નેવલ અને મરીન એન્જિનિયરિંગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને વેરિફિકેશન ડિસિપ્લિનનો પરિચય

નફો:

• જહાજ અને મરીન એન્જિનિયરિંગ વર્કફ્લોમાં AI વાસ્તવિક સમય ક્યાં બચાવે છે અને જ્યાં જીવન/સંપત્તિની સલામતી અને વર્ગ માટેની જવાબદારી એન્જિનિયરની રહેવી જોઈએ તે પારખવામાં સક્ષમ હોવાને કારણે.
• ત્રણ-સ્તરવાળી શિસ્ત લાગુ કરવાની ક્ષમતા જે દરેક એન્જિનિયરિંગ આઉટપુટને તીવ્રતાના ક્રમ, સ્વતંત્ર પુનઃ ગણતરી અને વર્ગ નિયમ/સ્રોત નિયંત્રણ દ્વારા ચકાસે છે
• જહાજ, શિપયાર્ડ અને જહાજના માલિકના વ્યવસાયિક અને તકનીકી ગોપનીય ડેટાને શેર કર્યા વિના સંદર્ભને અનામી રાખવાની અને AI થી લાભ મેળવવા માટે સંકેતો બનાવવાની આદત મેળવવાની ક્ષમતા.

દરિયાઈ ઈજનેરનો દિવસ જુઓ: હલ ફોર્મ પુનરાવર્તન, પ્રતિકાર અને પ્રોપલ્શન ગણતરીઓ, સ્થિરતા અને શક્તિની તપાસ, વર્ગ નિયમ સ્કેન, એન્જિન રૂમ સેન્સર રેકોર્ડ્સ, સર્વેક્ષણ અહેવાલો, શિપયાર્ડ પત્રવ્યવહાર અને જહાજના માલિક સાથેના અનંત ઇમેઇલ્સ. વાસ્તવિક ઈજનેરી ચુકાદા માટે સમર્પિત સમય, એટલે કે, પ્રશ્નો "શું આ બોટ સલામત છે, શું આ બાંધકામ વર્ગ કોડને પૂર્ણ કરે છે, શું આ સફર યોજના ખરેખર બળતણનો વપરાશ ઘટાડે છે", પુનરાવર્તિત ગણતરી અને દસ્તાવેજ કાર્ય હેઠળ કચડી નાખવામાં આવે છે. અહીંથી આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI; સોફ્ટવેર કે જે મોટા ભાષા મોડેલ અને મશીન લર્નિંગ સાથે ટેક્સ્ટ, કોડ અને નંબર્સ પર કામ કરે છે) અમલમાં આવે છે. AI તમારા માટે નિર્ણય લેતું નથી; તે તમને નિર્ણય માટે તૈયાર કરે છે, ડ્રાફ્ટ બનાવે છે, ગણતરીને ઝડપી બનાવે છે અને પ્રોસેસ્ડ માહિતી તમારી સામે મૂકે છે.

જો કે, મરીન એન્જિનિયરિંગ એ એક એવું ક્ષેત્ર છે જ્યાં ભૂલો ટેક્સ્ટ દ્વારા નહીં પરંતુ જીવન, પર્યાવરણ અને લાખો ડોલર દ્વારા માપવામાં આવે છે. ભાષા મોડલ, ખોટા એકમ રૂપાંતરણ, અથવા "વાજબી દેખાતા" પરંતુ ભૌતિક રીતે અશક્ય સ્થિરતા પરિણામ દ્વારા બનેલ વર્ગ નિયમ કલમ અન્ય ક્ષેત્રોમાં નજીવો કરેક્શન હોઈ શકે છે, પરંતુ અહીં તે ઉથલપાથલ, માળખાકીય પતન અથવા ઓઇલ સ્પીલમાં ફેરવાઈ શકે છે. તેથી આ મોડ્યુલ દરમિયાન અમે AI ને "ઓટોમેટિક એન્જિનિયર" તરીકે નહીં પરંતુ સલામતી-નિર્ણાયક શિસ્તબદ્ધ સહાયક તરીકે સ્થાન આપીશું જેનું આઉટપુટ દરેક વખતે ચકાસવામાં આવે છે.

આ પ્રથમ એકમમાં, અમે ત્રણ બાબતોને સ્પષ્ટ કરીએ છીએ: શિપબોર્ડ અને મરીન એન્જિનિયરિંગ વર્કફ્લોના કયા તબક્કે AI વાસ્તવિક મૂલ્ય ઉમેરે છે; કયા નિર્ણયો લાયકાત ધરાવતા વ્યક્તિ (એન્જિનિયર, ક્લાસ મોજણીદાર, માસ્ટર) પાસે સખત રીતે રહેવા જોઈએ; અને આવું કરતી વખતે તમારે કઈ ચકાસણી, ગોપનીયતા અને જવાબદારી શિસ્તનું પાલન કરવું જોઈએ. આ છતને યોગ્ય રીતે સ્થાપિત કર્યા વિના, અનુગામી એકમોમાં તકનીકો જોખમી બની શકે છે.

વિભાવનાઓ: આભાસ: AI ની સંખ્યા, ગુણાંક, વર્ગ નિયમ કલમ અથવા સ્રોત કે જે વાસ્તવમાં અસ્તિત્વમાં નથી તેની ખાતરી કરાવે છે. સંદર્ભ: તમે AI ને જે ઇનપુટ આપો છો (બોટ ડેટા, ધારણાઓ, પ્રશ્ન). ચકાસણી: સ્વતંત્ર રીતે આઉટપુટ તપાસવું (હાથની ગણતરી, બીજું સોફ્ટવેર, નિયમ ટેક્સ્ટ, મોડેલ પ્રયોગ). વર્ગીકરણ સોસાયટી: સંસ્થા કે જે નિયમ સેટ અનુસાર જહાજની ડિઝાઇન અને બાંધકામનું નિરીક્ષણ કરે છે અને પ્રમાણિત કરે છે (દા.ત. ABS, DNV, લોયડનું રજિસ્ટર, બ્યુરો વેરિટાસ, TL/Türk Loydu). આ ખ્યાલો સમગ્ર મોડ્યુલની કરોડરજ્જુ છે.

કયા વ્યવસાયોમાં એઆઈ એક્સિલરેટર છે, કયા વ્યવસાયોમાં તે જોખમી છે?

મરીન એન્જિનિયરિંગ કાર્યો તેમના પરિણામોના સંદર્ભમાં બે-પાંખવાળા સ્પેક્ટ્રમ પર પડે છે. એક છેડે પુનઃપ્રાપ્ત કરી શકાય તેવા, ઓછા જોખમવાળા પ્રેપ વર્ક (સાહિત્યનો સારાંશ, કોડ હાડપિંજર, પ્રસ્તુતિની રૂપરેખા); બીજા છેડે, ઉલટાવી ન શકાય તેવા નિર્ણયો છે (સુરક્ષા ગુણાંક, સ્થિરતા માપદંડ, માળખાકીય મંજૂરી) જે દરિયાઈ સલામતી, જીવન/સંપત્તિ સલામતી અને પર્યાવરણને સીધી રીતે નિર્ધારિત કરે છે. તમે આ સ્પેક્ટ્રમ પર ક્યાં ઊભા છો તેના આધારે AI નું મૂલ્ય બદલાય છે.

વ્યવસાય પ્રકાર

AI યોગદાન

એન્જિનિયરની ભૂમિકા

નિયમ/માનક સારાંશ

લાંબા નિયમ પુસ્તકમાંથી સાર કાઢવો

મૂળ વર્ગના લખાણ સાથે કલમની સરખામણી કરવી

હાથની ગણતરી / પ્રી-સાઇઝિંગ

ફોર્મ્યુલા સેટિંગ, પ્રથમ નંબર

એકમ, રેન્ક અને ધારણાની ચકાસણી

વિશ્લેષણ કોડ / પાયથોન સ્ક્રિપ્ટ

સ્કેલેટન અને લોજિક જનરેશન

ટેસ્ટ ઇનપુટ, ધાર કેસ પરીક્ષણ સાથે માન્યતા

રિપોર્ટ/સર્વે ડ્રાફ્ટ

માળખું અને વર્ણન સૂચવે છે

દરેક મૂલ્યને માપ અને સ્ત્રોત સાથે લિંક કરો

સેન્સર/IoT ડેટા વિશ્લેષણ

પેટર્ન અને વિસંગતતા ઉમેદવાર નિષ્કર્ષણ

કાચા ડેટા અને ભૌતિક બુદ્ધિગમ્યતા દ્વારા પુષ્ટિ

સ્થિરતા/શક્તિની મંજૂરી

વિશ્લેષણ સામગ્રીની તૈયારી

અંતિમ આકારણી, વર્ગની મંજૂરી, સહી

નિયમ સરળ છે: AI આઉટપુટનું જોખમ જો તે આઉટપુટમાં ભૂલ થાય તો તેને થનાર નુકસાનની બરાબર છે. સ્લાઇડના શીર્ષકની ખોટી જોડણી હાનિકારક છે; લોડિંગ પરિસ્થિતિમાં, જીએમ (મેટાસેન્ટ્રિક ઊંચાઈ; જહાજની યોગ્ય ક્ષમતાનું માપ) મૂલ્યની ખોટી ગણતરી કરવી અને જહાજની રોલઓવર મર્યાદાને ખોટી રીતે નિર્ધારિત કરવી વિનાશક છે. તેથી આઉટપુટનો ઉપયોગ કરતા પહેલા પૂછવા માટેનો પ્રથમ પ્રશ્ન છે: "જો આ ખોટું હોય તો શું થાય છે, કોને નુકસાન થાય છે અને કોણ ધ્યાન આપે છે?"

ધ્યાન આપો: AI અસ્ખલિત અને આત્મવિશ્વાસપૂર્ણ ટેક્સ્ટ બનાવે છે. પ્રવાહિતા ચોકસાઈની કોઈ ગેરંટી નથી. ભાષા મૉડલ આંકડાકીય રીતે "મોટા ભાગે" શબ્દો વડે અંતર ભરે છે, પછી ભલે તેની પાસે ચોક્કસ ડેટા ન હોય; મેરીટાઇમમાં, આ ગેપ ફિલિંગ મેડ-અપ મટિરિયલ યીલ્ડ સ્ટ્રેન્થ અથવા અવિદ્યમાન SOLAS કલમ તરીકે દેખાઈ શકે છે.

સુરક્ષા-નિર્ણાયક ચકાસણી શિસ્ત: ત્રણ સ્તરો

દરિયાઈ સંસ્કૃતિ પહેલેથી જ "વિશ્વાસ પરંતુ ચકાસો" ના સિદ્ધાંત પર આધારિત છે; સર્વેક્ષણ, ડબલ ચકાસણી અને સ્વતંત્ર વર્ગ પ્રમાણપત્ર આ સંસ્કૃતિનો એક ભાગ છે. AI નો ઉપયોગ આ સિદ્ધાંતને મજબૂત કરવા માટે થવો જોઈએ, તેને નબળા પાડવા માટે નહીં. ત્રણ-સ્તર ફિલ્ટર દ્વારા દરેક AI આઉટપુટ પસાર કરો.

પ્રથમ સ્તર: તીવ્રતા નિયંત્રણનો ક્રમ. જુઓ કે પરિણામ આશરે 10 શ્રેણીની અપેક્ષિત શક્તિની અંદર છે. પેનામેક્સ જથ્થાબંધ કેરિયરનું વિસ્થાપન (ડૂબી ગયેલા જથ્થાનું વજન) હજારો ટનના ક્રમ પર છે; જો AI તમને 800 ટન કહે છે, તો તમે જાણો છો કે વિગતમાં ગયા વિના ભૂલ છે. કન્ટેનર જહાજની ક્રૂઝિંગ ઝડપ 18-24 નોટ્સની રેન્જમાં હોય છે; 90 ગાંઠ શારીરિક રીતે અશક્ય છે.

બીજું સ્તર: એકમ અને કદ સુસંગતતા. મેરીટાઇમમાં, એકમ મૂંઝવણ એ ભૂલનો ઉત્તમ સ્ત્રોત છે: નોટ્સ વિરુદ્ધ m/s, ટન વિરુદ્ધ કિપ, kW વિરુદ્ધ હોર્સપાવર (BHP), મીટર વિરુદ્ધ ફીટ, બાર વિરુદ્ધ kPa. AI આઉટપુટમાં દરેક સંખ્યાનું એકમ સ્પષ્ટપણે જણાવવું જોઈએ અને પરિમાણીય વિશ્લેષણ કરવું જોઈએ. શું kN અથવા kgf માં પ્રતિકારક મૂલ્ય આપવામાં આવે છે? આ સીધા પ્રોપલ્શન પાવર અને તેથી ઇંધણ બજેટમાં ફેરફાર કરે છે.

ત્રીજો સ્તર: સ્વતંત્ર પ્રજનન. બીજી પદ્ધતિ (એક અલગ મેન્યુઅલ એકાઉન્ટ, અલગ સૉફ્ટવેર, મંજૂર લોડિંગ કમ્પ્યુટર અથવા બીજા એન્જિનિયર) સાથે જટિલ પરિણામનું પુનઃઉત્પાદન કરો. આત્મવિશ્વાસ વધે છે જો બે સ્વતંત્ર માર્ગો સમાન જવાબ આપે છે; જો તે ન થાય, તો જ્યાં સુધી તમે સમજો નહીં કે તે શા માટે અલગ છે ત્યાં સુધી રોકો.

ટીપ: જ્યારે તમે AI ને પરિણામ માટે પૂછો છો, ત્યારે તે જ પ્રશ્ન ઉલટામાં પણ પૂછો. "આ બોટ માટે જરૂરી પ્રોપલ્શન પાવરની ગણતરી કરો" કહ્યા પછી, "તમે પ્રદાન કરેલ પાવર વડે ક્રુઝીંગ સ્પીડની પુનઃ ગણતરી કરો અને મને કહો કે શું તે સામાન્ય જહાજ માટે વાજબી છે." મોડેલને તેના પોતાના આઉટપુટને ક્રોસ-ચેક કરવાનું કહેવાથી સાયલન્ટ ભૂલો દેખાય છે.

ગોપનીયતા અને વેપાર રહસ્ય: મેરીટાઇમ પ્રાઇવેટ ફ્રન્ટિયર

હલ ફોર્મ, હાઇડ્રોડાયનેમિક પર્ફોર્મન્સ કર્વ્સ, શિપ માલિક-શિપયાર્ડ કોન્ટ્રાક્ટ ડેટા અને જહાજની ઓપરેશનલ ટેલિમેટ્રી ટ્રેડ સિક્રેટ અને બૌદ્ધિક સંપત્તિના સંદર્ભમાં અત્યંત સંવેદનશીલ છે. અનિયંત્રિત બાહ્ય AI સેવામાં બોટના સાચા પ્રતિકારક વળાંક અથવા વહાણના માલિકના સાચા બળતણ વપરાશના ડેટાને દાખલ કરવો એ કરારનો ભંગ, બૌદ્ધિક સંપત્તિનું નુકસાન અને સ્પર્ધાત્મક ગેરલાભ બંને હોઈ શકે છે. વધુમાં, આધુનિક જહાજોના ઓટી (ઓપરેશનલ ટેક્નોલોજી; કંટ્રોલ સોફ્ટવેર કે જે મશીનરી અને નેવિગેશન સિસ્ટમ્સનું સંચાલન કરે છે) આર્કિટેક્ચર વિશેની માહિતી સાયબર સુરક્ષા કારણોસર શેર કરવી જોઈએ નહીં.

અંગૂઠાનો નિયમ: અસ્વીકૃત બાહ્ય સાધનમાં વાસ્તવિક, ગોપનીય અથવા કરારથી સુરક્ષિત ડેટા ક્યારેય દાખલ કરશો નહીં. તેના બદલે, સંદર્ભને અનામી કરો અને વાસ્તવિક સંખ્યાઓને પ્રતિનિધિ મૂલ્યો સાથે બદલો. ઉદાહરણ તરીકે, વાસ્તવિક જહાજના ફોર્મ ડેટાને શેર કરવાને બદલે, "સામાન્ય હેન્ડિસાઇઝ બલ્ક કેરિયરના મુખ્ય પરિમાણોના ક્રમ પરના ઉદાહરણ સાથે પ્રતિકારક અભિગમ સમજાવો" પૂછો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

જહાજના માલિકનો વાસ્તવિક ફોર્મ ડેટા

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે શિપ હાઇડ્રોડાયનેમિક્સ પર અનુભવી સલાહકાર છો. સંદર્ભ: હું બલ્ક કેરિયર માટે સામાન્ય પ્રારંભિક વિશ્લેષણ કરી રહ્યો છું (મૂલ્યો પ્રતિનિધિ છે, વાસ્તવિક પ્રોજેક્ટ ડેટા નથી): Lpp ~180 મીટર, બીમ ~32 મીટર, ડ્રાફ્ટ ~12.5 મીટર, બ્લોક ગુણાંક ~0.84, ક્રૂઝિંગ સ્પીડ ~14 નોટ્સ. કાર્ય: પ્રાથમિક પ્રોપલ્શન અંદાજ કયા પગલાઓ દ્વારા કરવામાં આવે છે તે સમજાવો (પ્રતિરોધક ઘટકો, પ્રોપલ્શન કાર્યક્ષમતા, દરિયાઈ ભથ્થું) અને સૂચિને માપવા/ચકાસવા માટે મારે કયા ડેટાની જરૂર છે. અવરોધ: દરેક સૂત્ર અને ધારણા સ્પષ્ટપણે લખો; જો તમે સંખ્યાત્મક ઉદાહરણ આપો, તો એકમ (kN, kW, knots) નો ઉલ્લેખ કરો અને કેવી રીતે ચકાસવું તે ઉમેરો.

શક્તિશાળી પ્રોમ્પ્ટ વાસ્તવિક પ્રોજેક્ટ ડેટાને સુરક્ષિત કરે છે, ભૂમિકા અને અવરોધને સ્પષ્ટ કરે છે અને ચકાસણી પાથની વિનંતી કરે છે.

સામાન્ય હેતુ માન્યતા નમૂનાઓ

તમે આખા મોડ્યુલમાં નીચેના નમૂનાઓનો વારંવાર ઉપયોગ કરશો.

ચકાસણી વિનંતી ઉમેરવા માટે સામાન્ય નમૂનો:

નીચે એન્જિનિયરિંગ પ્રશ્નનો જવાબ આપો. તમારા જવાબમાં:1) દરેક સંખ્યાનું એકમ જણાવો.2) પરિણામની તીવ્રતાના ક્રમની તુલના સામાન્ય જહાજ સાથે કરો.3) તમે ઉપયોગ કરો છો તે દરેક ગુણાંક/સૂત્ર માટે સ્ત્રોત (પદ્ધતિનું નામ) લખો; જો ત્યાં કોઈ સ્ત્રોત નથી, તો તેને "અસ્પષ્ટ" તરીકે ચિહ્નિત કરો. 4) ગણતરીની બીજી રીત સૂચવો જેથી હું સ્વતંત્ર રીતે પરિણામ ચકાસી શકું. પ્રશ્ન: [અહીં પ્રશ્ન]

આભાસ શિકાર નમૂનો:

નીચે તમારા જવાબમાં તમામ સંખ્યાત્મક મૂલ્યો, ગુણાંક અને નિયમ/માનક સંદર્ભોનું કોષ્ટક બનાવો. દરેક પંક્તિ માટે:- મૂલ્ય, એકમ- આધાર (ગણતરી / જાણીતા ગુણાંક / ધારણા / અનિશ્ચિત)- હું આને સ્વતંત્ર રીતે કેવી રીતે ચકાસવું તે પણ દરેક પંક્તિને પ્રકાશિત કરું જેનો આધાર "અનિશ્ચિત" છે.

મીની કેસો

કેસ 1 — ફેબ્રિકેટેડ ક્લાસ ક્લોઝ. માળખાકીય શેરને સમર્થન આપવા માટે "કયા વર્ગ કોડ કલમને આ ન્યૂનતમ શીટની જાડાઈની જરૂર છે", એક જુનિયર એન્જિનિયર એઆઈને પૂછે છે. AI એ "પ્રકરણ 6, કલમ 3.4.7" કલમ ટાંકે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી. જ્યારે ઈજનેર વર્ગ નિયમની વર્તમાન પીડીએફ સાથે તેની સરખામણી કરે છે, ત્યારે તે જુએ છે કે કલમ નકલી છે અને તેને સાચી કલમ મળે છે. પાઠ: AI દ્વારા જારી કરાયેલ દરેક નિયમ સંદર્ભ મૂળ, વર્તમાન વર્ગીકરણ ટેક્સ્ટમાંથી ચકાસવામાં આવે છે.

કેસ 2 - યુનિટ ટ્રેપ. એક ટીમને ડિસ્પેચ પાવરની ગણતરીમાં AI પાસેથી મદદ મળે છે. AI "8500" તરીકે પાવર આપે છે, પરંતુ તેનું એકમ અસ્પષ્ટ રહે છે કે તે "kW અથવા BHP" છે. 8500 kW અને 8500 BHP વચ્ચે આશરે 1.34 ગણો તફાવત છે; આ તફાવત હોસ્ટની પસંદગી અને વાર્ષિક બળતણ બજેટને સંપૂર્ણપણે બદલી નાખે છે. જો ક્રૂ યુનિટ સ્પષ્ટપણે પૂછ્યા વિના આગળ વધે છે, તો તે ખોટા મશીન વર્ગ તરફ દોરી જશે. પાઠ: એકમ વગરની કોઈપણ સંખ્યા સ્વીકારવામાં આવતી નથી.

કેસ 3 - ક્રમ નિયંત્રણ જીવન બચાવે છે. વિદ્યાર્થીઓની એક ટીમે AI પાસે 15,000 DWT જહાજના નૌકા પ્રતિકારની ગણતરી કરી હતી અને કુલ પ્રતિકાર 12 kN હોવાનું જણાયું હતું. આ કદના જહાજ માટે, નેવિગેશનલ પ્રતિકાર સેંકડો kN ના ક્રમમાં છે અને પ્રોપલ્શન પાવર કેટલાંક હજાર kW ના ક્રમમાં છે. લગભગ 100 ગણો તફાવત તરત જ સંપાદન ભૂલને દગો આપે છે; વિદ્યાર્થીઓ ઘર્ષણ ગુણાંક સૂત્રમાં ઘાતાંકની ભૂલ શોધે છે. પાઠ: હંમેશા જાણીતી સંદર્ભ શ્રેણી સાથે પરિણામની તુલના કરો.

સામાન્ય ભૂલો

• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. સારી રીતે લખાયેલ સમજૂતી સંખ્યાત્મક રીતે ખોટી હોઈ શકે છે. ટેક્સ્ટની ગુણવત્તા અને પરિણામની ચોકસાઈ એ બે અલગ-અલગ બાબતો છે.
• એકમ વિનાની સંખ્યા સ્વીકારવી. મેરીટાઇમમાં, ગાંઠ/m·s, ટન/kip, kW/BHP, m/ft મૂંઝવણ એ કારકિર્દીના અંતની ભૂલો છે.
• બાહ્ય સાધનમાં ગોપનીય/કરાર કરેલ ડેટા દાખલ કરવો. વેપાર ગુપ્ત અને બૌદ્ધિક સંપત્તિ ઉલ્લંઘન; એકવાર લીક થયા પછી, ફોર્મ અને પ્રદર્શન ડેટા પુનઃપ્રાપ્ત કરી શકાતા નથી.
• એક જ સ્ત્રોત પર વિશ્વાસ કરવો. નિર્ણાયક પરિણામને બીજી રીતે ઉત્પન્ન કર્યા વિના તેનો ઉપયોગ કરવો એ સુરક્ષા-નિર્ણાયક શિસ્તના સૌથી મૂળભૂત નિયમનું ઉલ્લંઘન છે.
• નિયમ એટ્રિબ્યુશન ચકાસવામાં નિષ્ફળતા. AI દ્વારા પ્રદાન કરવામાં આવેલ વર્ગ/SOLAS આઇટમ નંબર કાલ્પનિક હોઈ શકે છે; દરેક સંદર્ભ મૂળ, વર્તમાન ટેક્સ્ટમાંથી ચકાસાયેલ છે.

સારાંશમાં

એઆઈ દરિયાઈ અને દરિયાઈ ઈજનેરીમાં ગણતરીઓ, કોડ, દસ્તાવેજો અને ડેટાના પુનરાવર્તિત કાર્યને નાટકીય રીતે ઝડપી બનાવે છે; પરંતુ દરિયાઈ સલામતી, વર્ગનું પાલન અને પર્યાવરણીય સલામતી નક્કી કરતા નિર્ણયો લાયકાત ધરાવતા લોકો પાસે રહે છે. દરેક આઉટપુટને તીવ્રતાના ક્રમ, એકમ સુસંગતતા અને સ્વતંત્ર પ્રજનન દ્વારા ફિલ્ટર કરવું આવશ્યક છે. વ્યાપારી ગોપનીયતા અને સાયબર સુરક્ષા કારણોસર, વાસ્તવિક બોટ/પ્રદર્શન ડેટા અનામી હોવા જોઈએ અને માત્ર માન્ય સાધનોનો ઉપયોગ કરવો જોઈએ. આ શિસ્ત એ પછીના તમામ એકમો માટે પૂર્વશરત છે.

એપ્લિકેશન કાર્ય

તમારા ક્ષેત્રમાંથી એક એન્જિનિયરિંગ પ્રશ્ન પસંદ કરો (ફોર્મ, સ્થિરતા, પ્રોપલ્શન, જાળવણી, નેવિગેશન). પ્રથમ "નબળું પ્રોમ્પ્ટ" લખો અને AI ને પૂછો; પછી "પાવર પ્રોમ્પ્ટ" લખો જેમાં ભૂમિકા, અનામી સંદર્ભ, અવરોધ અને ચકાસણી વિનંતીનો સમાવેશ થાય છે અને તે જ પ્રશ્ન ફરીથી પૂછો. તીવ્રતા અને એકમ સુસંગતતાના ક્રમમાં બે જવાબોની તુલના કરો, "આભાસ શિકાર ટેમ્પલેટ" લાગુ કરો અને સ્વતંત્ર હાથની ગણતરી દ્વારા ઓછામાં ઓછા એક પરિણામની પુષ્ટિ કરો. અડધા પૃષ્ઠમાં તમારા તારણોનો સારાંશ આપો.

ચેકલિસ્ટ

• [ ] મેં આઉટપુટના જોખમનું મૂલ્યાંકન કર્યું "જો તે ખોટું છે તો કોને નુકસાન થાય છે?"
• [ ] મેં પરિણામની સરખામણી કદના સંદર્ભમાં જાણીતા જહાજ સાથે કરી.
• [ ] મેં સ્પષ્ટપણે તમામ સંખ્યાઓના એકમની પુષ્ટિ કરી છે (ગાંઠ, kW, ટન, m).
• [ ] મેં બીજી સ્વતંત્ર પદ્ધતિ દ્વારા નિર્ણાયક પરિણામનું પુનઃઉત્પાદન કર્યું.
• [ ] મેં વાસ્તવિક/છુપાયેલા બોટ ડેટાને બદલે અનામી પ્રોક્સી મૂલ્યનો ઉપયોગ કર્યો.
• [ ] મેં મૂળ, વર્તમાન ટેક્સ્ટમાંથી AI દ્વારા આપવામાં આવેલા દરેક વર્ગ/SOLAS સંદર્ભની ચકાસણી કરી છે.