માઇનિંગ એન્જિનિયરિંગમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: સીમાઓ, માન્યતા, જવાબદારી અને નીતિશાસ્ત્ર

નફો:

• ખનન એન્જિનિયરિંગ વર્કફ્લોમાં AI વાસ્તવિક સમયની ક્યાં બચત કરે છે અને જોખમના સ્તરના આધારે, સક્ષમ એન્જિનિયર પાસે સલામતી-નિર્ણાયક જવાબદારી ક્યાં રહેવી જોઈએ તે પારખવાની ક્ષમતા
• મલ્ટી-સ્તરવાળી માન્યતા શિસ્તને અમલમાં મૂકવાની ક્ષમતા જે દરેક AI આઉટપુટનું પ્રમાણભૂત, સ્વતંત્ર ગણતરી અને ક્ષેત્ર માપન સામે પરીક્ષણ કરે છે
• સંદર્ભને અનામી કરવાની ક્ષમતા અને અનામત ડેટા, લાઇસન્સ માહિતી અને કર્મચારીઓ/ઉત્પાદન ડેટાને સુરક્ષિત રાખવા માટે સલામત વાહનો પસંદ કરવાની આદત કેળવવાની ક્ષમતા

ખાણકામ ઇજનેરનું કામ જમીનની નીચેની અનિશ્ચિતતાને જમીન ઉપરના નિર્ણયો સાથે દૂર કરવાનું છે. ડ્રિલિંગ ડેટા પરથી ઓર બોડીનો અંદાજ કાઢવો, અનામતની ગણતરી કરવી, ખાડાનું આયોજન કરવું, સાધનસામગ્રીના કાફલાનું સંચાલન કરવું, ઢોળાવની વર્તણૂકનું નિરીક્ષણ કરવું, વ્યવસાયિક સલામતીની ખાતરી કરવી, પર્યાવરણીય અસરનું માપન કરવું અને આ તમામની જાણ કાયદા અનુસાર કરવી. આ નોકરીઓની સામાન્ય વિશેષતા એ છે કે તેઓ મોટી સંખ્યામાં માપન અને ડેટા સાથે કામ કરે છે, પરંતુ દરેક નિર્ણયના પરિણામે માનવ જીવન, લાખો લીરા રોકાણ અને ક્ષેત્રમાં અફર પર્યાવરણીય પરિણામો આવે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI; મોટા ડેટા અને ભાષાના મોડલ સાથે ટેક્સ્ટ, નંબર્સ અને ઈમેજો પર કામ કરતી સૉફ્ટવેર સિસ્ટમ) આ ડેટા-સઘન પરંતુ નિર્ણય-નિર્ણયાત્મક ગ્રાઉન્ડમાં એક શક્તિશાળી સહાય છે. આ એકમ તમને શીખવે છે કે ખાણકામમાં AIનો સુરક્ષિત રીતે ઉપયોગ ક્યાં કરવો, તે ક્યાં જોખમી છે અને તમારે દરેક AI આઉટપુટને ધોરણો, ક્ષેત્ર માપન અને એન્જિનિયરિંગ ચુકાદાની વિરુદ્ધ શા માટે માન્ય કરવું પડશે.

આ મોડ્યુલ દરમિયાન તમે જે કેન્દ્રીય સિદ્ધાંતનો ઉપયોગ કરશો તે છે: AI એ સહાયક છે, નિર્ણય લેનાર નથી. એક ગ્રેડ (ઓર માં મેટલ રેશિયો) મૂલ્ય, એક ઢોળાવ કોણ, અનામત આંકડો, સલામતી મર્યાદા અથવા કાયદાકીય લેખ ફક્ત એટલા માટે સાચું નથી બનતું કારણ કે "AI એ આવું કહ્યું છે"; માપન, સંદર્ભ અને સક્ષમ ઈજનેર ચુકાદા દ્વારા ચકાસવામાં ન આવે ત્યાં સુધી તે માત્ર એક પૂર્વધારણા છે. તમે મોડ્યુલના દરેક એકમમાં આ વાક્ય ફરીથી જોશો, કારણ કે ખાણકામમાં, ખોટા નંબરનો અર્થ ઘણીવાર રોકાણનું પતન, ઢોળાવનું પતન અથવા વ્યક્તિને ઇજા થાય છે.

એલએલએમ શું છે અને તે ખાણકામમાં 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. ખાણકામની પરિભાષા અસ્ખલિત રીતે બોલે છે, પરંતુ ગ્રેડને માપતો નથી; સૌથી વધુ સંભવિત લાગે તેવી સંખ્યા ઉત્પન્ન કરે છે. તેથી, તે અથવા તેણી સરેરાશ ગ્રેડ, સ્ટ્રિપિંગ રેટ, નિયમનકારી કલમ અથવા વિસ્ફોટક મર્યાદા 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.

ખાણકામમાં AI મજબૂત હોય તેવા કાર્યો:

• ખ્યાલ સમજૂતી અને શિક્ષણ: વેરિઓગ્રામ શું છે, લીવરેજ નિયમ કેવી રીતે કાર્ય કરે છે, એસિડ ખાણ ડ્રેનેજ કેવી રીતે થાય છે.
• ડેટા ક્લિનિંગ અને ઓર્ગેનાઈઝેશન: છૂટાછવાયા બોરહોલ લોગને સુસંગત કોષ્ટકમાં ફેરવવું, એકમની મેળ ખાતી ન હોય.
• પૂર્વધારણાઓની સૂચિ બનાવવી: ઉત્પાદનમાં ઘટાડો થવાના સંભવિત કારણોને વ્યવસ્થિત રીતે સૂચિબદ્ધ કરવું.
• કોડિંગ: પાયથોન સાથે ડેટા ક્લિનિંગ, ગ્રાફિંગ, જીઓસ્ટેટિસ્ટિક્સ અને વિસંગતતા વિશ્લેષણ સ્ક્રિપ્ટ્સ.
• ડ્રાફ્ટ ટેક્સ્ટ: JSA (નોકરી સલામતી વિશ્લેષણ), પર્યાવરણીય દેખરેખ અહેવાલ, ડ્રાફ્ટ ટેન્ડર/તકનીકી સ્પષ્ટીકરણ.
• મંથન: દૃશ્ય સરખામણી, પ્રયોગ/માપન યોજના વિચારો.

જ્યાં AI નબળી અને જોખમી છે:

• ચોક્કસ સંખ્યાત્મક મૂલ્ય આપવું (ગ્રેડ, અનામત, ઢાળ કોણ, મર્યાદા મૂલ્ય).
• વર્તમાન અને ચોક્કસ કાયદો/માનક લેખ અને સંસ્કરણ માહિતી.
• તમારી સાઇટના વાસ્તવિક માપન ડેટા વિના નિદાન.
• સલામતી-જટિલ નિર્ણય: બ્લાસ્ટ ડિઝાઇન મંજૂરી, ખાલી કરાવવાનો નિર્ણય, સેવાક્ષમતા.

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

ડેટા સફાઈ, પૂર્વધારણા સૂચિ, ગણતરી સેટઅપ

ડ્રાફ્ટ/સહ-લેખક

મેન્યુઅલ નિયંત્રણ + સ્ત્રોત પુષ્ટિ

ઉચ્ચ

અનામત અંદાજ, ખાડાની મર્યાદા, બ્લાસ્ટિંગ પેરામીટર

વિચાર જનરેટર

માનક + ક્ષેત્ર માપન + સોફ્ટવેર

જટિલ

ખાલી કરાવવાનો નિર્ણય, ઢોળાવની સલામતી, સેવાક્ષમતા/યોગ્યતાનો નિર્ણય

માત્ર ડ્રાફ્ટ/સ્કેન

સક્ષમ એન્જિનિયરની મંજૂરી + માન્યતા પ્રાપ્ત પરીક્ષણ

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; સક્ષમ ઈજનેર સહી અને જવાબદારી નિભાવે છે.

એન્ડ-ટુ-એન્ડ ફ્લો: તમારા વર્કફ્લોમાં AI એમ્બેડ કરવું

ખાણકામમાં એક લાક્ષણિક સમસ્યા-નિવારણ ચક્ર આ રીતે ચાલે છે, જેમાં AI દરેક પગલામાં સામેલ થાય છે પરંતુ તેમાંથી કોઈપણ એકલા બંધ કરતું નથી:

1. સમસ્યાને વ્યાખ્યાયિત કરો: શું આગાહી કરવી, શું નિર્ણય લેવો, શું અવરોધ છે? (AI: પ્રશ્ન સ્પષ્ટ કરે છે.)
2. ડેટા એકત્રિત કરો અને સાફ કરો: ડ્રિલિંગ, ઉત્પાદન, દેખરેખ, પ્રયોગશાળા ડેટા. (AI: સફાઈ અને અસંગતતા તપાસમાં મજબૂત.)
3. પૂર્વધારણા/પરિદ્રશ્ય બનાવો: સંભવિત કારણો, વૈકલ્પિક યોજનાઓ. (AI: વ્યવસ્થિત સૂચિ બનાવે છે.)
4. વિશ્લેષણ કરો: ગણતરી, ભૂસ્તરશાસ્ત્ર, મોડેલ, ઇમેજ પ્રોસેસિંગ. (AI: કોડ અને ગણતરીની કલ્પનાઓ બનાવે છે.)
5. ચકાસો: સ્ટાન્ડર્ડ, ફીલ્ડ, સ્ટેન્ડઅલોન એકાઉન્ટ, સોફ્ટવેર. (AI બાજુ પર છે; માનવીઓ અને માપન નક્કી કરે છે.)
6. જાણ કરો અને નક્કી કરો: સક્ષમ એન્જિનિયર જવાબદારી લે છે. (AI: ડ્રાફ્ટ લેખક.)

આ છ પગલાં ધ્યાનમાં રાખો; બાકીનું મોડ્યુલ તમને બતાવે છે કે કોંક્રિટ ખાણકામના કાર્યો સાથે AI નો ઉપયોગ કેવી રીતે કરવો.

ત્રણ નાના કેસો

કેસ 1 - બનાવેલ સરેરાશ ગ્રેડ. એક ઇન્ટર્ન એઆઈ ચેટ ટૂલને કોપર પ્રોજેક્ટના સરેરાશ ગ્રેડ વિશે પૂછે છે; AI કહે છે "લગભગ 0.65% Cu." ઇન્ટર્ન આને રોકાણની રજૂઆતમાં મૂકે છે. જો કે, AI એ આ પ્રોજેક્ટનો એક પણ ડ્રિલિંગ ડેટા જોયો નથી; "કોપર પ્રોજેક્ટ" માટે લાક્ષણિક નંબર બનાવ્યો. વાસ્તવિક મૂલ્ય ફક્ત પ્રોજેક્ટના પોતાના સંયુક્ત ડ્રિલિંગ ડેટા અને જીઓસ્ટેટિસ્ટિકલ અંદાજમાંથી આવે છે; આ પ્રોજેક્ટમાં વાસ્તવિક મૂલ્ય 0.38% છે. તફાવત એ રોકાણને નફાકારક દેખાડવા અને ખોટ કરવા વચ્ચેનો તફાવત છે. યોગ્ય વલણ એ છે કે AI માટે ગ્રેડ ક્યારેય "પૂછો" નહીં, પરંતુ તમારા પોતાના ડેટાબેઝમાંથી તેની ગણતરી કરો.

કેસ 2 - અવિદ્યમાન નિયમન કલમ. એક એન્જિનિયર એઆઈને બ્લાસ્ટિંગમાં મંજૂર મહત્તમ ગ્રાઉન્ડ વાઇબ્રેશન (PPV: પીક પાર્ટિકલ વેલોસિટી, mm/s) પૂછે છે. AI "નિયમન અનુસાર 10 mm/s" કહે છે અને એક આઇટમ નંબર બનાવે છે. એન્જિનિયર તે મુજબ રિપોર્ટ લખે છે. નિરીક્ષણ દરમિયાન, તે બહાર આવ્યું છે કે આઇટમ નંબર વાસ્તવિક નથી અને મર્યાદા મૂલ્ય અંતર અને મકાનના પ્રકારને આધારે બદલાય છે. યોગ્ય વલણ એ છે કે સત્તાવાર સ્ત્રોતમાંથી વર્તમાન નિયમન ખોલવું અને મૂલ્ય અને પદાર્થની પુષ્ટિ કરવી. જો AI નિયમનનું નામ યોગ્ય રીતે જાણે છે, તો પણ તે લેખ નંબરને ભ્રમિત કરી શકે છે.

કેસ 3 - સાચો ઉપયોગ. ભૂસ્તરશાસ્ત્રીને 40 બોરહોલના ડેટા સેટમાં ગ્રેડ કોલમમાં વિસંગતતાની શંકા છે. તે AI ને કહે છે કે "આ કોષ્ટકમાંની પંક્તિઓની યાદી બનાવો કે જેમાં એકમ અસંગતતાઓ, નકારાત્મક મૂલ્યો, દૃશ્યમાન આઉટલાયર્સ અને ખાલી કોષો હોઈ શકે છે, અને દરેક માટે તમને જે શંકા છે તે લખો; સુધારશો નહીં, ફક્ત ચિહ્નિત કરો." AI એ પીપીએમ સાથે % મિશ્રિત, બે નકારાત્મક ગ્રેડ અને 999 કોડ મૂલ્ય સાથે મિશ્રિત થોડી લાઇનોને ફ્લેગ કરે છે. ભૂસ્તરશાસ્ત્રી કાચા લોગમાંથી એક પછી એક આને તપાસે છે અને સુધારે છે. અહીં એઆઈનો યોગ્ય રીતે ઉપયોગ કરવામાં આવ્યો હતો: ધ્યાન આકર્ષિત કર્યું, માનવે નિર્ણય લીધો અને કરેક્શન કર્યું.

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 ખાણકામ ઇજનેર સહાયક છો. કાર્ય: [વિષય લખો]. નિયમો: ચોક્કસ સંખ્યાત્મક મૂલ્ય (ગ્રેડ, અનામત, મર્યાદા) આપતી વખતે, સ્રોતનો ઉલ્લેખ કરો; જો તમને ખાતરી ન હોય, તો 'ચકાસવું આવશ્યક છે' કહો. જો તમે તેની ધારણા આપો છો, તો તે લેખ/નિયમન સાથે પુનઃપ્રાપ્ત કરવું આવશ્યક છે. જવાબના અંતે, આઇટમ દ્વારા 'ફીલ્ડ માપન/ગણતરી દ્વારા ચકાસવાની જરૂર છે' લખો."

હાયપોથિસિસ જનરેશન ટેમ્પલેટ"નીચેની પરિસ્થિતિ માટે સંભવિત કારણોની વ્યવસ્થિત સૂચિ બનાવો: [પરિસ્થિતિનું વર્ણન કરો; શું અવલોકન કરવામાં આવ્યું હતું, કયો ડેટા ઉપલબ્ધ છે]. દરેક પૂર્વધારણા માટે: (1) કયા પુરાવા તેને સમર્થન આપે છે, (2) તેની પુષ્ટિ/અયોગ્ય સાબિત કરવા માટે શું માપન અથવા ગણતરી કરવી જોઈએ. એક ચોક્કસ નિદાન માર્ગ બનાવો."

ચકાસણી ચેકલિસ્ટ ટેમ્પલેટ"નીચેના રિપોર્ટ ડ્રાફ્ટમાં દરેક આંકડાકીય મૂલ્ય અને દરેક નિયમન/પ્રમાણભૂત સંદર્ભની સૂચિ બનાવો. દરેક માટે, તે કયા સ્ત્રોતમાંથી (સ્વ-ડ્રિલિંગ ડેટા, નિયમનકારી ટેક્સ્ટ, પ્રયોગશાળા અહેવાલ, ક્ષેત્ર સર્વેક્ષણ) ચકાસાયેલ હોવું જોઈએ તે દર્શાવો. 'અનિશ્ચિત મૂળના લોકો' હેઠળ એકત્રિત કરી શકાય છે.

અનામીકરણ પૂર્વ-તપાસ નમૂનો "એઆઈ ટૂલને નીચે આપેલ ટેક્સ્ટ આપતા પહેલા, ધ્વજ વેપાર રહસ્ય અથવા વ્યક્તિગત/નિયમનકારી સંવેદનશીલ ભાગો: અનામત નંબરો, લાઇસન્સ નંબર, વાસ્તવિક કોઓર્ડિનેટ્સ, ગ્રાહક/કર્મચારીઓના નામો, ગોપનીય ખર્ચ ડેટા. 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: "આ ખાણનું અનામત કેટલું છે?"

સ્ટ્રોંગ પ્રોમ્પ્ટ: "ભૂમિકા: તમે સહાયક સંસાધન ભૂસ્તરશાસ્ત્રી છો. સમજાવો કે અનામત/સંસાધન અંદાજને કયા પગલાઓમાંથી પસાર થવાની જરૂર છે (કમ્પોઝિટીંગ, વેરિઓગ્રામ, ક્રીગિંગ, વર્ગીકરણ, આર્થિક મર્યાદા) અને કયા ડેટા અને દરેક પગલા પર કઈ સક્ષમ વ્યક્તિની મંજૂરી જરૂરી છે. કોઈ ચોક્કસ માહિતી આપશો નહીં કે આ ડેટાની ગણતરી કરી શકાય છે અને ફક્ત આ પ્રોજેક્ટના ડેટાની ગણતરી કરી શકે છે. JORC/UMREK જેવા કોડના માળખામાં જાણ કરવી જોઈએ."

નબળા પ્રોમ્પ્ટ એઆઈને બનાવવા માટે આમંત્રણ આપે છે; મજબૂત પ્રોમ્પ્ટ તેને યોગ્ય કાર્ય (પ્રક્રિયા વર્ણન) માં રાખે છે અને ડિજિટલ આભાસને પ્રથમ સ્થાને બનતા અટકાવે છે.

સામાન્ય ભૂલો

• AI ને કોર્સ-વિશિષ્ટ નંબરો જેમ કે ગ્રેડ, રિઝર્વ વગેરે માટે “પૂછવું”. AI તમારા ડેટાને જાણતું નથી; આ નંબરોની ગણતરી ફક્ત તમારા પોતાના ડેટાબેઝમાંથી કરવામાં આવે છે.
• તેની પુષ્ટિ કર્યા વિના કાયદા/માનક કલમનો ઉપયોગ કરવો. આઇટમ નંબર અને મૂલ્ય વારંવાર ભ્રમિત થાય છે.
• AI આઉટપુટ પર સલામતી-નિર્ણાયક નિર્ણય પર આધારિત. ઇવેક્યુએશન, બ્લાસ્ટિંગ એપ્રુવલ અને સર્વિસિબિલિટીના નિર્ણયો સક્ષમ એન્જિનિયર દ્વારા લેવામાં આવે છે.
• સંવેદનશીલ ડેટાને અનામી કર્યા વિના ક્લાઉડ ટૂલમાં પેસ્ટ કરવું. અનામત, સંકલન અને ખર્ચ ડેટા વેપાર રહસ્યો છે.
• એક પ્રશ્ન અને એક જવાબની રાહ જોવી. પુનરાવર્તિત રીતે AI નો ઉપયોગ કરો: ડ્રાફ્ટ્સ બનાવો, ટીકા કરો, ચકાસો, સાચો.

સાવધાન: AI આઉટપુટમાં નંબર જેટલો ચોક્કસ અને વિશ્વાસપૂર્વક દેખાય છે, તેટલી વધુ ચકાસણીની જરૂરિયાત. ચોકસાઈ એ ચોકસાઈની ગેરંટી નથી.

સારાંશમાં

આ એકમમાં તમે જોયું છે કે AI ખાણકામમાં સહાયક છે, નિર્ણય લેનાર નથી. એલએલએમ એ ભાષાના અનુમાનો છે; તે ખ્યાલની સમજૂતી, ડેટા સફાઈ, પૂર્વધારણા અને કોડ જનરેશનમાં શક્તિશાળી છે, પરંતુ ચોક્કસ સંખ્યાઓ અને કાયદા (ભ્રામકતા) બનાવવામાં જોખમી છે. કાર્યોને નીચા/મધ્યમ/ઉચ્ચ/જટિલ તરીકે વર્ગીકૃત કરો અને તે મુજબ ચકાસણીની ઊંડાઈને સમાયોજિત કરો. તમારા પોતાના ડેટા અથવા ફીલ્ડ માપનમાંથી દરેક આંકડાકીય મૂલ્યની ચકાસણી કરો, સત્તાવાર સ્ત્રોતમાંથી દરેક નિયમનકારી સંદર્ભ. સુરક્ષા-નિર્ણાયક નિર્ણયો હંમેશા સક્ષમ એન્જિનિયર પાસે રહે છે અને ઉપયોગ કરતા પહેલા સંવેદનશીલ ડેટાને અનામી રાખે છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના વ્યવસાયમાંથી પાંચ કાર્યો પસંદ કરો (અથવા કાલ્પનિક ખાણકામ પ્રોજેક્ટ): એક ખ્યાલ વર્ણન, ડેટા ક્લિનિંગ, પૂર્વધારણાઓની સૂચિ, અનામત/સંખ્યાત્મક મૂલ્ય અને નિયમનકારી પ્રશ્ન. દરેકને ઉપરના જોખમ કોષ્ટકમાં મૂકો. પછી "ભૂમિકા અને સીમા" ટેમ્પ્લેટ સાથે AI ને બે ઓછા/મધ્યમ જોખમ કાર્યો આઉટસોર્સ કરો અને આઉટપુટના દરેક સંખ્યાત્મક/નિયમનકારી ઘટકને "ચકાસણી ચેકલિસ્ટ" ટેમ્પલેટ સાથે ચિહ્નિત કરો. ચકાસણી વિના કયા ઘટકોનો ઉપયોગ કરી શકાતો નથી તે લખો.

ચેકલિસ્ટ

• [ ] મેં તેનો ઉપયોગ કરતા પહેલા મિશનને જોખમના સ્તરે (નીચું/મધ્યમ/ઉચ્ચ/જટિલ) મૂક્યું.
• [ ] મેં AI ને પૂછવાને બદલે મારી પોતાની ઉપજમાંથી ફીલ્ડ-વિશિષ્ટ નંબરો જેમ કે ગ્રેડ, અનામત વગેરેની ગણતરી કરી.
• [] મેં અધિકૃત સ્ત્રોતમાંથી દરેક કાયદા/માનક સંદર્ભની ચકાસણી કરી છે.
• [ ] મેં સંવેદનશીલ ડેટા (અનામત, કોઓર્ડિનેટ્સ, નામ, કિંમત) અનામી કર્યો.
• [ ] મેં AI આઉટપુટ પર આધારિત નહીં, સક્ષમ એન્જિનિયરની મંજૂરી પર સલામતી-નિર્ણાયક નિર્ણય છોડી દીધો.
• [ ] મેં AI આઉટપુટમાં દરેક સંખ્યાત્મક મૂલ્યને "ચકાસણી વિના ઉપયોગમાં લઈ શકાતું નથી" માટે સ્કેન કર્યું છે.