ניתוח נתונים מטלורגיים וגבולות של AI עם Python

רווחים:

• יכולת לייצר ולהבין את הקוד שמנקה, מנתח וממחיש נתונים מתכותיים עם Python, עם תמיכה בבינה מלאכותית
• יכולת ליצור הרגל של אימות קוד שנוצר בינה מלאכותית עם בדיקת יחידות, מקרה מבחן וסבירות פיזית
• הבנה הוליסטית של הגבולות מקצה לקצה, אחריות ומסגרת אתית של AI במטלורגיה

עבודה מטלורגית נעשית יותר ויותר עם יותר נתונים: מאות תוצאות בדיקות מתיחה, אלפי מדידות SPC, רישומי תנורי טיפול בחום, תפוקות אפיון. רדיפה ידנית של נתונים אלה ב-Excel היא איטית ונוטה לשגיאות; Python (שפת תכנות נפוצה לניתוח נתונים ומחשוב מדעי) הופכת את זה לחזרה, לביקורת ואוטומטית. AI חזק מאוד בכתיבה, ניפוי באגים והסבר של קוד Python - אבל הקוד שהוא מייצר יכול להיראות נכון אבל לתת תוצאה שגויה: שגיאת יחידה, מקדם שגוי, אובדן נתונים שקט. ביחידה הסופית הזו תלמדו כיצד לנתח נתונים מתכותיים עם תמיכה בבינה מלאכותית ב-Python ולאמת כל קוד, ולאחר מכן לרכז באופן הוליסטי את גבולות הבינה המלאכותית, האחריות והמסגרת האתיקה המכוסה לאורך המודול כולו.

משימות אופייניות בניתוח נתונים מתכות

משימות נפוצות עם תמיכה ב-AI ב-Python:

• ניקוי נתונים: ערך חסר, בלבול יחידה (MPa לעומת ksi), הסרת חריגים. נתונים מלוכלכים משחיתים אפילו את הניתוח הטוב ביותר.
• הדמיה: ציור עקומת מתיחה, תרשים בקרה, התפלגות גודל גרגרים, פרופיל טמפרטורה-זמן.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, isstatistik.
• אוטומציה: עיבוד אצווה של מספר רב של קבצים והפקת טבלאות/דוחות סיכום.

הקשר בין הול לפטץ' הוא דוגמה טובה כאן: חוזק התפוקה גדל ביחס הפוך לשורש הריבועי של קוטר הגרגיר. AI יכול לתרגם את הנוסחה הזו לקוד; אבל אם אתה משתמש ב-d כמיקרומטר או כמטר ואיזו יחידה אתה משתמש עבור מקדם k משנה לחלוטין את התוצאה. נכונות הקוד אינה טמונה בשינון הנוסחה, אלא באימות היחידות ומקרה מבחן.

טיפ: הקפד לכלול "מבחן תשובה ידועה" בכל חשבון שה-AI כותב. תן קלט קטן שאת התוצאה שלו אתה יודע ביד (למשל חוזק צפוי עבור d = 100 מיקרומטר); אם הקוד נותן את הערך הזה, אתה יכול לסמוך עליו; אם לא, השגיאה מוסתרת.

צעד אחר צעד: זרימת ניתוח בטוחה עם AI

1. תאר את המשימה והנתונים: איזה קובץ, אילו עמודות, אילו יחידות, מה יחושב?
2. בקש שלד קוד: בקש מה-AI שלד עם הערות ומחולק שלב; הגדר יחידות עם משתנים מפורשים בחלק העליון.
3. בדיקה עם נתונים קטנים: הרץ תחילה עם כמה שורות/ערכים ידועים; בדוק את התוצאה באופן ידני.
4. בקרת יחידה וגבולות: האם הפלט סביר מבחינה פיזית? האם יש שטויות כמו חוזק שלילי, שיעור של 120%?
5. דמיינו והסתכלו: האם הגרף מראה את המגמה הצפויה? האם החריגים הם שגיאות נתונים?
6. אמת ותעד: השווה את התוצאה לחישוב/תקן עצמאי; הערה את הקוד וההנחות.

טבלת אימות קוד AI

סיכון

סימפטום

שיטת בקרה

שגיאת יחידה

התוצאה היא פי 1000 סוטה

הגדר יחידות במשתנה מפורש, בקרת גודל

מקדם/נוסחה שגויה

ערך סביר אך שגוי

תרחיש בדיקה עם תשובות ידועות

אובדן נתונים שקט

מספר השורות קטן מהצפוי

הדפס מספר שורות לפני/אחרי העיבוד

עיוות חריג

קיאק ממוצע

דמיינו בעזרת גרף, הסתכלו על ההתפלגות

התאמת יתר (ספרייה הזויה)

פונקציה לא קיימת

הפעל, קרא שגיאה, עיין בתיעוד

שלושה מיני תיקים

מקרה 1 - שגיאת עוצמת קול נסתרת. מהנדס מבקש קוד מה-AI לחישוב Hall-Petch; הקוד מצפה לקוטר גרגירים במטרים, אבל המהנדס מזין מיקרומטרים. התוצאה היא פי 1000 פרוורטית, אבל היא לא מורגשת במבט ראשון כי היא נראית כמו "מספר". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. שיעור: בדיקת תשובות ידועות מגלה שגיאת יחידה בשניות.

מקרה 2 - אובדן נתונים שקט. צוות מנקה 500 תוצאות בדיקת משיכה עם קוד שנכתב בבינה מלאכותית; בעוד שהקוד מפיל את השורות עם ערכים חסרים, הוא גם משליך בטעות חלק מהשורות החוקיות ומשאיר 300 שורות. החוזק הממוצע גבוה מהצפוי מכיוון שהאצווה בעלת הערך הנמוך מבוטלת. כשהצוות מדפיס את מספר השורות לפני/אחרי העיבוד, הם רואים ש-200 שורות נעלמו בשקט ומתקן את המסנן. שיעור: הדפסת מספר השורות בכל שלב עיבוד נתונים תופסת הפסדים שקטים.

מקרה 3 - שימוש נכון, דוח שניתן לחזור עליו. צוות איכותי חייב לעבד עשרות רישומי כבשנים ולהפיק דוחות סיכום מדי שבוע. הוא מבקש מה-AI לכתוב סקריפט עם הערות שקורא קבצים בכמות גדולה ומפיק גרפים וטבלאות סיכום. הצוות בודק את הקוד עם כמה קבצים ידועים, מוודא את מספר היחידות והקווים, בודק חזותית את גרף הפלט. לאחר מכן משתמש בסקריפט מדי שבוע; שעות העבודה מצטמצמות לדקות ועובדים באותה דרך ניתנת לביקורת מדי שבוע. בינה מלאכותית אפשרה אוטומציה חוזרת, כך אישר הצוות.

תבניות הנחיות הניתנות להעתקה

CODE SKELETON TEMPLATE"תפקיד: אתה עוזר הקוד לניתוח נתוני מטלורגיה. משימה: [למשל קרא תוצאות ציור מ-CSV וחוזק תפוקה ממוצע]. נתונים: [קובץ, עמודות, יחידות]. כתוב שלד עם הערות עם פנדות: (1) הגדר יחידות במשתנה פתוח בראש, (2) קרא נתונים, עשה הדפסה והדפס AIN (3) את החישוב, (5) הדפס את התוצאה ובדיקת סבירות הוסף הערות לכל שלב.

KNOWN ANSWER TEST TEMPLATE"כתוב 'מבחן תשובה ידועה' עבור הפונקציה הבאה: [פונקציה]. בחר קלט קטן שניתן לחשב את התוצאה שלו באופן ידני, הערה את הפלט הצפוי, ובדקו ב-assert. בדוק גם את עקביות היחידה. אם המבחן לא עובר, רשום סיבות אפשריות (יחידה, מקדם, נוסחה)."

סקירת קוד / תבנית ניפוי באגים"בדוק את הקוד הבא: [קוד]. בדוק וסמן את הדברים הבאים:(1) עקביות נפח, (2) סיכון לאובדן נתונים שקט, (3) השפעה חריגה, (4) פלט בלתי אפשרי פיזית (חוזק שלילי, שיעור של יותר מ-100%). כתוב כיצד לאמת עבור כל סיכון. אל תאשר את הקוד כ'פועל' ללא בדיקה.

VISUALIZATION TEMPLATE "תתווה [עקומת מתיחה / חלקת בקרה / התפלגות] עם matplotlib. הוסף UNITS לתוויות ציר, שים כותרת ורשת. סמן חריגים בצורה שונה. שים לב שאני צריך לבדוק חזותית את העלילה ולאמת את המגמה הצפויה (למשל, מתח מתח גבוה). אל תסתיר נקודות כדי 'לייפות' את הנתונים."

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה: "כתוב לי קוד שעושה חישוב Hall-Petch."

הנחיה חזקה: "תפקיד: אתה עוזר הקוד לניתוח נתונים מתכותי. כתוב פונקציית Python לחישוב Hall-Petch(σy = σ0 + k·d^(-1/2)). יחידות: d micrometer, σ0 ו-σy MPa, k MPa·µm^(1/2). הפוך את פונקציית המרה צפויה ל-d = 0. ידנית עבור µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 ובדוק עם אישור הוסף בדיקת סבירות פיזית (σy לא יכול להיות שלילי שקול קוד בלתי אמין ללא בדיקה).

הנחיה חלשה מייצרת קוד שאין לו יחידה ובדיקה ועלול להשתבש בשקט. הנחיות חזקות מגדירות בבירור יחידות, אוכפות המרה, דורשות בדיקת תשובות ידועות ובדיקת סבירות - מה שהופך את הקוד לאימות.

סיכום הוליסטי של המודול: המקום והגבולות של AI במטלורגיה

עיקרון יחיד חזר על עצמו במהלך המודול הזה: AI הוא עוזר, לא מקבל החלטות. על פני שתים עשרה יחידות, השתמשנו בבינה מלאכותית מקצה לקצה, מבחירת חומר לחיזוי נכסים, ניתוח פאזה למיקרו-מבנה, טיפול בחום לייצור, בקרת איכות לניתוח נזקים, אפיון לסטנדרטיזציה וניתוח פייתון. בכל יחידה, ה-AI הסביר מושגים, יצר השערות, כתב טיוטות וקוד - אך באף יחידה לא קיבל את ההחלטה לבד. הגבולות היו ברורים: הזיה (מספר ותקן מורכבים), אי-האצלה של אחריות קריטית לבטיחות, תלות באיכות הנתונים ובמדידה/כיול, סכנת אקסטרפולציה וסודיות. דיסציפלינה של אימות תמיד נשארה עם בני אדם במשולש סטנדרטי-מעבדה-חשבון.

טעויות נפוצות

• החלת הקוד על נתונים אמיתיים ללא בדיקה עם תשובות ידועות.
• לא מגדירים יחידות בצורה ברורה; משקיף על MPa/ksi, בלבול של מיקרומטר/מ'.
• לא להדפיס את מספר השורות במהלך שלבי עיבוד הנתונים ולא לשים לב לאובדן השקט.
• הסתמכות על הממוצע מבלי לראות את החריגות.
• קבלת הספרייה/פונקציה הלא קיימת המורכבת על ידי ה-AI מבלי להפעיל אותה.
• בהנחה שהקוד נכון כי "נראה שהוא עובד"; אי בדיקת סבירות פיזית.

לסיכום

AI בניתוח נתונים מתכותי עם Python הוא מאיץ רב עוצמה לקידוד, איתור באגים ואוטומציה; אבל הקוד שהוא מייצר עלול לשאת שגיאות יחידה, מקדמים שגויים ואובדן נתונים שקט. אמת כל קוד באמצעות בדיקת תשובות ידועות, בדיקת יחידות, מעקב אחר ספירת שורות וסבירות פיזית. כאן, כמו בכל המודול, הבינה המלאכותית היא העוזרת: היא מבטיחה מהירות וארגון, דיוק ואחריות נלקחים על ידי המהנדס המורשה. בהחלטות מתכות קריטיות לבטיחות, תפוקת בינה מלאכותית לעולם אינה מהווה תחליף לתקנים, ניסויים, חישובים ואישור מהנדס מוכשר.

משימת יישום

בחרו חישוב מתכות (למשל Hall-Petch או ממוצע נתוני מתיחה). עם התבנית "קוד שלד", בקש מה-AI קוד הערה שמדפיס את מספר השורות עם יחידות מפורשות. לאחר מכן הוסף תרחיש בדיקה שבו אתה יודע את התוצאה באופן ידני עם תבנית "בדיקת תשובה ידועה" והפעל אותו. אם הקוד לא נותן את הערך הצפוי, מצא את השגיאה (יחידה, מקדם, נתונים) ותקן אותה. לבסוף, כתוב על דיסציפלינת אימות הבינה המלאכותית שלמדת במודול זה על ידי התאמתה לעסק שלך בשלושה מאמרים.

רשימת בדיקה

• [ ] הגדרתי בבירור את המשימה, הנתונים והיחידות ל-AI.
• [ ] הגדרתי את היחידות עם משתנים מפורשים בראש הקוד.
• [ ] בשלבי עיבוד הנתונים, הדפסתי את מספר השורות ובדקתי את האובדן השקט.
• [ ] אימתתי את הקוד עם מקרה מבחן עם תשובה ידועה.
• [ ] בדקתי את הסבירות הפיזית (ערך שלילי/אבסורדי) של הפלט.
• [ ] השתמשתי ב-AI כמאיץ; שמרתי על יושרה ואחריות.

מבחן מודול

1. כאשר עובדים עם כלי בינה מלאכותית כמהנדס חומרים, האחריות הסופית לאיזה מהדברים הבאים צריכה להישאר תמיד אצל האדם (המהנדס המשפטי)?

• א) אישור וחתימה על התאמת חלק לשירות ✔
• ב) הכנת טיוטה ראשונה של דו"ח נזקים
• ג) עריכת תוויות הציר של גרף מיקרו-מבנה
• ד) הכנת מילון מונחים של מונחים מתכות למצגת

תיאור: AI; זה יכול להאיץ משימות כמו הבהרת מושג, ניסוח דוחות, רשימת השערות ושלד קוד. עם זאת, אישור התאמת חלק לשירות/טיסה היא החלטה שמביאה לבטיחות החיים והרכוש; לא ניתן להעביר ל-AI ללא בדיקות מוסמכות ואישור מהנדס מורשה.

2. שאלת את AI על חוזק התפוקה של פלדת AISI 4140 כאשר היא מרווה ומזינה ב-200 מעלות צלזיוס, והוא ענה '1500 MPa בוודאות'. מהי הפעולה הנכונה הראשונה לנקוט?

• א) הכנס את הערך ישירות לחשבון העיצוב מכיוון ש-AI נראה בטוח
• ב) אימות הערך באמצעות גיליון מידע/תעודת טחנת ובדיקת מתיחה במידת הצורך, ללא הסתמכות על ערך נקודה בודדת ✔
• ג) הורדת הערך באופן אקראי כדי להישאר על הצד הבטוח
• ד) קבל את הערך ועבור ישירות למתכון לטיפול בחום

הסבר: מודלים של שפה יכולים להמציא באופן משכנע מספרים לא מבוססים (הזיה). חוזק תשואה; זה משתנה על פני טווח רחב בהתאם לטמפרטורת טמפרטורת, עובי חתך ויכולת התקשות. יש צורך לקבל את הערך מתעודת הטחנה או מבדיקת המתיחה בהתאם לתקן, ולא לכלול פלט AI נקודתי בתכנון.

3. עם מודל למידת מכונה המחזה את התכונה של פלדה, AI יצר ערך 'בטוח' עבור סגסוגת הרבה מחוץ לטווח ההרכב בנתוני האימון. מה הבעיה העיקרית בפלט הזה?

• א) המודל תמיד נותן תוצאות באחוזים, MPa שגוי
• ב) החיזוי אינו אמין מכיוון שהוא נעשה מחוץ לטווח נתוני האימון (אקסטרפולציה) ויש לאמת אותו בניסוי ✔
• ג) הדגם עובד רק עבור פלדות אל חלד
• ד) הפלט של המודל הוא תמיד בדיוק כפול מהערך האמיתי

הסבר: מודלים של למידת מכונה פועלים בצורה סבירה בטווח נתוני האימון (אינטרפולציה); כאשר הם מחוץ לטווח זה (אקסטרפולציה), התחזיות הופכות לא אמינות ולעתים קרובות המודל אינו מראה זאת. לא ניתן להשתמש בערך שנוצר בנקודה מחוץ להתפלגות נתוני האימון ללא אימות ניסיוני.

4. יישמת AI כדי לחשב את יחס הפאזה בסגסוגת דו-פאזית. באיזה קלט צריך להשתמש ב-AI בצורה נכונה בעת יישום 'כלל המנוף'?

• א) טמפרטורה בלבד; שילובים מיותרים
• ב) רק צפיפות הסגסוגת
• ג) הרכב כולל של הסגסוגת עם קומפוזיציות גבול פאזה בטמפרטורה הרלוונטית ✔
• ד) רק טמפרטורת ההיתוך

הסבר: כלל המנוף נותן את כמויות הפאזה באמצעות המרחקים בין הרכבי גבול הפאזה (למשל ההרכבים של הפאזה המוצקה והנוזלית) לבין ההרכב הכולל של הסגסוגת בטמפרטורה נתונה. אם צירופי גבול השלב נקראים בצורה שגויה, היחס יהיה שגוי לחלוטין; לכן, אישור הערכים מתרשים השלב הוא חובה.

5. מדדת את גודל הגרגירים מהמיקרו-מבנה עם זרימת עיבוד תמונה המופעלת על ידי AI, אבל שכחת לכייל את סרגל הקנה מידה לפיקסל. למה התוצאה לא אמינה?

• א) כל מדידות הממדים הן בקנה מידה שגוי מכיוון שלא בוצע כיול באורך הפיקסלים ✔
• ב) המדידה מעוותת כי נעשה שימוש בתמונה צבעונית
• ג) ניתן למדוד את גודל הגרגיר רק על ידי SEM, מיקרוסקופיה אופטית אינה מדויקת
• ד) המדידה מיותרת כי רזולוציית התמונה גבוהה

תיאור: במטאלוגרפיה כמותית, כל פיקסל מתאים לאורך; אם השינוי הזה לא מכויל עם סרגל קנה המידה, כל המדידות הממדיות כגון גודל גרגר, יחס פאזה ונקבוביות יופיעו בקנה מידה שגוי. כיול הוא השלב הראשון והחובה של מדידה מבוססת תמונה.

6. AI הציע מתכון לטיפול בחום (אוסטניטיזציה + כיבוי + מזג) להשגת קשיות יעד עבור פלדה. מהו השלב הטוב ביותר לפני החלת המרשם?

• א) יישום המתכון ישירות לייצור המוני
• ב) יש למרוח את המתכון על חתיכת הניסיון, למדוד את הקשיות/מיקרו-מבנה ולהשוות אותו לתקן ✔
• ג) פשוט הגדל באופן אקראי את טמפרטורת הטמפרור בצד הבטוח
• ד) תיקון ואישור רק כתיב המרשם

תיאור: כתוצאה מטיפול בחום; עובי החלק, יכולת ההתקשות (Jominy) משתנים מאוד עם המציאות של הכבשן וסביבת הקירור. המרשם שניתן על ידי ה-AI הוא השערה ראשונית; יש לאמת אותו על ידי יישום זה על חתיכת הניסיון ומדידת הקשיות והמיקרו-מבנה והשוואתו לתקן.

7. ביקשת מה-AI 'מספר חומר ספציפי' של תקן ASTM עבור ערך גבול חומרי והוא השיב עם ערך מדויק. מהי ההתנהגות ההנדסית הנכונה?

• א) כתיבת הערך ישירות לדוח מכיוון שה-AI מעודכן
• ב) שינוי הערך באופן אקראי כדי להישאר על הצד הבטוח
• ג) ודא את מספר החומר, הגרסה והערך מהטקסט הסטנדרטי הרשמי והעדכני ✔
• ד) הוספת מספר הפריט לקובץ ההתאמה מבלי לבדוק אותו

הסבר: גם אם מודלים של שפה יודעים את השם הסטנדרטי בצורה נכונה, הם עלולים לזכור לא נכון או להרכיב את מספר המאמר, הגרסה ונקודת השבירה. בשדות מחייבים כגון ASTM/ISO/EN, כל חומר וערך חייבים להיות מאומתים מילה במילה מהמקור הרשמי והנוכחי; פלט AI רק מראה היכן לחפש.

8. הראית את התמונה של המשטח השבור של בורג ל-AI וקיבלת את התשובה 'זה בהחלט שבר עייפות'. מהי הגישה הנכונה לניתוח סיבת השורש?

• א) כתיבת האבחון ישירות לדוח כי AI מדבר בדיוק
• ב) פשוט הגדל את הרזולוציה של התמונה ואשר את האבחנה
• ג) התקנת חלק חדש מבלי לבחון את המשטח השבור
• ד) אשר את האבחנה כהשערה עם פרקטוגרפיה, היסטוריית טעינה וראיות מיקרו-מבנה ✔

תיאור: פרשנות משטח שבור; פרקטוגרפיה (סטריטות, קווי חוף, הפרדת גומות / מחשוף עם SEM) דורשת התייחסות של היסטוריית עומסים, סביבה וראיות מיקרו-מבנה יחד. האבחנה הסופית ש-AI עושה מתמונה בודדת היא השערה; לא ניתן להכריז על הסיבה השורשית ללא אישור על ידי ממצאי מעבדה.

9. AI הקצתה שיא לשלב ספציפי בתבנית XRD (דיפרקציית רנטגן). מהי השיטה המתאימה ביותר להפוך את זיהוי הפאזות לאמין?

• א) התאמת השיא למסד הנתונים של דפוסי ההתייחסות (למשל כרטיסי PDF) ובדיקת חפיפה וחפצים ✔
• ב) קבלת המשימה ישירות כי AI אומר את שם השלב
• ג) התחשבות רק בפסגה הגבוהה ביותר ומתעלמת מהשאר
• ד) צבעו את התבנית והפכו אותה ליפה ויזואלית

תיאור: זיהוי שלב XRD נעשה על ידי התאמת עמדות שיא ועוצמות מדודות עם דפוסי התייחסות ידועים (למשל כרטיסי ICDD/PDF). הקצאת פסגה בודדת בבידוד היא מטעה; יש לקחת בחשבון פסגות חופפות, אוריינטציה מועדפת וחפצי רקע ולאשר את ההקצאה במסד הנתונים.

10. טיוטת דו"ח נזק/בדיקה שהוכנה על ידי AI מכילה ערכים טכניים שהם נזילים אך מקורם לא ידוע. מהי ההתנהגות הנכונה?

• א) הצגת הדוח כפי שהוא כי הטקסט שוטף
• ב) עיגול והגהת הערכים
• ג) פשוט קרא את תקציר המנהלים ודלג על השאר
• ד) התאם כל ערך עם המדידה/מקור המקורי והסר את ה- ✔ הלא מאושר

תיאור: כל ערך טכני בדוח; זה חייב להיות ניתן למעקב למדידה, רשומת מכשיר מכויל, תקן או נתוני יצרן. גם אם מדובר בערך במשפט שוטף, אין לכלול מספר שמקורו לא אומת בדוח או בבסיס ההחלטה; אחרת, מועבר ערך פיקטיבי למסמך היוצר אחריות.

11. מהו הצעד הטוב ביותר לפני השימוש בחישוב Python שנוצר בינה מלאכותית (למשל, קשר Hall-Petch עבור חוזק גודל גרגרים-תפוקה)?

• א) החלת הקוד ישירות על נתוני ייצור בפועל
• ב) רק לוודא שהקוד נראה קצר ומסודר
• ג) הפעל את הקוד בתרחיש בדיקה עם תוצאות ידועות ואמת את היחידות והפלט ✔
• ד) מחיקת חלק מהקוד כדי לקצרו

הסבר: קוד עשוי להופיע נכון אך נותן תוצאה שגויה: ייתכן שיש שגיאת יחידה, מקדם שגוי או שגיאת נוסחה. הפעלת הקוד במקרה מבחן קטן שבו אתה יודע את התוצאה ביד והשוואתה לפלט הצפוי ובדיקת היחידות תופסת את השגיאה לפני שהיא עוברת להחלטה בפועל.

12. אתה רוצה להדביק את מתכון הסגסוגת של החברה שלך שעדיין לא רשם פטנט ופרמטרים לעיבוד לתוך כלי AI זמין לציבור ולנתח בקשות. מהי הגישה הנכונה ביותר?

• א) הדבקת המתכון כפי שהוא כדי שיהיה מהיר יותר
• ב) מספיק רק למחוק את שם החברה ולשתף את כל הפרמטרים הנותרים.
• ג) שיתוף הנתונים ולאחר מכן בקשה מה-AI למחוק אותם
• ד) בדיקת המדיניות המוסדית ואנונימיות הנתונים או שימוש בכלי מאובטח/מוסדי ✔

תיאור: מתכון סגסוגת, פרמטרי תהליך ומפרטי לקוחות הם סוד מסחרי ורגישים לקניין רוחני. לפני שיתוף נתונים, יש צורך לבדוק את המדיניות הארגונית, להפוך אותה לאנונימית או להשתמש בכלי מוסדי/באתר שאינו שולח את הנתונים החוצה.

13. מערכת SPC (בקרת תהליכים סטטיסטית) המופעלת על ידי בינה מלאכותית סימנה שחרג ממגבלת תרשים בקרה בקבוצת ייצור. מהי ההתנהגות ההנדסית הנכונה?

• א) התעלם מהאזהרה והמשך בייצור
• ב) הרחבת גבולות הבקרה כך שלא תתרחש אזהרה
• ג) ראה את האזהרה כטריגר, אשר את המדידה, חקור את הסיבה השורשית והחליט עם קריטריוני קבלה ✔
• ד) גריטה ישירה של כל המנה ללא מדידה

הסבר: חריגה ממגבלת תרשים הבקרה היא אזהרה; הסיבה השורשית אינה ברורה אוטומטית. זה יכול להיות שגיאת מדידה, בעיית דגימה או סחיפה של תהליך בפועל. הגישה הנכונה היא לשקול את האזהרה כטריגר, לאשר את המדידה, לחקור את הסיבה השורשית ולקבל החלטה על סמך קריטריוני הקבלה ותוצאת NDT/בדיקה.

14. הערכת תמונה בעזרת AI על חלק יציקה סימנה אזור כ'מקובל'. מהי הגישה הנכונה לחלק קריטי לבטיחות?

• א) התחשבות בהערכה המוקדמת של AI ככלי מיון וקשר בין הקבלה הסופית לתוצאת ה-NDT ואישור מורשה ✔
• ב) שקול את הערכת ה-AI כקבלה סופית ואשר את החלק
• ג) מעבר לתהליך הבא מבלי לבדוק את החלק כלל
• ד) זה מספיק רק לבדוק חזותית את פני השטח של החלק.

תיאור: פגמים פנימיים ביציקה (נקבוביות, התכווצות, תכלילים) לרוב בלתי נראים מפני השטח ומוערכים על ידי בדיקה לא הרסנית (NDT: רדיוגרפיה, אולטרסאונד). ההערכה המוקדמת שה-AI נותנת דרך התמונה היא כלי מיון; הקבלה הסופית של החלק הקריטי לבטיחות ניתנת עם NDT ואישור בדיקה מורשה בהתאם לתקן.