મેરીટાઇમમાં AI ની સરહદો: સુરક્ષા, સાયબર જોખમ, નૈતિકતા અને જવાબદારી

નફો:

• એ ઓળખવાની ક્ષમતા કે AI કાલ્પનિક ગુણાંક, નિયમ કલમો અને તકનીકી મૂલ્યો ઉત્પન્ન કરી શકે છે અને જીવન/સંપત્તિ સલામતીના સંદર્ભમાં ચકાસણી લાગુ કરી શકે છે
• શિપ અને ઓટી (ઓપરેશનલ ટેક્નોલોજી) સિસ્ટમ્સમાં સાયબર સુરક્ષા, ડેટા ગોપનીયતા અને નિયમનકારી મર્યાદાઓનું સંચાલન કરવાની ક્ષમતા
• એ સમજવું કે વર્ગની મંજૂરી, નેવિગેશનલ સલામતી અને નીતિશાસ્ત્ર માટેની અંતિમ જવાબદારી એન્જિનિયર અને કેપ્ટનની છે.

આ સમગ્ર મોડ્યુલ દરમિયાન, અમે શિપ અને મરીન એન્જિનિયરિંગના દરેક તબક્કે પ્રવેગક તરીકે આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) નો ઉપયોગ કર્યો: ફોર્મ ડિઝાઇનથી માળખાકીય વિશ્લેષણ સુધી, અનુમાનિત જાળવણીથી સફરના ઑપ્ટિમાઇઝેશન સુધી, ઉત્સર્જન અનુપાલનથી શિપયાર્ડ ઉત્પાદન. આ અંતિમ એકમમાં આપણે પાછળ જઈએ છીએ અને સમગ્ર ચિત્રને જોઈએ છીએ: દરિયાઈમાં AI ની મુખ્ય મર્યાદાઓ શું છે, કયા જોખમો (ભ્રામકતા, સાયબર સુરક્ષા, ડેટા ગોપનીયતા, પૂર્વગ્રહ) સતત ચેતવણી પર છે અને કોણ જવાબદારી સહન કરે છે? કારણ કે વાહનનો સુરક્ષિત ઉપયોગ કરવા માટેની પૂર્વશરત એ છે કે તે જાણવું કે તે ક્યાં ખોટું થઈ શકે છે.

મોડ્યુલની કાયમી થીસીસ અહીં લાગુ થાય છે અને અન્ય તમામને નિયંત્રિત કરે છે: સલામતી-સંવેદનશીલ દરિયાઈ કાર્યમાં, AI આઉટપુટ સક્ષમ ઈજનેર, માસ્ટર અથવા ક્લાસ સર્વેયર દ્વારા મંજૂરી માટે કોઈ વિકલ્પ નથી. AI સૂચવે છે, ડ્રાફ્ટ બનાવે છે, ગણતરી કરે છે અને યાદ કરાવે છે; But the owner of the decision that determines the safety of life, property and the environment is the person who signs that decision and is legally responsible.

વિભાવનાઓ: આભાસ: AI એ મૂલ્ય, નિયમ અથવા સંસાધનનું નિર્માણ કરે છે જે અસ્તિત્વમાં નથી. OT security: Cyber ​​protection of operational technology (machine and cruise control systems). ડેટા પોઇઝનિંગ: મોડેલને ગેરમાર્ગે દોરવા માટે તાલીમ/ઇનપુટ ડેટાનો ઇરાદાપૂર્વકનો ભ્રષ્ટાચાર. મોડલ પૂર્વગ્રહ: મોડેલનો વ્યવસ્થિત અને અયોગ્ય પૂર્વગ્રહ જે ડેટામાંથી આવે છે જેના પર તેને તાલીમ આપવામાં આવે છે. જવાબદારીની સાંકળ: નિર્ણયની કાનૂની અને તકનીકી માલિકી સ્પષ્ટપણે સ્પષ્ટ છે.

AI ની કાયમી મર્યાદા

AI પાસે શિપિંગમાં ચાર કાયમી સીમાઓ છે, અને ટેક્નોલોજીની પ્રગતિ સાથે પણ આ અદૃશ્ય થશે નહીં. પ્રથમ, આભાસ: જ્યારે તેની પાસે ચોક્કસ ડેટા ન હોય ત્યારે મોડેલ "મોટા ભાગે" નિવેદનો વડે ગેપને ભરે છે; આ એક બનાવેલ વર્ગ કલમ, અશક્ય સ્થિરતા મૂલ્ય અથવા અવિદ્યમાન ગુણાંક હોવાનું બહાર આવ્યું છે. બીજું, જમાવટની બહારની વર્તણૂક: મોડેલ જે પરિસ્થિતિઓ માટે તેને પ્રશિક્ષિત અને પરીક્ષણ કરવામાં આવ્યું હતું તેની બહાર અવિશ્વસનીય બની જાય છે (અસામાન્ય જહાજનો પ્રકાર, અસામાન્ય ખામી, અદ્રશ્ય ટ્રાફિક). ત્રીજું, ભૌતિકશાસ્ત્રની સમજણનો અભાવ: AI શબ્દોની પેટર્ન પર પ્રક્રિયા કરે છે, ઊર્જા સંરક્ષણ અથવા ન્યૂટનના નિયમોને "સમજતું" નથી; તે આઉટપુટ ઉત્પન્ન કરી શકે છે જે વાજબી લાગે છે પરંતુ શારીરિક રીતે અશક્ય છે. ચોથું, સમયસૂચકતા: કાયદો, કિંમત અને ટેકનોલોજી ફેરફાર; મોડલની માહિતી તારીખે સ્થિર છે.

આ મર્યાદાઓ સમજાવે છે કે અમે સમગ્ર મોડ્યુલમાં જે ચકાસણી શિસ્ત શીખ્યા તે શા માટે અનિવાર્ય છે: ઓર્ડર-ઓફ-મેગ્નિટ્યુડ નિયંત્રણ, એકમ સુસંગતતા, સ્વતંત્ર પ્રજનન અને સ્ત્રોત ચકાસણી. ખાસ કરીને જ્યારે AI પાસે ગણતરીઓ (દા.ત. બેલાસ્ટ/સ્ટેબિલિટી મોમેન્ટ અથવા પાવર કેલ્ક્યુલેશન માટે જનરેટ થયેલ પાયથોન/એક્સેલ સ્ક્રિપ્ટ), જો કોડ પ્રવાહી અને કાર્યશીલ દેખાય, તો પણ તેના તર્ક, ઇનપુટ્સ અને એજ કેસ સ્વતંત્ર પરીક્ષણ વિના સલામતી નિર્ણયમાં અનુવાદિત થતા નથી. માત્ર એટલા માટે કે એકાઉન્ટ કોડ "કાર્ય કરે છે" નો અર્થ એ નથી કે તે "સાચો" છે.

સાવધાન: AI-જનરેટેડ એકાઉન્ટિંગ કોડ ભૂલો વિના કામ કરી શકે છે, પરંતુ તેમાં ખોટું સૂત્ર, ખોટું એકમ અથવા અવગણવામાં આવેલ ધાર કેસ હોઈ શકે છે. કોડ સ્વીકારતા પહેલા, તેને જાણીતા ઇનપુટ (ઉદાહરણ તરીકે તમે જાતે જ જવાબ જાણો છો) વડે પરીક્ષણ કરો, ધારના કિસ્સાઓ માટે પરીક્ષણ કરો અને પરિણામને સ્વતંત્ર રીતે ચકાસો. In safety-critical calculations such as stability, an approved loading computer and engineer confirmation are essential.

સાયબર સુરક્ષા અને ડેટા ગોપનીયતા

આધુનિક જહાજ ફ્લોટિંગ કમ્પ્યુટર નેટવર્ક છે: નેવિગેશન સિસ્ટમ્સ, મશીનરી કંટ્રોલ, કાર્ગો મેનેજમેન્ટ અને સેટેલાઇટ કનેક્ટિવિટી એકબીજા સાથે જોડાયેલા છે. આનો અર્થ છે સાયબર એટેક સપાટી. AI સિસ્ટમ્સ આ ચિત્રમાં બે નવા જોખમો ઉમેરે છે. પ્રથમ, OT (ઓપરેશનલ ટેક્નોલોજી) સલામતી: નેવિગેશન અને મશીન કંટ્રોલ સાથે જોડાયેલ AI ઘટક જો હુમલો કરવામાં આવે તો તે સીધું સલામતી જોખમ ઊભું કરે છે; તેથી નિર્ણાયક OT સિસ્ટમો અલગ પડે છે, AI આઉટપુટ ક્યારેય તેની પોતાની રીતે નિયંત્રણ ક્રિયાને ટ્રિગર ન કરે, માનવ મંજૂરી અને સલામત ડિફોલ્ટ વર્તન જાળવવું જોઈએ. બીજું, ડેટા ગોપનીયતા: હલ ફોર્મ, પર્ફોર્મન્સ કર્વ્સ, શિપ ઓનર-યાર્ડ કોન્ટ્રાક્ટ્સ અને ઓપરેશનલ ટેલિમેટ્રી એ વેપાર રહસ્યો અને બૌદ્ધિક સંપત્તિ છે; આ ડેટાને અપ્રૂવ્ડ એક્સટર્નલ AI સેવાઓમાં દાખલ કરવો એ એક અફર ન થઈ શકે તેવું નુકસાન છે.

વધુમાં, મેનીપ્યુલેશનના જોખમો જેમ કે ડેટા પોઈઝનિંગ (દૂષિત ઇનપુટ સાથે મોડેલને ગેરમાર્ગે દોરવું) અને AIS જેવા ડેટાની સ્પૂફિંગ માટે AI ના ઇનપુટ્સ પર આંધળો વિશ્વાસ ન કરવો જરૂરી છે. નિયમ: નિર્ણાયક ડેટા અનામી છે અથવા બિલકુલ શેર કરવામાં આવ્યો નથી, ફક્ત મંજૂર અને ગોપનીયતા-નિશ્ચિત સાધનોનો ઉપયોગ કરવામાં આવે છે, મહત્વપૂર્ણ ઇનપુટ્સ અધિકૃતતા માટે ક્રોસ-વેરિફાઇડ છે.

જોખમ

તે કેવી રીતે થાય છે?

સાવચેતી

આભાસ

બનાવેલ નિયમ/મૂલ્ય/સ્રોત

સ્ત્રોતમાંથી પુષ્ટિ, રેન્ક નિયંત્રણ

ઓટી સાયબર હુમલો

નિયંત્રણ સિસ્ટમની ઘૂસણખોરી

અલગતા, માનવ મંજૂરી, સુરક્ષિત ડિફોલ્ટ

ડેટા લીક

બાહ્ય સાધનમાં ગોપનીય માહિતી દાખલ કરવી

અનામીકરણ, માન્ય સાધન

ડેટા પોઈઝનિંગ/સ્પૂફિંગ

ઈરાદાપૂર્વક દૂષિત ઇનપુટ

ઇનપુટ માન્યતા, ક્રોસ-ચેકિંગ

મોડલ પૂર્વગ્રહ

અસંતુલિત તાલીમ ડેટા

માનવ ચુકાદા સાથે પરિણામની સમીક્ષા

નૈતિકતા અને જવાબદારીની સાંકળ

મેરીટાઇમમાં નિર્ણયની કાનૂની અને તકનીકી માલિકી સ્પષ્ટ હોવી જોઈએ: નેવિગેશનલ સલામતી માટે કેપ્ટન જવાબદાર છે, મુખ્ય ઇજનેર મશીનરી માટે જવાબદાર છે, ઇન્ચાર્જ ઇજનેર ડિઝાઇન અને ગણતરી માટે જવાબદાર છે, અને વર્ગ મોજણીદાર નિયમોના પાલન માટે જવાબદાર છે. AI એ આ સાંકળમાં "જવાબદારીનું અંતર" દાખલ કરવું જોઈએ નહીં. "એઆઈએ આ સૂચવ્યું" એ બહાનું નથી; જે મનુષ્ય AI નો ઉપયોગ કરે છે અને તેનું આઉટપુટ સ્વીકારે છે તે જવાબદાર છે. તેથી, AI નો ઉપયોગ પારદર્શક હોવો જોઈએ (તે કયા નિર્ણયને સમર્થન આપે છે, તે કઈ ચકાસણીમાંથી પસાર થયું છે તે રેકોર્ડ કરવું આવશ્યક છે) અને અંતિમ નિર્ણય સહી કરેલ માનવી પર હોવો જોઈએ.

નૈતિક પરિમાણમાં ક્રૂ સલામતી અને પર્યાવરણનો પણ સમાવેશ થાય છે: જો બળતણ-બચાવની દરખાસ્ત ક્રૂને જોખમમાં મૂકે છે, જો ઓટોમેશન સોલ્યુશન સલામતી માર્જિનને સંકુચિત કરે છે, જો ટૂંકા ગાળાના લાભને લાંબા ગાળાના જોખમને માસ્ક કરે છે, તો એન્જિનિયરિંગ નીતિશાસ્ત્રને "ના" કહેવાની જરૂર છે. AI એ ઉત્પાદકતા માટે એક શક્તિશાળી સાધન છે; But efficiency can never come before life, the environment and honest engineering judgment.

મીની કેસો

કેસ 1 - "એઆઈએ આમ કહ્યું" બહાનું. રિપોર્ટમાં, ચકાસણી કર્યા વિના AI દ્વારા આપવામાં આવેલ મર્યાદા મૂલ્યનો ઉપયોગ કરવામાં આવે છે અને મૂલ્ય ખોટું હોવાનું બહાર આવે છે. જવાબદાર વ્યક્તિ "એઆઈએ આ સૂચવ્યું" કહીને પોતાનો બચાવ કરવાનો પ્રયાસ કરે છે. ન તો વર્ગ કે જવાબદારી કાયદો આને ઓળખે છે: આઉટપુટ સ્વીકારનાર એન્જિનિયર જવાબદાર છે. પાઠ: AI એ બહાનું નથી; જવાબદારી તેનો ઉપયોગ કરનાર વ્યક્તિની છે.

કેસ 2 - ગોપનીય ડેટાનું લીકેજ. એક ટીમ સાર્વજનિક રૂપે ઉપલબ્ધ AI ટૂલમાં જહાજના માલિકનું વાસ્તવિક પ્રદર્શન અને બળતણ ડેટા પેસ્ટ કરે છે અને વિશ્લેષણની વિનંતી કરે છે. આ ડેટા હવે નિયંત્રણની બહાર છે; વેપારનું રહસ્ય અને કરારનો ભંગ થાય છે. જો અનામી પ્રતિનિધિ મૂલ્યો અથવા માન્ય સાધન સાથે કામ કરવામાં આવે તો કોઈ જોખમ રહેશે નહીં. પાઠ: વાસ્તવિક/ગોપનીય ડેટા ક્યારેય અસ્વીકૃત બાહ્ય સાધનમાં દાખલ થતો નથી.

કેસ 3 - કાર્યકારી પરંતુ ખોટો કોડ. AI સ્થિરતાની ક્ષણ માટે પાયથોન સ્ક્રિપ્ટ બનાવે છે; કોડ ભૂલો વિના ચાલે છે અને વાજબી નંબર આપે છે. જ્યારે એન્જિનિયર તેને જાણીતા લોડિંગ કેસ (જેનો જવાબ હાથથી જાણીતો હોય છે) સાથે તેનું પરીક્ષણ કરે છે, ત્યારે તેને ખબર પડે છે કે કોડ ખોટા ચિહ્ન સાથે હાથની લંબાઈનો શબ્દ લે છે. સ્ક્રિપ્ટ "કામ" કરતી હતી પરંતુ પરિણામ ખોટું હતું. પાઠ: એકાઉન્ટ કોડનું સંચાલન શુદ્ધતાની ગેરંટી નથી; જાણીતા ઇનપુટ અને સ્વતંત્ર ચકાસણી સાથે પરીક્ષણ આવશ્યક છે.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 — મર્યાદા અને જોખમ સ્વ-મૂલ્યાંકન:

ભૂમિકા: તમે એક સમીક્ષક છો જે હું ઉપયોગ કરું છું તે AI આઉટપુટનું ઑડિટ કરી રહ્યાં છો. સંદર્ભ: [કાર્ય/આઉટપુટ]. કાર્ય:1) આ આઉટપુટમાં ભ્રમણાનું જોખમ ક્યાં વધારે છે? 2) શું ભૌતિક સમજશક્તિની દ્રષ્ટિએ કંઈપણ શંકાસ્પદ છે? 3) કયા મૂલ્યો કે જેને સમયબદ્ધતા (કાયદો/કિંમત) ની જરૂર છે તે ચકાસવામાં આવવી જોઈએ? 4) આ આઉટપુટ આઉટપુટની બહાર છે? કેસ?દરેક શંકાસ્પદ મુદ્દાની સૂચિ બનાવો અને તેને કેવી રીતે ચકાસવું.

Template 2 — Account code verification schedule:

નીચેના AI-જનરેટેડ એકાઉન્ટિંગ કોડ (Python/Excel) નો ઉપયોગ કરતા પહેલા એક વેરિફિકેશન પ્લાન સાથે આવો:[પેસ્ટ કોડ/લોજિક]1) એક ટેસ્ટ ઇનપુટ સૂચવો કે જેના માટે હું જવાબ સ્પષ્ટ જાણું છું. 2) એજ કેસોની યાદી આપો કે જેનું પરીક્ષણ કરવાની જરૂર છે (શૂન્ય, નકારાત્મક, આત્યંતિક).3) હું એકમ સુસંગતતા કેવી રીતે તપાસું? 4) હું એપ દ્વારા શું પરિણામની પુષ્ટિ કરું છું? સુરક્ષા-નિર્ણાયક ખાતા પર ચકાસણી જરૂરી છે.

ટેમ્પલેટ 3 — ડેટા ગોપનીયતા ફિલ્ટર:

ગોપનીયતા નીચેના સંદર્ભને તપાસો જે હું AI ટૂલને આપીશ: [ટેક્સ્ટ ટુ શેર]1) શું તેમાં વેપાર ગુપ્ત / ગોપનીય / કરાર ડેટા છે? 2) કયા મૂલ્યો અનામી અથવા કાઢવા જોઈએ? 3) શું આ કાર્ય માટે માન્ય આંતરિક સાધનની જરૂર છે? અવરોધ: વાસ્તવિક શિપ/પ્રદર્શન/કરાર ડેટા બાહ્ય સાધનમાં જતો નથી.

નમૂનો 4 — જવાબદારી અને પારદર્શિતા નોંધ:

નીચેના AI-સંચાલિત નિર્ણયને દસ્તાવેજ કરવા માટે પારદર્શિતા મેમોનો મુસદ્દો તૈયાર કરો:[નિર્ણય]. સામગ્રી: (1) કયા તબક્કે AIનો ઉપયોગ કરવામાં આવ્યો હતો, (2) તે કઈ ચકાસણીઓમાંથી પસાર થયો હતો, (3) કયા માનવે તેને મંજૂરી આપી હતી, (4) કયા સ્ત્રોતો ચકાસવામાં આવ્યા હતા. અવરોધ: સ્પષ્ટ કરો કે અંતિમ જવાબદારી માનવ હસ્તાક્ષર પર છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

હું આ AI વિશ્લેષણ રિપોર્ટમાં મૂકીશ, શું તે બરાબર છે?

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે સ્વતંત્ર સમીક્ષક છો કે જેઓ AI આઉટપુટનું ઓડિટ કરે છે. સંદર્ભ: [વિશ્લેષણ/આઉટપુટ અને ક્યાં ઉપયોગ કરવો]. કાર્ય: 1) આભાસનું જોખમ, શારીરિક સમજદારી અને સમયસૂચકતા.2) શું એવો ડેટા છે જે ગોપનીયતા માટે શેર ન કરવો જોઈએ? 3) આ આઉટપુટને ચકાસવા માટે માનવીને કયા પગલાંની જરૂર પડશે? "યોગ્ય/અયોગ્ય" નિર્ણય; ચકાસણીના પગલાં જણાવો અને જવાબદારી સહી કરનાર ઈજનેરની છે.

નબળા પ્રોમ્પ્ટ પુષ્ટિ માટે પૂછે છે; મજબૂત પ્રોમ્પ્ટ જોખમો, ગોપનીયતા અને માનવ ચકાસણી સાંકળને ઉજાગર કરે છે.

સામાન્ય ભૂલો

• તેનો અર્થ એ છે કે "એઆઈએ આમ કહ્યું." જવાબદારી તે વ્યક્તિની છે જે આઉટપુટ સ્વીકારે છે; AI કોઈ બહાનું નથી.
• બાહ્ય સાધનમાં ગોપનીય માહિતી દાખલ કરવી. વેપારનું રહસ્ય અને કરારનો ભંગ; એકવાર લીક થયેલો ડેટા પુનઃપ્રાપ્ત કરી શકાતો નથી.
• વિચારીને કે વર્કિંગ કોડ સાચો છે. ભૂલો વિના કામ કરતી સ્ક્રિપ્ટમાં ખોટું સૂત્ર/એકમ હોઈ શકે છે; પરીક્ષણ અને સ્વતંત્ર પુષ્ટિ જરૂરી છે.
• OT સિસ્ટમને AI પર છોડીને. નિયંત્રણ ક્રિયા એકલા AI દ્વારા ક્યારેય ટ્રિગર થતી નથી; માનવ મંજૂરી અને સુરક્ષિત ડિફોલ્ટ જાળવવામાં આવે છે.
• સલામતી પહેલાં કાર્યક્ષમતા મૂકવી. જીવન, પર્યાવરણ અને પ્રામાણિક ઇજનેરી ચુકાદાને કોઈપણ બચત માટે બલિદાન આપવામાં આવતું નથી.

સારાંશમાં

મેરીટાઇમમાં AIની સ્થાયી મર્યાદાઓ (ભ્રામકતા, વિતરણની બહારની વર્તણૂક, ભૌતિકશાસ્ત્રની સમજનો અભાવ, જૂની તારીખ) અને જોખમો (સાયબર/ઓટી સુરક્ષા, ડેટા ગોપનીયતા, ઝેર, પૂર્વગ્રહ) સમજાવે છે કે શા માટે સમગ્ર મોડ્યુલમાં શીખેલ ચકાસણી શિસ્ત અનિવાર્ય છે. સલામતી-નિર્ણાયક નિર્ણયોમાં, AI આઉટપુટ સક્ષમ માનવ મંજૂરીનો વિકલ્પ નથી; જવાબદારીની સાંકળ સ્પષ્ટ છે અને "એઆઈએ આમ કહ્યું" એ બહાનું નથી. AI એક શક્તિશાળી પ્રવેગક છે; પરંતુ જીવન, પર્યાવરણ અને પ્રામાણિક ઇજનેરી નિર્ણય હંમેશા પ્રથમ આવે છે.

એપ્લિકેશન કાર્ય

તમે આ મોડ્યુલમાં બનાવેલ AI આઉટપુટ (એક એકાઉન્ટ, રિપોર્ટ ડ્રાફ્ટ અથવા કોડ) પસંદ કરો. "મર્યાદા અને જોખમ સ્વ-મૂલ્યાંકન" ટેમ્પ્લેટ વડે આભાસ, ભૌતિક બુદ્ધિગમ્યતા અને વાસ્તવિકતાના જોખમોને ફ્લેગ કરો. જો તે એકાઉન્ટ કોડ છે, તો "એકાઉન્ટ કોડ વેરિફિકેશન પ્લાન" ટેમ્પલેટનો ઉપયોગ કરીને જાણીતા ઇનપુટ સાથે તેનું પરીક્ષણ કરો અને સ્વતંત્ર રીતે ચકાસો. "ડેટા ગોપનીયતા ફિલ્ટર" લાગુ કરો અને શેર ન થવો જોઈએ તે ડેટાને ફિલ્ટર કરો. અંતે, નિર્ણયનું દસ્તાવેજીકરણ કરતું પારદર્શિતા મેમો લખો અને તે સ્પષ્ટ કરો કે અંતિમ જવાબદારી કોની છે.

ચેકલિસ્ટ

• [ ] મેં AI આઉટપુટના આભાસ, ભૌતિકશાસ્ત્ર અને વાસ્તવિકતાના જોખમો તપાસ્યા.
• [ ] મેં જાણીતા ઇનપુટ સાથે એકાઉન્ટ કોડનું પરીક્ષણ અને સ્વતંત્ર રીતે ચકાસણી કરી છે.
• [ ] મેં બાહ્ય સાધનમાં ગોપનીય/કરારિત ડેટા દાખલ કર્યો નથી; મેં તેનું નામ ગુપ્ત રાખ્યું.
• [ ] મેં OT/કંટ્રોલ સિસ્ટમ્સમાં માનવીય મંજૂરી અને સુરક્ષિત ડિફોલ્ટ જાળવી રાખ્યું છે.
• [ ] મેં AI ના ઉપયોગનું પારદર્શક રીતે દસ્તાવેજીકરણ કર્યું અને કોણ જવાબદાર હતું તે સ્પષ્ટ કર્યું.
• [ ] મેં જીવન, પર્યાવરણ અને ઈજનેરી નીતિશાસ્ત્ર પહેલાં ક્યારેય કાર્યક્ષમતાને સ્થાન આપ્યું નથી.

મોડ્યુલ પરીક્ષા

1. દરિયાઈ ઈજનેર તરીકે AI ટૂલ સાથે કામ કરતી વખતે, નીચેનામાંથી કોની અંતિમ જવાબદારી હંમેશા માનવ (એન્જિનિયર/ક્લાસમેન)ની રહેવી જોઈએ?

• A) વર્ગના નિયમ સાથે માળખાકીય તત્વના પાલનની મંજૂરી અને હસ્તાક્ષર ✔
• બી) પ્રતિકાર અહેવાલનો પ્રથમ ડ્રાફ્ટ બનાવવો
• સી) ચાર્ટના અક્ષ લેબલને સંપાદિત કરવું
• ડી) તકનીકી અહેવાલ માટે શરતોની શબ્દાવલિ તૈયાર કરવી

વર્ણન: AI; તે પ્રતિકાર પૂર્વ ગણતરી, રિપોર્ટ ડ્રાફ્ટિંગ અને ડેટા સારાંશ જેવા કાર્યોને ઝડપી બનાવી શકે છે. જો કે, વર્ગના નિયમ સાથે માળખાકીય તત્વના પાલનને મંજૂરી આપવી અને તેને તકનીકી ફાઇલ પર સહી તરીકે પ્રતિબિંબિત કરવું એ એક નિર્ણય છે જે જીવન અને મિલકતની સલામતી બનાવે છે; સ્વતંત્ર ચકાસણી અને અધિકૃત મંજૂરી વિના AI માં ટ્રાન્સફર કરી શકાતું નથી.

2. તમારી પાસે AI પાસે બોટના પ્રતિકારની ગણતરી હતી અને તેણે 'અનુભાવિક સુધારણા પરિબળ' સાથે પરિણામમાં 20% ઘટાડો કર્યો જે મોડેલ પ્રયોગમાં ન હતો. લેવા માટે પ્રથમ યોગ્ય પગલાં શું છે?

• A) પરિણામ જેવું છે તે સ્વીકારવું કારણ કે AI આત્મવિશ્વાસપૂર્ણ લાગે છે
• બી) ગુણાંકના સ્ત્રોત પર પ્રશ્ન કરો, પાયા વગરના સુધારાને નકારી કાઢો અને માન્ય પદ્ધતિથી તેની પુનઃ ગણતરી કરો ✔
• C) ગુણાંકને હજી વધુ વધારવો અને સલામત બાજુએ રહેવું
• ડી) પરિણામ બદલ્યા વિના પ્રોપેલર પસંદગી પર સ્વિચ કરવું

સમજૂતી: ભાષાના મોડેલો ખાતરીપૂર્વક પાયા વગરના ગુણાંક અને સંખ્યાઓ (ભ્રામકતા) બનાવી શકે છે. પ્રોપલ્શન પાવર અને ઇંધણને સીધી અસર કરતી ગણતરીમાં, જેમ કે પ્રતિકાર, વપરાયેલ દરેક ગુણાંક (પદ્ધતિ, મોડેલ ટેસ્ટ, સ્ટાન્ડર્ડ) ના સ્ત્રોત પર પ્રશ્ન કરવો અને અસમર્થિત ગુણાંકને નકારવો જરૂરી છે.

3. વહાણના CII (કાર્બન ઇન્ટેન્સિટી ઇન્ડિકેટર) ની ગણતરીમાં છેદ તરીકે વહન કરેલા કાર્ગોના જથ્થાનો ઉપયોગ કરવાને બદલે, AI માત્ર અંતરનો ઉપયોગ કરે છે. આ આઉટપુટ સાથે મુખ્ય સમસ્યા શું છે?

• A) CII ની ગણતરી માત્ર ટેન્કરો માટે કરવામાં આવે છે, આ બોર્ડ પર બિનજરૂરી છે
• B) CII પરિણામ હંમેશા ટકાવારી તરીકે આવે છે, દશાંશ ખોટું છે
• C) CII છેદ માત્ર અંતર હોવું જોઈએ નહીં, પરંતુ વહન ક્ષમતા (ડેડવેઈટ) અંતરથી ગુણાકાર ✔
• ડી) CII ગણતરી માટે સ્પીડ ડેટા ફરજિયાત છે, તે ખૂટે છે

વર્ણન: CII કામ દીઠ કાર્બન ઉત્સર્જનને માપે છે અને તે ઓફર કરેલા પેલોડના ગુણાકાર અંતર (દા.ત. ડેડવેઇટ x અંતર) પર આધારિત છે. લોડ/ક્ષમતા શબ્દને છોડી દેવાથી સૂચકની ખોટી ગણતરી થાય છે. પ્રથમ અને ફરજિયાત પગલું ઉત્પાદકતા સૂચકાંકોમાં દરેક શબ્દ માટે IMO વ્યાખ્યાનું સંપૂર્ણ પાલન કરવાનું છે.

4. એન્જિન રૂમમાં AI-સંચાલિત અનુમાનિત જાળવણી સિસ્ટમનું સૌથી મૂલ્યવાન આઉટપુટ શું છે?

• A) ભૂતકાળની જાળવણીના સરેરાશ ખર્ચનો એક લાઇનમાં સારાંશ આપો
• બી) તમામ સેન્સર ડેટાને વધુ રંગીન ગ્રાફમાં રૂપાંતરિત કરવું
• C) કંપન/તાપમાનના વલણોને રંગ અને સૂચિબદ્ધ કરો
• ડી) જ્યારે બેરિંગ અથવા ટર્બોચાર્જર ફેલ થવાની શક્યતા વધુ હોય ત્યારે સમયની વિન્ડોને પૂર્વ-ચિહ્નિત કરવું ✔

વર્ણન: અનુમાનિત જાળવણીનો હેતુ એ છે કે સાધન નિષ્ફળ જાય તે પહેલાં તેના બગડવાની વૃત્તિને શોધી કાઢવી અને સમયસર જાળવણીનું આયોજન કરવું. આમ, અનપેક્ષિત ખામી અને સ્ટોપેજનું જોખમ ઓછું થાય છે. તે માત્ર ભૂતકાળનો સારાંશ આપવા માટે જ નહીં પણ ભવિષ્ય વિશે પ્રારંભિક ચેતવણીઓ આપવા માટે પણ મૂલ્યવાન છે.

5. AI એ FEA (ફિનિટ એલિમેન્ટ એનાલિસિસ) મૉડલમાં તણાવના પરિણામની સરખામણી વર્ગ કોડમાં સ્વીકાર્ય તણાવ સાથે કરી અને 'યોગ્ય' જાહેર કરી. સૌથી સાચો અભિગમ કયો છે?

• A) મોડલ સેટઅપ (મેશ, બાઉન્ડ્રી કન્ડીશન, લોડ) ચકાસવું અને વર્ગ નિયમ ટેક્સ્ટમાંથી સ્વીકાર્ય તણાવની પુષ્ટિ કરવી ✔
• બી) પરિણામની સીધી પુષ્ટિ કરવી કારણ કે એઆઈએ 'ફીટ' કહ્યું છે
• સી) સલામત બાજુ પર રહેવા માટે અનુમતિપાત્ર તણાવને અવ્યવસ્થિત રીતે ઘટાડવો
• ડી) નેટવર્કને કડક કર્યા વિના માત્ર રંગ સ્કેલ બદલવું

વર્ણન: FEA પરિણામ; તે સંપૂર્ણપણે જાળીની ગુણવત્તા, સીમાની સ્થિતિ, લોડની વ્યાખ્યા અને સામગ્રી ગુણધર્મો પર આધારિત છે. વધુમાં, એઆઈ દ્વારા ઉપયોગમાં લેવાતું સ્વીકાર્ય તણાવ મૂલ્ય ખોટું હોઈ શકે છે. પરિણામ સ્વીકારતા પહેલા, મોડેલ સેટઅપ ચકાસવું અને ટેક્સ્ટમાંથી વર્ગ નિયમ મૂલ્યની પુષ્ટિ કરવી જરૂરી છે.

6. તમે એક માર્ગ બનાવ્યો છે જે AI સાથે હવામાન રૂટીંગ કરીને બળતણને ઓછું કરે છે. પરિણામની ઉપયોગીતા માટે કઈ વિચારણા સૌથી મહત્વપૂર્ણ છે?

• A) માર્ગ નેવિગેશનલ સલામતી (તરંગ, હવામાન, જહાજના પ્રતિબંધો) ની દ્રષ્ટિએ સલામત હોવો જોઈએ અને કેપ્ટન દ્વારા માન્ય હોવો જોઈએ ✔
• બી) નકશા પર માર્ગનો સૌથી ટૂંકો દેખાવ
• C) રૂટમાં સૌથી વધુ પોર્ટ કોલ્સનો સમાવેશ થાય છે
• ડી) રૂટ કરારને ધ્યાનમાં લીધા વિના ETA ઘટાડે છે

સમજૂતી: રૂટની દરખાસ્ત ગમે તેટલી ઇંધણ-ઉત્તમ હોય, નેવિગેશનલ સલામતી અને કેપ્ટનની સત્તા પ્રાથમિકતા આપે છે. જો તોફાન, તરંગોની ઊંચાઈ અને જહાજના નિયંત્રણો સલામતી મર્યાદા કરતાં વધી જાય, તો બળતણનો લાભ અર્થહીન છે. અંતિમ માર્ગ નિર્ણય સલામતી અવરોધો દ્વારા ફિલ્ટર અને કેપ્ટન દ્વારા મંજૂર થયેલ હોવો જોઈએ.

7. તમે AI ને SOLAS જરૂરિયાત માટે પૂછ્યું અને તેણે ચોક્કસ 'પ્રકરણ/નિયમ નંબર'ના સંદર્ભમાં ચોક્કસ મૂલ્ય આપ્યું. યોગ્ય એન્જિનિયરિંગ વર્તન શું છે?

• A) મૂલ્યને સીધું લાગુ કરવું કારણ કે AI અપ ટૂ ડેટ છે
• બી) સલામત બાજુ પર રહેવા માટે અવ્યવસ્થિત રીતે મૂલ્ય વધારવું
• C) સત્તાવાર, અદ્યતન SOLAS/વર્ગ સ્ત્રોતમાંથી આઇટમ નંબર અને મૂલ્ય ચકાસો ✔
• ડી) આઇટમ નંબર તપાસ્યા વિના ફાઇલમાં ઉમેરવું

વર્ણન: ભાષાના નમૂનાઓ કરાર/નિયમ કલમ નંબરો અને મૂલ્યોને ખોટી રીતે યાદ રાખી શકે છે અથવા બનાવે છે. SOLAS, MARPOL અને વર્ગના નિયમો જેવા બંધનકર્તા ક્ષેત્રોમાં, દરેક આઇટમ અને મૂલ્ય સત્તાવાર, વર્તમાન સ્ત્રોત (IMO ટેક્સ્ટ, વર્ગ નિયમ, સંચાલન પરિપત્ર) માંથી શબ્દશઃ ચકાસવું આવશ્યક છે; AI આઉટપુટ ફક્ત તે જ બતાવે છે કે ક્યાં જોવું.

8. સ્વાયત્ત અથવા નિર્ણય-સહાયિત નેવિગેશન સિસ્ટમમાં, AI એ રડાર અને AIS ડેટા પર આધારિત દાવપેચનું સૂચન કર્યું. COLREG (સંઘર્ષ નિવારણ) ની દ્રષ્ટિએ સાચું મૂલ્યાંકન કયું છે?

• A) AI વર્તમાન ડેટાને એક્સેસ કરે તે રીતે આપમેળે દાવપેચ ચલાવો
• બી) VHF દ્વારા સૂચનને અન્ય જહાજ પર મોકલો અને તેની મંજૂરીની રાહ જુઓ
• સી) રડાર બંધ કરવું અને ફક્ત AIS પર આધાર રાખવો
• ડી) સૂચનને નિર્ણયના સમર્થન તરીકે ધ્યાનમાં લો અને COLREG અને અંતિમ દાવપેચનો નિર્ણય ઘડિયાળના અધિકારી/કેપ્ટન પર છોડી દો.

સમજૂતી: COLREG નિયમો અને સારી દરિયાઈ પ્રેક્ટિસ અનુસાર, અથડામણ ટાળવાની અને અંતિમ દાવપેચના નિર્ણયની જવાબદારી પુલ પરના સત્તાધિકારી (કપ્તાન/વચના અધિકારી)ની છે. AI ભલામણ એ નિર્ણયને સમર્થન છે; બ્લાઇન્ડ સ્પોટ્સ, સેન્સરની ભૂલ અને નિયમના અર્થઘટન માટે માનવ દેખરેખની જરૂર છે.

9. તમે AI સાથે મુખ્ય એન્જિન SFOC (વિશિષ્ટ બળતણ વપરાશ) વળાંકમાંથી બળતણ અર્થતંત્રની ભલામણ જનરેટ કરી છે. વ્યાજબીતા ચકાસવા માટે સૌથી યોગ્ય પદ્ધતિ કઈ છે?

• A) પાછલી સફરના ડેટા પર ભલામણ લાગુ કરો અને વાસ્તવિક બળતણ વપરાશ સાથે સરખામણી કરો ✔
• બી) સૂચન જેમ છે તેમ સ્વીકારો અને તેને બચત તરીકે બજેટમાં લખો.
• C) સૌથી વધુ આશાવાદી બચત ટકાવારી માત્ર વાસ્તવિક મૂલ્ય તરીકે લેવી
• ડી) ફક્ત SFOC વળાંકના ગ્રાફને સુંદર બનાવો

સમજૂતી: AI દ્વારા ઉત્પાદિત બચત દાવાને વહાણના વાસ્તવિક સફરના ડેટા (રેકોર્ડ કરેલ ઇંધણ વપરાશ, લોડ, ઝડપ, હવામાન) સાથે તેની તુલના કરીને પરીક્ષણ કરવું જોઈએ. ભૂતકાળની સફરના ડેટા પર તેને પૂર્વનિર્ધારિત રીતે લાગુ કરવું અને તેની વાસ્તવિક વપરાશ સાથે તુલના કરવી એ બતાવે છે કે ભલામણ કેટલી વાસ્તવિક છે.

10. AI દ્વારા તૈયાર કરાયેલ ડ્રાફ્ટ સર્વે/ટેક્નિકલ રિપોર્ટમાં ટેકનિકલ મૂલ્યો છે જે પ્રવાહી છે પરંતુ અનિશ્ચિત મૂળના છે. યોગ્ય વર્તન શું છે?

• A) અહેવાલને તે રીતે રજૂ કરવો કારણ કે ટેક્સ્ટ અસ્ખલિત છે
• બી) દરેક મૂલ્યને મૂળ માપ/સ્રોત સાથે મેચ કરો અને પુષ્ટિ ન થયેલ ✔ દૂર કરો
• C) મૂલ્યોને રાઉન્ડિંગ અને ગ્લોસિંગ
• ડી) માત્ર એક્ઝિક્યુટિવ સારાંશ વાંચો અને બાકીનું અવગણો

વર્ણન: રિપોર્ટમાં દરેક તકનીકી મૂલ્ય તેના મૂળ સ્ત્રોત (માપ, માપાંકિત ઉપકરણ રેકોર્ડ, વર્ગ નિયમ, ઉત્પાદક ડેટા) માટે શોધી શકાય તેવું હોવું જોઈએ. કોઈપણ નંબર તેના સ્ત્રોતની ચકાસણી કર્યા વિના વર્ગ અથવા મેનેજમેન્ટને સબમિટ કરવો જોઈએ નહીં, ભલે તે અસ્ખલિત વાક્યમાં મૂલ્ય હોય; નહિંતર, એક કાલ્પનિક મૂલ્ય નિર્ણયના આધારમાં પ્રવેશ કરે છે.

11. AI-જનરેટેડ એક્સેલ/પાયથોન ગણતરી (દા.ત. બેલાસ્ટ કન્ડિશન અને સ્ટેબિલિટીની ક્ષણ)નો ઉપયોગ કરતા પહેલા શ્રેષ્ઠ પગલું કયું છે?

• A) ગણતરી સીધી વાસ્તવિક લોડિંગ યોજના પર લાગુ કરવી
• બી) માત્ર કોડની લંબાઈ અને લેઆઉટ જોઈ રહ્યા છીએ
• C) જાણીતી કસોટીની સ્થિતિ અને માન્ય લોડિંગ ટૂલ સાથે ગણતરીની સરખામણી કરીને એજ કેસ અજમાવી રહ્યા છીએ ✔
• ડી) કોડનો ભાગ ટૂંકો કરવા તેને કાઢી નાખવો

સમજૂતી: સ્થિરતા અને લોડની ગણતરીઓ સાચી દેખાઈ શકે છે પરંતુ ખોટા પરિણામો આપે છે. એક નાના પરીક્ષણ દૃશ્ય પર ગણતરી ચલાવવી જ્યાં તમે પરિણામ જાણો છો, ક્યાં તો જાતે અથવા પ્રમાણિત લોડિંગ કમ્પ્યુટર સાથે, તેની અપેક્ષિત આઉટપુટ સાથે સરખામણી કરીને, અને મર્યાદા/એજ લોડ કેસ અજમાવવાથી તે વાસ્તવિક લોડિંગ નિર્ણય પર લઈ જાય તે પહેલાં ભૂલ પકડી લેશે.

12. તમે સાર્વજનિક AI ટૂલમાં તમારા જહાજની શેર ન કરેલ ડિઝાઇન અને પ્રદર્શન ડેટા પેસ્ટ કરવા માંગો છો અને વિશ્લેષણની વિનંતી કરો છો. સૌથી સાચો અભિગમ કયો છે?

• A) ઝડપ માટે ડેટા પેસ્ટ કરવો
• બી) ફક્ત જહાજનું નામ કાઢી નાખવા અને બાકીનો તમામ ડેટા શેર કરવા માટે તે પૂરતું છે
• C) ડેટા શેર કરવો અને પછી AI ને તેને કાઢી નાખવાનું કહેવું
• ડી) સંસ્થાકીય નીતિ તપાસવી અને ડેટાને અનામી કરવો અથવા સુરક્ષિત/સંસ્થાકીય સાધનનો ઉપયોગ કરવો ✔

ડિસ્ક્લોઝર: હલ ફોર્મ, પર્ફોર્મન્સ કર્વ્સ અને શિપમાલિક/યાર્ડ કોન્ટ્રાક્ટ ડેટા ટ્રેડ સિક્રેટ અને બૌદ્ધિક સંપદા સંવેદનશીલ છે; વધુમાં, જટિલ ઈન્ફ્રાસ્ટ્રક્ચર અને ઓટી સિસ્ટમની માહિતી સાયબર જોખમ વહન કરે છે. ડેટા શેર કરતા પહેલા, કોર્પોરેટ પોલિસી તપાસવી, તેને અનામી કરવી અથવા કોર્પોરેટ ટૂલનો ઉપયોગ કરવો જરૂરી છે જે ડેટા શેર કરતું નથી.

13. શિપયાર્ડ બ્લોક એસેમ્બલીમાં AI-સંચાલિત ગુણવત્તા નિયંત્રણે વેલ્ડ સીમને 'સ્વીકાર્ય' તરીકે ફ્લેગ કર્યું. યોગ્ય એન્જિનિયરિંગ વર્તન શું છે?

• A) AI મૂલ્યાંકનને અંતિમ સ્વીકૃતિ તરીકે ધ્યાનમાં લો અને સીવણને મંજૂરી આપો
• B) AI પ્રારંભિક મૂલ્યાંકનને સ્ક્રીનીંગ ટૂલ તરીકે ધ્યાનમાં લેવું અને અંતિમ સ્વીકૃતિને NDT પરિણામ અને વર્ગની મંજૂરી સાથે જોડવું ✔
• સી) સીમની તપાસ કર્યા વિના આગલા બ્લોકમાં જવાનું
• ડી) સીમના દેખાવને દૃષ્ટિની રીતે તપાસવા માટે તે પૂરતું છે

વર્ણન: વેલ્ડીંગ ગુણવત્તા એ સલામતી-નિર્ણાયક ક્ષેત્ર છે જેને બિન-વિનાશક પરીક્ષણ (NDT) પરિણામો અને વર્ગની મંજૂરીની જરૂર છે. છબીઓ અથવા ડેટા દ્વારા AI નું પ્રારંભિક મૂલ્યાંકન માર્ગદર્શન પૂરું પાડે છે, પરંતુ અંતિમ સ્વીકૃતિ વર્ગ મોજણીદાર દ્વારા યોગ્ય નિરીક્ષણ અને મંજૂરી દ્વારા આપવામાં આવે છે.

14. ફ્લીટ મેનેજમેન્ટમાં, AI એ અભિયાન માટે ચોક્કસ ભલામણ કરી હતી કે 'આ બંકર પોર્ટ અને આ ઝડપ ચોક્કસપણે સૌથી વધુ નફાકારક છે'. સાચું મૂલ્યાંકન કયું છે?

• A) AI અપ-ટુ-ડેટ ડેટાને ઍક્સેસ કરે છે તે રીતે ભલામણનો સીધો અમલ કરવો
• બી) એક નિશ્ચિત પ્રતિબદ્ધતા તરીકે જહાજના માલિકને દરખાસ્ત પહોંચાડવી
• સી) આ એકલ આઉટપુટના આધારે સમગ્ર અભિયાન યોજનાને લોક કરી રહ્યું છે
• ડી) નિશ્ચિત ઓફરને અવિશ્વસનીય ગણીને અને તેને વર્તમાન કિંમત, ચાર્ટરની સ્થિતિ અને સલામતી સાથે ચકાસી શકાય તેવા દૃશ્ય તરીકે ગણીને ✔

સમજૂતી: બંકરની કિંમત, ચાર્ટરની સ્થિતિ, હવામાન અને બંદરમાં વિલંબ ઝડપથી બદલાઈ રહ્યો છે અને અનિશ્ચિત ચલો; AI સંપૂર્ણ નફાકારકતાની ખાતરી આપી શકતું નથી. દરખાસ્તને એક દૃશ્ય આઉટપુટ તરીકે ગણવામાં આવવી જોઈએ જે વર્તમાન કિંમત, ચાર્ટર પક્ષની શરતો અને સલામતી મર્યાદાઓ સાથે ચકાસાયેલ હોવું જોઈએ.