નફો:
- ધાતુશાસ્ત્ર અને સામગ્રીના વર્કફ્લોમાં AI વાસ્તવિક સમયને ક્યાં બચાવે છે અને જોખમના સ્તરના આધારે, સલામતી-નિર્ણાયક જવાબદારી એન્જિનિયરની ક્યાં રહેવી જોઈએ તે પારખવાની ક્ષમતા
- ત્રણ-સ્તર માન્યતા શિસ્તને અમલમાં મૂકવાની ક્ષમતા જે દરેક AI આઉટપુટનું પ્રમાણભૂત, સ્વતંત્ર ગણતરી અને પ્રયોગશાળા પ્રયોગો સામે પરીક્ષણ કરે છે
- ગોપનીય એલોય રેસીપી, પ્રોસેસ પેરામીટર અને ગ્રાહક ડેટાને સુરક્ષિત રાખવા માટે સંદર્ભ અને સુરક્ષિત સાધન પસંદગીને અનામી કરવાની ક્ષમતા
જ્યારે એરક્રાફ્ટ એન્જિનનું ટર્બાઇન બ્લેડ 1400 °C પર સેકન્ડમાં સેંકડો વખત ફરે છે, ત્યારે તમે તે વ્યક્તિ છો જે નક્કી કરે છે કે કયા સુપર એલોય (એક વિશિષ્ટ એલોય જે ઊંચા તાપમાને તેની તાકાત જાળવી રાખે છે) તે બ્લેડમાંથી બનાવવામાં આવશે, તે કઈ હીટ ટ્રીટમેન્ટમાંથી પસાર થશે અને કેટલા હજાર કલાક ચાલશે: મેટલર્જિકલ અથવા મટિરિયલ એન્જિનિયર. આ વ્યવસાયમાં તમે જે પણ નિર્ણય લો છો તે કાં તો માળખાના અસ્તિત્વ અથવા તેના નુકસાનને નિર્ધારિત કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI: સૉફ્ટવેર સિસ્ટમ્સ કે જે ટેક્સ્ટ, સંખ્યાઓ અને છબીઓ પર પ્રક્રિયા કરે છે અને સૂચનો ઉત્પન્ન કરે છે) આ નિર્ણયોને ઝડપી બનાવી શકે છે; પરંતુ તે ક્યારેય તમારી જવાબદારી લઈ શકશે નહીં. આ એકમ તમને શીખવે છે કે ધાતુશાસ્ત્ર અને સામગ્રીના કામમાં AIનો સુરક્ષિત રીતે ઉપયોગ ક્યાં કરવો, તે ક્યાં જોખમી છે અને તમારે દરેક AI આઉટપુટને લેબોરેટરી, સ્ટાન્ડર્ડ અને પ્રયોગ સાથે શા માટે માન્ય કરવું પડશે.
આ મોડ્યુલ દરમિયાન તમે જે કેન્દ્રીય સિદ્ધાંતનો ઉપયોગ કરશો તે છે: AI એ સહાયક છે, નિર્ણય લેનાર નથી. ભૌતિક ગુણધર્મ, મર્યાદા મૂલ્ય, પ્રમાણભૂત વસ્તુ અથવા હીટ ટ્રીટમેન્ટ રેસીપી માત્ર એટલા માટે સાચી નથી બનતી કારણ કે "એઆઈએ આમ કહ્યું"; માપ, સંદર્ભ અને ઈજનેરી ચુકાદા દ્વારા ચકાસવામાં ન આવે ત્યાં સુધી તે માત્ર એક પૂર્વધારણા છે. તમે મોડ્યુલના દરેક એકમમાં આ વાક્ય ફરીથી જોશો, કારણ કે ધાતુશાસ્ત્રમાં, ખોટી સંખ્યાનો અર્થ ઘણીવાર તૂટેલા ભાગનો થાય છે.
એલએલએમ શું છે, તે ધાતુશાસ્ત્રમાં શું કરે છે?
એલએલએમ (લાર્જ લેંગ્વેજ મોડલ) એ એક સોફ્ટવેર છે જે ટેક્સ્ટના ખૂબ મોટા હિસ્સામાંથી પેટર્ન શીખે છે અને સંભાવનાના આધારે "આગામી શબ્દ" ની આગાહી કરે છે. આ ChatGPT, Claude, Gemini જેવા સાધનોનું એન્જિન છે. મુદ્દો આ છે: LLM એ "ભાષા અંદાજકાર" છે, "જ્ઞાન આધાર" નથી. ધાતુશાસ્ત્રની પરિભાષા અસ્ખલિત રીતે બોલે છે, પરંતુ સંખ્યાને માપતી નથી; સૌથી વધુ સંભવિત લાગે તેવી સંખ્યા ઉત્પન્ન કરે છે. તેથી, તે ઉપજની શક્તિ, ગલન તાપમાન અથવા ધોરણના આઇટમ નંબર વિશે વિશ્વાસપૂર્વક પરંતુ ખોટા જવાબો આપી શકે છે. તેને આભાસ (બનાવટ) કહેવાય છે. આભાસ એ કોઈ ખામી નથી, પરંતુ આ ટેક્નોલોજીની સહજ વિશેષતા છે; તેથી, ચકાસણી એ "વધારાના પગલા" નથી પરંતુ નોકરીનો અભિન્ન ભાગ છે.
ધાતુશાસ્ત્રમાં AI મજબૂત હોય તેવા કાર્યો:
- ખ્યાલ સમજૂતી અને શિક્ષણ: માર્ટેન્સાઇટ ટ્રાન્સફોર્મેશન શું છે, તે શા માટે સખત અને બરડ છે; યુટેક્ટિક અને યુટેક્ટોઇડ વચ્ચે શું તફાવત છે?
- પૂર્વધારણાની સૂચિ બનાવવી: કાસ્ટિંગમાં શા માટે છિદ્રાળુતા (ગેસ અથવા સંકોચન-પ્રેરિત રદબાતલ) આવી શકે છે તેની વ્યવસ્થિત સૂચિ બનાવવી.
- ટેક્સ્ટ ઉત્પાદન: નુકસાન વિશ્લેષણ અહેવાલ ડ્રાફ્ટ, WPS (વેલ્ડીંગ પ્રક્રિયા સ્પષ્ટીકરણ) ડ્રાફ્ટ, પ્રસ્તુતિ, ઇમેઇલ.
- કોડિંગ: ડેટા ક્લિનિંગ, ગ્રાફિક્સ, સરળ ગણતરી સ્ક્રિપ્ટ્સ (પાયથોન).
- ડેટા સારાંશ અને કોષ્ટક સંગઠન: અવ્યવસ્થિત પરીક્ષણ પરિણામોને સંગઠિત કોષ્ટકમાં ફેરવવું.
- મંથન: ઉમેદવાર તત્વો, એલોય ડિઝાઇન માટે પ્રાયોગિક મેટ્રિક્સ વિચારો.
જ્યાં AI નબળી અને જોખમી છે:
- ચોક્કસ સંખ્યાત્મક મૂલ્ય આપવું (મિલકત, મર્યાદા મૂલ્ય, રાસાયણિક રચના).
- વર્તમાન/વિશિષ્ટ માનક કલમ અને સંસ્કરણ માહિતી.
- તમારી સુવિધાના વાસ્તવિક માપન ડેટા વિના ડાયગ્નોસ્ટિક્સ.
- સલામતી-નિર્ણાયક નિર્ણય: ભાગની વાયુયોગ્યતા/સેવાપાત્રતા.
જોખમ આધારિત વર્ગીકરણ: AI નો ઉપયોગ કરતા પહેલા ફિલ્ટર
દરેક કાર્ય જોખમના સમાન સ્તરે હોતું નથી. AI નો ઉપયોગ કરતા પહેલા જોખમ સ્તર દ્વારા કાર્યનું વર્ગીકરણ કરો. નીચે આપેલ કોષ્ટક નિર્ણય ફ્રેમવર્ક પ્રદાન કરે છે જેનો તમે આ મોડ્યુલ દરમ્યાન ઉપયોગ કરશો.
જોખમ સ્તર
નમૂના કાર્ય
AI ભૂમિકા
ફરજિયાત ચકાસણી
નીચું
ખ્યાલ સમજૂતી, ડ્રાફ્ટ ટેક્સ્ટ, કોડ હાડપિંજર
મફત ઉપયોગ
સમીક્ષા પૂરતી છે
મધ્યમ
ગણતરી સેટઅપ, પૂર્વધારણાઓની સૂચિ, સાહિત્યનો સારાંશ
ડ્રાફ્ટ/સહ-લેખક
મેન્યુઅલ નિયંત્રણ + સ્ત્રોત પુષ્ટિ
ઉચ્ચ
સામગ્રીની પસંદગી, હીટ ટ્રીટમેન્ટ રેસીપી, મર્યાદા મૂલ્ય
વિચાર જનરેટર
પ્રમાણભૂત + પ્રયોગશાળા પરીક્ષણ
જટિલ
સેવાક્ષમતા/વાયુયોગ્યતા, નુકસાનનું મૂળ કારણ, પ્રમાણપત્ર
માત્ર ડ્રાફ્ટ
અધિકૃત પરીક્ષણ + અધિકૃત ઇજનેર મંજૂરી
ટીપ: જો તમે કોઈ કાર્યને "ક્રિટિકલ" તરીકે ચિહ્નિત કર્યું છે, તો AIનું આઉટપુટ ક્યારેય અંતિમ દસ્તાવેજ નથી. વધુમાં વધુ તે પ્રારંભિક ડ્રાફ્ટ અથવા ચેકલિસ્ટ હોઈ શકે છે; અધિકૃત ઇજનેર સહી અને જવાબદારી સ્વીકારે છે.
એન્ડ-ટુ-એન્ડ ફ્લો: તમારા વર્કફ્લોમાં AI એમ્બેડ કરવું
ધાતુશાસ્ત્રના વ્યવસાયમાં એક લાક્ષણિક સમસ્યા-નિરાકરણ ચક્ર કંઈક આના જેવું છે, જેમાં AI દરેક પગલામાં પ્રવેશ કરે છે પરંતુ તેમાંથી એક પણ બંધ કરતું નથી:
- સમસ્યાને વ્યાખ્યાયિત કરો: શું તૂટી ગયું છે, કઈ સુવિધા લક્ષિત છે, ત્યાં શું અવરોધ છે? (AI: પ્રશ્નને સ્પષ્ટ કરવામાં મદદ કરે છે.)
- ડેટા એકત્રિત કરો: રચના વિશ્લેષણ, યાંત્રિક પરીક્ષણ, માઇક્રોસ્ટ્રક્ચર, ફીલ્ડ ડેટા. (AI: કઇ કસોટી જરૂરી છે તેની યાદી આપે છે.)
- પૂર્વધારણાઓ બનાવો: સંભવિત કારણો/ઉકેલ. (AI: શક્તિશાળી — વ્યવસ્થિત યાદીઓ બનાવે છે.)
- વિશ્લેષણ કરો: ગણતરી, મોડેલ, ઇમેજ પ્રોસેસિંગ. (AI: કોડ અને ગણતરીની કલ્પનાઓ બનાવે છે.)
- માન્ય કરો: ધોરણ, પ્રયોગશાળા, પુનઃપરીક્ષણ. (AI: અહીં બાજુ પર; માનવ અને ઉપકરણ નક્કી કરે છે.)
- જાણ કરો અને નક્કી કરો: એન્જિનિયર જવાબદારી લે છે. (AI: ડ્રાફ્ટ લેખક.)
આ છ પગલાં ધ્યાનમાં રાખો; બાકીનું મોડ્યુલ તમને બતાવે છે કે આ દરેક પગલામાં નક્કર કાર્યો સાથે AI નો ઉપયોગ કેવી રીતે કરવો.
ત્રણ નાના કેસો
કેસ 1 - ફીટ કરેલ ઉપજ શક્તિ. એક ઇન્ટર્ન એઆઈને AISI 4140 સ્ટીલની 200 °C પર ક્વેન્ચ્ડ અને ટેમ્પર્ડની ઉપજ શક્તિ વિશે પૂછે છે; AI કહે છે "લગભગ 1500 MPa". ઇન્ટર્ન આને સીધા જ સ્પિન્ડલ ડિઝાઇનની ગણતરીમાં મૂકે છે. જો કે, વાસ્તવિક મૂલ્ય આશરે 900-1600 MPa ની વચ્ચે બદલાય છે, જે હીટ ટ્રીટમેન્ટ પરિમાણો અને વિભાગની જાડાઈ પર આધાર રાખે છે; પાતળા નમૂનામાં લેવાયેલ મૂલ્ય જાડા વિભાગમાં સાચું હોતું નથી. પરિણામ: સલામતી પરિબળ અપેક્ષા કરતા ઓછું હોવાનું બહાર આવ્યું છે. યોગ્ય વલણ એ છે કે મટિરિયલ ડેટા શીટ (મિલ સર્ટિફિકેટ) અને જો જરૂરી હોય તો, ISO 6892 અનુસાર ટેન્સાઇલ ટેસ્ટમાંથી મૂલ્ય લેવું.
કેસ 2 - અવિદ્યમાન પ્રમાણભૂત કલમ. એક એન્જિનિયર એઆઈને સ્ટેનલેસ સ્ટીલની સમાવેશ મર્યાદા વિશે પૂછે છે. AI કહે છે "ASTM E45 વિભાગ 7.3 અનુસાર મહત્તમ 2.5". એન્જિનિયર તે મુજબ રિપોર્ટ લખે છે. ગ્રાહક તપાસ દરમિયાન, માલૂમ પડે છે કે લેખ નંબર નકલી છે અને ધોરણમાં આવી કોઈ કલમ નથી. યોગ્ય વલણ એ છે કે પ્રમાણભૂતનું વર્તમાન સંસ્કરણ સત્તાવાર સ્ત્રોતમાંથી ખોલવું અને લેખની પુષ્ટિ કરવી. જો તે પ્રમાણભૂત નામ યોગ્ય રીતે જાણતું હોય તો પણ AI આઇટમ નંબરને ભ્રમિત કરી શકે છે.
કેસ 3 - સાચો ઉપયોગ. નુકસાન વિશ્લેષણ ટીમ તૂટેલા M20 બોલ્ટની તૂટેલી સપાટીના ફોટોગ્રાફની તપાસ કરે છે. તેઓ AI ને પૂછે છે, "થાકના તિરાડ અને બરડ અસ્થિભંગની અસ્થિભંગની સપાટીમાં લાક્ષણિક તફાવતોની સૂચિ બનાવો અને મને કહો કે દરેક માટે સ્કેનીંગ ઇલેક્ટ્રોન માઇક્રોસ્કોપ (SEM) માં મારે શું જોવું જોઈએ." AI વ્યવસ્થિત રીતે બીચ માર્ક્સ, સ્ટ્રાઇ (થાકની રેખાઓ) અને ડિમ્પલ/ક્લીવેજ ભેદને સમજાવે છે. ટીમ SEM સાથે આ નિશાનો શોધે છે, સ્ટ્રાઇ શોધે છે અને ઉપકરણની છબી સાથે નિદાન કરે છે. અહીં એઆઈનો યોગ્ય રીતે ઉપયોગ કરવામાં આવ્યો હતો: માહિતીનું આયોજન કર્યું, પ્રયોગશાળાએ નિર્ણય લીધો.
નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ
તમે નીચેના નમૂનાઓને તમારા પોતાના વ્યવસાયમાં અનુકૂલિત કરીને તેનો ઉપયોગ કરી શકો છો. તેમાંના દરેકમાં, "ચોક્કસ નંબર આપો, સ્ત્રોત સૂચવો, અનિશ્ચિતતા સમજાવો" એવી સભાન સૂચના છે.
ભૂમિકા અને સીમાનો નમૂનો "ભૂમિકા: તમે અનુભવી ધાતુશાસ્ત્રીય ઇજનેર સહાયક છો. કાર્ય: [વિષય લખો]. નિયમો: ચોક્કસ સંખ્યાત્મક મૂલ્ય આપતી વખતે, સ્રોત જણાવો; જો તમને ખાતરી ન હોય, તો 'ચકાસાયેલ હોવું આવશ્યક છે' એમ કહો. જો તમે માનક આઇટમ આપો છો, તો તેને તે સંસ્કરણ સાથે આપો, પરંતુ તેના અંતમાં અધિકૃત જવાબની પુષ્ટિ કરવી જોઈએ. આઇટમ દ્વારા આઇટમ લખો 'પ્રયોગ દ્વારા શું ચકાસવાની જરૂર છે'."
હાયપોથીસીસ જનરેશન ટેમ્પલેટ"નીચેની સમસ્યા માટે સંભવિત મૂળ કારણોની વ્યવસ્થિત સૂચિ બનાવો: [સમસ્યાનું વર્ણન કરો; સામગ્રી, પ્રક્રિયા, અવલોકન]. દરેક પૂર્વધારણા માટે: (1) કયા પુરાવા તેને સમર્થન આપે છે, (2) તેની પુષ્ટિ/અયોગ્ય સાબિત કરવા માટે શું પરીક્ષણ કરવું જોઈએ. એક ચોક્કસ નિદાન સંશોધન માર્ગદર્શિકા બનાવશો નહીં."
ચકાસણી ચેકલિસ્ટ ટેમ્પલેટ"નીચેના આઉટપુટ/રિપોર્ટ ડ્રાફ્ટમાં દરેક આંકડાકીય મૂલ્ય અને દરેક માનક સંદર્ભની સૂચિ બનાવો. દરેક માટે, તે કયા સ્ત્રોતમાંથી (મિલ પ્રમાણપત્ર, પ્રમાણભૂત ટેક્સ્ટ, પરીક્ષણ અહેવાલ) ચકાસાયેલ હોવું જોઈએ તે સૂચવો. એક અલગ 'ચકાસણી સુધી ઉપલબ્ધ નથી' શીર્ષક હેઠળ અનિશ્ચિત મૂળના લોકોને એકત્રિત કરો. [ટેક્સ્ટ:]."
અનામીકરણ પૂર્વ-તપાસ ટેમ્પલેટ "એઆઈ ટૂલમાં નીચેનો ટેક્સ્ટ આપતા પહેલા, વેપારના રહસ્યો અથવા વ્યક્તિગત ડેટા ધરાવતા ભાગોને ફ્લેગ કરો: એલોય રેસીપી ગુણોત્તર, ગ્રાહકનું નામ, પ્રક્રિયા તાપમાન/સમયના ગોપનીય પરિમાણો, કર્મચારીઓના નામ. હું આને કેવી રીતે અનામી કરી શકું તે સૂચવો. ટેક્સ્ટ:[પેસ્ટ કરો]."
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
એક જ પ્રશ્ન બે રીતે પૂછવાથી ખૂબ જ અલગ પરિણામો મળશે.
નબળા પ્રોમ્પ્ટ: "મને 4140 સ્ટીલના ગુણધર્મો જણાવો."
સ્ટ્રોંગ પ્રોમ્પ્ટ: "ભૂમિકા: તમે એક સહાયક હીટ ટ્રીટમેન્ટ એન્જિનિયર છો. સમજાવો કે જ્યારે AISI 4140 સ્ટીલ માટે ક્વેન્ચિંગ + ટેમ્પરિંગ કરવામાં આવે છે ત્યારે ઉપજની શક્તિને શું અસર કરે છે (ટેમ્પરિંગ ટેમ્પરેચર, સેક્શનની જાડાઈ/કઠિનતા, ઓસ્ટેનિટાઈઝિંગ તાપમાન). એક પણ ચોક્કસ નંબર આપશો નહીં; તેના બદલે, કઈ શ્રેણીમાં ISO નું મૂલ્ય અને મૂલ્યનું પરીક્ષણ કરવું જોઈએ. 6892 ટેન્સાઈલ ટેસ્ટ) યોગ્ય મૂલ્ય મેળવવા માટે કૃપા કરીને સ્પષ્ટપણે જણાવો કે જ્યાં તમને ખાતરી નથી."
ખરાબ પ્રોમ્પ્ટ સામાન્ય રીતે નકામી, સુપરફિસિયલ યાદી અને સંભવતઃ બનાવેલા નંબરો આપે છે. શક્તિશાળી પ્રોમ્પ્ટ; તે ભૂમિકા અસાઇન કરે છે, મર્યાદા નક્કી કરે છે ("ચોક્કસ નંબર આપવો"), ચકાસણીના માધ્યમની જરૂર પડે છે અને અનિશ્ચિતતા છતી કરે છે. આ સમગ્ર મોડ્યુલ દરમિયાન, તમે દરેક એકમ પર લાગુ થયેલ "મજબૂત પ્રોમ્પ્ટ" પેટર્ન જોશો.
નૈતિકતા, ગોપનીયતા અને જવાબદારી
મેટલર્જિકલ ડેટા ઘણીવાર ગોપનીય હોય છે: ગ્રાહક એલોય વાનગીઓ, પેટન્ટ પ્રક્રિયા પરિમાણો, નુકસાન વિશ્લેષણ તારણો, સંરક્ષણ ઉદ્યોગ વિશિષ્ટતાઓ. તેમને સાર્વજનિક AI સેવામાં પેસ્ટ કરવું એ વેપારનું રહસ્ય અને કરારનો ભંગ હોઈ શકે છે; એક જોખમ પણ છે કે ડેટા મોડેલને તાલીમ આપવામાં દખલ કરશે.
- મંજૂરી વિના બાહ્ય સેવામાં કંપની/ગ્રાહકની રચનાઓ, વાનગીઓ અને રેખાંકનો દાખલ કરશો નહીં.
- વ્યક્તિગત ડેટા (ઓપરેટરના નામો, નોંધણી નંબરો) ધરાવતા રેકોર્ડ્સને અનામી બનાવો.
- કોર્પોરેટ નીતિ અને કોઈપણ ઓન-પ્રિમાઈસ અથવા કોન્ટ્રાક્ટેડ એન્ટરપ્રાઈઝ AI ટૂલનું પાલન કરો.
- રિપોર્ટમાં પારદર્શક રીતે જણાવો કે તમે AI નો ઉપયોગ કરી રહ્યાં છો; તે સ્પષ્ટ કરો કે અંતિમ નિર્ણય તમારા એન્જિનિયરિંગ ચુકાદા પર આધારિત છે.
- હસ્તાક્ષર અને જવાબદારી હંમેશા અધિકૃત ઈજનેર પાસે રહે છે; AI આઉટપુટ વાજબીપણું નથી.
સાવધાન: "એઆઈએ એવું કહ્યું છે" એ એન્જિનિયરિંગ સમર્થન નથી. નુકસાનના અહેવાલમાં, સામગ્રીની પસંદગી અથવા અનુરૂપતાના નિર્ણયમાં, તમારો આધાર ધોરણો, પરીક્ષણ અને ગણતરી હોવા જોઈએ; AI એ એક સાધન છે જે આને વધુમાં વધુ ગોઠવે છે. સલામતી-નિર્ણાયક કાર્ય માટે, AI આઉટપુટ લાયક એન્જિનિયરની મંજૂરીનો વિકલ્પ નથી.
સામાન્ય ભૂલો
- પ્રયોગ અને સંદર્ભ વિના AI દ્વારા આપવામાં આવેલ સંખ્યાત્મક મૂલ્ય (સુવિધા, મર્યાદા, રચના) નો ઉપયોગ કરવો.
- રિપોર્ટમાં પ્રમાણભૂત આઇટમ નંબરો તેમની પુષ્ટિ કર્યા વિના લખવા.
- સાર્વજનિક AI માં ગોપનીય ગ્રાહક/ફર્મ ડેટા દાખલ કરવો.
- AI ને સુવિધા ડેટા આપ્યા વિના અને નિદાન માટે સામાન્ય જવાબ ભૂલ્યા વિના "શું ખામી છે" પૂછવું.
- નિર્ણાયક નિર્ણયોમાં અંતિમ દસ્તાવેજ તરીકે AI આઉટપુટનો ઉપયોગ, એન્જિનિયરની મંજૂરીને બાયપાસ કરીને.
- અનિશ્ચિતતાને અવગણવી: ચોકસાઈ માટે AI ના આત્મવિશ્વાસપૂર્ણ સ્વરને ભૂલવું.
સારાંશમાં
AI એ ધાતુશાસ્ત્ર અને સામગ્રી ઇજનેરીમાં એક શક્તિશાળી પ્રવેગક છે: તે ખ્યાલો સમજાવે છે, પૂર્વધારણાઓ બનાવે છે, ડ્રાફ્ટ બનાવે છે અને કોડ લખે છે. પરંતુ સંખ્યાત્મક મૂલ્ય પ્રમાણભૂત બાબત અને સલામતી-નિર્ણાયક નિર્ણયોમાં આભાસનું જોખમ ધરાવે છે. જોખમ સ્તર દ્વારા કાર્યોનું વર્ગીકરણ કરો, પ્રમાણભૂત-લેબ-એકાઉન્ટ ત્રિકોણમાં દરેક આઉટપુટને ચકાસો, ગોપનીયતા જાળવો અને હંમેશા અધિકૃત એન્જિનિયર સાથે જવાબદારી રાખો. બાકીનું મોડ્યુલ આ સિદ્ધાંતને દરેક નક્કર કાર્ય માટે લાગુ કરે છે.
એપ્લિકેશન કાર્ય
તમારા પોતાના કાર્ય (અથવા નમૂના પ્રોજેક્ટ) માંથી પાંચ લાક્ષણિક કાર્યો પસંદ કરો: ઉદાહરણ તરીકે, "સામગ્રીની પસંદગી", "નુકસાન અહેવાલ લેખન", "સ્ટાન્ડર્ડ ક્વેરી", "માઇક્રોસ્ટ્રક્ચર અર્થઘટન", "ગણતરી સ્ક્રિપ્ટ". ઉપરના જોખમ કોષ્ટક અનુસાર દરેકને નીચા/મધ્યમ/ઉચ્ચ/જટિલ તરીકે વર્ગીકૃત કરો અને એક વાક્યમાં લખો કે તમે દરેક માટે AI આઉટપુટ કેવી રીતે ચકાસશો (કયું ધોરણ, કયું પરીક્ષણ, કોની મંજૂરી). પછી આમાંથી એક કાર્ય માટે "ભૂમિકા અને સીમા" ટેમ્પલેટને અનુકૂલિત કરવાનો પ્રયાસ કરો.
ચેકલિસ્ટ
- [ ] મેં જોખમ સ્તર (નીચા/મધ્યમ/ઉચ્ચ/જટિલ) દ્વારા મિશનનું વર્ગીકરણ કર્યું છે.
- [ ] મેં AI ને ભૂમિકા, અવરોધ અને "ચોક્કસ નંબર આપો/સ્રોતનો ઉલ્લેખ કરો" સૂચના આપી.
- [ ] મેં સ્વતંત્ર સ્ત્રોતોમાંથી દરેક સંખ્યાત્મક મૂલ્ય અને માનક આઇટમની ચકાસણી કરી છે.
- [ ] મેં બાહ્ય સેવામાં ગોપનીય/વ્યક્તિગત ડેટા દાખલ કર્યો નથી અથવા તેને અનામી કર્યો નથી.
- [ ] મેં માપન અને માનક પર અંતિમ નિર્ણય લીધો, વાજબીતા તરીકે AI નો ઉપયોગ કર્યો નહીં.
- [ ] મેં જવાબદારી અને સહી અધિકૃત ઇજનેર પર છોડી દીધી છે.