ಲಾಭಗಳು:
- ಪರಿಸರ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಎಲ್ಲಿ ವೇಗವರ್ಧಿಸುತ್ತಿದೆ ಮತ್ತು ಎಲ್ಲಿ ಅಪಾಯಕಾರಿಯಾಗಿದೆ ಎಂಬುದರ ಅಪಾಯ-ಆಧಾರಿತ ವರ್ಗೀಕರಣ
- ಪರಿಸರ ಮಿತಿ ಮೌಲ್ಯಗಳು, ಮಾನದಂಡಗಳು ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ LLM ಗಳ ಭ್ರಮೆಯ ಅಪಾಯವನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಪ್ರಯೋಗಾಲಯ, ಕ್ಷೇತ್ರ ಮತ್ತು ನಿಯಂತ್ರಕದಲ್ಲಿ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಮತ್ತು ನೈತಿಕ/ಗೌಪ್ಯತೆ ತತ್ವಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
ಸಂಘಟಿತ ಕೈಗಾರಿಕಾ ವಲಯದ ಸಾಮಾನ್ಯ ತ್ಯಾಜ್ಯನೀರಿನ ಸಂಸ್ಕರಣಾ ಘಟಕದಲ್ಲಿ ಪರಿಸರ ಎಂಜಿನಿಯರ್ ಆಗಿ ಕೆಲಸ ಮಾಡುವುದನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಔಟ್ಲೆಟ್ ನೀರಿನಲ್ಲಿ ಇದ್ದಕ್ಕಿದ್ದಂತೆ COD ಹೆಚ್ಚಾಗುತ್ತಿದೆ, ವ್ಯಾಪಾರ ವ್ಯವಸ್ಥಾಪಕರು ಫೋನ್ನಲ್ಲಿ ಹೇಳುತ್ತಾರೆ, "ನಾನು ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಕಾರಣ ಮತ್ತು ಪರಿಹಾರವನ್ನು ಬಯಸುತ್ತೇನೆ." ನಿಮ್ಮ ಮೇಜಿನ ಮೇಲೆ ಕಳೆದ ವಾರದ ಪ್ರಯೋಗಾಲಯದ ಫಲಿತಾಂಶಗಳು, SCADA ದಾಖಲೆಗಳು ಮತ್ತು ನೀವು ಈಗಷ್ಟೇ ತೆರೆದಿರುವ ಚಾಟ್ ವಿಂಡೋ. ನೀವು AI ಅನ್ನು ಕೇಳುತ್ತೀರಿ "ಔಟ್ಪುಟ್ COD ಏಕೆ ಹೆಚ್ಚಾಯಿತು, ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿಯನ್ನು ಬರೆಯಿರಿ?" ಕೆಲವೇ ಸೆಕೆಂಡುಗಳಲ್ಲಿ, ಮಾದರಿಯು ಸರಿಯಾದ ಟರ್ಕಿಶ್ ಭಾಷೆಯಲ್ಲಿ, ಐಟಂ ಮೂಲಕ ಐಟಂ, ಸಂಭವನೀಯ ಕಾರಣಗಳು ಮತ್ತು "ನೀರಿನ ಮಾಲಿನ್ಯ ನಿಯಂತ್ರಣ ನಿಯಂತ್ರಣದ ಪ್ರಕಾರ, COD ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿ 120 mg/L ಆಗಿದೆ" ಎಂಬ ವಾಕ್ಯವನ್ನು ಬರೆಯುತ್ತದೆ. ಸಮಸ್ಯೆಯೆಂದರೆ ಈ ಬ್ರೇಕ್ಪಾಯಿಂಟ್ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸಿರಬಹುದು; ನಿಮ್ಮ ಉದ್ಯಮ, ಸ್ವೀಕರಿಸುವ ಪರಿಸರ ಮತ್ತು ಸೌಲಭ್ಯದ ಪ್ರಕಾರವನ್ನು ಅವಲಂಬಿಸಿ, ನಿಜವಾದ ಮಿತಿಯು ಸಂಪೂರ್ಣವಾಗಿ ಭಿನ್ನವಾಗಿರಬಹುದು. ಈ ಘಟಕವು ಆ ಕ್ಷಣವನ್ನು ನಿರ್ವಹಿಸಲು ನಿಮಗೆ ಕಲಿಸುತ್ತದೆ - ನಿಮ್ಮ ಎಂಜಿನಿಯರಿಂಗ್ ಜವಾಬ್ದಾರಿಯು AI ಯ ತ್ವರಿತ ಆದರೆ ಪರಿಶೀಲಿಸದ ಔಟ್ಪುಟ್ನೊಂದಿಗೆ ಛೇದಿಸುವ ಕ್ಷಣ.
ಪರಿಸರ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಏನು ಮಾಡುತ್ತದೆ ಮತ್ತು ಮಾಡುವುದಿಲ್ಲ
ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (LLM) ಬೃಹತ್ ಪಠ್ಯ ಡೇಟಾದಲ್ಲಿ "ಮುಂದಿನ ಪದವನ್ನು ಊಹಿಸುವ" ತತ್ವದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ವ್ಯವಸ್ಥೆಗಳಾಗಿವೆ. ಇದು ಭಾಷೆಯ ಕೆಲಸದಲ್ಲಿ ಅವರನ್ನು ತುಂಬಾ ಬಲಶಾಲಿಯನ್ನಾಗಿ ಮಾಡುತ್ತದೆ, ಆದರೆ ಮೂಲಭೂತವಾಗಿ ಸತ್ಯ-ಪರಿಶೀಲನೆಯಲ್ಲಿ ದುರ್ಬಲವಾಗಿದೆ. ಮಾದರಿಯು ಬ್ರೇಕ್ಪಾಯಿಂಟ್ ಅನ್ನು "ನೆನಪಿಡುವುದಿಲ್ಲ", ಇದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಸಮಂಜಸವಾಗಿ ಕಾಣುವ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
ಉದ್ಯೋಗಗಳು AI ಪರಿಸರ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ:
- ದೀರ್ಘ ಶಾಸನ, ಇಐಎ ವರದಿಗಳು ಅಥವಾ ಸಾಹಿತ್ಯ ಪಠ್ಯಗಳ ಸಾರಾಂಶ ಮತ್ತು ಕರಡು ರಚನೆ
- ಲೆಕ್ಕಾಚಾರದ ರಚನೆ, ಸೂತ್ರ ಮತ್ತು ತರ್ಕವನ್ನು ಸ್ಥಾಪಿಸುವುದು (ಸಾಮೂಹಿಕ ಸಮತೋಲನ, ಹೊರಸೂಸುವಿಕೆ ಹೊರೆ, ದಕ್ಷತೆ)
- ದೋಷನಿವಾರಣೆಗಾಗಿ ಸಂಭವನೀಯ ಕಾರಣಗಳು ಮತ್ತು ಸನ್ನಿವೇಶಗಳ ಪಟ್ಟಿಯನ್ನು ರಚಿಸುವುದು
- ಕರಡು ವರದಿಗಳು, ಕೋಷ್ಟಕಗಳು, ಪ್ರಸ್ತುತಿಗಳು ಮತ್ತು ಪತ್ರವ್ಯವಹಾರವನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು
- ಸಂಕೀರ್ಣ ವಿಷಯವನ್ನು ವಿವರಿಸುವುದು (ಉದಾ. ನೈಟ್ರಿಫಿಕೇಶನ್ ಕೆಮಿಸ್ಟ್ರಿ) ಹಂತ ಹಂತವಾಗಿ
AI ಮಾಡಲಾಗದ/ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲದ ಕಾರ್ಯಗಳು:
- ಅಪ್-ಟು-ಡೇಟ್ ಮತ್ತು ಸಂದರ್ಭ-ನಿರ್ದಿಷ್ಟ ಮಿತಿ ಮೌಲ್ಯ, ಪ್ರಮಾಣಿತ ಸಂಖ್ಯೆ ಅಥವಾ ನಿಯಂತ್ರಣ ಲೇಖನವನ್ನು ಒದಗಿಸುವುದು
- ನಿಮ್ಮ ಸೌಲಭ್ಯದ ನಿಜವಾದ ಮಾಪನ ಡೇಟಾಗೆ ಪ್ರವೇಶ (ನೀವು ಅದನ್ನು ಒದಗಿಸದ ಹೊರತು)
- ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆ ಅಥವಾ ಕ್ಷೇತ್ರ ಮಾಪನಕ್ಕಾಗಿ ಬದಲಿ
- ಕಾನೂನು/ಆಡಳಿತಾತ್ಮಕ ಜವಾಬ್ದಾರಿಯನ್ನು ಊಹಿಸಿಕೊಳ್ಳಿ - ಸಹಿ ನಿಮ್ಮದಾಗಿದೆ
ಸಲಹೆ: AI ಅನ್ನು "ಹಿರಿಯ ಇಂಟರ್ನ್" ನಂತೆ ಯೋಚಿಸಿ. ತ್ವರಿತ, ಚೆನ್ನಾಗಿ ಓದುವ, ಉತ್ತಮ ಕರಡು ಬರಹಗಾರ; ಆದರೆ ಪ್ರತಿ ಮುದ್ರಣವನ್ನು ನೀವೇ ಪರಿಶೀಲಿಸದೆ ಎಲ್ಲಿಗೂ ಕಳುಹಿಸುವುದಿಲ್ಲ. ನೀವು ಅದನ್ನು ಮೂಲದಿಂದ ಪರಿಶೀಲಿಸುವವರೆಗೆ ಅವರು ಉತ್ಪಾದಿಸುವ ಪ್ರತಿ ಸಂಖ್ಯೆ ಮತ್ತು ಶಾಸನದ ಪ್ರತಿ ಉಲ್ಲೇಖವು ಕೇವಲ ಒಂದು ಊಹೆಯಾಗಿರುತ್ತದೆ.
ಭ್ರಮೆ: ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಮಿತಿ ಮೌಲ್ಯ ಮತ್ತು ನಿಯಂತ್ರಣ ಲೇಖನ
ಮಾದರಿಯು ಸಂಪೂರ್ಣ ವಿಶ್ವಾಸದಿಂದ ಅವಾಸ್ತವ ಮಾಹಿತಿಯನ್ನು ಉತ್ಪಾದಿಸಿದಾಗ ಭ್ರಮೆಯಾಗಿದೆ. ಪರಿಸರ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿನ ಮೂರು ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ರೀತಿಯ ಭ್ರಮೆಗಳು:
- ಮೇಡ್-ಅಪ್ ಮಿತಿ ಮೌಲ್ಯ: "PM10 ಗಾಗಿ 24-ಗಂಟೆಗಳ ಮಿತಿ 50 µg/m³" ನಂತಹ ಸಂಖ್ಯೆಗಳು ಸರಿಯಾಗಿವೆ ಆದರೆ ತಪ್ಪಾಗಿರಬಹುದು.
- ಶಾಸಕಾಂಗ ಉಲ್ಲೇಖವನ್ನು ರಚಿಸಲಾಗಿದೆ: "ನಿಯಂತ್ರಣದ 12/3 ರ ಪ್ರಕಾರ..." - ಲೇಖನ ಸಂಖ್ಯೆ ಮತ್ತು ನಿಯಂತ್ರಣದ ಹೆಸರು ನಿಜವೆಂದು ತೋರುತ್ತದೆ, ಆದರೆ ವಿಷಯವನ್ನು ರಚಿಸಲಾಗಿದೆ.
- ಕಾಲ್ಪನಿಕ ಮೂಲ: ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಲೇಖನ, ಪ್ರಮಾಣಿತ ಸಂಖ್ಯೆ (ಉದಾ. "TS EN 12457") ಅಥವಾ ಸಾಂಸ್ಥಿಕ ಮಾರ್ಗದರ್ಶಿ.
ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಅದೇ ಪ್ರಶ್ನೆಗೆ ಮಾದರಿಯು ನೀಡಬಹುದಾದ ಸುರಕ್ಷಿತ ಮತ್ತು ಅಪಾಯಕಾರಿ ಉತ್ತರ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ:
ಮಾದರಿ ಔಟ್ಪುಟ್
ಅಪಾಯ
ಏನು ಮಾಡಬೇಕು
"ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿ ನಿಖರವಾಗಿ 120 ಮಿಗ್ರಾಂ / ಲೀ."
ಹೆಚ್ಚಿನ — ನಿಖರವಾದ ಸಂಖ್ಯೆ, ಮೂಲರಹಿತ
ಅಧಿಕೃತ ಶಾಸನದಿಂದ ಪರಿಶೀಲಿಸಿ
"ಸೆಕ್ಟರ್ ಮತ್ತು ಸ್ವೀಕರಿಸುವ ಪರಿಸರವನ್ನು ಅವಲಂಬಿಸಿ ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿಗಳು ಬದಲಾಗುತ್ತವೆ; ಸಂಬಂಧಿತ ನಿಯಂತ್ರಣ ಕೋಷ್ಟಕವನ್ನು ಸಂಪರ್ಕಿಸಬೇಕು."
ಕಡಿಮೆ - ರೂಟರ್
ಇನ್ನೂ ಪರಿಶೀಲಿಸಿ, ಆದರೆ ನಂಬಲರ್ಹ
"ನಾನು ಈ ಮೌಲ್ಯವನ್ನು ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ, ಅಧಿಕೃತ ಮೂಲವನ್ನು ನೋಡಿ."
ಕಡಿಮೆ
ಆದರ್ಶ ನಡವಳಿಕೆ
ಎಚ್ಚರಿಕೆ: ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದ ಸಂಖ್ಯೆಯನ್ನು ಬರೆಯಲಾಗಿದೆ, ಅದು ಮೂಲರಹಿತವಾಗಿದ್ದರೆ ಅದು ಹೆಚ್ಚು ಅಪಾಯಕಾರಿ. "120 mg/L" ನಂತಹ ಸ್ಪಷ್ಟ ಮೌಲ್ಯವು ನಿಮಗೆ ನಿರಾಳವಾಗಿಸುತ್ತದೆ ಆದರೆ ತಪ್ಪು ವಿಶ್ವಾಸವನ್ನು ನೀಡುತ್ತದೆ. ಉಲ್ಲೇಖಿಸದ ಯಾವುದೇ ಮಿತಿ ಮೌಲ್ಯದ ಮೇಲೆ ನಿಮ್ಮ ನಿರ್ಧಾರವನ್ನು ಆಧರಿಸಿರಬೇಡಿ.
ಕಾರ್ಮಿಕರ ಅಪಾಯ ಆಧಾರಿತ ವಿಭಜನೆ
ನಿರ್ಧಾರದ ಫಲಿತಾಂಶದ ತೂಕವು AI ಅನ್ನು ಎಲ್ಲಿ ಮುಕ್ತವಾಗಿ ಬಳಸಬೇಕು ಮತ್ತು ಡ್ರಾಫ್ಟಿಂಗ್ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಎಲ್ಲಿ ಬಳಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಕೆಳಗಿನ ವರ್ಗೀಕರಣವು ಪ್ರಾಯೋಗಿಕ ದಿಕ್ಸೂಚಿಯಾಗಿದೆ:
ಅನ್ವೇಷಣೆ
ಅಪಾಯದ ಮಟ್ಟ
AI ನ ಪಾತ್ರ
ಕಡ್ಡಾಯ ಪರಿಶೀಲನೆ
ಸಾಹಿತ್ಯ/ಕಾನೂನು ಸಾರಾಂಶ, ಪರಿಕಲ್ಪನೆಯ ವಿವರಣೆ
ಕಡಿಮೆ
ನಿರ್ಮಾಪಕ, ವೇಗವರ್ಧಕ
ಪ್ರಮುಖ ಕ್ಲೈಮ್ಗಳನ್ನು ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡಿ
ವರದಿ/ಕರೆಸ್ಪಾಂಡೆನ್ಸ್ ಡ್ರಾಫ್ಟ್, ಟೇಬಲ್ ಲೇಔಟ್
ಕಡಿಮೆ
ಕರಡು ಬರಹಗಾರ
ಸಂಪಾದಕೀಯ ವಿಮರ್ಶೆ
ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಸೆಟಪ್, ಲೆಕ್ಕಾಚಾರದ ಸೂತ್ರ
ಮಧ್ಯಮ
ಬಿಲ್ಡರ್
ಇನ್ಪುಟ್ ಡೇಟಾ + ಲೆಕ್ಕಾಚಾರದ ಹಸ್ತಚಾಲಿತ ನಿಯಂತ್ರಣ
ಪ್ರಕ್ರಿಯೆಯ ದೋಷನಿವಾರಣೆಯ ಸನ್ನಿವೇಶ
ಮಧ್ಯಮ
ಕಲ್ಪನೆ ಜನರೇಟರ್
ಪ್ರಯೋಗಾಲಯ + ಕ್ಷೇತ್ರ ಡೇಟಾ
ವಿಸರ್ಜನೆ/ಹೊರಸೂಸುವಿಕೆಯ ಮಿತಿಯ ನಿರ್ಣಯ
ಹೆಚ್ಚು
ಡ್ರಾಫ್ಟ್ ಮಾತ್ರ
ಅಧಿಕೃತ ಶಾಸನ + ಮಾನ್ಯತೆ ಪಡೆದ ಪ್ರಯೋಗಾಲಯ
EIA ಫಲಿತಾಂಶ, "ಪರಿಣಾಮ ಅತ್ಯಲ್ಪ" ತೀರ್ಪು
ಹೆಚ್ಚು
ಡ್ರಾಫ್ಟ್ ಮಾತ್ರ
ತಜ್ಞ + ಕ್ಷೇತ್ರ ಮಾಪನ
ಮಾನವ/ಪರಿಸರ ಆರೋಗ್ಯ ನಿರ್ಧಾರಗಳು
ನಿರ್ಣಾಯಕ
ಬೆಂಬಲ, ಎಂದಿಗೂ ನಿರ್ಧರಿಸಬೇಡಿ
ಪೂರ್ಣ ಶಾಸನ + ತಜ್ಞರ ಅನುಮೋದನೆ
ನಿಯಮವು ಸರಳವಾಗಿದೆ: ಹೆಚ್ಚು ಬದಲಾಯಿಸಲಾಗದ ಫಲಿತಾಂಶ ಮತ್ತು ಹೆಚ್ಚು ಜೀವನ/ಹಣ/ಕಾನೂನುಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ, AI ಔಟ್ಪುಟ್ ಅನ್ನು ಹೆಚ್ಚು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ. ನೀವು ಕಡಿಮೆ ಅಪಾಯದಲ್ಲಿ ವೇಗವನ್ನು ಪಡೆಯುತ್ತೀರಿ; ಹೆಚ್ಚಿನ ಅಪಾಯದಲ್ಲಿ AI ಮೊದಲ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಮಾತ್ರ ಉತ್ಪಾದಿಸುತ್ತದೆ, ಡೇಟಾ ಮತ್ತು ಶಾಸನವು ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ಒಂದೇ ಅಗತ್ಯಕ್ಕಾಗಿ ಎರಡು ವಿಭಿನ್ನ ವಿನಂತಿಗಳು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಅಪಾಯದ ಪ್ರೊಫೈಲ್ಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ:
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ತ್ಯಾಜ್ಯ ನೀರಿನ ಡಿಸ್ಚಾರ್ಜ್ COD ಮಿತಿ ಏನು? ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಬರೆಯಿರಿ." ಸಮಸ್ಯೆ: ಒಂದೇ ಹಾರ್ಡ್ ಸಂಖ್ಯೆಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಮಾದರಿಯನ್ನು ಒತ್ತಾಯಿಸುತ್ತದೆ. ವಲಯ, ಸ್ವೀಕರಿಸುವ ಪರಿಸರ, ಸೌಲಭ್ಯದ ಪ್ರಕಾರವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲಾಗಿಲ್ಲ. ಔಟ್ಪುಟ್ ಮೂಲವಿಲ್ಲದೆ ಬರುತ್ತದೆ. ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ತುರ್ಕಿಯೆಯಲ್ಲಿ ಜವಳಿ ಉದ್ಯಮದ ತ್ಯಾಜ್ಯನೀರಿನ COD ವಿಸರ್ಜನೆಯ ಮಿತಿಯು ಯಾವ ಅಂಶಗಳನ್ನು (ವಲಯ, ಸ್ವೀಕರಿಸುವ ಪರಿಸರ, ಹರಿವಿನ ಪ್ರಮಾಣ) ಅವಲಂಬಿಸಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ನಿಖರವಾದ ಸಂಖ್ಯೆಯನ್ನು ಮಾಡಬೇಡಿ; ಬದಲಿಗೆ, ಯಾವ ಅಧಿಕೃತ ನಿಯಂತ್ರಣ ಕೋಷ್ಟಕದಿಂದ ಮತ್ತು ಯಾವ ನಿಯತಾಂಕಗಳ ಪ್ರಕಾರ ಅದನ್ನು ಓದಬೇಕು ಎಂಬುದನ್ನು ಹಂತ ಹಂತವಾಗಿ ವಿವರಿಸಿ. ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, 'ಪರಿಶೀಲಿಸಬೇಕು' ಎಂದು ಹೇಳಿ." ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯನ್ನು ಸಂಖ್ಯೆಗೆ ಸರಿಹೊಂದುವಂತೆ ಮಾಡುವುದಿಲ್ಲ; ಇದು ಮಾರ್ಗದರ್ಶಿಯಾಗಿ ಬಳಸುತ್ತದೆ ಮತ್ತು ಶಾಸನಕ್ಕೆ ಅಂತಿಮ ಪದವನ್ನು ಬಿಡುತ್ತದೆ.
ನೈತಿಕತೆ ಮತ್ತು ಡೇಟಾ ಗೌಪ್ಯತೆ
ಪರಿಸರ ಎಂಜಿನಿಯರ್ ಆಗಿ, ನೀವು ಹೊಂದಿರುವ ಡೇಟಾವು ಸಾಮಾನ್ಯವಾಗಿ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ: ಕಂಪನಿಯ ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣೆ (CPMS) ದಾಖಲೆಗಳು, ಉಲ್ಲಂಘನೆ ಇತಿಹಾಸ, ಉತ್ಪಾದನಾ ಸಾಮರ್ಥ್ಯವು ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳಾಗಿವೆ. ಸಾರ್ವಜನಿಕ AI ಪರಿಕರದಲ್ಲಿ ನೀವು ಅಂಟಿಸಿರುವ ಯಾವುದೇ ಡೇಟಾ ನಿಮ್ಮ ನಿಯಂತ್ರಣದಿಂದ ಹೊರಗಿರಬಹುದು.
ಮೂಲ ತತ್ವಗಳು:
- ಅನಾಮಧೇಯಗೊಳಿಸು: ಪ್ರಾಂಪ್ಟ್ನಿಂದ ಕಂಪನಿಯ ಹೆಸರು, ಸೌಲಭ್ಯ ನಿರ್ದೇಶಾಂಕಗಳು, ವೈಯಕ್ತಿಕ ಡೇಟಾ, ಒಪ್ಪಂದದ ವಿವರಗಳನ್ನು ತೆಗೆದುಹಾಕಿ. "ಕಂಪನಿ ಎಕ್ಸ್" ಬದಲಿಗೆ "ಜವಳಿ ಸಸ್ಯ" ಎಂದು ಬರೆಯಿರಿ.
- ವ್ಯಾಪಾರ ರಹಸ್ಯವನ್ನು ರಕ್ಷಿಸಿ: ಉಲ್ಲಂಘನೆ ಡೇಟಾ, ಸಾಮರ್ಥ್ಯ, ವೆಚ್ಚದಂತಹ ಮಾಹಿತಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಮೊದಲು ನಿಮ್ಮ ಕಾರ್ಪೊರೇಟ್ ಡೇಟಾ ನೀತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ.
- ಪಾರದರ್ಶಕತೆ: ನೀವು AI ಜೊತೆಗೆ ವರದಿಯನ್ನು ರಚಿಸಿದ್ದರೆ, ನಿಮ್ಮ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ ಇದನ್ನು ಸೂಕ್ತವಾಗಿ ಸೂಚಿಸಿ; ಜವಾಬ್ದಾರಿ ನಿಮ್ಮದು ಎಂದು ನೆನಪಿಡಿ.
# ಪ್ರಾಂಪ್ಟ್ sensitive_fields = ["ಕಂಪನಿ_ಹೆಸರು", "coordinate", "tc_no", "capacity", "cost"]def prompt_safe_is(text, sensitive) ನಲ್ಲಿ ಡೇಟಾವನ್ನು ಹಾಕುವ ಮೊದಲು ಸರಳವಾದ ಅನಾಮಧೇಯತೆಯ ಪರಿಶೀಲನೆ: ಕಂಡುಬಂದಿದೆ = [a ಗಾಗಿ a insensitive =(0)] ಪಠ್ಯದಲ್ಲಿ ಕಡಿಮೆಯಿರುತ್ತದೆ. "ಕಂಪನಿ_ಹೆಸರು: ABC ಟೆಕ್ಸ್ಟೈಲ್, COD: 850 mg/L, ಸಾಮರ್ಥ್ಯ: 5000 m3/ದಿನ"ಸುರಕ್ಷಿತ, ಅಪಾಯಕಾರಿ = ಪ್ರಾಂಪ್ಟ್_ಸುರಕ್ಷಿತ_mi(ಉದಾಹರಣೆ, ಸೂಕ್ಷ್ಮ_ಪ್ರದೇಶಗಳು)ಮುದ್ರಣ("ಇದನ್ನು ಕಳುಹಿಸಬಹುದೇ:", ಸುರಕ್ಷಿತ) # Falseprint("To be cleaned 'name',companycap) #:',companycap_print
ಮಿನಿ ಕೇಸ್
ಪರಿಸರ ಸಲಹಾ ಸಂಸ್ಥೆಯ ಯುವ ಇಂಜಿನಿಯರ್ ತುರ್ತು ಉಲ್ಲೇಖಕ್ಕಾಗಿ AI ಅನ್ನು "ತ್ಯಾಜ್ಯ ಕೋಡ್ ಮತ್ತು ತ್ಯಾಜ್ಯ ತೈಲದ ವಿಲೇವಾರಿ ವಿಧಾನ ಯಾವುದು" ಎಂದು ಕೇಳುತ್ತಾರೆ. ಮಾದರಿಯು ವಿಶ್ವಾಸದಿಂದ 6-ಅಂಕಿಯ ತ್ಯಾಜ್ಯ ಕೋಡ್ ಅನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ ಮತ್ತು "ದಹನದ ಮೂಲಕ ವಿಲೇವಾರಿ" ಎಂಬ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ. ಎಂಜಿನಿಯರ್ ಇದನ್ನು ನೇರವಾಗಿ ಉಲ್ಲೇಖಕ್ಕೆ ಹಾಕುತ್ತಾರೆ. ವಿತರಣೆಯ ನಂತರ, ಹಿರಿಯ ಎಂಜಿನಿಯರ್ ಪರಿಶೀಲಿಸುತ್ತಾರೆ: ಒದಗಿಸಿದ ಕೋಡ್ ನಿಜವಾದ ಮೂಲ ಮತ್ತು ತ್ಯಾಜ್ಯದ ವಿಷಯಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ; ವಿಶ್ಲೇಷಣಾ ವರದಿ ಮತ್ತು ಅಧಿಕೃತ ತ್ಯಾಜ್ಯ ಪಟ್ಟಿಯೊಂದಿಗೆ ಮಾತ್ರ ಸರಿಯಾದ ವರ್ಗೀಕರಣವನ್ನು ಮಾಡಬಹುದು. ತಪ್ಪಾದ ಕೋಡ್ ಎಂದರೆ ತಪ್ಪಾದ ವಿಲೇವಾರಿ ಮಾರ್ಗ ಮತ್ತು ಆಡಳಿತಾತ್ಮಕ ನಿರ್ಬಂಧಗಳ ಅಪಾಯ. ಪಾಠ: AI ನೀಡಿದ ಕೋಡ್ ಒಂದು ಊಹೆಯಾಗಿದೆ; ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಶಾಸನದಿಂದ ಅದನ್ನು ಪರಿಶೀಲಿಸಲಾಗಿಲ್ಲವಾದ್ದರಿಂದ, ಇದು ನಿರ್ಧಾರಕ್ಕೆ ಆಧಾರವಾಗಿರಲು ಸಾಧ್ಯವಿಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- AI ನೀಡಿದ ಮಿತಿ ಮೌಲ್ಯವನ್ನು ಅದರ ಮೂಲವನ್ನು ಕೇಳದೆ ವರದಿಗೆ ಹಾಕುವುದು.
- "ನಿಯಂತ್ರಣ ಲೇಖನ X" ಉಲ್ಲೇಖವನ್ನು ನಿಜವಾದ ಪಠ್ಯದೊಂದಿಗೆ ಹೋಲಿಸದೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪರಿಗಣಿಸಿ.
- ಕಂಪನಿಯ ಹೆಸರು, ಟ್ರ್ಯಾಕಿಂಗ್ ಡೇಟಾ ಇತ್ಯಾದಿಗಳಂತಹ ಗೌಪ್ಯ ಮಾಹಿತಿಯನ್ನು ಸಾರ್ವಜನಿಕ ಸಾಧನಕ್ಕೆ ಅಂಟಿಸುವುದು.
- AI ಔಟ್ಪುಟ್ನಲ್ಲಿ ಹೆಚ್ಚಿನ ಅಪಾಯದ ನಿರ್ಧಾರವನ್ನು (ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿ, EIA ಫಲಿತಾಂಶ) ಆಧರಿಸಿ.
- ನಿಖರತೆಯ ಸಾಕ್ಷ್ಯಕ್ಕಾಗಿ ಮಾದರಿಯ ಆತ್ಮವಿಶ್ವಾಸದ ಧ್ವನಿಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
- "AI ಹೇಳಿದರು" ಎಂದು ಹೇಳುವ ಮೂಲಕ ಜವಾಬ್ದಾರಿಯನ್ನು ಯಂತ್ರಕ್ಕೆ ವರ್ಗಾಯಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ; ಸಹಿ ಮತ್ತು ಜವಾಬ್ದಾರಿ ಎಂಜಿನಿಯರ್ಗೆ ಇರುತ್ತದೆ.
ಸಾರಾಂಶದಲ್ಲಿ
- AI ಪರಿಸರ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ವೇಗವರ್ಧಕವಾಗಿದೆ: ಸಂಕ್ಷಿಪ್ತ, ಡ್ರಾಫ್ಟ್, ಖಾತೆ ಸಂಪಾದನೆ ಮತ್ತು ಸನ್ನಿವೇಶ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಶಕ್ತಿಯುತವಾಗಿದೆ; ನಿಖರವಾದ ಮಿತಿ ಮೌಲ್ಯಗಳು ಮತ್ತು ಶಾಸನವನ್ನು ಉಲ್ಲೇಖಿಸುವಾಗ ಇದು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
- LLMಗಳು ಕಡಿತಗಳು, ಮಾನದಂಡಗಳು ಮತ್ತು ಮೂಲಗಳ ಬಗ್ಗೆ ಭ್ರಮೆಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ; ನಿಖರವಾದ ಮತ್ತು ಮೂಲರಹಿತ ಸಂಖ್ಯೆಗಳು ಹೆಚ್ಚಿನ ಅಪಾಯವಾಗಿದೆ.
- ಕಾರ್ಮಿಕರ ವಿಭಜನೆಯು ಅಪಾಯ-ಆಧಾರಿತವಾಗಿದೆ: ಫಲಿತಾಂಶವು ಹೆಚ್ಚು ಬದಲಾಯಿಸಲಾಗದು, ಪರಿಶೀಲನೆಯು ಬಿಗಿಯಾಗಿರುತ್ತದೆ.
- ಪ್ರಯೋಗಾಲಯ, ಕ್ಷೇತ್ರ ಮಾಪನ ಮತ್ತು ಸರ್ಕಾರದ ಶಾಸನದಿಂದ ಮೌಲ್ಯೀಕರಿಸುವವರೆಗೆ ಪ್ರತಿ AI ಔಟ್ಪುಟ್ ಕೇವಲ ಪ್ರಸ್ತಾವನೆ/ಸ್ಕೆಚ್ ಆಗಿರುತ್ತದೆ.
- ಅನಾಮಧೇಯಗೊಳಿಸದೆ ಯಾವುದೇ ಸಾರ್ವಜನಿಕ ವಿಧಾನಗಳಿಗೆ ಗೌಪ್ಯ ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಒದಗಿಸಬೇಡಿ.
- AI ಒಬ್ಬ "ಹಿರಿಯ ತರಬೇತುದಾರ": ಅದು ಚಲಿಸುತ್ತದೆ, ಆದರೆ ಇಂಜಿನಿಯರ್ ಸಹಿ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿರುತ್ತಾನೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರದಿಂದ (ತ್ಯಾಜ್ಯನೀರು, ಗಾಳಿ, ತ್ಯಾಜ್ಯ ಅಥವಾ ಇಐಎ) ಐದು ಕಾರ್ಯಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಮೇಲಿನ ಅಪಾಯ-ಆಧಾರಿತ ಕೋಷ್ಟಕದಲ್ಲಿ ಪ್ರತಿಯೊಂದನ್ನು ಇರಿಸಿ: ಕಾರ್ಯವನ್ನು ಬರೆಯಿರಿ, ಅಪಾಯದ ಮಟ್ಟವನ್ನು (ಕಡಿಮೆ/ಮಧ್ಯಮ/ಹೆಚ್ಚಿನ/ನಿರ್ಣಾಯಕ) ನಿರ್ಧರಿಸಿ, AI ಪಾತ್ರ ಮತ್ತು ಕಡ್ಡಾಯ ಪರಿಶೀಲನೆ ಹಂತವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. ನಂತರ ಈ ಕಾರ್ಯಗಳಲ್ಲಿ ಒಂದನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಮೊದಲು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ "ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್" ಅನ್ನು ಬರೆಯಿರಿ, ಮಾದರಿಯಿಂದ ನೀವು ಸ್ವೀಕರಿಸುವ ಉತ್ತರದಲ್ಲಿ ಮೌಲ್ಯಗಳನ್ನು ಮಿತಿಗೊಳಿಸಲು ಅಥವಾ ಶಾಸನವನ್ನು ಮಿತಿಗೊಳಿಸಲು ಕನಿಷ್ಠ ಒಂದು ಮೂಲರಹಿತ ಉಲ್ಲೇಖವಿದೆಯೇ ಎಂದು ಟಿಕ್ ಮಾಡಿ; ನಂತರ, ಅದೇ ಅಗತ್ಯಕ್ಕಾಗಿ, ಸಂಖ್ಯೆಗಳನ್ನು ರಚಿಸುವುದನ್ನು ನಿಷೇಧಿಸುವ ಮತ್ತು ಮೂಲಕ್ಕೆ ನಿಮ್ಮನ್ನು ನಿರ್ದೇಶಿಸುವ "ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್" ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಎರಡು ಔಟ್ಪುಟ್ಗಳನ್ನು ಅಕ್ಕಪಕ್ಕದಲ್ಲಿ ಹೋಲಿಕೆ ಮಾಡಿ. ಅಂತಿಮವಾಗಿ, ಈ ಕಾರ್ಯವನ್ನು ಪರಿಶೀಲಿಸಲು ನೀವು ಯಾವ ಸರ್ಕಾರದ ಶಾಸನ ಮತ್ತು ಯಾವ ಪ್ರಯೋಗಾಲಯ/ಕ್ಷೇತ್ರದ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ನಲ್ಲಿ ವಿವರಿಸಿ.