ಮೆಟಲರ್ಜಿಕಲ್ ಡೇಟಾ ಅನಾಲಿಸಿಸ್ ಮತ್ತು ಪೈಥಾನ್ ಜೊತೆ AI ನ ಗಡಿಗಳು

ಲಾಭಗಳು:

• AI ಬೆಂಬಲದೊಂದಿಗೆ ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಮೆಟಲರ್ಜಿಕಲ್ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ, ವಿಶ್ಲೇಷಿಸುವ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸುವ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ
• ಯುನಿಟ್ ತಪಾಸಣೆ, ಪರೀಕ್ಷಾ ಪ್ರಕರಣ ಮತ್ತು ಭೌತಿಕ ಸಮರ್ಥನೀಯತೆಯೊಂದಿಗೆ AI- ರಚಿತ ಕೋಡ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ AI ಯ ಅಂತ್ಯದಿಂದ ಕೊನೆಯ ಮಿತಿಗಳು, ಜವಾಬ್ದಾರಿ ಮತ್ತು ನೈತಿಕ ಚೌಕಟ್ಟಿನ ಸಮಗ್ರ ತಿಳುವಳಿಕೆ

ಮೆಟಲರ್ಜಿಕಲ್ ಕೆಲಸವನ್ನು ಹೆಚ್ಚಿನ ಡೇಟಾದೊಂದಿಗೆ ಹೆಚ್ಚು ಮಾಡಲಾಗುತ್ತದೆ: ನೂರಾರು ಕರ್ಷಕ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳು, ಸಾವಿರಾರು SPC ಅಳತೆಗಳು, ಶಾಖ ಚಿಕಿತ್ಸೆಯ ಕುಲುಮೆಯ ದಾಖಲೆಗಳು, ಗುಣಲಕ್ಷಣದ ಔಟ್‌ಪುಟ್‌ಗಳು. ಎಕ್ಸೆಲ್ ನಲ್ಲಿ ಈ ಡೇಟಾವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಬೆನ್ನಟ್ಟುವುದು ನಿಧಾನ ಮತ್ತು ದೋಷ ಪೀಡಿತವಾಗಿದೆ; ಪೈಥಾನ್ (ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಕಂಪ್ಯೂಟಿಂಗ್‌ಗೆ ಸಾಮಾನ್ಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆ) ಇದನ್ನು ಪುನರಾವರ್ತನೀಯ, ಆಡಿಟ್ ಮಾಡಬಹುದಾದ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾಡುತ್ತದೆ. ಪೈಥಾನ್ ಕೋಡ್ ಬರೆಯಲು, ಡೀಬಗ್ ಮಾಡಲು ಮತ್ತು ವಿವರಿಸಲು AI ತುಂಬಾ ಶಕ್ತಿಯುತವಾಗಿದೆ - ಆದರೆ ಅದು ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಸರಿಯಾಗಿ ಕಾಣಿಸಬಹುದು ಆದರೆ ತಪ್ಪು ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ: ಘಟಕ ದೋಷ, ತಪ್ಪು ಗುಣಾಂಕ, ಮೌನ ಡೇಟಾ ನಷ್ಟ. ಈ ಅಂತಿಮ ಘಟಕದಲ್ಲಿ, ಪೈಥಾನ್‌ನಲ್ಲಿ AI ಬೆಂಬಲದೊಂದಿಗೆ ಮೆಟಲರ್ಜಿಕಲ್ ಡೇಟಾವನ್ನು ಹೇಗೆ ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಪ್ರತಿ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ, ನಂತರ ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ ಆವರಿಸಿರುವ AI ಗಡಿಗಳು, ಜವಾಬ್ದಾರಿ ಮತ್ತು ನೈತಿಕತೆಯ ಚೌಕಟ್ಟನ್ನು ಸಮಗ್ರವಾಗಿ ಪೂರ್ಣಗೊಳಿಸಿ.

Typical tasks in metallurgical data analysis

ಪೈಥಾನ್‌ನಲ್ಲಿ AI ಬೆಂಬಲದೊಂದಿಗೆ ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳು:

• ಡೇಟಾ ಶುಚಿಗೊಳಿಸುವಿಕೆ: ಕಾಣೆಯಾದ ಮೌಲ್ಯ, ಘಟಕದ ಗೊಂದಲ (MPa vs. ksi), ಹೊರಗಿನ ತೆಗೆದುಹಾಕುವಿಕೆ. ಡರ್ಟಿ ಡೇಟಾವು ಅತ್ಯುತ್ತಮ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸಹ ಭ್ರಷ್ಟಗೊಳಿಸುತ್ತದೆ.
• ದೃಶ್ಯೀಕರಣ: ಡ್ರಾಯಿಂಗ್ ಟೆನ್ಸೈಲ್ ಕರ್ವ್, ನಿಯಂತ್ರಣ ಚಾರ್ಟ್, ಧಾನ್ಯದ ಗಾತ್ರ ವಿತರಣೆ, ತಾಪಮಾನ-ಸಮಯದ ಪ್ರೊಫೈಲ್.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), ಅರ್ಹೆನಿಯಸ್ (sıcaklık-hız), ರೆಗ್ರೆಸಿಯಾನ್, ಇಸ್ಟಾಟಿಸ್ಟಿಕ್.
• ಆಟೊಮೇಷನ್: ಬ್ಯಾಚ್ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಫೈಲ್‌ಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು ಮತ್ತು ಸಾರಾಂಶ ಕೋಷ್ಟಕಗಳು/ವರದಿಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು.

The Hall-Petch relationship is a good example here: yield strength increases inversely proportional to the square root of grain diameter. AI ಈ ಸೂತ್ರವನ್ನು ಕೋಡ್ ಆಗಿ ಭಾಷಾಂತರಿಸಬಹುದು; ಆದರೆ ನೀವು d ಅನ್ನು ಮೈಕ್ರೋಮೀಟರ್ ಅಥವಾ ಮೀಟರ್ ಆಗಿ ಬಳಸುತ್ತೀರಾ ಮತ್ತು ನೀವು k ಗುಣಾಂಕಕ್ಕಾಗಿ ಯಾವ ಘಟಕವನ್ನು ಬಳಸುತ್ತೀರಿ ಎಂಬುದು ಫಲಿತಾಂಶವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಾಯಿಸುತ್ತದೆ. ಕೋಡ್‌ನ ಸರಿಯಾದತೆಯು ಸೂತ್ರವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವುದರಲ್ಲಿ ಅಲ್ಲ, ಆದರೆ ಘಟಕಗಳು ಮತ್ತು ಪರೀಕ್ಷಾ ಪ್ರಕರಣವನ್ನು ಮೌಲ್ಯೀಕರಿಸುವಲ್ಲಿ ಇರುತ್ತದೆ.

ಸಲಹೆ: AI ಬರೆಯುವ ಪ್ರತಿಯೊಂದು ಖಾತೆಯಲ್ಲಿ "ತಿಳಿದಿರುವ ಉತ್ತರ ಪರೀಕ್ಷೆ" ಅನ್ನು ಸೇರಿಸಲು ಮರೆಯದಿರಿ. ನೀವು ಕೈಯಿಂದ ಫಲಿತಾಂಶವನ್ನು ತಿಳಿದಿರುವ ಸಣ್ಣ ಇನ್‌ಪುಟ್ ಅನ್ನು ನೀಡಿ (ಉದಾ. d = 100 µm ಗೆ ನಿರೀಕ್ಷಿತ ಶಕ್ತಿ); ಕೋಡ್ ಆ ಮೌಲ್ಯವನ್ನು ನೀಡಿದರೆ, ನೀವು ಅದನ್ನು ನಂಬಬಹುದು; ಅದು ಮಾಡದಿದ್ದರೆ, ದೋಷವನ್ನು ಮರೆಮಾಡಲಾಗಿದೆ.

ಹಂತ ಹಂತವಾಗಿ: AI ಜೊತೆಗೆ ಸುರಕ್ಷಿತ ವಿಶ್ಲೇಷಣೆ ಹರಿವು

1. ಕಾರ್ಯ ಮತ್ತು ಡೇಟಾವನ್ನು ವಿವರಿಸಿ: ಯಾವ ಫೈಲ್, ಯಾವ ಕಾಲಮ್ಗಳು, ಯಾವ ಘಟಕಗಳು, ಏನು ಲೆಕ್ಕ ಹಾಕಲಾಗುತ್ತದೆ?
2. ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ವಿನಂತಿಸಿ: ಕಾಮೆಂಟ್ ಮಾಡಿದ, ಹಂತ-ವಿಭಜಿತ ಅಸ್ಥಿಪಂಜರಕ್ಕಾಗಿ AI ಅನ್ನು ಕೇಳಿ; ಮೇಲ್ಭಾಗದಲ್ಲಿ ಸ್ಪಷ್ಟವಾದ ಅಸ್ಥಿರಗಳೊಂದಿಗೆ ಘಟಕಗಳನ್ನು ವಿವರಿಸಿ.
3. ಸಣ್ಣ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ: ಮೊದಲು ಕೆಲವು ಸಾಲುಗಳು / ತಿಳಿದಿರುವ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ರನ್ ಮಾಡಿ; ಫಲಿತಾಂಶವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ.
4. ಘಟಕ ಮತ್ತು ಗಡಿ ನಿಯಂತ್ರಣ: ಔಟ್‌ಪುಟ್ ಭೌತಿಕವಾಗಿ ಸಮಂಜಸವಾಗಿದೆಯೇ? ನಕಾರಾತ್ಮಕ ಶಕ್ತಿ, 120% ದರದಂತಹ ಯಾವುದೇ ಅಸಂಬದ್ಧತೆ ಇದೆಯೇ?
5. ದೃಶ್ಯೀಕರಿಸಿ ಮತ್ತು ನೋಡಿ: ಗ್ರಾಫ್ ನಿರೀಕ್ಷಿತ ಪ್ರವೃತ್ತಿಯನ್ನು ತೋರಿಸುತ್ತದೆಯೇ? ಔಟ್‌ಲೈಯರ್‌ಗಳು ಡೇಟಾ ದೋಷಗಳೇ?
6. ಪರಿಶೀಲಿಸಿ ಮತ್ತು ದಾಖಲೆ: ಫಲಿತಾಂಶವನ್ನು ಸ್ವತಂತ್ರ ಲೆಕ್ಕಾಚಾರ/ಪ್ರಮಾಣಕ್ಕೆ ಹೋಲಿಸಿ; ಕೋಡ್ ಮತ್ತು ಊಹೆಗಳನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ.

AI ಕೋಡ್ ಪರಿಶೀಲನೆ ಟೇಬಲ್

ಅಪಾಯ

ಲಕ್ಷಣ

ನಿಯಂತ್ರಣ ವಿಧಾನ

ಘಟಕ ದೋಷ

ಫಲಿತಾಂಶವು 1000x ವಿಕೃತವಾಗಿದೆ

ಸ್ಪಷ್ಟ ವೇರಿಯಬಲ್, ಗಾತ್ರ ನಿಯಂತ್ರಣದಲ್ಲಿ ಘಟಕಗಳನ್ನು ವಿವರಿಸಿ

ತಪ್ಪಾದ ಗುಣಾಂಕ/ಸೂತ್ರ

ಸಮಂಜಸವಾದ ಆದರೆ ತಪ್ಪು ಮೌಲ್ಯ

ತಿಳಿದಿರುವ ಉತ್ತರಗಳೊಂದಿಗೆ ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶ

ಸೈಲೆಂಟ್ ಡೇಟಾ ನಷ್ಟ

ಸಾಲುಗಳ ಸಂಖ್ಯೆ ನಿರೀಕ್ಷೆಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ

ಪ್ರಕ್ರಿಯೆಯ ಮೊದಲು/ನಂತರ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸಿ

ಹೊರಗಿನ ಅಸ್ಪಷ್ಟತೆ

ಸರಾಸರಿ ಕಾಯಕ್

ಗ್ರಾಫ್ನೊಂದಿಗೆ ದೃಶ್ಯೀಕರಿಸಿ, ವಿತರಣೆಯನ್ನು ನೋಡಿ

ಓವರ್ ಫಿಟ್ಟಿಂಗ್ (ಭ್ರಮೆಯ ಗ್ರಂಥಾಲಯ)

ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಕಾರ್ಯ

ರನ್ ಮಾಡಿ, ದೋಷವನ್ನು ಓದಿ, ದಸ್ತಾವೇಜನ್ನು ನೋಡಿ

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಹಿಡನ್ ವಾಲ್ಯೂಮ್ ದೋಷ. ಹಾಲ್-ಪೆಚ್ ಲೆಕ್ಕಾಚಾರಕ್ಕಾಗಿ ಎಂಜಿನಿಯರ್ AI ನಿಂದ ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸುತ್ತಾರೆ; ಕೋಡ್ ಧಾನ್ಯದ ವ್ಯಾಸವನ್ನು ಮೀಟರ್‌ಗಳಲ್ಲಿ ನಿರೀಕ್ಷಿಸುತ್ತದೆ, ಆದರೆ ಎಂಜಿನಿಯರ್ ಮೈಕ್ರೋಮೀಟರ್‌ಗಳನ್ನು ಪ್ರವೇಶಿಸುತ್ತಾನೆ. ಫಲಿತಾಂಶವು 1000 ಬಾರಿ ವಿಕೃತವಾಗಿದೆ, ಆದರೆ ಇದು ಮೊದಲ ನೋಟದಲ್ಲಿ ಗಮನಿಸುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಅದು "ಸಂಖ್ಯೆ" ನಂತೆ ಕಾಣುತ್ತದೆ. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüküda. ಪಾಠ: ತಿಳಿದಿರುವ-ಉತ್ತರ ಪರೀಕ್ಷೆಯು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಘಟಕ ದೋಷವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಸೈಲೆಂಟ್ ಡೇಟಾ ನಷ್ಟ. ಒಂದು ತಂಡವು AI-ಲಿಖಿತ ಕೋಡ್‌ನೊಂದಿಗೆ 500 ಪುಲ್ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುತ್ತದೆ; ಕೋಡ್ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಸಾಲುಗಳನ್ನು ಬೀಳಿಸಿದಾಗ, ಇದು ಆಕಸ್ಮಿಕವಾಗಿ ಕೆಲವು ಮಾನ್ಯ ಸಾಲುಗಳನ್ನು ತಿರಸ್ಕರಿಸುತ್ತದೆ, 300 ಸಾಲುಗಳನ್ನು ಬಿಡುತ್ತದೆ. ಕಡಿಮೆ ಮೌಲ್ಯದ ಬ್ಯಾಚ್ ಅನ್ನು ತೆಗೆದುಹಾಕುವುದರಿಂದ ಸರಾಸರಿ ಸಾಮರ್ಥ್ಯವು ನಿರೀಕ್ಷೆಗಿಂತ ಹೆಚ್ಚಾಗಿದೆ. ತಂಡವು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ಮೊದಲು/ನಂತರ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸಿದಾಗ, 200 ಸಾಲುಗಳು ಮೌನವಾಗಿ ಕಣ್ಮರೆಯಾಗಿರುವುದನ್ನು ಅವರು ನೋಡುತ್ತಾರೆ ಮತ್ತು ಫಿಲ್ಟರ್ ಅನ್ನು ಸರಿಪಡಿಸುತ್ತಾರೆ. ಪಾಠ: ಪ್ರತಿ ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಹಂತದಲ್ಲಿ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸುವುದು ಮೂಕ ನಷ್ಟವನ್ನು ಹಿಡಿಯುತ್ತದೆ.

ಪ್ರಕರಣ 3 - ಸರಿಯಾದ ಬಳಕೆ, ಪುನರಾವರ್ತಿತ ವರದಿ. ಗುಣಮಟ್ಟದ ತಂಡವು ಹತ್ತಾರು ಕುಲುಮೆ ದಾಖಲೆಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬೇಕು ಮತ್ತು ಪ್ರತಿ ವಾರ ಸಾರಾಂಶ ವರದಿಗಳನ್ನು ತಯಾರಿಸಬೇಕು. ಫೈಲ್‌ಗಳನ್ನು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಓದುವ ಮತ್ತು ಗ್ರಾಫ್‌ಗಳು ಮತ್ತು ಸಾರಾಂಶ ಕೋಷ್ಟಕಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಕಾಮೆಂಟ್ ಮಾಡಿದ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬರೆಯಲು ಇದು AI ಅನ್ನು ಕೇಳುತ್ತದೆ. ತಂಡವು ಕೆಲವು ತಿಳಿದಿರುವ ಫೈಲ್‌ಗಳೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ, ಘಟಕಗಳು ಮತ್ತು ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ, ಔಟ್‌ಪುಟ್ ಗ್ರಾಫ್ ಅನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತದೆ. ನಂತರ ವಾರಕ್ಕೊಮ್ಮೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬಳಸುತ್ತದೆ; ಕೆಲಸದ ಸಮಯವನ್ನು ನಿಮಿಷಗಳಿಗೆ ಇಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ವಾರವೂ ಅದೇ ರೀತಿಯಲ್ಲಿ, ಆಡಿಟ್ ಮಾಡಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. AI ಪುನರಾವರ್ತಿತ ಆಟೊಮೇಷನ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿದೆ ಎಂದು ತಂಡವು ದೃಢಪಡಿಸಿದೆ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಕೋಡ್ ಅಸ್ಥಿಪಂಜರ ಟೆಂಪ್ಲೇಟ್"ಪಾತ್ರ: ಲೋಹಶಾಸ್ತ್ರದ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ನೀವು ಕೋಡ್ ಸಹಾಯಕರು. ಕಾರ್ಯ: [ಉದಾ. CSV ಮತ್ತು ಸರಾಸರಿ ಇಳುವರಿ ಸಾಮರ್ಥ್ಯದಿಂದ ಡ್ರಾಯಿಂಗ್ ಫಲಿತಾಂಶಗಳನ್ನು ಓದಿ]. ಡೇಟಾ: [ಫೈಲ್, ಕಾಲಮ್‌ಗಳು, UNITS]. ಕಾಮೆಂಟ್ ಮಾಡಿದ ಅಸ್ಥಿಪಂಜರವನ್ನು ಪಾಂಡಾಗಳೊಂದಿಗೆ ಬರೆಯಿರಿ: (1) ದತ್ತಾಂಶವನ್ನು ವಿವರಿಸಿ, ಮೇಲಿನ ವೇರಿಯೇಬಲ್‌ನಲ್ಲಿ ಮುದ್ರಣ, ಮುದ್ರಣ 3 ಎಣಿಕೆ ಮತ್ತು ತೆರೆದ ವೇರಿಯೇಬಲ್‌ನಲ್ಲಿ ಎಣಿಕೆ ಮಾಡಿ ಮತ್ತೆ ಸಾಲು ಎಣಿಕೆ ಮಾಡಿ, (5) ಫಲಿತಾಂಶವನ್ನು ಮುದ್ರಿಸಿ ಮತ್ತು ನಾನು ಪರಿಶೀಲಿಸಬೇಕಾದ ಪ್ರತಿ ಹಂತಕ್ಕೆ ಕಾಮೆಂಟ್‌ಗಳನ್ನು ಸೇರಿಸಿ.

ತಿಳಿದಿರುವ ಉತ್ತರ ಪರೀಕ್ಷೆ ಟೆಂಪ್ಲೇಟ್ "ಕೆಳಗಿನ ಕಾರ್ಯಕ್ಕಾಗಿ 'ತಿಳಿದಿರುವ ಉತ್ತರ ಪರೀಕ್ಷೆ' ಬರೆಯಿರಿ: [ಫಂಕ್ಷನ್]. ಫಲಿತಾಂಶವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಬಹುದಾದ ಸಣ್ಣ ಇನ್‌ಪುಟ್ ಅನ್ನು ಆರಿಸಿ, ನಿರೀಕ್ಷಿತ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಪಾದನೆಯೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ. ಯುನಿಟ್ ಸ್ಥಿರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿ. ಪರೀಕ್ಷೆಯು ಉತ್ತೀರ್ಣರಾಗದಿದ್ದರೆ, ಸಂಭವನೀಯ ಕಾರಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ (ಘಟಕ, ಗುಣಾಂಕ, ಸೂತ್ರ)."

ಕೋಡ್ ವಿಮರ್ಶೆ / ಡೀಬಗ್ ಟೆಂಪ್ಲೇಟ್ "ಕೆಳಗಿನ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ: [ಕೋಡ್]. ಕೆಳಗಿನವುಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ:(1) ವಾಲ್ಯೂಮ್ ಸ್ಥಿರತೆ, (2) ನಿಶ್ಯಬ್ದ ಡೇಟಾ ನಷ್ಟದ ಅಪಾಯ, (3) ಹೊರಗಿನ ಪರಿಣಾಮ, (4) ಭೌತಿಕವಾಗಿ ಅಸಾಧ್ಯವಾದ ಔಟ್‌ಪುಟ್ (ನಕಾರಾತ್ಮಕ ಶಕ್ತಿ, >100% ದರ). ಪ್ರತಿ ರಿಸ್ಕ್‌ಗೆ ಪರಿಶೀಲಿಸದೆಯೇ 'ಕೆಲಸವನ್ನು ಪರಿಶೀಲಿಸದೆ' ಕೋಡ್ ಅನ್ನು ದೃಢೀಕರಿಸದೆ ಬರೆಯಿರಿ.

ದೃಶ್ಯೀಕರಣ ಟೆಂಪ್ಲೇಟ್ "ಮ್ಯಾಟ್‌ಪ್ಲಾಟ್ಲಿಬ್‌ನೊಂದಿಗೆ ಕಥಾವಸ್ತು [ಕರ್ಷಕ ಕರ್ವ್ / ಕಂಟ್ರೋಲ್ ಪ್ಲಾಟ್ / ವಿತರಣೆ]. ಅಕ್ಷದ ಲೇಬಲ್‌ಗಳಿಗೆ UNITS ಸೇರಿಸಿ, ಶೀರ್ಷಿಕೆ ಮತ್ತು ಗ್ರಿಡ್ ಅನ್ನು ಹಾಕಿ. ಔಟ್‌ಲೈಯರ್‌ಗಳನ್ನು ವಿಭಿನ್ನವಾಗಿ ಗುರುತಿಸಿ. ನಾನು ಕಥಾವಸ್ತುವನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕಾಗಿದೆ ಮತ್ತು ನಿರೀಕ್ಷಿತ ಪ್ರವೃತ್ತಿಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕಾಗಿದೆ (ಉದಾ. ಹೆಚ್ಚುತ್ತಿರುವ ಒತ್ತಡ-ಸ್ಟ್ರೈನ್') ಡೇಟಾ ಮರೆಮಾಡಬೇಡಿ."

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಹಾಲ್-ಪೆಚ್ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಕೋಡ್ ನನಗೆ ಬರೆಯಿರಿ."

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್:"ಪಾತ್ರ: ನೀವು ಮೆಟಲರ್ಜಿಕಲ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗೆ ಕೋಡ್ ಸಹಾಯಕರಾಗಿದ್ದೀರಿ. ಹಾಲ್-ಪೆಚ್ (σy = σ0 + k·d^(-1/2)) ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಪೈಥಾನ್ ಕಾರ್ಯವನ್ನು ಬರೆಯಿರಿ. ಘಟಕಗಳು: d ಮೈಕ್ರೋಮೀಟರ್, σ0 ಮತ್ತು σy MPa, k MPa·µm ^(1/2) ಕಾರ್ಯದಲ್ಲಿಯೂ ಸಹ ಕಾಮೆಂಟ್ ಮಾಡಿ. 100 µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 ಗಾಗಿ ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ಲೆಕ್ಕಹಾಕಿ ಮತ್ತು ಪ್ರತಿಪಾದನೆಯೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ (σy ಪರೀಕ್ಷೆಯಿಲ್ಲದೆ ಋಣಾತ್ಮಕ ಕೋಡ್ ಅನ್ನು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ).

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ ಯಾವುದೇ ಘಟಕ ಮತ್ತು ಪರೀಕ್ಷೆಯನ್ನು ಹೊಂದಿರದ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಮೌನವಾಗಿ ತಪ್ಪಾಗಬಹುದು. ಪ್ರಬಲವಾದ ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಘಟಕಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ, ಪರಿವರ್ತನೆಯನ್ನು ಜಾರಿಗೊಳಿಸುತ್ತವೆ, ತಿಳಿದಿರುವ-ಉತ್ತರ ಪರೀಕ್ಷೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ತೋರಿಕೆಯ ಪರಿಶೀಲನೆ - ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.

ಮಾಡ್ಯೂಲ್‌ನ ಸಮಗ್ರ ಸಾರಾಂಶ: ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ AI ನ ಸ್ಥಳ ಮತ್ತು ಮಿತಿಗಳು

ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ ಒಂದೇ ತತ್ವವನ್ನು ಪುನರಾವರ್ತಿಸಲಾಗಿದೆ: AI ಸಹಾಯಕವಾಗಿದೆ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರಲ್ಲ. ಹನ್ನೆರಡು ಘಟಕಗಳಾದ್ಯಂತ, ನಾವು AI ಅನ್ನು ಬಳಸಿದ್ದೇವೆ, ವಸ್ತುವಿನ ಆಯ್ಕೆಯಿಂದ ಪ್ರಾಪರ್ಟಿ ಪ್ರಿಡಿಕ್ಷನ್, ಹಂತದ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್, ಶಾಖ ಚಿಕಿತ್ಸೆಯಿಂದ ಫ್ಯಾಬ್ರಿಕೇಶನ್, ಹಾನಿ ವಿಶ್ಲೇಷಣೆಗೆ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ, ಪ್ರಮಾಣೀಕರಣಕ್ಕೆ ಗುಣಲಕ್ಷಣ ಮತ್ತು ಪೈಥಾನ್ ವಿಶ್ಲೇಷಣೆ. ಪ್ರತಿ ಘಟಕದಲ್ಲಿ, AI ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಕಲ್ಪನೆಗಳನ್ನು ರಚಿಸಿತು, ಕರಡುಗಳು ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಬರೆಯಿತು - ಆದರೆ ಯಾವುದೇ ಘಟಕದಲ್ಲಿ ಅದು ನಿರ್ಧಾರವನ್ನು ಮಾತ್ರ ಮಾಡಲಿಲ್ಲ. ಮಿತಿಗಳು ಸ್ಪಷ್ಟವಾಗಿವೆ: ಭ್ರಮೆ (ನಿರ್ಮಿತ ಸಂಖ್ಯೆ ಮತ್ತು ಪ್ರಮಾಣಿತ), ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಜವಾಬ್ದಾರಿಯನ್ನು ನಿಯೋಜಿಸದಿರುವುದು, ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಾಪನ/ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಮೇಲೆ ಅವಲಂಬನೆ, ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಷನ್ ಮತ್ತು ಗೌಪ್ಯತೆಯ ಅಪಾಯ. ಪರಿಶೀಲನೆಯ ಶಿಸ್ತು ಯಾವಾಗಲೂ ಪ್ರಮಾಣಿತ-ಪ್ರಯೋಗಾಲಯ-ಖಾತೆ ತ್ರಿಕೋನದಲ್ಲಿ ಮಾನವರೊಂದಿಗೆ ಉಳಿದಿದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ತಿಳಿದಿರುವ ಉತ್ತರಗಳೊಂದಿಗೆ ಪರೀಕ್ಷಿಸದೆಯೇ ನೈಜ ಡೇಟಾಗೆ ಕೋಡ್ ಅನ್ನು ಅನ್ವಯಿಸುವುದು.
• ಘಟಕಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತಿಲ್ಲ; MPa/ksi ಅನ್ನು ಕಡೆಗಣಿಸಿ, µm/m ಗೊಂದಲ.
• ಡೇಟಾ ಪ್ರಕ್ರಿಯೆಯ ಹಂತಗಳಲ್ಲಿ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸದಿರುವುದು ಮತ್ತು ಮೂಕ ನಷ್ಟವನ್ನು ಗಮನಿಸುವುದಿಲ್ಲ.
• ಹೊರಗಿನವರನ್ನು ದೃಶ್ಯೀಕರಿಸದೆ ಸರಾಸರಿಯನ್ನು ಅವಲಂಬಿಸಿದೆ.
• ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಲೈಬ್ರರಿ/ಕಾರ್ಯವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸದೆ AI ನಿಂದ ರಚಿಸಲಾಗಿದೆ.
• ಕೋಡ್ ಸರಿಯಾಗಿದೆ ಎಂದು ಭಾವಿಸುವುದು ಏಕೆಂದರೆ ಅದು "ಕೆಲಸ ತೋರುತ್ತಿದೆ"; ಭೌತಿಕ ಸಮರ್ಥನೀಯತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ವಿಫಲವಾಗಿದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಮೆಟಲರ್ಜಿಕಲ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ AI ಕೋಡಿಂಗ್, ಡೀಬಗ್ ಮಾಡುವಿಕೆ ಮತ್ತು ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಶಕ್ತಿಯುತ ವೇಗವರ್ಧಕವಾಗಿದೆ; ಆದರೆ ಅದು ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಯುನಿಟ್ ದೋಷಗಳು, ತಪ್ಪಾದ ಗುಣಾಂಕಗಳು ಮತ್ತು ಮೂಕ ಡೇಟಾ ನಷ್ಟವನ್ನು ಹೊಂದಿರಬಹುದು. ತಿಳಿದಿರುವ-ಉತ್ತರ ಪರೀಕ್ಷೆ, ಘಟಕ ಪರಿಶೀಲನೆ, ಲೈನ್ ಎಣಿಕೆ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಭೌತಿಕ ಸಂಭಾವ್ಯತೆಯೊಂದಿಗೆ ಪ್ರತಿ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ. ಇಲ್ಲಿ, ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿರುವಂತೆ, AI ಸಹಾಯಕವಾಗಿದೆ: ಇದು ವೇಗ ಮತ್ತು ಸಂಘಟನೆ, ನಿಖರತೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ವಹಿಸಿಕೊಳ್ಳುವುದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಮೆಟಲರ್ಜಿಕಲ್ ನಿರ್ಧಾರಗಳಲ್ಲಿ, AI ಔಟ್‌ಪುಟ್ ಎಂದಿಗೂ ಮಾನದಂಡಗಳು, ಪ್ರಯೋಗಗಳು, ಲೆಕ್ಕಾಚಾರಗಳು ಮತ್ತು ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ ಅನುಮೋದನೆಗೆ ಬದಲಿಯಾಗಿರುವುದಿಲ್ಲ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಮೆಟಲರ್ಜಿಕಲ್ ಲೆಕ್ಕಾಚಾರವನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಹಾಲ್-ಪೆಚ್ ಅಥವಾ ಟೆನ್ಸಿಲ್ ಡೇಟಾ ಸರಾಸರಿ). "ಕೋಡ್ ಸ್ಕೆಲಿಟನ್" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ, AI ಅನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಲಾದ ಕೋಡ್‌ಗಾಗಿ ಕೇಳಿ ಅದು ಯೂನಿಟ್‌ಗಳೊಂದಿಗೆ ಸ್ಪಷ್ಟವಾದ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸುತ್ತದೆ. ನಂತರ "ತಿಳಿದಿರುವ ಉತ್ತರ ಪರೀಕ್ಷೆ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಹಸ್ತಚಾಲಿತವಾಗಿ ಫಲಿತಾಂಶವನ್ನು ನೀವು ತಿಳಿದುಕೊಳ್ಳುವ ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶವನ್ನು ಸೇರಿಸಿ ಮತ್ತು ಅದನ್ನು ರನ್ ಮಾಡಿ. ಕೋಡ್ ನಿರೀಕ್ಷಿತ ಮೌಲ್ಯವನ್ನು ನೀಡದಿದ್ದರೆ, ದೋಷವನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ (ಘಟಕ, ಗುಣಾಂಕ, ಡೇಟಾ) ಮತ್ತು ಅದನ್ನು ಸರಿಪಡಿಸಿ. ಅಂತಿಮವಾಗಿ, ಮೂರು ಲೇಖನಗಳಲ್ಲಿ ನಿಮ್ಮ ಸ್ವಂತ ವ್ಯವಹಾರಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವ ಮೂಲಕ ಈ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ನೀವು ಕಲಿತ AI ಪರಿಶೀಲನಾ ವಿಭಾಗದ ಬಗ್ಗೆ ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು AI ಗೆ ಕಾರ್ಯ, ಡೇಟಾ ಮತ್ತು ಘಟಕಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಕೋಡ್‌ನ ಮೇಲ್ಭಾಗದಲ್ಲಿ ಸ್ಪಷ್ಟವಾದ ಅಸ್ಥಿರಗಳೊಂದಿಗೆ ಘಟಕಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
• [ ] ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಹಂತಗಳಲ್ಲಿ, ನಾನು ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸಿದೆ ಮತ್ತು ನಿಶ್ಯಬ್ದ ನಷ್ಟವನ್ನು ಪರಿಶೀಲಿಸಿದೆ.
• [ ] ನಾನು ತಿಳಿದಿರುವ ಉತ್ತರದೊಂದಿಗೆ ಪರೀಕ್ಷಾ ಪ್ರಕರಣದೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಔಟ್‌ಪುಟ್‌ನ ಭೌತಿಕ ತೋರಿಕೆಯನ್ನು (ಋಣಾತ್ಮಕ/ಅಸಂಬದ್ಧ ಮೌಲ್ಯ) ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು AI ಅನ್ನು ವೇಗವರ್ಧಕವಾಗಿ ಬಳಸಿದ್ದೇನೆ; ನಾನು ಸಮಗ್ರತೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಉಳಿಸಿಕೊಂಡಿದ್ದೇನೆ.

ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ

1. ಮೆಟೀರಿಯಲ್ ಇಂಜಿನಿಯರ್ ಆಗಿ AI ಉಪಕರಣದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ, ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದಕ್ಕೆ ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯು ಯಾವಾಗಲೂ ಮಾನವ (ಕಾನೂನು ಇಂಜಿನಿಯರ್) ಜೊತೆಗೆ ಉಳಿಯಬೇಕು?

• A) ಸೇವೆಗೆ ಒಂದು ಭಾಗದ ಸೂಕ್ತತೆಯ ಅನುಮೋದನೆ ಮತ್ತು ಸಹಿ ✔
• ಬಿ) ಹಾನಿ ವರದಿಯ ಮೊದಲ ಕರಡು ಸಿದ್ಧಪಡಿಸುವುದು
• ಸಿ) ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ಗ್ರಾಫ್‌ನ ಅಕ್ಷದ ಲೇಬಲ್‌ಗಳನ್ನು ಸಂಪಾದಿಸುವುದು
• ಡಿ) ಪ್ರಸ್ತುತಿಗಾಗಿ ಮೆಟಲರ್ಜಿಕಲ್ ಪದಗಳ ಗ್ಲಾಸರಿಯನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು

ವಿವರಣೆ: AI; ಇದು ಪರಿಕಲ್ಪನೆಯ ಸ್ಪಷ್ಟೀಕರಣ, ವರದಿ ಕರಡು ರಚನೆ, ಊಹೆ ಪಟ್ಟಿ ಮತ್ತು ಕೋಡ್ ಅಸ್ಥಿಪಂಜರದಂತಹ ಕಾರ್ಯಗಳನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಸೇವೆ/ವಿಮಾನಕ್ಕೆ ಒಂದು ಭಾಗದ ಸೂಕ್ತತೆಯನ್ನು ಅನುಮೋದಿಸುವುದು ಜೀವನ ಮತ್ತು ಆಸ್ತಿಯ ಸುರಕ್ಷತೆಗೆ ಕಾರಣವಾಗುವ ನಿರ್ಧಾರವಾಗಿದೆ; ಮಾನ್ಯತೆ ಪಡೆದ ಪರೀಕ್ಷೆ ಮತ್ತು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆ ಇಲ್ಲದೆ AI ಗೆ ವರ್ಗಾಯಿಸಲಾಗುವುದಿಲ್ಲ.

2. ನೀವು AISI 4140 ಉಕ್ಕಿನ ಇಳುವರಿ ಸಾಮರ್ಥ್ಯದ ಬಗ್ಗೆ 200 °C ನಲ್ಲಿ ತಣಿಸಿದಾಗ ಮತ್ತು ಹದಗೊಳಿಸಿದಾಗ, ಮತ್ತು ಅವರು '1500 MPa ಖಚಿತವಾಗಿ' ಉತ್ತರಿಸಿದರು. ತೆಗೆದುಕೊಳ್ಳಬೇಕಾದ ಮೊದಲ ಸರಿಯಾದ ಕ್ರಮ ಯಾವುದು?

• ಎ) ಮೌಲ್ಯವನ್ನು ನೇರವಾಗಿ ವಿನ್ಯಾಸ ಖಾತೆಗೆ ಹಾಕಿ ಏಕೆಂದರೆ AI ವಿಶ್ವಾಸ ತೋರುತ್ತಿದೆ
• ಬಿ) ವಸ್ತು ಡೇಟಾ ಶೀಟ್/ಮಿಲ್ ಪ್ರಮಾಣಪತ್ರದೊಂದಿಗೆ ಮೌಲ್ಯವನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಅಗತ್ಯವಿದ್ದರೆ ಕರ್ಷಕ ಪರೀಕ್ಷೆ, ಒಂದೇ ಪಾಯಿಂಟ್ ಮೌಲ್ಯವನ್ನು ಅವಲಂಬಿಸದೆ ✔
• ಸಿ) ಸುರಕ್ಷಿತ ಬದಿಯಲ್ಲಿ ಉಳಿಯಲು ಮೌಲ್ಯವನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಕಡಿಮೆ ಮಾಡುವುದು
• ಡಿ) ಮೌಲ್ಯವನ್ನು ಸ್ವೀಕರಿಸಿ ಮತ್ತು ನೇರವಾಗಿ ಶಾಖ ಚಿಕಿತ್ಸೆಯ ಪಾಕವಿಧಾನಕ್ಕೆ ಸರಿಸಿ

ವಿವರಣೆ: ಭಾಷಾ ಮಾದರಿಗಳು ಆಧಾರರಹಿತ ಸಂಖ್ಯೆಗಳನ್ನು (ಭ್ರಮೆ) ಮನವರಿಕೆ ಮಾಡಬಲ್ಲವು. ಇಳುವರಿ ಶಕ್ತಿ; ಟೆಂಪರಿಂಗ್ ತಾಪಮಾನ, ವಿಭಾಗದ ದಪ್ಪ ಮತ್ತು ಗಡಸುತನವನ್ನು ಅವಲಂಬಿಸಿ ಇದು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯಲ್ಲಿ ಬದಲಾಗುತ್ತದೆ. ಮಾನದಂಡಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಗಿರಣಿ ಪ್ರಮಾಣಪತ್ರ ಅಥವಾ ಕರ್ಷಕ ಪರೀಕ್ಷೆಯಿಂದ ಮೌಲ್ಯವನ್ನು ಪಡೆಯುವುದು ಅವಶ್ಯಕ, ಮತ್ತು ವಿನ್ಯಾಸದಲ್ಲಿ ಒಂದೇ ಪಾಯಿಂಟ್ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಸೇರಿಸಬೇಡಿ.

3. ಉಕ್ಕಿನ ಆಸ್ತಿಯನ್ನು ಊಹಿಸುವ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯೊಂದಿಗೆ, ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿ ಸಂಯೋಜನೆಯ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿರುವ ಮಿಶ್ರಲೋಹಕ್ಕೆ AI 'ಸುರಕ್ಷಿತ' ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸಿತು. ಈ ಔಟ್‌ಪುಟ್‌ನ ಮುಖ್ಯ ಸಮಸ್ಯೆ ಏನು?

• ಎ) ಮಾದರಿಯು ಯಾವಾಗಲೂ ಶೇಕಡಾವಾರು ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ, MPa ತಪ್ಪಾಗಿದೆ
• ಬಿ) ಭವಿಷ್ಯವು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ ಏಕೆಂದರೆ ಇದು ತರಬೇತಿ ಡೇಟಾ ಶ್ರೇಣಿಯ (ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್) ಹೊರಗೆ ಮಾಡಲ್ಪಟ್ಟಿದೆ ಮತ್ತು ಪ್ರಯೋಗದ ಮೂಲಕ ಪರಿಶೀಲಿಸಬೇಕು ✔
• ಸಿ) ಮಾದರಿಯು ಸ್ಟೇನ್ಲೆಸ್ ಸ್ಟೀಲ್ಗಳಿಗೆ ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ
• ಡಿ) ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಯಾವಾಗಲೂ ನಿಜವಾದ ಮೌಲ್ಯಕ್ಕಿಂತ ಎರಡು ಪಟ್ಟು ಇರುತ್ತದೆ

ವಿವರಣೆ: ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ತರಬೇತಿ ಡೇಟಾದ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಸಮಂಜಸವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ (ಇಂಟರ್ಪೋಲೇಷನ್); ಈ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿರುವಾಗ (ಹೊರತೆಗೆಯುವಿಕೆ), ಭವಿಷ್ಯವಾಣಿಗಳು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ ಮತ್ತು ಮಾದರಿಯು ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ತೋರಿಸುವುದಿಲ್ಲ. ತರಬೇತಿ ಡೇಟಾ ವಿತರಣೆಯ ಹೊರಗಿನ ಹಂತದಲ್ಲಿ ಉತ್ಪತ್ತಿಯಾಗುವ ಮೌಲ್ಯವನ್ನು ಪ್ರಾಯೋಗಿಕ ಮೌಲ್ಯೀಕರಣವಿಲ್ಲದೆ ಬಳಸಲಾಗುವುದಿಲ್ಲ.

4. ಎರಡು-ಹಂತದ ಮಿಶ್ರಲೋಹದಲ್ಲಿ ಹಂತದ ಅನುಪಾತವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ನೀವು AI ಅನ್ನು ಅನ್ವಯಿಸಿದ್ದೀರಿ. ಲಿವರ್ ನಿಯಮವನ್ನು ಅನ್ವಯಿಸುವಾಗ AI ಯಾವ ಇನ್‌ಪುಟ್ ಅನ್ನು ಸರಿಯಾಗಿ ಬಳಸಬೇಕು?

• ಎ) ತಾಪಮಾನ ಮಾತ್ರ; ಸಂಯೋಜನೆಗಳು ಅನಗತ್ಯ
• ಬಿ) ಮಿಶ್ರಲೋಹದ ಸಾಂದ್ರತೆ ಮಾತ್ರ
• ಸಿ) ಸಂಬಂಧಿತ ತಾಪಮಾನದಲ್ಲಿ ಹಂತದ ಗಡಿ ಸಂಯೋಜನೆಗಳೊಂದಿಗೆ ಮಿಶ್ರಲೋಹದ ಒಟ್ಟು ಸಂಯೋಜನೆ ✔
• ಡಿ) ಕರಗುವ ತಾಪಮಾನ ಮಾತ್ರ

ವಿವರಣೆ: ಲಿವರ್ ನಿಯಮವು ಹಂತದ ಗಡಿ ಸಂಯೋಜನೆಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಬಳಸಿಕೊಂಡು ಹಂತದ ಪ್ರಮಾಣಗಳನ್ನು ನೀಡುತ್ತದೆ (ಉದಾ. ಘನ ಮತ್ತು ದ್ರವ ಹಂತದ ಸಂಯೋಜನೆಗಳು) ಮತ್ತು ನಿರ್ದಿಷ್ಟ ತಾಪಮಾನದಲ್ಲಿ ಮಿಶ್ರಲೋಹದ ಒಟ್ಟು ಸಂಯೋಜನೆ. ಹಂತದ ಗಡಿ ಸಂಯೋಜನೆಗಳನ್ನು ತಪ್ಪಾಗಿ ಓದಿದರೆ, ಅನುಪಾತವು ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಾಗಿರುತ್ತದೆ; ಆದ್ದರಿಂದ, ಹಂತದ ರೇಖಾಚಿತ್ರದಿಂದ ಮೌಲ್ಯಗಳ ದೃಢೀಕರಣವು ಕಡ್ಡಾಯವಾಗಿದೆ.

5. ನೀವು AI-ಚಾಲಿತ ಇಮೇಜ್ ಪ್ರೊಸೆಸಿಂಗ್ ಫ್ಲೋನೊಂದಿಗೆ ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್‌ನಿಂದ ಧಾನ್ಯದ ಗಾತ್ರವನ್ನು ಅಳತೆ ಮಾಡಿದ್ದೀರಿ, ಆದರೆ ಸ್ಕೇಲ್ ಬಾರ್ ಅನ್ನು ಪಿಕ್ಸೆಲ್‌ಗೆ ಮಾಪನಾಂಕ ಮಾಡಲು ಮರೆತಿದ್ದೀರಿ. ಫಲಿತಾಂಶವು ಏಕೆ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ?

• ಎ) ಎಲ್ಲಾ ಆಯಾಮದ ಅಳತೆಗಳು ತಪ್ಪಾದ ಪ್ರಮಾಣದಲ್ಲಿವೆ ಏಕೆಂದರೆ ಪಿಕ್ಸೆಲ್-ಉದ್ದದ ಮಾಪನಾಂಕ ನಿರ್ಣಯವನ್ನು ನಿರ್ವಹಿಸಲಾಗಿಲ್ಲ ✔
• ಬಿ) ಬಣ್ಣದ ಚಿತ್ರವನ್ನು ಬಳಸಿರುವುದರಿಂದ ಅಳತೆಯು ವಿರೂಪಗೊಂಡಿದೆ
• ಸಿ) ಧಾನ್ಯದ ಗಾತ್ರವನ್ನು SEM ನಿಂದ ಮಾತ್ರ ಅಳೆಯಬಹುದು, ಆಪ್ಟಿಕಲ್ ಮೈಕ್ರೋಸ್ಕೋಪಿಯು ನಿಖರವಾಗಿಲ್ಲ
• ಡಿ) ಚಿತ್ರದ ರೆಸಲ್ಯೂಶನ್ ಅಧಿಕವಾಗಿರುವ ಕಾರಣ ಮಾಪನ ಅನಗತ್ಯ

ವಿವರಣೆ: ಪರಿಮಾಣಾತ್ಮಕ ಲೋಹಶಾಸ್ತ್ರದಲ್ಲಿ, ಪ್ರತಿ ಪಿಕ್ಸೆಲ್ ಉದ್ದಕ್ಕೆ ಅನುರೂಪವಾಗಿದೆ; ಈ ರೂಪಾಂತರವನ್ನು ಸ್ಕೇಲ್ ಬಾರ್‌ನೊಂದಿಗೆ ಮಾಪನಾಂಕ ಮಾಡದಿದ್ದರೆ, ಧಾನ್ಯದ ಗಾತ್ರ, ಹಂತದ ಅನುಪಾತ ಮತ್ತು ಸರಂಧ್ರತೆಯಂತಹ ಎಲ್ಲಾ ಆಯಾಮದ ಅಳತೆಗಳು ತಪ್ಪಾದ ಪ್ರಮಾಣದಲ್ಲಿ ಗೋಚರಿಸುತ್ತವೆ. ಮಾಪನಾಂಕ ನಿರ್ಣಯವು ಚಿತ್ರ ಆಧಾರಿತ ಮಾಪನದ ಮೊದಲ ಮತ್ತು ಕಡ್ಡಾಯ ಹಂತವಾಗಿದೆ.

6. ಉಕ್ಕಿನ ಗುರಿ ಗಡಸುತನವನ್ನು ಸಾಧಿಸಲು AI ಶಾಖ ಚಿಕಿತ್ಸೆಯ ಪಾಕವಿಧಾನವನ್ನು (ಆಸ್ಟನಿಟೈಸಿಂಗ್ + ಕ್ವೆನ್ಚಿಂಗ್ + ಟೆಂಪರಿಂಗ್) ಸೂಚಿಸಿದೆ. ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಅನ್ನು ಅನ್ವಯಿಸುವ ಮೊದಲು ಉತ್ತಮ ಹಂತ ಯಾವುದು?

• ಎ) ಸಾಮೂಹಿಕ ಉತ್ಪಾದನೆಗೆ ನೇರವಾಗಿ ಪಾಕವಿಧಾನವನ್ನು ಅನ್ವಯಿಸುವುದು
• ಬಿ) ಪ್ರಯೋಗದ ತುಣುಕಿನ ಮೇಲೆ ಪಾಕವಿಧಾನವನ್ನು ಅನ್ವಯಿಸಿ, ಗಡಸುತನ/ಸೂಕ್ಷ್ಮ ರಚನೆಯನ್ನು ಅಳೆಯಿರಿ ಮತ್ತು ಅದನ್ನು ಪ್ರಮಾಣಿತದೊಂದಿಗೆ ಹೋಲಿಸಿ ✔
• ಸಿ) ಸುರಕ್ಷಿತ ಭಾಗದಲ್ಲಿ ಹದಗೊಳಿಸುವ ತಾಪಮಾನವನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಹೆಚ್ಚಿಸಿ
• ಡಿ) ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್‌ನ ಕಾಗುಣಿತವನ್ನು ಮಾತ್ರ ಸರಿಪಡಿಸುವುದು ಮತ್ತು ಅನುಮೋದಿಸುವುದು

ವಿವರಣೆ: ಶಾಖ ಚಿಕಿತ್ಸೆಯ ಪರಿಣಾಮವಾಗಿ; ಭಾಗ ವಿಭಾಗದ ದಪ್ಪ, ಗಟ್ಟಿಯಾಗುವಿಕೆ (ಜೋಮಿನಿ) ಕುಲುಮೆಯ ವಾಸ್ತವತೆ ಮತ್ತು ತಂಪಾಗಿಸುವ ಪರಿಸರದೊಂದಿಗೆ ಬಲವಾಗಿ ಬದಲಾಗುತ್ತದೆ. AI ನೀಡಿದ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಆರಂಭಿಕ ಊಹೆಯಾಗಿದೆ; ಇದನ್ನು ಟ್ರಯಲ್ ಪೀಸ್‌ನಲ್ಲಿ ಅನ್ವಯಿಸುವ ಮೂಲಕ ಮತ್ತು ಗಡಸುತನ ಮತ್ತು ಸೂಕ್ಷ್ಮ ರಚನೆಯನ್ನು ಅಳೆಯುವ ಮೂಲಕ ಮತ್ತು ಅದನ್ನು ಮಾನದಂಡದೊಂದಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ಪರಿಶೀಲಿಸಬೇಕು.

7. ನೀವು ವಸ್ತು ಮಿತಿ ಮೌಲ್ಯಕ್ಕಾಗಿ ASTM ಮಾನದಂಡದ 'ನಿರ್ದಿಷ್ಟ ವಸ್ತು ಸಂಖ್ಯೆ' ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿದ್ದೀರಿ ಮತ್ತು ಅದು ನಿಖರವಾದ ಮೌಲ್ಯದೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸಿತು. ಸರಿಯಾದ ಎಂಜಿನಿಯರಿಂಗ್ ನಡವಳಿಕೆ ಯಾವುದು?

• ಎ) AI ಅಪ್ ಟು ಡೇಟ್ ಆಗಿರುವುದರಿಂದ ಮೌಲ್ಯವನ್ನು ನೇರವಾಗಿ ವರದಿಗೆ ಬರೆಯುವುದು
• ಬಿ) ಸುರಕ್ಷಿತ ಭಾಗದಲ್ಲಿ ಉಳಿಯಲು ಮೌಲ್ಯವನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಬದಲಾಯಿಸುವುದು
• ಸಿ) ಅಧಿಕೃತ ಮತ್ತು ಪ್ರಸ್ತುತ ಪ್ರಮಾಣಿತ ಪಠ್ಯದಿಂದ ವಸ್ತುವಿನ ಸಂಖ್ಯೆ, ಆವೃತ್ತಿ ಮತ್ತು ಮೌಲ್ಯವನ್ನು ಪರಿಶೀಲಿಸಿ ✔
• ಡಿ) ಐಟಂ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ಅನುಸರಣೆ ಫೈಲ್‌ಗೆ ಸೇರಿಸುವುದು

ವಿವರಣೆ: ಭಾಷಾ ಮಾದರಿಗಳು ಪ್ರಮಾಣಿತ ಹೆಸರನ್ನು ಸರಿಯಾಗಿ ತಿಳಿದಿದ್ದರೂ ಸಹ, ಅವರು ತಪ್ಪಾಗಿ ನೆನಪಿಸಿಕೊಳ್ಳಬಹುದು ಅಥವಾ ಲೇಖನ ಸಂಖ್ಯೆ, ಆವೃತ್ತಿ ಮತ್ತು ಬ್ರೇಕ್‌ಪಾಯಿಂಟ್ ಅನ್ನು ರಚಿಸಬಹುದು. ASTM/ISO/EN ನಂತಹ ಬೈಂಡಿಂಗ್ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, ಪ್ರತಿ ವಸ್ತು ಮತ್ತು ಮೌಲ್ಯವನ್ನು ಅಧಿಕೃತ ಮತ್ತು ಪ್ರಸ್ತುತ ಮೂಲದಿಂದ ಶಬ್ದಶಃ ಪರಿಶೀಲಿಸಬೇಕು; AI ಔಟ್‌ಪುಟ್ ಎಲ್ಲಿ ನೋಡಬೇಕು ಎಂಬುದನ್ನು ಮಾತ್ರ ತೋರಿಸುತ್ತದೆ.

8. ನೀವು ಬೋಲ್ಟ್‌ನ ಮುರಿದ ಮೇಲ್ಮೈಯ ಫೋಟೋವನ್ನು AI ಗೆ ತೋರಿಸಿದ್ದೀರಿ ಮತ್ತು 'ಇದು ಖಂಡಿತವಾಗಿಯೂ ಆಯಾಸ ಮುರಿತ' ಎಂಬ ಉತ್ತರವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದೀರಿ. ಮೂಲ ಕಾರಣ ವಿಶ್ಲೇಷಣೆಗೆ ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?

• ಎ) ರೋಗನಿರ್ಣಯವನ್ನು ನೇರವಾಗಿ ವರದಿಯಲ್ಲಿ ಬರೆಯುವುದು ಏಕೆಂದರೆ AI ನಿಖರವಾಗಿ ಮಾತನಾಡುತ್ತದೆ
• ಬಿ) ಫೋಟೋದ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಹೆಚ್ಚಿಸಿ ಮತ್ತು ರೋಗನಿರ್ಣಯವನ್ನು ದೃಢೀಕರಿಸಿ
• ಸಿ) ಮುರಿದ ಮೇಲ್ಮೈಯನ್ನು ಪರೀಕ್ಷಿಸದೆ ಹೊಸ ಭಾಗವನ್ನು ಸ್ಥಾಪಿಸುವುದು
• ಡಿ) ಫ್ರ್ಯಾಕ್ಟೋಗ್ರಫಿ, ಚಾರ್ಜ್ ಹಿಸ್ಟರಿ ಮತ್ತು ಮೈಕ್ರೊಸ್ಟ್ರಕ್ಚರ್ ಪುರಾವೆಗಳೊಂದಿಗೆ ರೋಗನಿರ್ಣಯವನ್ನು ಊಹೆಯಾಗಿ ದೃಢೀಕರಿಸಿ ✔

ವಿವರಣೆ: ಮುರಿದ ಮೇಲ್ಮೈ ವ್ಯಾಖ್ಯಾನ; ಫ್ರಾಕ್ಟೋಗ್ರಫಿ (ಸ್ಟ್ರೈಯೇಶನ್, ಬೀಚ್ ಲೈನ್‌ಗಳು, ಡಿಂಪಲ್/ಕ್ಲೀವೇಜ್ ಬೇರ್ಪಡಿಕೆ ಜೊತೆಗೆ SEM) ಲೋಡ್ ಇತಿಹಾಸ, ಪರಿಸರ ಮತ್ತು ಮೈಕ್ರೋಸ್ಟ್ರಕ್ಚರ್ ಪುರಾವೆಗಳನ್ನು ಒಟ್ಟಿಗೆ ಪರಿಗಣಿಸುವ ಅಗತ್ಯವಿದೆ. AI ಒಂದೇ ಫೋಟೋದಿಂದ ಮಾಡುವ ನಿರ್ಣಾಯಕ ರೋಗನಿರ್ಣಯವು ಒಂದು ಊಹೆಯಾಗಿದೆ; ಪ್ರಯೋಗಾಲಯದ ಸಂಶೋಧನೆಗಳಿಂದ ದೃಢೀಕರಣವಿಲ್ಲದೆ ಮೂಲ ಕಾರಣವನ್ನು ಘೋಷಿಸಲಾಗುವುದಿಲ್ಲ.

9. AI ಒಂದು XRD (X-ray ಡಿಫ್ರಾಕ್ಷನ್) ಮಾದರಿಯಲ್ಲಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತಕ್ಕೆ ಗರಿಷ್ಠವನ್ನು ನಿಗದಿಪಡಿಸಿದೆ. ಹಂತದ ಗುರುತಿಸುವಿಕೆಯನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿಸಲು ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ವಿಧಾನ ಯಾವುದು?

• ಎ) ಉಲ್ಲೇಖ ಮಾದರಿಯ ಡೇಟಾಬೇಸ್‌ಗೆ ಶಿಖರವನ್ನು ಹೊಂದಿಸುವುದು (ಉದಾ. PDF ಕಾರ್ಡ್‌ಗಳು) ಮತ್ತು ಅತಿಕ್ರಮಣ ಮತ್ತು ಕಲಾಕೃತಿಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ✔
• ಬಿ) AI ಹಂತದ ಹೆಸರನ್ನು ಹೇಳುವುದರಿಂದ ನೇರವಾಗಿ ನಿಯೋಜನೆಯನ್ನು ಸ್ವೀಕರಿಸುವುದು
• ಸಿ) ಅತ್ಯುನ್ನತ ಶಿಖರವನ್ನು ಮಾತ್ರ ಪರಿಗಣಿಸಿ ಮತ್ತು ಉಳಿದವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು
• ಡಿ) ಮಾದರಿಯನ್ನು ಬಣ್ಣ ಮಾಡಿ ಮತ್ತು ಅದನ್ನು ದೃಷ್ಟಿಗೆ ಸುಂದರವಾಗಿಸಿ

ವಿವರಣೆ: XRD ಹಂತದ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಮಾಪನದ ಗರಿಷ್ಠ ಸ್ಥಾನಗಳು ಮತ್ತು ತಿಳಿದಿರುವ ಉಲ್ಲೇಖ ಮಾದರಿಗಳೊಂದಿಗೆ (ಉದಾ. ICDD/PDF ಕಾರ್ಡ್‌ಗಳು) ಹೊಂದಿಸುವ ಮೂಲಕ ಮಾಡಲಾಗುತ್ತದೆ. ಪ್ರತ್ಯೇಕವಾಗಿ ಒಂದು ಶಿಖರವನ್ನು ನಿಯೋಜಿಸುವುದು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ; ಅತಿಕ್ರಮಿಸುವ ಶಿಖರಗಳು, ಆದ್ಯತೆಯ ದೃಷ್ಟಿಕೋನ ಮತ್ತು ಹಿನ್ನೆಲೆ ಕಲಾಕೃತಿಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕು ಮತ್ತು ಉಲ್ಲೇಖ ಡೇಟಾಬೇಸ್‌ನೊಂದಿಗೆ ನಿಯೋಜನೆಯನ್ನು ದೃಢೀಕರಿಸಬೇಕು.

10. AI ಸಿದ್ಧಪಡಿಸಿದ ಹಾನಿ/ತಪಾಸಣಾ ವರದಿ ಕರಡು ದ್ರವವಾಗಿರುವ ಆದರೆ ಅಜ್ಞಾತ ಮೂಲದ ತಾಂತ್ರಿಕ ಮೌಲ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಸರಿಯಾದ ನಡವಳಿಕೆ ಏನು?

• ಎ) ಪಠ್ಯವು ನಿರರ್ಗಳವಾಗಿರುವ ಕಾರಣ ವರದಿಯನ್ನು ಹಾಗೆಯೇ ಪ್ರಸ್ತುತಪಡಿಸುವುದು
• ಬಿ) ಮೌಲ್ಯಗಳನ್ನು ಪೂರ್ಣಾಂಕಗೊಳಿಸುವುದು ಮತ್ತು ಹೊಳಪು ಮಾಡುವುದು
• ಸಿ) ಕಾರ್ಯಕಾರಿ ಸಾರಾಂಶವನ್ನು ಓದಿ ಮತ್ತು ಉಳಿದದ್ದನ್ನು ಬಿಟ್ಟುಬಿಡಿ
• D) ಮೂಲ ಅಳತೆ/ಮೂಲದೊಂದಿಗೆ ಪ್ರತಿ ಮೌಲ್ಯವನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ದೃಢೀಕರಿಸದ ✔ ತೆಗೆದುಹಾಕಿ

ವಿವರಣೆ: ವರದಿಯಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ತಾಂತ್ರಿಕ ಮೌಲ್ಯ; ಇದು ಮಾಪನ, ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಿದ ಸಾಧನದ ದಾಖಲೆ, ಪ್ರಮಾಣಿತ ಅಥವಾ ತಯಾರಕರ ಡೇಟಾಗೆ ಪತ್ತೆಹಚ್ಚಬಹುದಾಗಿದೆ. ಒಂದು ನಿರರ್ಗಳ ವಾಕ್ಯದಲ್ಲಿ ಇದು ಮೌಲ್ಯವಾಗಿದ್ದರೂ ಸಹ, ಅದರ ಮೂಲವನ್ನು ಪರಿಶೀಲಿಸದ ಯಾವುದೇ ಸಂಖ್ಯೆಯನ್ನು ವರದಿ ಅಥವಾ ನಿರ್ಧಾರದ ಆಧಾರದ ಮೇಲೆ ಸೇರಿಸಬಾರದು; ಇಲ್ಲದಿದ್ದರೆ, ಹೊಣೆಗಾರಿಕೆಯನ್ನು ರಚಿಸುವ ಡಾಕ್ಯುಮೆಂಟ್ಗೆ ಕಾಲ್ಪನಿಕ ಮೌಲ್ಯವನ್ನು ವರ್ಗಾಯಿಸಲಾಗುತ್ತದೆ.

11. AI-ಉತ್ಪಾದಿತ ಪೈಥಾನ್ ಲೆಕ್ಕಾಚಾರವನ್ನು ಬಳಸುವ ಮೊದಲು ಉತ್ತಮ ಹಂತ ಯಾವುದು (ಉದಾ., ಧಾನ್ಯದ ಗಾತ್ರ-ಇಳುವರಿ ಸಾಮರ್ಥ್ಯಕ್ಕಾಗಿ ಹಾಲ್-ಪೆಚ್ ಸಂಬಂಧ)?

• ಎ) ಕೋಡ್ ಅನ್ನು ನೇರವಾಗಿ ನಿಜವಾದ ಉತ್ಪಾದನಾ ಡೇಟಾಗೆ ಅನ್ವಯಿಸುವುದು
• ಬಿ) ಕೋಡ್ ಚಿಕ್ಕದಾಗಿ ಮತ್ತು ಅಚ್ಚುಕಟ್ಟಾಗಿ ಕಾಣುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ
• ಸಿ) ತಿಳಿದಿರುವ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶದಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ ಮತ್ತು ಘಟಕಗಳು ಮತ್ತು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ ✔
• ಡಿ) ಕೋಡ್‌ನ ಭಾಗವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಅದನ್ನು ಅಳಿಸುವುದು

ವಿವರಣೆ: ಕೋಡ್ ಸರಿಯಾಗಿ ಕಾಣಿಸಬಹುದು ಆದರೆ ತಪ್ಪು ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ: ಘಟಕ ದೋಷ, ತಪ್ಪಾದ ಗುಣಾಂಕ ಅಥವಾ ಸೂತ್ರ ದೋಷ ಇರಬಹುದು. ನೀವು ಕೈಯಿಂದ ಫಲಿತಾಂಶವನ್ನು ತಿಳಿದಿರುವ ಸಣ್ಣ ಪರೀಕ್ಷಾ ಸಂದರ್ಭದಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡುವುದು ಮತ್ತು ನಿರೀಕ್ಷಿತ ಔಟ್‌ಪುಟ್‌ಗೆ ಹೋಲಿಸುವುದು ಮತ್ತು ಘಟಕಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದರಿಂದ ಅದು ನಿಜವಾದ ನಿರ್ಧಾರಕ್ಕೆ ಒಯ್ಯುವ ಮೊದಲು ದೋಷವನ್ನು ಹಿಡಿಯುತ್ತದೆ.

12. ನಿಮ್ಮ ಕಂಪನಿಯ ಇನ್ನೂ ಪೇಟೆಂಟ್ ಪಡೆಯದ ಮಿಶ್ರಲೋಹದ ಪಾಕವಿಧಾನ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ AI ಪರಿಕರದಲ್ಲಿ ಅಂಟಿಸಲು ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗೆ ವಿನಂತಿಸಲು ನೀವು ಬಯಸುತ್ತೀರಿ. ಅತ್ಯಂತ ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?

• ಎ) ಅದನ್ನು ವೇಗವಾಗಿ ಮಾಡಲು ಪಾಕವಿಧಾನವನ್ನು ಅಂಟಿಸುವುದು
• ಬಿ) ಕಂಪನಿಯ ಹೆಸರನ್ನು ಅಳಿಸಲು ಮತ್ತು ಉಳಿದ ಎಲ್ಲಾ ನಿಯತಾಂಕಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಸಾಕು.
• ಸಿ) ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದು ಮತ್ತು ಅದನ್ನು ಅಳಿಸಲು AI ಅನ್ನು ಕೇಳುವುದು
• D) ಸಾಂಸ್ಥಿಕ ನೀತಿಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು ಅಥವಾ ಸುರಕ್ಷಿತ/ಸಾಂಸ್ಥಿಕ ಸಾಧನವನ್ನು ಬಳಸುವುದು ✔

ವಿವರಣೆ: ಮಿಶ್ರಲೋಹದ ಪಾಕವಿಧಾನ, ಪ್ರಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳು ಮತ್ತು ಗ್ರಾಹಕರ ವಿಶೇಷಣಗಳು ವ್ಯಾಪಾರ ರಹಸ್ಯ ಮತ್ತು ಬೌದ್ಧಿಕ ಆಸ್ತಿ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ. ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಮೊದಲು, ಕಾರ್ಪೊರೇಟ್ ನೀತಿಯನ್ನು ಪರಿಶೀಲಿಸುವುದು, ಅದನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು ಅಥವಾ ಡೇಟಾವನ್ನು ಕಳುಹಿಸದ ಸಾಂಸ್ಥಿಕ/ಆನ್-ಸೈಟ್ ಉಪಕರಣವನ್ನು ಬಳಸುವುದು ಅವಶ್ಯಕ.

13. AI-ಚಾಲಿತ SPC (ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ) ವ್ಯವಸ್ಥೆಯು ಉತ್ಪಾದನಾ ಬ್ಯಾಚ್‌ನಲ್ಲಿ ನಿಯಂತ್ರಣ ಚಾರ್ಟ್ ಮಿತಿಯನ್ನು ಮೀರಿದೆ ಎಂದು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದೆ. ಸರಿಯಾದ ಎಂಜಿನಿಯರಿಂಗ್ ನಡವಳಿಕೆ ಯಾವುದು?

• ಎ) ಎಚ್ಚರಿಕೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಮತ್ತು ಉತ್ಪಾದನೆಯನ್ನು ಮುಂದುವರಿಸಿ
• ಬಿ) ಯಾವುದೇ ಎಚ್ಚರಿಕೆ ಸಂಭವಿಸದಂತೆ ನಿಯಂತ್ರಣ ಮಿತಿಗಳನ್ನು ವಿಸ್ತರಿಸುವುದು
• ಸಿ) ಎಚ್ಚರಿಕೆಯನ್ನು ಪ್ರಚೋದಕವಾಗಿ ಪರಿಗಣಿಸಿ, ಮಾಪನವನ್ನು ದೃಢೀಕರಿಸಿ, ಮೂಲ ಕಾರಣವನ್ನು ತನಿಖೆ ಮಾಡಿ ಮತ್ತು ಸ್ವೀಕಾರ ಮಾನದಂಡಗಳೊಂದಿಗೆ ನಿರ್ಧರಿಸಿ ✔
• ಡಿ) ಅಳತೆ ಮಾಡದೆಯೇ ಸಂಪೂರ್ಣ ಬ್ಯಾಚ್ ಅನ್ನು ನೇರವಾಗಿ ಸ್ಕ್ರ್ಯಾಪ್ ಮಾಡುವುದು

ವಿವರಣೆ: ನಿಯಂತ್ರಣ ಚಾರ್ಟ್ ಮಿತಿಯನ್ನು ಮೀರುವುದು ಒಂದು ಎಚ್ಚರಿಕೆ; ಮೂಲ ಕಾರಣ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ಇದು ಮಾಪನ ದೋಷ, ಮಾದರಿ ಸಮಸ್ಯೆ ಅಥವಾ ನಿಜವಾದ ಪ್ರಕ್ರಿಯೆಯ ಡ್ರಿಫ್ಟ್ ಆಗಿರಬಹುದು. ಎಚ್ಚರಿಕೆಯನ್ನು ಪ್ರಚೋದಕವಾಗಿ ಪರಿಗಣಿಸುವುದು, ಮಾಪನವನ್ನು ದೃಢೀಕರಿಸುವುದು, ಮೂಲ ಕಾರಣವನ್ನು ತನಿಖೆ ಮಾಡುವುದು ಮತ್ತು ಸ್ವೀಕಾರ ಮಾನದಂಡಗಳು ಮತ್ತು NDT/ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶದ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು ಸರಿಯಾದ ವಿಧಾನವಾಗಿದೆ.

14. ಎರಕಹೊಯ್ದ ಭಾಗದಲ್ಲಿ AI-ಸಹಾಯದ ಚಿತ್ರ ಮೌಲ್ಯಮಾಪನವು ವಲಯವನ್ನು 'ಸ್ವೀಕಾರಾರ್ಹ' ಎಂದು ಗುರುತಿಸಲಾಗಿದೆ. ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಭಾಗಕ್ಕೆ ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?

• A) AI ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಮಾಪನವನ್ನು ಸ್ಕ್ರೀನಿಂಗ್ ಸಾಧನವಾಗಿ ಪರಿಗಣಿಸಿ ಮತ್ತು ಅಂತಿಮ ಸ್ವೀಕಾರವನ್ನು NDT ಫಲಿತಾಂಶಕ್ಕೆ ಲಿಂಕ್ ಮಾಡುವುದು ಮತ್ತು ಅಧಿಕೃತ ಅನುಮೋದನೆ ✔
• ಬಿ) AI ಮೌಲ್ಯಮಾಪನವನ್ನು ಅಂತಿಮ ಸ್ವೀಕಾರವೆಂದು ಪರಿಗಣಿಸಿ ಮತ್ತು ಭಾಗವನ್ನು ಅನುಮೋದಿಸಿ
• ಸಿ) ಭಾಗವನ್ನು ಪರಿಶೀಲಿಸದೆ ಮುಂದಿನ ಪ್ರಕ್ರಿಯೆಗೆ ಹೋಗುವುದು
• ಡಿ) ಭಾಗದ ಮೇಲ್ಮೈಯನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸಲು ಸಾಕು.

ವಿವರಣೆ: ಎರಕಹೊಯ್ದ ಆಂತರಿಕ ದೋಷಗಳು (ಸರಂಧ್ರತೆ, ಕುಗ್ಗುವಿಕೆ, ಸೇರ್ಪಡೆಗಳು) ಸಾಮಾನ್ಯವಾಗಿ ಮೇಲ್ಮೈಯಿಂದ ಅಗೋಚರವಾಗಿರುತ್ತವೆ ಮತ್ತು ವಿನಾಶಕಾರಿಯಲ್ಲದ ಪರೀಕ್ಷೆ (NDT: ರೇಡಿಯಾಗ್ರಫಿ, ಅಲ್ಟ್ರಾಸಾನಿಕ್) ಮೂಲಕ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ. ಚಿತ್ರದ ಮೂಲಕ AI ನೀಡುವ ಪ್ರಾಥಮಿಕ ಮೌಲ್ಯಮಾಪನವು ಸ್ಕ್ರೀನಿಂಗ್ ಸಾಧನವಾಗಿದೆ; ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಭಾಗದ ಅಂತಿಮ ಸ್ವೀಕಾರವನ್ನು NDT ಯೊಂದಿಗೆ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರಮಾಣಿತಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಅಧಿಕೃತ ತಪಾಸಣೆ ಅನುಮೋದನೆಯನ್ನು ನೀಡಲಾಗುತ್ತದೆ.