Keuntungan:
- Kemampuan untuk membedakan di mana AI menghemat waktu nyata dalam alur kerja metalurgi dan material dan di mana tanggung jawab keselamatan penting harus tetap berada di tangan insinyur, berdasarkan tingkat risiko
- Kemampuan untuk menerapkan disiplin validasi tiga lapis yang menguji setiap keluaran AI terhadap standar, komputasi independen, dan eksperimen laboratorium
- Kemampuan untuk menganonimkan konteks dan mengamankan pemilihan alat untuk melindungi rahasia resep paduan, parameter proses, dan data pelanggan
Meskipun bilah turbin mesin pesawat berputar ratusan kali per detik pada suhu 1400 °C, Anda adalah orang yang memutuskan bahan superalloy mana (paduan khusus yang mempertahankan kekuatannya pada suhu tinggi) bilah tersebut, perlakuan panas apa yang akan dijalaninya, dan berapa ribu jam akan bertahan: insinyur metalurgi atau material. Setiap keputusan yang Anda buat dalam profesi ini menentukan kelangsungan suatu struktur atau kerusakannya. Kecerdasan buatan (disingkat AI: sistem perangkat lunak yang memproses teks, angka, dan gambar serta menghasilkan saran) dapat mempercepat pengambilan keputusan ini; tapi dia tidak pernah bisa bertanggung jawab padamu. Unit ini mengajarkan Anda di mana menggunakan AI dengan aman dalam pekerjaan metalurgi dan material, di mana bahayanya, dan mengapa Anda harus memvalidasi setiap keluaran AI dengan laboratorium, standar, dan eksperimen.
Prinsip utama yang akan Anda gunakan dalam modul ini adalah: AI adalah asisten, bukan pengambil keputusan. Properti material, nilai batas, item standar, atau resep perlakuan panas tidak menjadi kenyataan hanya karena "AI berkata demikian"; Ini hanyalah sebuah hipotesis sampai diverifikasi oleh pengukuran, referensi, dan penilaian teknik. Anda akan melihat kalimat ini lagi di setiap unit modul, karena dalam metalurgi, angka yang salah sering kali berarti bagian yang rusak.
Apa itu LLM, apa fungsinya dalam metalurgi?
LLM (Large Language Model) adalah perangkat lunak yang mempelajari pola dari potongan teks yang sangat besar dan memprediksi "kata berikutnya" berdasarkan probabilitas. Ini adalah mesin alat seperti ChatGPT, Claude, Gemini. Intinya begini: LLM adalah "penaksir bahasa", bukan "basis pengetahuan". Berbicara terminologi metalurgi dengan lancar, tetapi tidak mengukur angka; menghasilkan angka yang paling mungkin muncul. Oleh karena itu, ia mungkin memberikan jawaban yang meyakinkan tetapi salah tentang kekuatan luluh, suhu leleh, atau nomor item suatu standar. Ini disebut halusinasi (buatan). Halusinasi bukanlah suatu kerusakan, namun merupakan fitur yang melekat pada teknologi ini; Oleh karena itu, verifikasi bukanlah sebuah "langkah tambahan" namun merupakan bagian integral dari pekerjaan.
Tugas di mana AI kuat dalam metalurgi:
- Penjelasan dan pengajaran konsep: apa itu transformasi martensit, mengapa keras dan rapuh; Apa perbedaan antara eutektik dan eutektoid?
- Menghasilkan daftar hipotesis: Membuat daftar sistematis mengapa porositas (gas atau rongga akibat penyusutan) dapat terjadi dalam pengecoran.
- Produksi teks: draf laporan analisis kerusakan, draf WPS (spesifikasi prosedur pengelasan), presentasi, email.
- Pengkodean: pembersihan data, grafik, skrip perhitungan sederhana (Python).
- Peringkasan data dan pengorganisasian tabel: mengubah hasil tes yang berantakan menjadi tabel yang terorganisir.
- Brainstorming: elemen kandidat, ide matriks eksperimental untuk desain paduan.
Dimana AI lemah dan berisiko:
- Memberikan nilai numerik yang tepat (sifat, nilai batas, komposisi kimia).
- Klausul standar saat ini/khusus dan informasi versi.
- Diagnostik tanpa data pengukuran aktual fasilitas Anda.
- Keputusan yang kritis terhadap keselamatan: kelaikan udara/kemampuan servis suatu bagian.
Klasifikasi berdasarkan risiko: filter sebelum menggunakan AI
Tidak setiap tugas memiliki tingkat risiko yang sama. Klasifikasikan tugas berdasarkan tingkat risiko sebelum menggunakan AI. Tabel di bawah ini memberikan kerangka keputusan yang akan Anda gunakan sepanjang modul ini.
Tingkat risiko
contoh tugas
peran AI
Verifikasi wajib
rendah
Penjelasan konsep, draf teks, kerangka kode
penggunaan gratis
Ulasan saja sudah cukup
sedang
Pengaturan perhitungan, daftar hipotesis, ringkasan literatur
Draf/penulis bersama
Kontrol manual + konfirmasi sumber
tinggi
Pemilihan bahan, resep perlakuan panas, nilai batas
penghasil ide
Standar + tes laboratorium
kritis
Kemudahan servis/kelaikan udara, akar penyebab kerusakan, sertifikasi
Hanya draf
Pengujian terakreditasi + persetujuan insinyur resmi
Tip: Jika Anda menandai suatu tugas sebagai "penting", keluaran AI tidak akan pernah menjadi dokumen akhir. Paling banyak dapat berupa rancangan awal atau daftar periksa; Insinyur yang berwenang memikul tanda tangan dan tanggung jawab.
Alur end-to-end: menyematkan AI ke dalam alur kerja Anda
Siklus pemecahan masalah yang umum terjadi dalam bisnis metalurgi berjalan seperti ini, dengan AI memasuki setiap langkah namun tidak menyelesaikan satu pun langkah sendirian:
- Definisikan masalahnya: Apa yang rusak, fitur apa yang ditargetkan, kendala apa yang ada? (AI: membantu memperjelas pertanyaan.)
- Mengumpulkan data: Analisis komposisi, pengujian mekanis, struktur mikro, data lapangan. (AI: mencantumkan tes mana yang diperlukan.)
- Hasilkan hipotesis: Kemungkinan penyebab/solusi. (AI: kuat — menghasilkan daftar yang sistematis.)
- Analisis: Perhitungan, model, pemrosesan gambar. (AI: menghasilkan kode dan fiksi perhitungan.)
- Validasi: Standar, laboratorium, tes ulang. (AI: di sela-sela sini; manusia dan perangkat memutuskan.)
- Laporkan dan putuskan: Insinyur bertanggung jawab. (AI: penulis draf.)
Ingatlah enam langkah ini; Modul selanjutnya menunjukkan kepada Anda cara menggunakan AI dengan tugas-tugas konkret di setiap langkah ini.
tiga kasus mini
Kasus 1 — Kekuatan luluh yang disesuaikan. Seorang pekerja magang bertanya kepada AI tentang kekuatan luluh baja AISI 4140 yang dipadamkan dan ditempa pada suhu 200 °C; AI mengatakan "sekitar 1500 MPa". Magang memasukkan ini langsung ke dalam perhitungan desain spindel. Namun, nilai sebenarnya bervariasi antara 900–1600 MPa, bergantung pada parameter perlakuan panas dan ketebalan bagian; Nilai yang diambil pada sampel tipis tidak berlaku pada sampel tebal. Hasilnya: faktor keamanan ternyata lebih rendah dari yang diharapkan. Sikap yang benar adalah dengan mengambil nilai dari lembar data material (sertifikat pabrik) dan bila perlu dari uji tarik sesuai ISO 6892.
Kasus 2 — Klausul standar tidak ada. Seorang insinyur bertanya kepada AI tentang batas penyertaan baja tahan karat. AI mengatakan "maks 2,5 menurut ASTM E45 Bagian 7.3". Insinyur menulis laporan sesuai dengan itu. Selama pemeriksaan pelanggan, terungkap bahwa nomor artikel tersebut palsu dan standar tidak memiliki klausul seperti itu. Sikap yang benar adalah membuka versi standar saat ini dari sumber resmi dan mengonfirmasi artikelnya. AI mungkin berhalusinasi nomor item meskipun ia mengetahui nama standarnya dengan benar.
Kasus 3 — Penggunaan yang benar. Tim analisis kerusakan sedang memeriksa foto permukaan patah baut M20 yang patah. Mereka bertanya kepada AI, “buat daftar perbedaan khas pada permukaan retakan pada retakan lelah dan patah getas, dan beri tahu saya apa yang harus saya cari dalam pemindaian mikroskop elektron (SEM) untuk masing-masingnya.” AI secara sistematis menjelaskan tanda pantai, striae (garis kelelahan), dan perbedaan lesung pipit/belahan dada. Tim mencari jejak ini dengan SEM, menemukan striae dan membuat diagnosis dengan gambar perangkat. Di sini AI digunakan dengan benar: mengatur informasi, laboratorium mengambil keputusan.
Templat cepat yang dapat disalin
Anda dapat menggunakan template di bawah ini dengan menyesuaikannya dengan bisnis Anda sendiri. Di masing-masingnya, terdapat instruksi sadar untuk "memberikan angka pasti, menunjukkan sumbernya, menjelaskan ketidakpastian".
TEMPLATE PERAN DAN BATAS "Peran: Anda adalah asisten insinyur metalurgi yang berpengalaman. Tugas: [tulis subjeknya]. Aturan: Saat memberikan nilai numerik yang tepat, sebutkan SUMBER; jika Anda tidak yakin, katakan 'harus diverifikasi'. Jika Anda memberikan item standar, berikan dengan versinya, tetapi ingatkan bahwa itu harus dikonfirmasi dari sumber resmi. Di akhir jawaban, tulis item demi item 'apa yang perlu diverifikasi dengan eksperimen'."
TEMPLATE PEMBANGUNAN HIPOTESIS"Buatlah daftar sistematis kemungkinan akar penyebab masalah berikut: [jelaskan masalah; materi, proses, observasi]. Untuk setiap hipotesis: (1) bukti apa yang mendukungnya, (2) pengujian apa yang harus dilakukan untuk mengkonfirmasi/membantahnya. JANGAN MEMBUAT diagnosis pasti; cukup buat peta jalan penelitian."
TEMPLATE DAFTAR PERIKSA VERIFIKASI"Cantumkan SETIAP nilai numerik dan SETIAP referensi standar dalam draf keluaran/laporan di bawah ini. Untuk setiap nilai, tunjukkan dari sumber mana (sertifikat pabrik, teks standar, laporan pengujian) nilai tersebut harus diverifikasi. Kumpulkan nilai-nilai yang asal usulnya tidak pasti di bawah judul terpisah 'tidak tersedia sampai diverifikasi'. Teks: [tempel]."
TEMPLATE PRA-PERIKSA ANONIMISASI "Sebelum memberikan teks berikut ke alat AI, tandai bagian yang berisi rahasia dagang atau data pribadi: rasio resep paduan, nama pelanggan, parameter rahasia suhu/waktu proses, nama personel. Sarankan bagaimana saya dapat menganonimkan ini. Teks:[tempel]."
Perintah lemah / Perintah kuat
Mengajukan pertanyaan yang sama dengan dua cara akan menghasilkan hasil yang sangat berbeda.
PROMPT LEMAH: "Ceritakan sifat-sifat baja 4140."
PROMPT KUAT: "Peran: Anda adalah asisten insinyur perlakuan panas. Jelaskan APA yang mempengaruhi kekuatan luluh ketika quenching + tempering dilakukan untuk baja AISI 4140 (suhu temper, ketebalan bagian/kemampuan pengerasan, suhu austenitisasi). Jangan berikan satu angka TEPAT; sebaliknya, dalam kisaran berapa nilainya dapat bervariasi dan pengujian mana yang harus saya lakukan sesuai dengan standar yang mana (misalnya uji tarik ISO 6892) untuk mendapatkan nilai yang benar Harap nyatakan dengan jelas di mana Anda tidak yakin."
Prompt yang buruk biasanya mengembalikan daftar yang tidak berguna, dangkal, dan mungkin angka-angka yang dibuat-buat. Perintah yang kuat; ia menetapkan peran, menetapkan batasan (“memberikan angka pasti”), memerlukan sarana verifikasi, dan mengungkap ketidakpastian. Sepanjang modul ini, Anda akan melihat pola "perintah kuat" yang diterapkan pada setiap unit.
Etika, privasi dan tanggung jawab
Data metalurgi seringkali bersifat rahasia: resep paduan pelanggan, parameter proses yang dipatenkan, temuan analisis kerusakan, spesifikasi industri pertahanan. Menempelkannya ke layanan AI publik dapat dianggap sebagai rahasia dagang dan pelanggaran kontrak; Ada juga risiko bahwa data akan mengganggu pelatihan model.
- Jangan memasukkan komposisi, resep, dan gambar perusahaan/pelanggan ke layanan eksternal tanpa persetujuan.
- Anonimkan catatan yang berisi data pribadi (nama operator, nomor registrasi).
- Mematuhi kebijakan perusahaan dan alat AI perusahaan apa pun yang ada di lokasi atau yang dikontrak.
- Nyatakan secara transparan dalam laporan bahwa Anda menggunakan AI; Perjelas bahwa keputusan akhir didasarkan pada penilaian teknis Anda.
- Tanda tangan dan tanggung jawab selalu berada pada teknisi yang berwenang; Keluaran AI bukanlah pembenaran.
Perhatian: "Itulah yang dikatakan AI" bukanlah pembenaran teknis. Dalam laporan kerusakan, pemilihan material, atau keputusan kesesuaian, dasar Anda harus berupa standar, pengujian, dan penghitungan; AI adalah alat yang paling banyak mengatur hal ini. Untuk pekerjaan yang sangat penting bagi keselamatan, keluaran AI bukanlah pengganti persetujuan insinyur yang berkualifikasi.
Kesalahan umum
- Menggunakan nilai numerik (fitur, batas, komposisi) yang diberikan oleh AI tanpa eksperimen dan referensi.
- Menulis nomor item standar ke dalam laporan tanpa mengonfirmasinya.
- Memasukkan data rahasia pelanggan/perusahaan ke AI publik.
- Menanyakan kepada AI "apa kerusakannya" tanpa memberikan data fasilitas dan salah mengira jawaban umum sebagai diagnosis.
- Menggunakan keluaran AI sebagai dokumen akhir dalam keputusan penting, tanpa persetujuan insinyur.
- Mengabaikan ketidakpastian: Salah mengira nada percaya diri AI sebagai keakuratan.
Singkatnya
AI adalah akselerator yang kuat dalam rekayasa metalurgi dan material: AI menjelaskan konsep, menghasilkan hipotesis, menyusun draf, dan menulis kode. Namun nilai numerik membawa risiko halusinasi dalam masalah standar dan keputusan yang kritis terhadap keselamatan. Klasifikasikan tugas berdasarkan tingkat risiko, verifikasi setiap keluaran dalam segitiga akun laboratorium standar, jaga kerahasiaan dan selalu tanggung jawab pada teknisi yang berwenang. Modul selanjutnya menerapkan prinsip ini pada setiap tugas konkrit.
Tugas aplikasi
Pilih lima tugas umum dari pekerjaan Anda sendiri (atau proyek sampel): misalnya, "pemilihan material", "penulisan laporan kerusakan", "kueri standar", "interpretasi struktur mikro", "skrip perhitungan". Klasifikasikan masing-masing ke dalam Rendah/Sedang/Tinggi/Kritis sesuai dengan tabel risiko di atas dan tulis dalam satu kalimat bagaimana Anda akan memverifikasi keluaran AI untuk masing-masing (standar mana, pengujian mana, persetujuan siapa). Kemudian cobalah mengadaptasi templat "PERAN DAN BATAS" ke salah satu tugas berikut.
daftar periksa
- [ ] Saya telah mengklasifikasikan misi berdasarkan tingkat risiko (Rendah/Sedang/Tinggi/Kritis).
- [ ] Saya memberi AI peran, batasan, dan instruksi “berikan nomor pasti/tentukan sumber”.
- [ ] Saya telah memverifikasi setiap nilai numerik dan item standar dari sumber independen.
- [ ] Saya belum memasukkan data rahasia/pribadi ke layanan eksternal atau menganonimkannya.
- [ ] Saya mendasarkan keputusan akhir pada pengukuran dan standar, bukan menggunakan AI sebagai pembenaran.
- [ ] Saya menyerahkan tanggung jawab dan tanda tangan kepada teknisi yang berwenang.