ಲಾಭಗಳು:
- ಭೂವೈಜ್ಞಾನಿಕ ಎಂಜಿನಿಯರಿಂಗ್ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ AI ನೈಜ ಸಮಯವನ್ನು ಎಲ್ಲಿ ಉಳಿಸುತ್ತದೆ ಮತ್ತು ಯಾವ ನಿರ್ಧಾರಗಳು ಎಂಜಿನಿಯರ್ನ ಜವಾಬ್ದಾರಿಯಾಗಿ ಉಳಿಯಬೇಕು ಎಂಬುದನ್ನು ಗ್ರಹಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಪ್ರತಿ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಪ್ರಮಾಣ, ಭೂವೈಜ್ಞಾನಿಕ ಸಮರ್ಥನೀಯತೆ ಮತ್ತು ಕ್ಷೇತ್ರ ಪುರಾವೆಗಳೊಂದಿಗೆ ಕ್ರಾಸ್-ಮೌಲ್ಯೀಕರಿಸುವ ಶಿಸ್ತನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಅಸ್ಪಷ್ಟತೆ, ಭ್ರಮೆ ಮತ್ತು ಡೇಟಾ ಗೌಪ್ಯತೆಯ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವ ಮೂಲಕ ಸುರಕ್ಷಿತ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಹೊಂದಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ.
ಭೂವೈಜ್ಞಾನಿಕ ಇಂಜಿನಿಯರಿಂಗ್ ಒಂದು ವೃತ್ತಿಯಾಗಿದ್ದು, ಇದರಲ್ಲಿ ನಾವು ನೆಲದಡಿಯಲ್ಲಿ ಸತ್ಯವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ನೋಡಲಾಗುವುದಿಲ್ಲ. ಒಂದು ಬೋರ್ಹೋಲ್ ಅನೇಕ ಕಿಲೋಮೀಟರ್ ಭೂಮಿಯಲ್ಲಿ ಒಂದು ಸೆಂಟಿಮೀಟರ್ ಸ್ಲೈಸ್ ಅನ್ನು ಮಾತ್ರ ಮಾದರಿ ಮಾಡುತ್ತದೆ; ಜಿಯೋಫಿಸಿಕಲ್ ವಿಭಾಗವು ಪರೋಕ್ಷ ನೆರಳು; ನಕ್ಷೆಯು ವೀಕ್ಷಣೆಗಳ ನಡುವಿನ ಅಂತರಗಳ ವ್ಯಾಖ್ಯಾನವಾಗಿದೆ. ಅದಕ್ಕಾಗಿಯೇ ಭೂವಿಜ್ಞಾನವು ಅಂತರ್ಗತವಾಗಿ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಒಂದು ವಿಭಾಗವಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI; ದೊಡ್ಡ ಡೇಟಾ ಮಾದರಿಗಳಿಂದ ಕಲಿಯುವ ಮತ್ತು ಪಠ್ಯ/ಚಿತ್ರಗಳು/ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಫ್ಟ್ವೇರ್ ವ್ಯವಸ್ಥೆಗಳು) ಈ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ, ಆದರೆ ಅದೇ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಅಪಾಯಕಾರಿಯಾಗಿ ಮರೆಮಾಡುವ ಸಾಧನವಾಗಿದೆ. ಈ ಘಟಕವು ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಎರಡು ಅಡಿಪಾಯಗಳನ್ನು ಹಾಕುತ್ತದೆ: ಭೂವಿಜ್ಞಾನದ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ AI ನೈಜ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ನಾವು ಪ್ರತಿ ಔಟ್ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಮೌಲ್ಯೀಕರಿಸುತ್ತೇವೆ.
ಮೊದಲಿನಿಂದಲೂ ಸ್ಪಷ್ಟವಾಗಿರೋಣ: ಈ ಮಾಡ್ಯೂಲ್ನಲ್ಲಿ ನೀವು ಕಲಿಯುವ ಯಾವುದೇ ತಂತ್ರವು ಸಮರ್ಥ ಭೂವೈಜ್ಞಾನಿಕ ಎಂಜಿನಿಯರ್ನ ಸಹಿ, ಕ್ಷೇತ್ರ ವೀಕ್ಷಣೆ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ತೀರ್ಪನ್ನು ಬದಲಿಸುವುದಿಲ್ಲ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಹಾಯಕ; ವೇಗವಾಗಿ ಓದುತ್ತದೆ, ವೇಗವಾಗಿ ಬರೆಯುತ್ತದೆ, ಮಾದರಿಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ. ಆದರೆ ಒಂದು ಇಳಿಜಾರು ವಿಫಲವಾದರೆ, ಅಣೆಕಟ್ಟಿನ ಅಡಿಪಾಯ ಕುಸಿದರೆ ಅಥವಾ ಖನಿಜ ನಿಕ್ಷೇಪವು ಅದಕ್ಕಿಂತ ದೊಡ್ಡದಾಗಿದೆ ಎಂದು ವರದಿ ಮಾಡಿದರೆ, ಜವಾಬ್ದಾರಿಯು ಸಾಫ್ಟ್ವೇರ್ನದ್ದಲ್ಲ, ಆದರೆ ಅದಕ್ಕೆ ಸಹಿ ಮಾಡಿದ ಎಂಜಿನಿಯರ್ಗೆ. ಮಾಡ್ಯೂಲ್ನ ಪ್ರತಿ ಘಟಕದಲ್ಲಿ ನೀವು ಈ ವಾಕ್ಯವನ್ನು ಮತ್ತೆ ವಿವಿಧ ರೂಪಗಳಲ್ಲಿ ನೋಡುತ್ತೀರಿ, ಏಕೆಂದರೆ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ಇದು ಏಕೈಕ ಸತ್ಯವಾಗಿದೆ.
ಭೂವಿಜ್ಞಾನದ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಲ್ಲಿ ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ?
ಭೂವೈಜ್ಞಾನಿಕ ಇಂಜಿನಿಯರ್ನ ವಾರವನ್ನು ಸ್ಥೂಲವಾಗಿ ಮೂರು ವಿಧದ ಕೆಲಸಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: ಡೇಟಾ ತಯಾರಿಕೆ (ಲಾಗ್ ಡಿಜಿಟೈಸೇಶನ್, ಫೀಲ್ಡ್ ನೋಟ್ ಎಡಿಟಿಂಗ್, ಟೇಬಲ್ ಕ್ಲೀನಪ್), ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ (ಶಿಲಾಶಾಸ್ತ್ರದ ವರ್ಗೀಕರಣ, ಪರಸ್ಪರ ಸಂಬಂಧ, ಸಂಪನ್ಮೂಲ ಅಂದಾಜು, ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನ) ಮತ್ತು ಸಂವಹನ (ವರದಿ, ನಕ್ಷೆ, ಪ್ರಸ್ತುತಿ, ಪತ್ರವ್ಯವಹಾರ). AI ಎಲ್ಲಾ ಮೂರು ಕ್ಷೇತ್ರಗಳನ್ನು ಮುಟ್ಟುತ್ತದೆ, ಆದರೆ ಅದರ ಕೊಡುಗೆ ಮತ್ತು ಅಪಾಯವು ಪ್ರತಿಯೊಂದರಲ್ಲೂ ವಿಭಿನ್ನವಾಗಿರುತ್ತದೆ.
ಡೇಟಾ ತಯಾರಿಕೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸುರಕ್ಷಿತ ಮತ್ತು ಹೆಚ್ಚು ಲಾಭದಾಯಕ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಮುಕ್ತ-ಪಠ್ಯ ಕೋರ್ ವಿವರಣೆಗಳನ್ನು ರಚನಾತ್ಮಕ ಕೋಷ್ಟಕಕ್ಕೆ ಭಾಷಾಂತರಿಸುವುದು, ಅಸಮಂಜಸ ಘಟಕಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದು, ಲ್ಯಾಬ್ ಔಟ್ಪುಟ್ನ ಸಾವಿರಾರು ಸಾಲುಗಳಲ್ಲಿ ಔಟ್ಲೈಯರ್ಗಳನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುವುದು-ಇವು ಪುನರಾವರ್ತಿತ, ನಿಯಮ-ಆಧಾರಿತ, ಪರಿಶೀಲಿಸಲು ಸುಲಭವಾದ ಕಾರ್ಯಗಳಾಗಿವೆ. ಇಲ್ಲಿ ದೋಷವಿದ್ದರೂ, ಮೂಲಕ್ಕೆ (ರಾ ಲಾಗ್) ಹಿಂತಿರುಗಲು ಮತ್ತು ಅದನ್ನು ಪರಿಶೀಲಿಸಲು ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ಕ್ಷೇತ್ರವು ಅತ್ಯಧಿಕ ಮೌಲ್ಯ ಮತ್ತು ಹೆಚ್ಚಿನ ಅಪಾಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಡ್ರಿಲ್ ವಿಭಾಗದಿಂದ ಸಂಭವನೀಯ ದೋಷ ರೇಖಾಗಣಿತವನ್ನು AI ಸೂಚಿಸಬಹುದು; ಅನುಭವಿ ಕಣ್ಣು ಸಹ ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದಾದ ಮಾದರಿಯನ್ನು ಇದು ಬಹಿರಂಗಪಡಿಸಬಹುದು. ಆದರೆ ಅದೇ ಮಾದರಿಯು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಸ್ಟ್ರಾಟಿಗ್ರಾಫಿಕ್ ಘಟಕಕ್ಕೆ ವಿಶ್ವಾಸದಿಂದ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ (ಈ ವಿದ್ಯಮಾನವನ್ನು ಭ್ರಮೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ: ಮಾದರಿಯು ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಮಾಹಿತಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಅದು ನಿಜವಾಗಿದೆ). ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ, AI ಒಂದು ಊಹೆಯ ಜನರೇಟರ್ ಆಗಿದೆ, ನಿರ್ಧಾರ ಮಾಡುವವರಲ್ಲ.
ಸಂವಹನ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕರಡು ವೇಗವರ್ಧಕವಾಗಿದೆ. ಜಿಯೋಟೆಕ್ನಿಕಲ್ ವರದಿಯ ವಿಧಾನ ವಿಭಾಗ, ಸಾಹಿತ್ಯದ ಸಾರಾಂಶ ಅಥವಾ ನಿಮಿಷಗಳಲ್ಲಿ ಇಮೇಲ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ. ಇಲ್ಲಿರುವ ಅಪಾಯವೆಂದರೆ ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಮೂಲಗಳು ಮತ್ತು ತಪ್ಪಾದ ಸಂಖ್ಯೆಗಳು ಹರಿಯುವ ಪಠ್ಯದಲ್ಲಿ ಗಮನಿಸದೆ ಸಹಿಯೊಳಗೆ ಜಾರಬಹುದು.
ಮೌಲ್ಯೀಕರಣ ಶಿಸ್ತು: ಮೂರು ಆಂಕರ್ ನಿಯಮ
ಈ ಮಾಡ್ಯೂಲ್ನ ಹೃದಯವು ಒಂದೇ ಅಭ್ಯಾಸವಾಗಿದೆ: ಯಾವುದೇ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸದೆ ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರಕ್ಕೆ ಸೇರಿಸಬಾರದು. ನಾವು ಮೂರು ಸ್ವತಂತ್ರ ಆಂಕರ್ಗಳ ಮೇಲೆ ಮೌಲ್ಯೀಕರಣವನ್ನು ಆಧರಿಸಿರುತ್ತೇವೆ.
ಮೊದಲ ಆಂಕರ್ - ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್. ಫಲಿತಾಂಶವು ಸರಿಸುಮಾರು 10 ಶ್ರೇಣಿಯ ನಿರೀಕ್ಷಿತ ಶಕ್ತಿಯೊಳಗೆ ಇದೆಯೇ? ಮರಳಿನ ಜಲಚರಗಳ ಹೈಡ್ರಾಲಿಕ್ ವಾಹಕತೆಯು ಸಾಮಾನ್ಯವಾಗಿ ದಿನಕ್ಕೆ ಮೀಟರ್ಗಳ ಕ್ರಮದಲ್ಲಿದೆ; ಮಾದರಿಯು ಕಿಲೋಮೀಟರ್/ದಿನವನ್ನು ನೀಡಿದರೆ, ಘಟಕ ಅಥವಾ ಎಡಿಟಿಂಗ್ ದೋಷವಿದೆ ಮತ್ತು ವಿವರವಾಗಿ ಹೋಗದೆ ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು. ಸುಣ್ಣದ ಕಲ್ಲಿನ ಏಕಾಕ್ಷೀಯ ಸಂಕುಚಿತ ಸಾಮರ್ಥ್ಯವು 30-200 MPa ವ್ಯಾಪ್ತಿಯಲ್ಲಿರುತ್ತದೆ; 3000 MPa ಹಾಸ್ಯಾಸ್ಪದವಾಗಿದೆ. ಈ ಪರಿಶೀಲನೆಯು ಸೆಕೆಂಡುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ದೋಷಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ.
ಎರಡನೇ ಆಧಾರ - ಭೂವೈಜ್ಞಾನಿಕ ತೋರಿಕೆ. ಕ್ಷೇತ್ರದ ಭೂವೈಜ್ಞಾನಿಕ ಕಥೆಯೊಂದಿಗೆ ಔಟ್ಪುಟ್ ಸ್ಥಿರವಾಗಿದೆಯೇ? ಮಾದರಿಯು ಸಮುದ್ರದ ಸುಣ್ಣದ ಕಲ್ಲಿನ ಕೆಳಗೆ ಎಳೆಯ ಮೆಕ್ಕಲುಗಳನ್ನು ಇರಿಸಿದ್ದರೆ, ಒಂದು ಹಿಮ್ಮುಖ ದೋಷವಿದೆ (ಮತ್ತು ಇದನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಸಾಬೀತುಪಡಿಸಬೇಕಾಗಿದೆ) ಅಥವಾ ಮಾದರಿಯು ಬುಲ್ಶಿಟ್ ಆಗಿದೆ. ಸ್ಟ್ರಾಟಿಗ್ರಾಫಿಕ್ ಸೀಕ್ವೆನ್ಸ್, ಟೆಕ್ಟೋನಿಕ್ ಫ್ರೇಮ್ವರ್ಕ್ ಮತ್ತು ಡಿಪಾಸಿಷನಲ್ ಎನ್ವಿರಾನ್ಮೆಂಟಲ್ ಪ್ಲಾಸಿಬಿಲಿಟಿ ಫಿಲ್ಟರ್ ಆಗಿದ್ದು, ಅದರ ಮೂಲಕ ಪ್ರತಿ ವ್ಯಾಖ್ಯಾನವೂ ಹಾದುಹೋಗಬೇಕು.
ಮೂರನೇ ಆಂಕರ್ - ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯ. ಇದು ಪ್ರಬಲ ಆಂಕರ್ ಆಗಿದೆ. ಕೋರ್ ಸ್ಯಾಂಪಲ್, ಔಟ್ಕ್ರಾಪ್ ವೀಕ್ಷಣೆ, ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ. ಲಾಗ್-ಆಧಾರಿತ ಶಿಲಾಶಾಸ್ತ್ರದ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅದೇ ಆಳದಿಂದ ತೆಗೆದುಕೊಳ್ಳಲಾದ ಕೋರ್ಗೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ. ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮೂಲಕ ಮ್ಯಾಪ್ ಮಾಡಲಾದ ಮಾರ್ಪಾಡು ವಲಯವನ್ನು ಕ್ಷೇತ್ರದಲ್ಲಿ ಹಲವಾರು ಹಂತಗಳಲ್ಲಿ ಮಾದರಿಗಳೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ. ನೆಲದ ಸತ್ಯ ಯಾವಾಗಲೂ ಗೆಲ್ಲುತ್ತದೆ.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಲಾಗ್ ಡಿಜಿಟೈಸೇಶನ್ನಲ್ಲಿ ಸಮಯ ಉಳಿತಾಯ. ಒಬ್ಬ ಇಂಜಿನಿಯರ್ 1980 ರ ದಶಕದಿಂದ 42 ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ (ಕಾಗದದ) ಬೋರ್ಹೋಲ್ ಲಾಗ್ಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಡಿಜಿಟೈಜ್ ಮಾಡುತ್ತಿದ್ದ; ಪ್ರತಿ ಲಾಗ್ಗೆ ಸರಾಸರಿ 35 ನಿಮಿಷಗಳು, ಒಟ್ಟು 24 ಗಂಟೆಗಳು. AI-ಚಾಲಿತ ಚಾರ್ಟಿಂಗ್ ವರ್ಕ್ಫ್ಲೋನೊಂದಿಗೆ, ಅವರು ಮೊದಲ ಡ್ರಾಫ್ಟ್ ಅನ್ನು 6 ನಿಮಿಷಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡಿದರು, ಉಳಿದ ಸಮಯವನ್ನು ದೃಶ್ಯ ಪರಿಶೀಲನೆಗೆ ವಿನಿಯೋಗಿಸಿದರು. ಒಟ್ಟು ಸಮಯ ಸುಮಾರು 8 ಗಂಟೆಗಳಿಗೆ ಇಳಿದಿದೆ; ವಿಮರ್ಶಾತ್ಮಕ ವಿಷಯವೆಂದರೆ ಗಳಿಸಿದ ಸಮಯವನ್ನು ನಿಯಂತ್ರಣದಲ್ಲಿ ಕಳೆಯಲಾಯಿತು.
ಪ್ರಕರಣ 2 - ಸೆರೆಹಿಡಿಯಲಾದ ಭ್ರಮೆ. ಇಂಟರ್ನ್ಗೆ AI ಒಂದು ಕ್ಷೇತ್ರದ ಸ್ಟ್ರಾಟಿಗ್ರಫಿಯನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಿದಾಗ, ಪಠ್ಯವು "ತುಜ್ಲಾ ರಚನೆಯು ಈ ಪ್ರದೇಶದಲ್ಲಿ ಸಾಮಾನ್ಯವಾದ ಆವಿಯಾಗುತ್ತದೆ" ಎಂಬ ವಾಕ್ಯವನ್ನು ಒಳಗೊಂಡಿತ್ತು. ಸೈಟ್ನಲ್ಲಿ ಯಾವುದೇ ಆವಿಯಾಗುವಿಕೆ ಇರಲಿಲ್ಲ; ಮಾದರಿಯು ಮತ್ತೊಂದು ಬೇಸಿನ್ನಿಂದ ಮಾಹಿತಿಯನ್ನು ಗೊಂದಲಗೊಳಿಸಿದೆ. ವರದಿಗೆ ಸಹಿ ಹಾಕುವ ಮೊದಲು ಭೂವೈಜ್ಞಾನಿಕ ತೋರಿಕೆಯ ಫಿಲ್ಟರ್ (ಪ್ರದೇಶದ ಟೆಕ್ಟೋನಿಕ್ ಫ್ರೇಮ್ವರ್ಕ್ ಆವಿಯಾಗುವಿಕೆ ಶೇಖರಣೆಗೆ ಸೂಕ್ತವಲ್ಲ) ದೋಷವನ್ನು ಸೆಳೆಯಿತು.
ಪ್ರಕರಣ 3 - ಘಟಕ ದೋಷ. ಒಂದು ಮೂಲ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ, ಮಾದರಿಯು ಸಾಂದ್ರತೆಯನ್ನು 2.7 g/cm³ ಬದಲಿಗೆ 2.7 t/m³ ನೊಂದಿಗೆ ಗೊಂದಲಗೊಳಿಸುವ ಮೂಲಕ 1000 ಅಂಶದಿಂದ ಟನ್ನ ಉತ್ಪಾದನೆಯನ್ನು ಹೆಚ್ಚಿಸಿದೆ (ವಾಸ್ತವವಾಗಿ ಎರಡು ಸಮಾನವಾಗಿರುತ್ತದೆ, ಆದರೆ ಮಾದರಿಯ ಮಧ್ಯಂತರ ಹಂತವು ತಪ್ಪಾಗಿದೆ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು 10 ಅಂಶದಿಂದ ಹೆಚ್ಚಿಸಲಾಗಿದೆ). ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್ ಚೆಕ್ ಆರ್ಡರ್ - "ಈ ಬ್ಲಾಕ್ 5 ಮಿಲಿಯನ್ ಟನ್ ಆದರೆ 5 ಶತಕೋಟಿ ಟನ್" - ತಕ್ಷಣವೇ ದೋಷವನ್ನು ನೀಡಿತು.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಕ್ಷೇತ್ರದ ಭೂವಿಜ್ಞಾನವನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ ಮತ್ತು ಅದರ ಖನಿಜ ಸಾಮರ್ಥ್ಯವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ.[data]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಹಿರಿಯ ಪರಿಶೋಧನಾ ಭೂವಿಜ್ಞಾನಿ. ನೀಡಲಾದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ ಮಾತ್ರ ಕೊರೆಯುವ ಸಾರಾಂಶವನ್ನು ಕೆಳಗೆ ವಿವರಿಸಿ. - ಡೇಟಾದಲ್ಲಿಲ್ಲದ ಯಾವುದೇ ರಚನೆಗಳು, ಖನಿಜಗಳು ಅಥವಾ ವಯಸ್ಸನ್ನು ಸೇರಿಸಬೇಡಿ. - ಪ್ರತಿ ಕಾಮೆಂಟ್ನ ಮುಂದಿನ ಆವರಣಗಳೊಂದಿಗೆ ನೀವು ಆಧರಿಸಿರುವ ಡೇಟಾ ಲೈನ್ ಅನ್ನು ತೋರಿಸಿ. - ನೀವು ಖಚಿತವಾಗಿರದಿರುವಲ್ಲಿ "ಡೇಟಾ ಸಾಕಷ್ಟಿಲ್ಲ" ಎಂದು ಬರೆಯಿರಿ, ಊಹೆ ಮಾಡಬೇಡಿ. - ಅಂತಿಮವಾಗಿ: ಪರಿಶೀಲಿಸಬೇಕಾದ 3 ಊಹೆಗಳ ಪ್ರತ್ಯೇಕ ಪಟ್ಟಿಯನ್ನು ಮಾಡಿ. ಡೇಟಾ: [ಡ್ರಿಲ್ಲಿಂಗ್ ಸಾರಾಂಶ]
ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯಲ್ಲಿ ಮೂರು ವಿಷಯಗಳನ್ನು ಹೇರುತ್ತದೆ: ಮೂಲಕ್ಕೆ ಅಂಟಿಕೊಳ್ಳುವುದು, ಅನಿಶ್ಚಿತತೆಯನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು ಮತ್ತು ಪರಿಶೀಲಿಸಲು ವಿಷಯಗಳನ್ನು ಗುರುತಿಸುವುದು. ಇದು ಭ್ರಮೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಕೊನೆಗೊಳಿಸುವುದಿಲ್ಲ, ಆದರೆ ಅದು ಗೋಚರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಅನಾಮಧೇಯ ಸಂದರ್ಭವನ್ನು ಸ್ಥಾಪಿಸುವುದು:
ನನಗೆ ಭೂವೈಜ್ಞಾನಿಕ ಇಂಜಿನಿಯರಿಂಗ್ ನಿಯೋಜನೆಗೆ ಸಹಾಯ ಬೇಕಾಗಿದೆ. ಕ್ಷೇತ್ರದ ಹೆಸರು, ನಿರ್ದೇಶಾಂಕಗಳು ಮತ್ತು ಕಂಪನಿಯ ಮಾಹಿತಿಯು ಗೌಪ್ಯವಾಗಿರುತ್ತದೆ; ನಾನು ಅವರಿಗೆ "ಫೀಲ್ಡ್-ಎ", "ಎಕ್ಸ್ ಕೋಆರ್ಡಿನೇಟ್" ನಂತಹ ಪ್ರಾತಿನಿಧಿಕ ಅಭಿವ್ಯಕ್ತಿಗಳೊಂದಿಗೆ ನೀಡುತ್ತೇನೆ. ಅನ್ವೇಷಣೆ: [ಕ್ವೆಸ್ಟ್]. ನಾನು ನೀಡುವ ತಾಂತ್ರಿಕ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿ.
2) ಮೂರು ಆಂಕರ್ ಪರಿಶೀಲನೆ ವಿನಂತಿಗಳು:
ಕೆಳಗಿನ ಔಟ್ಪುಟ್ಗಾಗಿ ಮೂರು ಚೆಕ್ಗಳನ್ನು ಮಾಡಿ:1) ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್: ಪ್ರತಿ ಸಂಖ್ಯೆಯು ನಿರೀಕ್ಷಿತ ವ್ಯಾಪ್ತಿಯಲ್ಲಿದೆಯೇ? ಇಲ್ಲದಿದ್ದರೆ, ಗುರುತು.2) ಭೂವೈಜ್ಞಾನಿಕ ಸಮರ್ಥನೀಯತೆ: ಸ್ಟ್ರಾಟಿಗ್ರಾಫಿಕಲಿ/ಟೆಕ್ಟೋನಿಕಲಿ ಅಸಮಂಜಸವಾದ ಹಕ್ಕು ಇದೆಯೇ?3) ಪರಿಶೀಲನಾ ಪಟ್ಟಿ: ಕ್ಷೇತ್ರ/ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ದೃಢೀಕರಿಸಬೇಕಾದ ಐಟಂಗಳು.ಔಟ್ಪುಟ್: [ಪಠ್ಯ]
3) ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಜಾರಿಗೊಳಿಸುವುದು:
ವಿಶ್ವಾಸದ ಮೂರು ಹಂತಗಳಲ್ಲಿ ನಿಮ್ಮ ವ್ಯಾಖ್ಯಾನವನ್ನು ನೀಡಿ:- ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸ (ಡೇಟಾದಿಂದ ನೇರವಾಗಿ ಬೆಂಬಲಿತವಾಗಿದೆ)- ಮಧ್ಯಮ ವಿಶ್ವಾಸ (ಸಮಂಜಸವಾದ ತೀರ್ಮಾನ)- ಊಹಾತ್ಮಕ (ಹೆಚ್ಚುವರಿ ಡೇಟಾ ಅಗತ್ಯವಿದೆ) ಕಾರ್ಯ: [ಕಾರ್ಯ]. ಡೇಟಾ: [ಡೇಟಾ]
4) ನಿರ್ಧಾರ/ಬೆಂಬಲ ವ್ಯತ್ಯಾಸ:
ಕೆಳಗಿನ ಕಾರ್ಯವನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸಿ:A) AI ವಿಶ್ವಾಸದಿಂದ ಮಾಡಬಹುದಾದ ಡೇಟಾ/ಡ್ರಾಫ್ಟ್ ಕೆಲಸB) ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆ ಅಗತ್ಯವಿರುವ ನಿರ್ಧಾರದ ಅಂಶಗಳು ಕಾರ್ಯ ವಿವರಣೆ: [ವ್ಯಾಖ್ಯಾನ]
AI ನ ಪಾತ್ರ: ಮಿಷನ್ ಪ್ರಕಾರದ ಅಪಾಯ
ಕಾರ್ಯ ಪ್ರಕಾರ
AI ಕೊಡುಗೆ
ಅಪಾಯದ ಮಟ್ಟ
ಪರಿಶೀಲನೆ ಸಾಂದ್ರತೆ
ಲಾಗ್/ಟೇಬಲ್ ಡಿಜಿಟೈಸೇಶನ್
ಹೆಚ್ಚು
ಕಡಿಮೆ
ಸ್ಥಳ ಪರಿಶೀಲನೆ
ಲಿಥಾಲಜಿ ಪ್ರಾಥಮಿಕ ವರ್ಗೀಕರಣ
ಹೆಚ್ಚು
ಮಧ್ಯಮ
ಕೋರ್ + ಸಮಂಜಸತೆ
ಸಂಪನ್ಮೂಲ / ಟನ್ ಲೆಕ್ಕ
ಮಧ್ಯಮ
ಹೆಚ್ಚು
ಕೈ ಖಾತೆ + ಸ್ವತಂತ್ರ
ಇಳಿಜಾರು/ಬೇಸ್ ಸುರಕ್ಷತೆ ನಿರ್ಧಾರ
ಸೀಮಿತವಾಗಿದೆ
ತುಂಬಾ ಹೆಚ್ಚು
ಪೂರ್ಣ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆ
ವರದಿ/ಸಾಹಿತ್ಯ ಕರಡು
ಹೆಚ್ಚು
ಮಧ್ಯಮ
ಮೂಲ ದೃಢೀಕರಣ
ಅಪಾಯ/ವಿಪತ್ತು ಮೌಲ್ಯಮಾಪನ
ಸೀಮಿತವಾಗಿದೆ
ತುಂಬಾ ಹೆಚ್ಚು
ಕ್ಷೇತ್ರ + ಪ್ರಮಾಣಿತ + ಅನುಮೋದನೆ
ಸಲಹೆ: ಕಾರ್ಯದ ಅಪಾಯದ ಮಟ್ಟವನ್ನು ನಿರ್ಧರಿಸಲು, ಒಂದು ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಿ: "ಈ ಔಟ್ಪುಟ್ ತಪ್ಪಾಗಿದ್ದರೆ ಆಗಬಹುದಾದ ಕೆಟ್ಟದ್ದು ಯಾವುದು?" ಉತ್ತರವು 'ನಾನು ಕೆಲವು ನಿಮಿಷಗಳನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತೇನೆ' ಎಂದಾದರೆ, ಲಘುವಾಗಿ ಪರಿಶೀಲಿಸಿ; 'ಯಾರಾದರೂ ಗಾಯಗೊಳ್ಳಬಹುದಾದರೆ', ಔಟ್ಪುಟ್ ಅನ್ನು ಒಂದು ಊಹೆಯಂತೆ ಪರಿಗಣಿಸಿ ಮತ್ತು ಅದನ್ನು ಸಂಪೂರ್ಣ ಎಂಜಿನಿಯರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಇರಿಸಿ.
ಗಮನ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಲಕ್ಷಣವೆಂದರೆ ಅದು ತಪ್ಪುಗಳನ್ನು ಮಾಡುವುದಿಲ್ಲ, ಆದರೆ ಅದು ತಪ್ಪುಗಳನ್ನು ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಮಾಡುತ್ತದೆ. ನಿರರ್ಗಳವಾದ, ತಾಂತ್ರಿಕ ಮತ್ತು ಅಚ್ಚುಕಟ್ಟಾದ ಪಠ್ಯವು ಅದು ಸರಿಯಾಗಿದೆ ಎಂದು ಅರ್ಥವಲ್ಲ. ಸಾಕ್ಷ್ಯವನ್ನು ನಂಬಿರಿ, ಶೈಲಿಯಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ನಿಖರತೆಗಾಗಿ ನಿರರ್ಗಳತೆಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಪಠ್ಯವು ಎಷ್ಟು ವೃತ್ತಿಪರವಾಗಿ ಕಾಣಿಸಿಕೊಂಡರೂ, ವಾಸ್ತವಿಕ ಹಕ್ಕುಗಳು (ವಯಸ್ಸು, ರಚನೆ, ಸಂಖ್ಯೆ, ಮೂಲ) ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು.
- ಕಾರ್ಯದ ಪ್ರಕಾರ ಅಪಾಯವನ್ನು ಅಳೆಯುವುದಿಲ್ಲ. ಇಮೇಲ್ ಡ್ರಾಫ್ಟ್ ರೀತಿಯಲ್ಲಿಯೇ ದ್ರವೀಕರಣ ವಿಮರ್ಶೆಯನ್ನು ನೋಡಲಾಗುತ್ತಿದೆ. ಸಂಭಾವ್ಯ ಹಾನಿಯೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಣ ಮಾಪಕಗಳು.
- ಯೋಚಿಸದೆ ಗೌಪ್ಯ ಕ್ಷೇತ್ರದ ಡೇಟಾವನ್ನು ನಮೂದಿಸುವುದು. ಸಮನ್ವಯ, ಗ್ರೇಡ್ ಮತ್ತು ಮೀಸಲು ಮಾಹಿತಿಯು ವಾಣಿಜ್ಯಿಕವಾಗಿ ಮತ್ತು ಕಾನೂನುಬದ್ಧವಾಗಿ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ; ಅನಿಯಂತ್ರಿತ ವಾಹನವನ್ನು ಪ್ರವೇಶಿಸುವ ಮೊದಲು ಅನಾಮಧೇಯಗೊಳಿಸಿ.
- ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಮಾದರಿಯು "ಆತ್ಮವಿಶ್ವಾಸ"ವಾಗಿ ಕಾಣುವುದರಿಂದ ಅನಿಶ್ಚಿತತೆಯು ಕಣ್ಮರೆಯಾಗುತ್ತದೆ ಎಂದು ಅರ್ಥವಲ್ಲ; ಸಿಂಗಲ್ ಪಾಯಿಂಟ್ ಅಂದಾಜಿಗಿಂತ ವ್ಯಾಪ್ತಿ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಮಟ್ಟವನ್ನು ಕೇಳಿ.
- ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು AI ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಮಾದರಿಯು ಊಹೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ; ಜವಾಬ್ದಾರಿಯುತ ಎಂಜಿನಿಯರ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ.
ಸಾರಾಂಶದಲ್ಲಿ
- ಭೂವಿಜ್ಞಾನವು ಅಂತರ್ಗತವಾಗಿ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ; AI ಈ ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ವಹಿಸಬಹುದು ಮತ್ತು ಅಪಾಯಕಾರಿಯಾಗಿ ಮರೆಮಾಡಬಹುದು.
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ದತ್ತಾಂಶ ತಯಾರಿಕೆಯಲ್ಲಿ ಸುರಕ್ಷಿತ ಮತ್ತು ಹೆಚ್ಚು ಲಾಭದಾಯಕವಾಗಿದೆ, ಅತ್ಯಂತ ಮೌಲ್ಯಯುತವಾಗಿದೆ ಆದರೆ ವ್ಯಾಖ್ಯಾನ/ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಅಪಾಯಕಾರಿಯಾಗಿದೆ ಮತ್ತು ಸಂವಹನದಲ್ಲಿ ವೇಗವರ್ಧಕವಾಗಿದೆ.
- ಪ್ರತಿ ಔಟ್ಪುಟ್ ಅನ್ನು ಮೂರು ಆಂಕರ್ಗಳ ವಿರುದ್ಧ ಮೌಲ್ಯೀಕರಿಸಲಾಗಿದೆ: ಪರಿಮಾಣದ ಕ್ರಮ, ಭೂವೈಜ್ಞಾನಿಕ ತೋರಿಕೆ, ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯ.
- ಫಲಿತಾಂಶದ ಅಪಾಯವು ತಪ್ಪಾಗಿದ್ದರೆ ಅದು ಉಂಟುಮಾಡುವ ಹಾನಿಗೆ ಸಮಾನವಾಗಿರುತ್ತದೆ; ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮೌಲ್ಯೀಕರಣ ಮಾಪಕಗಳು.
- ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಇಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ, ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಗೆ AI ಔಟ್ಪುಟ್ ಎಂದಿಗೂ ಬದಲಿಯಾಗಿರುವುದಿಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಸ್ವಂತ ಕೆಲಸದಿಂದ ಒಂದು ವಾರದಲ್ಲಿ ನೀವು ಮಾಡುವ ಐದು ಭೂವಿಜ್ಞಾನ ಕಾರ್ಯಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ (ಉದಾ. ಲಾಗ್ ಎಡಿಟಿಂಗ್, ಪರಸ್ಪರ ಸಂಬಂಧ, ವರದಿ ವಿಭಾಗ, ಗ್ರೇಡ್ ಚೆಕ್, ಅಪಾಯ ಸಂಕೇತ). ಈ ಯೂನಿಟ್ನಲ್ಲಿನ ಕೋಷ್ಟಕದ ಪ್ರಕಾರ ಪ್ರತಿಯೊಂದನ್ನು ಅಪಾಯದ ಮಟ್ಟದಲ್ಲಿ ಇರಿಸಿ ಮತ್ತು "ತಪ್ಪಾಗಿದ್ದರೆ ಆಗುವ ಕೆಟ್ಟದ್ದು ಯಾವುದು?" ಒಂದೇ ವಾಕ್ಯದಲ್ಲಿ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿ. ನಂತರ ಕಡಿಮೆ ಅಪಾಯದ ಕಾರ್ಯಕ್ಕೆ ಬಲವಾದ ಅನಾಮಧೇಯ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಅದನ್ನು ಪ್ರಯತ್ನಿಸಿ; ಮೂರು ಆಂಕರ್ಗಳೊಂದಿಗೆ ಔಟ್ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಯಾವ ಆಂಕರ್ ಸಮಸ್ಯೆಯನ್ನು ಎದುರಿಸಿದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಎಲ್ಲಿ ಸುರಕ್ಷಿತ ಮತ್ತು ಭೂವಿಜ್ಞಾನದ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ ಅಪಾಯಕಾರಿ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾನು ಗುರುತಿಸಬಲ್ಲೆ.
- [ ] ನಾನು ಪ್ರತಿ ಔಟ್ಪುಟ್ ಅನ್ನು ಪರಿಮಾಣದ ಕ್ರಮ, ಭೂವೈಜ್ಞಾನಿಕ ಸಮರ್ಥನೀಯತೆ ಮತ್ತು ಕ್ಷೇತ್ರ ಸಾಕ್ಷ್ಯದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಲು ಪ್ರತಿಫಲಿತವನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇನೆ.
- [ ] "ತಪ್ಪಾಗಿ ಹೋದರೆ ಆಗಬಹುದಾದ ಕೆಟ್ಟದ್ದು ಯಾವುದು?" ಎಂದು ಕೇಳುವ ಮೂಲಕ ಕಾರ್ಯದ ಅಪಾಯದ ಮಟ್ಟ ನಾನು ಪ್ರಶ್ನೆಯೊಂದಿಗೆ ನಿರ್ಧರಿಸಬಹುದು.
- [ ] ಭ್ರಮೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆ ಎಂದರೇನು ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಗೆ ಗೋಚರಿಸಬೇಕು ಎಂದು ನನಗೆ ತಿಳಿದಿದೆ.
- [ ] ಗೌಪ್ಯ ಕ್ಷೇತ್ರ ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವ ಮೂಲಕ ಸುರಕ್ಷಿತ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಹೊಂದಿಸುವ ಅಭ್ಯಾಸವನ್ನು ನಾನು ಅಳವಡಿಸಿಕೊಂಡಿದ್ದೇನೆ.