્રેમવર્ક અને ખ્યાલ (એકમો 1-2). પ્રોજેક્ટ ફ્રેમવર્ક અને 6 થીમ્સ AI સાથે બનાવવામાં આવે છે; ટીમ "પાણીની લાઇન કે જે સ્ટ્રીમને શહેર ભૂલી ગયું છે તે પરત કરે છે" ની થીમ પસંદ કરે છે અને તેને સિદ્ધાંતોમાં અનુવાદિત કરે છે. AI વિવિધતા લાવે છે અને ટીમોની પસંદગી કરે છે.

સ્ટેજ 2 — ક્ષેત્ર વિશ્લેષણ (યુનિટ 4). ઢાળ, ઓરિએન્ટેશન, પાણીનો પ્રવાહ GIS માંથી મેળવવામાં આવે છે; ક્ષેત્રીય પ્રવાસ થાય. AI માપેલ ડેટા + અવલોકનનું સંશ્લેષણ કરે છે અને તક-અવરોધ સૂચિ બનાવે છે. સાધનમાંથી માપન, સંશ્લેષણ ચકાસાયેલ.

સ્ટેજ 3 - પાણી અને આબોહવાની વ્યૂહરચના (યુનિટ 6). YZ રેન ગાર્ડન + બાયોસ્વાલ + પારગમ્ય માટીના મિશ્રણની દરખાસ્ત કરે છે; સમાધાન તર્ક સ્થાપિત થયેલ છે. ડાયમેન્શનિંગ હાઇડ્રોલિક એન્જિનિયરને સોંપવામાં આવે છે.

સ્ટેજ 4 — પ્લાન્ટ પેલેટ (એકમ 5). AI ફીચર પ્રોફાઇલ અને ઉમેદવારોની યાદી બનાવે છે; ટીમ સ્થાનિક આબોહવા ક્ષેત્ર, આક્રમક સૂચિ, ઝેરી અને છોડની ઉપલબ્ધતા માટે દરેક પ્રજાતિની ચકાસણી કરે છે. ચકાસાયેલ પ્રકારો શામેલ નથી.

સ્ટેજ 5 — ટકાઉપણું તપાસ (યુનિટ 7). ડિઝાઇન પાણી-અભેદ્યતા-સ્થાનિક દર-શેડ-બાયોડાયવર્સિટી સ્કોરકાર્ડમાંથી પસાર થાય છે; નબળા શીર્ષકો સુધારેલ છે.

સ્ટેજ 6 — દ્રશ્ય અને તકનીકી (એકમો 3, 8). AI વાતાવરણની છબીઓ અને વિગતવાર તર્ક/સામગ્રીની તુલના કરે છે; સ્કેલ શીટ્સ CAD માં દોરવામાં આવે છે, સ્થિર વિગતો એન્જિનિયર દ્વારા દોરવામાં આવે છે.

સ્ટેજ 7 — કિંમત અને સમયપત્રક (એકમ 10). AI વસ્તુઓની સૂચિ અને ટેબલ ગોઠવે છે; વાસ્તવિક જથ્થા અને વર્તમાન કિંમતો દાખલ કરવામાં આવે છે, અને કામનું શેડ્યૂલ વાવેતરની મોસમ અનુસાર સેટ કરવામાં આવે છે.

સ્ટેજ 8 — કાયદો અને રોલઆઉટ (એકમો 9, 11). પરવાનગી ચેકલિસ્ટ અને સંસ્થાના પ્રશ્નો તૈયાર કરવામાં આવે છે, વસ્તુઓની અધિકારી સાથે પુષ્ટિ કરવામાં આવે છે; પ્રસ્તુતિ ત્રણ પ્રેક્ષકો (નગરપાલિકા, પડોશના રહેવાસીઓ, જ્યુરી) માટે વિવિધ ભાષાઓમાં ડિઝાઇન કરવામાં આવી છે.

ટીપ: દરેક તબક્કાના અંતે, એક પ્રશ્ન પૂછો: "શું આ ડિલિવરી કરી શકાય તેવું ઓછું, મધ્યમ અથવા વધુ જોખમ છે; તેની ચકાસણી કોણ કરશે?" આ એક પ્રશ્ન સમગ્ર વર્કફ્લોને સુરક્ષિત રાખે છે.

તબક્કાઓ વચ્ચે સુવર્ણ નિયમ

અંત-થી-અંતના પ્રવાહમાં, ત્રણ સિદ્ધાંતો દરેક તબક્કે પુનરાવર્તિત થાય છે: (1) AI જાતો અને વેગ આપે છે, મનુષ્ય પસંદ કરે છે અને માલિકી ધરાવે છે; (2) દરેક આંકડાકીય/સ્થાનિક/સુરક્ષા-જટિલ આઉટપુટ ચકાસાયેલ છે; (3) નિર્ણય અને સહી સક્ષમ નિષ્ણાત પાસે છે. આ ત્રણ સિદ્ધાંતો બદલાતા નથી; ફક્ત તે વિષય કે જેના પર તેઓ લાગુ થાય છે તે બદલાય છે.

ત્રણ નાના કેસો

કેસ 1 — એન્ડ-ટુ-એન્ડ સ્પીડ. એક ઓફિસે AI-સંચાલિત વર્કફ્લો સાથે સમાન સ્ટ્રીમ પાર્ક ચલાવ્યો: ખ્યાલ અને વિશ્લેષણ 3 અઠવાડિયાથી 10 દિવસ સુધી ચાલ્યું; બચાવેલ સમય વિગતો અને ચકાસણી માટે સમર્પિત હતો. ડિલિવરીની ગુણવત્તામાં સુધારો થયો કારણ કે ટીમને "ઉત્પાદન" કરવાને બદલે "નિર્ણય" કરવા માટે સમય મળ્યો.

કેસ 2 - સાંકળ ચકાસણી. એ જ પ્રોજેક્ટમાં, અલગ-અલગ તબક્કામાં ચાર અલગ-અલગ AI બગ્સ પકડાયા હતા: એક આક્રમક પ્લાન્ટ (યુનિટ 5 વેરિફિકેશન), ફેબ્રિકેટેડ રેગ્યુલેટરી ક્લોઝ (યુનિટ 11 વેરિફિકેશન), એક અતિશયોક્તિયુક્ત ઈમેજ (યુનિટ 3 ચેક), એક ખૂટતી કિંમતની વસ્તુ (યુનિટ 10 ની સૂચિ). સબમિશન સુધી કોઈ પહોંચ્યું નહીં; શિસ્ત કામ કર્યું.

કેસ 3 - ટીમ ટ્રાન્સફોર્મેશન. એક ટીમે શરૂઆતમાં ઘણી બધી ભૂલો કરી, એ વિચારીને કે AI "જાદુ જે બધું કરે છે." એકવાર તેઓએ જોખમ બકેટ શિસ્ત (યુનિટ 1) અપનાવી લીધા પછી, તેઓએ યોગ્ય સ્તરે AI નો ઉપયોગ કરવાનું શરૂ કર્યું: ઓછા જોખમે મુક્ત, મધ્યમ જોખમ પર માન્ય, માત્ર ઉચ્ચ જોખમમાં મદદરૂપ. કાર્યક્ષમતા અને આત્મવિશ્વાસ એકસાથે વધ્યા.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) પ્રોજેક્ટ રોડમેપ:

તમારી ભૂમિકા: લેન્ડસ્કેપ પ્રોજેક્ટ કોઓર્ડિનેટર. પ્રોજેક્ટ: [વર્ણન, સમયગાળો, બજેટ, આબોહવા]. મને એન્ડ-ટુ-એન્ડ વર્કફ્લો રોડમેપ આપો: ખ્યાલ, વિશ્લેષણ, જળ વ્યૂહરચના, પ્લાન્ટ, ટકાઉપણું, દ્રશ્ય, તકનીકી, ખર્ચ, કાયદો, રજૂઆત. દરેક તબક્કે AI ની ભૂમિકા સ્પષ્ટ કરો અને કયા વેરિફિકેશન/નિષ્ણાત તેમાં સામેલ થશે.

2) તબક્કાના જોખમ ઓડિટનો અંત:

જોખમ માટે નીચેના તબક્કા [સ્ટેજ અને આઉટપુટ] નું આઉટપુટ તપાસો: નીચા/મધ્યમ/ઉચ્ચ જોખમના ભાગોને અલગ કરો, દરેક માધ્યમ/ઉચ્ચ માટે કોણ અને કેવી રીતે ચકાસવું, ડિલિવરી પહેલાં બંધ કરવાની જરૂર હોય તેવા અંતરની સૂચિ બનાવો.

3) ડિલિવરી પહેલાં સર્વગ્રાહી નિયંત્રણ:

ડિલિવરી પહેલાં આ પ્રોજેક્ટને સર્વગ્રાહી રીતે તપાસો: કન્સેપ્ટ-ડિઝાઇન સુસંગતતા, સ્થાનિક પ્લાન્ટની ચકાસણી કરવામાં આવી છે કે કેમ, એન્જિનિયરિંગ વ્યૂહરચના મંજૂર કરવામાં આવી છે કે કેમ, કિંમત વાસ્તવિક છે કે કેમ, કાયદાની પુષ્ટિ કરવામાં આવી છે કે કેમ, વિઝ્યુઅલ પ્રતિનિધિ છે કે કેમ. ગુમ થયેલ ચકાસણી યાદીમાં દેખાય છે.

4) પાઠ શીખ્યા:

જ્યારે આ પ્રોજેક્ટ પૂરો થઈ જાય, ત્યારે AI ના ઉપયોગથી શીખેલા પાઠો દોરો: કયા તબક્કે AI એ ખૂબ સારી રીતે કામ કર્યું, કયા તબક્કે ભૂલનું જોખમ વધારે હતું, આગામી પ્રોજેક્ટમાં મારે વર્કફ્લો કેવી રીતે સુધારવો જોઈએ? નક્કર અને કાર્યક્ષમ વસ્તુઓમાં લખો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારા માટે આ પ્રોજેક્ટ શરૂઆતથી અંત સુધી કરો.

આ ઇચ્છા જે એક જ સમયે બધું ઇચ્છે છે; તે વણચકાસાયેલ, સુપરફિસિયલ અને જોખમી ખૂંટો પેદા કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: પ્રોજેક્ટ સંયોજક. પ્રોજેક્ટ: સ્ટ્રીમ દ્વારા 4 હેક્ટર પાર્ક, 3 મહિના, મર્યાદિત બજેટ, હળવા-વરસાદી વાતાવરણ, પ્રાધાન્યતા પૂર બફરિંગ અને પડોશનો ઉપયોગ. મારા માટે એક સ્ટેપ બાય સ્ટેપ વર્કફ્લો ઉભરી આવે છે; દરેક તબક્કે, (1) AI નું નક્કર યોગદાન, (2) જે ચકાસણી અમલમાં આવશે, અને (3) જવાબદાર નિષ્ણાત/ઓથોરિટીનો ઉલ્લેખ કરવો જોઈએ. ઉચ્ચ જોખમના તબક્કાઓને અલગથી ચિહ્નિત કરો. એવું ન કહો કે "એઆઈ કોઈપણ સ્ટેજ પોતાની મેળે પૂર્ણ કરે છે".

ચકાસણી અને જવાબદારી સોંપણી સાથે પ્રગતિશીલ પ્રોમ્પ્ટિંગ એઆઈને સાચા સંકલન સાધનમાં ફેરવે છે.

એન્ડ-ટુ-એન્ડ રોલ સારાંશ કોષ્ટક

સ્ટેજ

AI યોગદાન

ચકાસણી

જવાબદાર

ખ્યાલ

વિવિધતા

બજેટ/ક્લાઇમેટ ફિલ્ટર

ડિઝાઇનર

વિશ્લેષણ

સંશ્લેષણ

ફીલ્ડ + GIS

ક્ષેત્ર વિશ્લેષક

પાણી/આબોહવા

વ્યૂહરચના

હાઇડ્રોલિક કેલ્ક્યુલેટર

એન્જિનિયર

છોડ

ઉમેદવાર યાદી

સ્થાનિક ચકાસણી

લેન્ડસ્કેપ આર્કિટેક્ટ

તકનીકી

તર્ક/ટેક્સ્ટ

CAD + સ્થિર

આર્કિટેક્ટ/એન્જિનિયર

ખર્ચ

ટેબલ

વાસ્તવિક જથ્થો/કિંમત

જથ્થો મોજણીદાર

કાયદો

સારાંશ/સૂચિ

અધિકૃત પુષ્ટિ

સક્ષમ અધિકારી

રજૂઆત

વર્ણનાત્મક

અખંડિતતા તપાસ

ડિઝાઇનર

સામાન્ય ભૂલો

• એક વિનંતીમાં બધું જોઈએ છે. અંત-થી-અંત પ્રવાહ ક્રમિક છે; દરેક તબક્કાની અલગથી ચકાસણી કરવામાં આવે છે.
• અંતિમ તબક્કાના જોખમ ઓડિટને છોડવું. તબક્કાના સંક્રમણો દરમિયાન ભૂલો પકડાય છે.
• સમર્થન એકઠું કરવું અને તેમને છેલ્લા સુધી છોડવું. સ્થાનિક પ્લાન્ટ, કાયદા અને ખર્ચની પુષ્ટિ તેના પોતાના તબક્કે થવી જોઈએ.
• AI પ્રવાહમાં માનવ નિર્ણયને એમ્બેડ કરવું. પસંદગી, માલિકી અને હસ્તાક્ષર દરેક તબક્કે લોકો સાથે રહે છે.
• શીખેલા પાઠની નોંધ ન કરવી. દરેક પ્રોજેક્ટ એ આગામી વર્કફ્લોને સુધારવાની તક છે.

સારાંશમાં

એન્ડ-ટુ-એન્ડ વર્કફ્લો એ છે જ્યાં અગાઉના તમામ એકમો એક જ પ્રોજેક્ટમાં ભેગા થાય છે. AI દરેક તબક્કે વૈવિધ્યીકરણ અને વેગ આપે છે; પરંતુ દરેક તબક્કે લોકો પસંદ કરે છે, ચકાસે છે અને માલિકી ધરાવે છે. ત્રણ અપરિવર્તનશીલ સિદ્ધાંતો પ્રવાહને સુરક્ષિત રાખે છે: AI ઉત્પાદન કરે છે, માનવ નિર્ણય લે છે, દરેક નિર્ણાયક આઉટપુટની ચકાસણી કરવામાં આવે છે, સહી સક્ષમ નિષ્ણાત પાસે હોય છે. પ્રોજેક્ટને તબક્કાઓમાં વિભાજીત કરો, દરેક તબક્કાના અંતે જોખમ બકેટ પ્રશ્ન પૂછો, તેના પોતાના તબક્કામાં ચકાસણી કરો અને દરેક પ્રોજેક્ટમાંથી શીખો. આમ, AI એક ભાગીદાર બને છે જે તમારા વ્યવસાયને મજબૂત બનાવે છે, તેને નબળો બનાવે છે.

એપ્લિકેશન કાર્ય

તમારી પસંદગીના વાસ્તવિક પ્રોજેક્ટ માટે "પ્રોજેક્ટ રોડમેપ" ટેમ્પલેટ સાથે એન્ડ-ટુ-એન્ડ વર્કફ્લો બનાવો; ચકાસો અને દરેક તબક્કા માટે જવાબદારી સોંપો. પછી બે તબક્કાઓ પસંદ કરો અને "તબક્કાના જોખમ ઓડિટનો અંત" નમૂના સાથે તેનું ઓડિટ કરો. છેલ્લે, "હોલિસ્ટિક પ્રી-ડિલિવરી ચેક" ટેમ્પલેટ સાથે તમારી ખૂટતી ચકાસણીઓની યાદી બનાવો.

ચેકલિસ્ટ

• [] મેં પ્રોજેક્ટને તબક્કામાં વિભાજિત કર્યો; મેં દરેક તબક્કાની ચકાસણી કરી અને જવાબદારી સોંપી.
• [ ] મેં દરેક તબક્કાના અંતે જોખમ બકેટ પ્રશ્ન પૂછ્યો.
• [ ] મેં સ્થાનિક પ્લાન્ટ, કાયદા અને તેના પોતાના તબક્કે ખર્ચની પુષ્ટિ કરી.
• [ ] મેં ઉચ્ચ-જોખમના તબક્કાઓને નિષ્ણાતની મંજૂરી સાથે જોડ્યા છે.
• [ ] મેં આગળના વર્કફ્લો માટે પ્રોજેક્ટમાંથી શીખેલા પાઠની નોંધ લીધી.

મોડ્યુલ પરીક્ષા

1. લેન્ડસ્કેપ આર્કિટેક્ચરમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે નીચેનામાંથી કયું સ્થાન સૌથી સચોટ છે?

• A) AI એક પ્રવેગક અને બ્લુપ્રિન્ટ જનરેટર છે; સાઇટ, ઇકોલોજી, સુરક્ષા અને નિયમનકારી નિર્ણયો માટેની જવાબદારી મનુષ્યો પર રહે છે ✔
• બી) આર્ટિફિશિયલ ઈન્ટેલિજન્સ તેની જાતે જ ડિઝાઈનને પૂર્ણ અને સહી કરી શકે છે
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ માત્ર વિઝ્યુઅલ બનાવવામાં જ કામ કરે છે, તેને ડિઝાઇનના અન્ય તબક્કાઓ સાથે કોઈ લેવાદેવા નથી
• ડી) કૃત્રિમ બુદ્ધિ માનવો કરતાં વધુ ઉદ્દેશ્ય હોવાથી, કાયદાકીય નિર્ણયો તેના પર છોડી દેવા જોઈએ.

વર્ણન: આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ આઇડિયા ગુણક અને ડ્રાફ્ટ જનરેટર છે જે ખ્યાલ, દ્રશ્ય, વિશ્લેષણ અને સંચારને વેગ આપે છે; ક્ષેત્રીય વાસ્તવિકતા, સ્થાનિક ઇકોલોજી, સલામતી અને કાનૂની જવાબદારી સક્ષમ નિષ્ણાત પાસે રહે છે. એન્જિનિયરિંગ અને સલામતી-નિર્ણાયક નિર્ણયોમાં, AI નિષ્ણાતની મંજૂરીનો વિકલ્પ નથી.

2. જ્યારે તમે લેન્ડસ્કેપિંગ પ્રોજેક્ટ પરના નિર્ણયોને જોખમ સ્તર દ્વારા તોડી નાખો છો, ત્યારે નીચેનામાંથી કયું 'ઉચ્ચ જોખમ (નિષ્ણાતની મંજૂરી જરૂરી)' બકેટમાં આવશે?

• એ) કન્સેપ્ટ લખાણ લખવું
• બી) મૂડબોર્ડ વિચાર બનાવવો
• સી) વોલ સ્ટેટિક્સ અને બાળકોના રમતના મેદાનની સલામતી જાળવી રાખવી ✔
• ડી) પ્રસ્તુતિ શીર્ષક સૂચન મેળવવું

વર્ણન: ઇજનેરી અને સલામતી-સંવેદનશીલ મુદ્દાઓ જેમ કે દિવાલની સ્થિતિ જાળવી રાખવી, વૃક્ષના મૂળ-પડતરના સંઘર્ષ, ઝેરી/આક્રમક છોડ અને બાળકોના રમતના મેદાનની સલામતીનું જોખમ વધારે છે; અહીં કૃત્રિમ બુદ્ધિ માત્ર એક સહાયક છે, અંતિમ નિર્ણય નિષ્ણાતનો છે. કન્સેપ્ટ ટેક્સ્ટ અને મૂડબોર્ડ ઓછું જોખમ છે.

3. વિભાવના વિકાસના તબક્કા દરમિયાન કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની સૌથી અસરકારક રીત કઈ છે?

• A) ઘણી જુદી જુદી થીમ્સ બનાવવી અને તેમને સંદર્ભ ફિલ્ટરમાંથી પસાર કરીને પસંદ કરીને અને વધુ ઊંડું બનાવવું ✔
• B) એક જ 'શ્રેષ્ઠ ખ્યાલ' માટે પૂછવું અને તેનો સીધો અમલ કરવો
• સી) સંદર્ભ આપ્યા વિના સામાન્ય ખ્યાલ માટે પૂછવું
• ડી) કોઈપણ ટીકા વિના ખ્યાલ પહોંચાડવો

સમજૂતી: માનવ મન પ્રથમ 2-3 વિચારો પર સ્થિર થવાનું વલણ ધરાવે છે. કૃત્રિમ બુદ્ધિની વાસ્તવિક શક્તિ એ છે કે તે ઘણી જુદી જુદી થીમ્સ ઉત્પન્ન કરે છે અને તેની તુલના કરે છે; પસંદગી, ઊંડાણ અને માલિકી માનવીની છે. એક જ 'શ્રેષ્ઠ' ભલામણ માટે પૂછવાથી તે શક્તિનો વ્યય થાય છે.

4. ગ્રાહકને આર્ટિફિશિયલ ઇન્ટેલિજન્સ વડે ઉત્પાદિત રેન્ડર (ઇમેજ) રજૂ કરતી વખતે કયો સિદ્ધાંત જરૂરી છે?

• A) વિઝ્યુઅલને લાગુ કરવા માટે ચોક્કસ અને ચોક્કસ દૃશ્ય તરીકે રજૂ કરવામાં આવે છે.
• બી) વિઝ્યુઅલ સ્કેલ તકનીકી દસ્તાવેજ તરીકે ગણવામાં આવે છે
• સી) દ્રશ્ય પ્રતિનિધિત્વ વાતાવરણ છે; અધિકૃતતા માટે તપાસવામાં આવે છે અને તકનીકી શીટ્સ સાથે પૂરી પાડવામાં આવે છે ✔
• ડી) ઇમેજને ચકાસણી વિના સીધી એપ્લિકેશનમાં ટ્રાન્સફર કરવામાં આવે છે

વર્ણન: આર્ટિફિશિયલ ઇન્ટેલિજન્સ વિઝ્યુઅલ એ સંચાર અને વાતાવરણનું માધ્યમ છે; તે માપન માટે નથી અને તેમાં એવા તત્વો હોઈ શકે છે જે વાસ્તવિકતામાં ઇન્સ્ટોલ કરી શકાતા નથી (અતિશયોક્તિયુક્ત ઘનતા, આબોહવાથી અજાણ્યા છોડ). તેથી, એવું જણાવવું જોઈએ કે તે 'પ્રતિનિધિ વાતાવરણ' છે અને તેને તકનીકી પત્રકો સાથે રજૂ કરવી જોઈએ.

5. વિસ્તાર વિશ્લેષણમાં પ્લોટની સરેરાશ ઢાળ વિશે આર્ટિફિશિયલ ઇન્ટેલિજન્સ પૂછવું કેમ ખોટું છે?

• A) કૃત્રિમ બુદ્ધિ સ્થિતિનું માપન કરી શકતી નથી અને સંખ્યા બનાવી શકે છે; GIS/ફીલ્ડ માપનમાંથી લેવામાં આવેલ માપ ✔
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઢાળની યોગ્ય ગણતરી કરે છે પરંતુ ધીમી છે
• સી) ઢાળ એ બિનમહત્વપૂર્ણ ડેટા છે, પૂછવાની જરૂર નથી
• ડી) કૃત્રિમ બુદ્ધિ માત્ર ચોરસ મીટરની ગણતરી કરી શકે છે, ઢાળની નહીં, પરંતુ અંતરની ગણતરી કરી શકે છે

વર્ણન: કૃત્રિમ બુદ્ધિ પ્લોટને જોઈ શકતી નથી અને અવકાશી માપન કરી શકતી નથી; આવો પ્રશ્ન એક વિશ્વાસપાત્ર પરંતુ પાયાવિહોણી સંખ્યા પેદા કરી શકે છે. ઢાળ, વિસ્તાર અને અંતર જેવા માપન GIS અથવા ક્ષેત્ર સર્વેક્ષણમાંથી લેવામાં આવે છે; આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ માત્ર માપવામાં આવેલા ડેટાને અર્થઘટન કરવા માટે થાય છે.

6. છોડની પસંદગીમાં કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરવાનો સૌથી મહત્વપૂર્ણ નિયમ કયો છે?

• A) ઉમેદવારોની સૂચિ માટે AI નો ઉપયોગ કરો અને સ્થાનિક આબોહવા, આક્રમક સૂચિ, ઝેરી અને બજાર સાથે દરેક પ્રજાતિને માન્ય કરો ✔
• B) AI દ્વારા સૂચિત સૂચિને સીધા પ્રોજેક્ટમાં મૂકવી, કારણ કે તે વૈશ્વિક ડેટા પર આધારિત છે
• C) માત્ર એવી જ પ્રજાતિઓ પસંદ કરવી જે દૃષ્ટિથી આકર્ષક લાગે
• ડી) પ્રાયોગિક પ્રજાતિઓને પ્રાધાન્ય આપવું કારણ કે તેઓ તેમની ચકાસણી કર્યા વિના ઝડપથી વૃદ્ધિ પામે છે.

સમજૂતી: કારણ કે AI વૈશ્વિક સરેરાશથી શીખે છે, તે આબોહવા ક્ષેત્ર, આક્રમક સ્થિતિ, ઝેરી અને બજાર વિશે ખોટું હોઈ શકે છે. તેથી તેનો ઉપયોગ ઉમેદવાર યાદી જનરેટર તરીકે જ થાય છે; દરેક પ્રજાતિ સ્થાનિક આબોહવા ક્ષેત્ર, આક્રમક પ્રજાતિઓની સૂચિ, ઝેરીતા અને રોપાની ઉપલબ્ધતા માટે ચકાસવામાં આવે છે. વણચકાસાયેલ પ્રકાર પ્રોજેક્ટમાં દાખલ થતો નથી.

7. વરસાદી પાણીના સંચાલનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને એન્જિનિયરની ભૂમિકા કેવી રીતે અલગ પડે છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ વ્યૂહરચના અને ક્ષમતાની ગણતરી બંને સુરક્ષિત રીતે કરે છે
• બી) કૃત્રિમ બુદ્ધિ વ્યૂહરચના અને પ્લેસમેન્ટ વિચારો પેદા કરે છે; પરિમાણ અને ક્ષમતા એ એન્જિનિયરની ગણતરી અને મંજૂરી છે ✔
• સી) એન્જિનિયર માત્ર વ્યૂહરચના નક્કી કરે છે, આર્ટિફિશિયલ ઈન્ટેલિજન્સ ગણતરીઓ કરે છે
• ડી) કદ બદલવાનું બિનમહત્વપૂર્ણ છે; જે દિશામાં પાણી વહે છે તે પર્યાપ્ત છે

વર્ણન: રેન ગાર્ડન અને બાયોસવેલ્સ જેવા ઉકેલોનો વિચાર અને પ્લેસમેન્ટ એ ડિઝાઇન નિર્ણયો છે અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ અહીં મદદ કરે છે. જો કે, કદ બદલવાની, ક્ષમતા અને પૂરની સલામતી માટે હાઇડ્રોલિક ગણતરીઓ અને એન્જિનિયરની મંજૂરીની જરૂર છે; આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રવાહ દર/ક્ષમતાની ગણતરી કરી શકતું નથી કારણ કે ખોટા કદનો અર્થ પૂર અથવા પતન થાય છે.

8. ડિઝાઇનની ટકાઉપણુંનું મૂલ્યાંકન કરતી વખતે સૌથી સચોટ અભિગમ શું છે?

• A) ડિઝાઇન જેટલી હરિયાળી દેખાય છે, તે વધુ ટકાઉ છે
• બી) પાણી, અભેદ્યતા, સ્થાનિક દર, છાંયો, જાળવણી અને જૈવવિવિધતા જેવા માપી શકાય તેવા વિષયોમાં ટકાઉપણુંનું મૂલ્યાંકન ✔
• સી) ફક્ત છોડની સંખ્યા વધારવી પૂરતી છે
• ડી) જાળવણી ખર્ચને ધ્યાનમાં લીધા વિના સઘન વાવેતર

સમજૂતી: 'લીલા દેખાવા' એ ટકાઉપણું નથી; એક-પ્રજાતિની લીલી જગ્યા કે જે પુષ્કળ પાણીનો વપરાશ કરે છે તે પારિસ્થિતિક રીતે નબળી અને ખર્ચાળ હોઈ શકે છે. પાણી, અભેદ્યતા, મૂળ પ્રજાતિનો દર, છાંયો, જાળવણી અને જૈવવિવિધતા જેવા માપી શકાય તેવા વિષયો પર ટકાઉપણું સ્કોર કરવાનો અને નબળા મુદ્દાઓને સુધારવાનો યોગ્ય અભિગમ છે.

9. ટેક્નિકલ ડ્રોઇંગ સ્ટેજ પર આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલી રિટેનિંગ વોલના 'સેમ્પલ સેક્શન'માં માપન અને મજબૂતીકરણના મૂલ્યો માટે શું કરવું જોઈએ?

• A) મૂલ્યોની સીધી પ્રોજેક્ટમાં નકલ કરી શકાય છે કારણ કે AI ધોરણો જાણે છે
• બી) મૂલ્યો પ્રતિનિધિ છે; સ્થિર વિગત જમીન સર્વેક્ષણ અને એન્જિનિયરની ગણતરી દ્વારા નક્કી કરવામાં આવે છે, તે ચકાસણી વિના ડ્રોઇંગમાં શામેલ નથી ✔
• સી) મૂલ્યો માત્ર સૌંદર્યલક્ષી હેતુઓ માટે છે, તેમને સ્ટેટિક્સ સાથે કોઈ લેવાદેવા નથી
• ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા પૂરા પાડવામાં આવેલ સાધન મૂલ્ય હંમેશા સલામત બાજુ પર રહે છે

સમજૂતી: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સ્કેલેડ/સ્ટેટિક ડ્રોઇંગ્સનું નિર્માણ કરતું નથી અને તે જે માપ, એલિવેશન અને રિઇન્ફોર્સમેન્ટ મૂલ્યો પ્રદાન કરે છે તે પ્રતિનિધિ છે. સ્થિર વિગત; તે ગ્રાઉન્ડ સર્વે અને એન્જિનિયરની ગણતરીઓ દ્વારા નક્કી કરવામાં આવે છે. આ મૂલ્યો ચકાસણી વિના ડ્રોઇંગમાં સ્થાનાંતરિત કરી શકાતા નથી, આ ખાસ કરીને સુરક્ષા-નિર્ણાયક વિગતો માટે મહત્વપૂર્ણ છે.

10. એક જ લેન્ડસ્કેપિંગ પ્રોજેક્ટને વિવિધ પ્રેક્ષકો સમક્ષ રજૂ કરતી વખતે સૌથી અસરકારક અભિગમ કયો છે?

• A) દરેકને સમાન તકનીકી લખાણ પ્રસ્તુત કરવું
• બી) અસર વધારવા માટે બચત અને લાભના આંકડાઓને અતિશયોક્તિ કરવી
• C) દરેક પ્રેક્ષકોને તેમની પોતાની ભાષામાં તેઓ શું કાળજી રાખે છે તે જણાવવા માટે ડિઝાઇનના સારને અનુકૂળ બનાવવું ✔
• ડી) ફક્ત તકનીકી જ્યુરી માટે પ્રસ્તુતિ તૈયાર કરવા માટે તે પૂરતું છે.

વર્ણન: રોકાણકાર કિંમત અને મૂલ્યની કાળજી રાખે છે, પડોશી દૈનિક લાભો અને સલામતીની કાળજી રાખે છે, જ્યુરી ખ્યાલ અને તકનીકની કાળજી રાખે છે. દરેક પ્રેક્ષકોને તેઓ જેની કાળજી લે છે, તેઓ સમજી શકે તેવી ભાષામાં એક જ ડિઝાઇનનો સાર સમજાવીને; આર્ટિફિશિયલ ઇન્ટેલિજન્સની ફ્રેમ-ટ્રાન્સલેટિંગ પાવરનો લાભ લેવો એ સૌથી અસરકારક રીત છે. દરેકને એક જ ભાષામાં સમજાવવું એ સામાન્ય ભૂલ છે.

11. કૃત્રિમ બુદ્ધિમત્તા દ્વારા પાર્કની કુલ કિંમતની સીધી ગણતરી કરવી કેમ ખોટું છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ હંમેશા વર્તમાન બજાર કિંમતો જાણે છે
• B) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ખર્ચની ગણતરી કરે છે પરંતુ માત્ર મોટા પ્રોજેક્ટ્સ પર જ ખોટું છે
• C) કૃત્રિમ બુદ્ધિ પ્રોજેક્ટની વાસ્તવિક લંબાઈ અને વર્તમાન કિંમતો જાણતી નથી; આપેલ રકમ પ્રતિનિધિ છે, ઓફર નથી ✔
• ડી) કિંમત બિનમહત્વપૂર્ણ છે, જે મહત્વનું છે તે ડિઝાઇનની સુંદરતા છે

સમજૂતી: આર્ટિફિશિયલ ઇન્ટેલિજન્સ ન તો તમારા પ્રોજેક્ટની વાસ્તવિક લંબાઈ અને ન તો વર્તમાન સ્થાનિક એકમ કિંમતો જાણે છે; આપેલ રકમ કેવળ પ્રતિનિધિ છે અને ઓફર નથી. સાચી રીત એ છે કે પ્રોજેક્ટ ડેટામાંથી વાસ્તવિક જથ્થા અને બજારમાંથી યુનિટની કિંમતો લેવી અને કૃત્રિમ બુદ્ધિ માત્ર ટેબલને સંપાદિત કરવી.

12. કાયદા અંગે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરતી વખતે સૌથી ખતરનાક જોખમ અને યોગ્ય સાવચેતી શું છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ કાયદાને હૃદયથી જાણે છે, તેથી તેના લેખો પર વિશ્વાસ કરી શકાય છે.
• બી) કાયદો સાર્વત્રિક છે, સ્થાનિક પુષ્ટિની કોઈ જરૂર નથી
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલ આઇટમ નંબર હંમેશા અપ ટુ ડેટ હોય છે.
• ડી) કૃત્રિમ બુદ્ધિ અવિદ્યમાન પદાર્થ બનાવી શકે છે; દરેક જોગવાઈની પુષ્ટિ અધિકૃત અપ-ટુ-ડેટ સ્ત્રોત અને સત્તાધિકારી પાસેથી થવી જોઈએ ✔

વર્ણન: કાયદો સ્થાનિક, વર્તમાન અને અર્થઘટન માટે ખુલ્લો છે; AI અવિદ્યમાન આઇટમ નંબર અથવા નિયમ (આભાસ) બનાવી શકે છે. યોગ્ય સાવચેતી એ છે કે કોઈ પણ જોગવાઈની ચકાસણી કર્યા વિના તેનો ઉપયોગ ન કરવો; તે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ ફક્ત તમે પ્રદાન કરો છો તે સત્તાવાર ટેક્સ્ટનો સારાંશ આપવા, અધિકારીને ચેકલિસ્ટ અને પ્રશ્નો બનાવવા માટે અને સત્તાવાર વર્તમાન સ્ત્રોતમાંથી આઇટમ્સની પુષ્ટિ કરવા માટે છે.

13. ગ્રાહક કરાર અને પાર્સલ માહિતી જેવા ડેટા સાથે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરવા માટે કયો સિદ્ધાંત લાગુ પડે છે?

• A) બધા દસ્તાવેજો જેમ છે તેમ અપલોડ કરી શકાય છે, કારણ કે ઝડપ મહત્વપૂર્ણ છે
• બી) એઆઈ માટે કરાર ડેટા બિનમહત્વપૂર્ણ છે, તેને અવગણવામાં આવે છે
• C) પાર્સલ માહિતી મુક્તપણે શેર કરી શકાય છે કારણ કે તે વ્યક્તિગત ડેટા તરીકે ગણવામાં આવતી નથી.
• ડી) ગોપનીય અને વ્યક્તિગત ડેટા નિયંત્રણ વિના શેર કરવામાં આવતો નથી; જો જરૂરી હોય તો અનામી ઉપયોગ કરો ✔

સમજૂતી: ગ્રાહકની ઓળખ, પાર્સલ માહિતી, કરાર અને અંગત ડેટા કૃત્રિમ બુદ્ધિ સાધનો પર અનિયંત્રિત રીતે અપલોડ કરવો જોઈએ નહીં. જો જરૂરી હોય તો, ડેટા અનામી દ્વારા શેર કરવામાં આવે છે. ગોપનીયતા એ મુખ્ય નૈતિક સિદ્ધાંતોમાંનું એક છે જે સમગ્ર મોડ્યુલમાં ભાર મૂકે છે.

14. આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે પ્રોજેક્ટ એન્ડ-ટુ-એન્ડ ચલાવતી વખતે ત્રણ સતત સિદ્ધાંતો શું છે?

• A) એક જ વિનંતીમાં દરેક વસ્તુની વિનંતી કરો, પરિણામ ચકાસો, પહોંચાડો
• બી) કૃત્રિમ બુદ્ધિ નક્કી કરે છે, મનુષ્ય જ અમલ કરે છે
• C) ચકાસણીઓ એકઠા કરો અને પ્રોજેક્ટના અંતે તે બધા એક જ સમયે કરો
• ડી) કૃત્રિમ બુદ્ધિ ઉત્પન્ન કરે છે, માણસો પસંદ કરે છે અને માલિકી ધરાવે છે; દરેક નિર્ણાયક આઉટપુટ ચકાસાયેલ છે; નિર્ણય અને હસ્તાક્ષર નિષ્ણાતના છે ✔

વર્ણન: એન્ડ-ટુ-એન્ડ વર્કફ્લોમાં, ત્રણ સિદ્ધાંતો દરેક તબક્કે પુનરાવર્તિત થાય છે: AI પ્રકારો અને વેગ આપે છે, મનુષ્ય પસંદ કરે છે અને માલિકી ધરાવે છે; દરેક આંકડાકીય, સ્થાનિક અને સુરક્ષા-જટિલ આઉટપુટ ચકાસાયેલ છે; નિર્ણય અને સહી સક્ષમ નિષ્ણાતની છે. આ સિદ્ધાંતો સ્થિર રહે છે, પછી ભલેને માત્ર વિષય બદલાય છે.