ಲಾಭಗಳು:
- ತೈಲ ಮತ್ತು ಅನಿಲ ಶಾಸನದ ಸಂದರ್ಭದಲ್ಲಿ AI ಉತ್ಪಾದನೆಯನ್ನು ಪರಿಶೀಲಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ (EMRA, PRMS/SEC ಮೀಸಲು ವರದಿ, API ಮಾನದಂಡಗಳು)
- ವಾಣಿಜ್ಯ ಗೌಪ್ಯತೆ, ಉತ್ತಮ ಡೇಟಾ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನೈತಿಕ ಗಡಿಗಳನ್ನು ಕಾರ್ಯಾಚರಣೆಯ ಗೌಪ್ಯತೆಯ ನಿಯಮಗಳಾಗಿ ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ತೈಲ ಮತ್ತು ಅನಿಲ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಬಳಕೆಯನ್ನು ಅಂತ್ಯದಿಂದ ಕೊನೆಯವರೆಗೆ ಪರಿಶೀಲನೆ ಮತ್ತು ಆಡಳಿತದ ಶಿಸ್ತುಗಳೊಂದಿಗೆ ಉಳಿಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ
ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ
1. ತೈಲ ಮತ್ತು ಅನಿಲ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಉತ್ಪಾದನೆಯ ಅಪಾಯವನ್ನು ನಿರ್ಧರಿಸುವ ಮೂಲಭೂತ ತತ್ವ ಯಾವುದು?
- ಎ) ಔಟ್ಪುಟ್ನ ಅಪಾಯವು ಆ ಔಟ್ಪುಟ್ ದೋಷಪೂರಿತವಾಗಿದ್ದರೆ ಅದು ಉಂಟುಮಾಡುವ ಹಾನಿಗೆ ಸಮಾನವಾಗಿರುತ್ತದೆ; ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮೌಲ್ಯೀಕರಣ ಮಾಪಕಗಳು ✔
- ಬಿ) ನಿರರ್ಗಳವಾಗಿ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ಬರೆಯಲ್ಪಟ್ಟಿರುವುದರಿಂದ AI ಔಟ್ಪುಟ್ ಸಾಮಾನ್ಯವಾಗಿ ಸುರಕ್ಷಿತವಾಗಿದೆ
- ಸಿ) ಪ್ರಸ್ತುತ ಮಾದರಿಯನ್ನು ಬಳಸಿದಾಗ ಮೌಲ್ಯೀಕರಣವು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ
- ಡಿ) ಔಟ್ಪುಟ್ ಪ್ರಮಾಣಿತವನ್ನು ಸೂಚಿಸಿದರೆ, ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ನಿಯಂತ್ರಣ ಅಗತ್ಯವಿಲ್ಲ
ವಿವರಣೆ: ಔಟ್ಪುಟ್ನ ಅಪಾಯವು ಆ ಔಟ್ಪುಟ್ ದೋಷಪೂರಿತವಾಗಿದ್ದರೆ ಅದು ಉಂಟುಮಾಡುವ ಹಾನಿಗೆ ಸಮಾನವಾಗಿರುತ್ತದೆ. ಸಾಹಿತ್ಯದ ಸಾರಾಂಶದಲ್ಲಿನ ಸಣ್ಣ ದೋಷವು ನಿರುಪದ್ರವವಾಗಿದ್ದರೂ, ಬಾವಿಯ ಒತ್ತಡದ ಮಿತಿ, ಸೋರಿಕೆ ಎಚ್ಚರಿಕೆಯ ಮಿತಿ ಅಥವಾ ಮೀಸಲು ವರದಿಯಲ್ಲಿನ ದೋಷವು ಸ್ಫೋಟ, ಪರಿಸರ ವಿಪತ್ತು ಅಥವಾ ದೊಡ್ಡ ಆರ್ಥಿಕ ನಷ್ಟಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು; ಆದ್ದರಿಂದ ಸಂಭವನೀಯ ಹಾನಿಯೊಂದಿಗೆ ಪರಿಶೀಲನೆ ತೀವ್ರತೆಯ ಮಾಪಕಗಳು.
2. ಭೂಕಂಪನ ವಿಲೋಮತೆಯಲ್ಲಿನ 'ಅನನ್ಯತೆಯ' ಸಮಸ್ಯೆಗೆ AI ಯ ಬಳಕೆಯ ಅಗತ್ಯವೇನು?
- ಎ) ಮಾದರಿಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಮೊದಲ ವ್ಯಾಖ್ಯಾನದ ನೇರ ಸ್ವೀಕಾರ
- ಬಿ) ವೆಲ್ ಲಾಗ್, ವೆಲ್ ಟೈ ಮತ್ತು ಭೂವೈಜ್ಞಾನಿಕ ನಿರ್ಬಂಧಗಳಿಗೆ ಸಂಪರ್ಕಿಸುವ ಮೂಲಕ ವ್ಯಾಖ್ಯಾನವನ್ನು ಸಂಕುಚಿತಗೊಳಿಸುವುದು ✔
- ಸಿ) ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಸ್ಲೈಸ್ ಅನ್ನು ಮಾತ್ರ ಆಯ್ಕೆಮಾಡಿ.
- ಡಿ) ಭೂಕಂಪನ ದತ್ತಾಂಶವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತ್ಯಜಿಸುವುದು
ವಿವರಣೆ: ಒಂದೇ ಭೂಕಂಪನ ಪ್ರತಿಫಲನ ಡೇಟಾವನ್ನು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ವಿಭಿನ್ನ ಉಪಮೇಲ್ಮೈ ಮಾದರಿಗಳಿಂದ ವಿವರಿಸಬಹುದು (ಪ್ರತಿರೋಧನೆ, ಶಿಲಾಶಾಸ್ತ್ರ, ದ್ರವ ವಿತರಣೆ). ಆದ್ದರಿಂದ AI ನಿರ್ಮಿಸಿದ ವ್ಯಾಖ್ಯಾನವು ಕೇವಲ ಸರಿಯಾದದ್ದಲ್ಲ; ಬಾವಿ ಟೈ ಮತ್ತು ಭೂವೈಜ್ಞಾನಿಕ ಸಂದರ್ಭದಂತಹ ಸ್ವತಂತ್ರ ನಿರ್ಬಂಧಗಳೊಂದಿಗೆ ಸಂಪರ್ಕಿಸುವ ಮೂಲಕ ಬಾವಿ ಲಾಗ್ ಅನ್ನು ಕಿರಿದಾಗಿಸಬೇಕು.
3. ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಬಾವಿ ಲಾಗ್ನಿಂದ ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು (ಪ್ರವೇಶಸಾಧ್ಯತೆ) ಅಂದಾಜು ಮಾಡುವಾಗ ನಿರ್ದಿಷ್ಟವಾಗಿ ಯಾವ ಮಿತಿಯನ್ನು ನೆನಪಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳಬೇಕು?
- ಎ) ಪ್ರತಿ ಕ್ಷೇತ್ರ ಮತ್ತು ಪ್ರತಿ ಶಿಲಾಶಾಸ್ತ್ರದಲ್ಲಿ ಮಾದರಿಯು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾನ್ಯವಾಗಿರುತ್ತದೆ
- ಬಿ) ಕಲಿತ ಸಂಬಂಧವು ಶೈಕ್ಷಣಿಕ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿದೆ; ✔ ವಿಭಿನ್ನ ಸೈಟ್ಗಳಿಗೆ ಹೊರತೆಗೆಯುವಿಕೆಯು ಅಪಾಯಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ ಮತ್ತು ಕೋರ್/ವೆಲ್ ಪರೀಕ್ಷೆಗೆ ಲಿಂಕ್ ಮಾಡಬೇಕು ✔
- ಸಿ) ಲಾಗ್ಗಳಿಂದ ಪ್ರವೇಶಸಾಧ್ಯತೆಯ ನೇರ ಮತ್ತು ದೋಷ-ಮುಕ್ತ ಮಾಪನ
- ಡಿ) ಮುನ್ಸೂಚನೆಯ ಅನಿಶ್ಚಿತತೆಯನ್ನು ವರದಿ ಮಾಡಬಾರದು.
ವಿವರಣೆ: ಪ್ರವೇಶಸಾಧ್ಯತೆಯನ್ನು ಲಾಗ್ಗಳಿಂದ ನೇರವಾಗಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ; ಮಾದರಿಯಿಂದ ಕಲಿತ ಸಂಬಂಧವು ತರಬೇತಿ ಡೇಟಾದ ಮುಖಗಳು ಮತ್ತು ಒತ್ತಡದ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿದೆ. ಬೇರೆ ಸೈಟ್ ಅಥವಾ ಅಪರಿಚಿತ ಶಿಲಾಶಾಸ್ತ್ರಕ್ಕೆ ಕುರುಡಾಗಿ ಅನ್ವಯಿಸುವುದು (ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್) ಪ್ರಮುಖ ದೋಷವನ್ನು ಉಂಟುಮಾಡಬಹುದು; ಔಟ್ಪುಟ್ ಅನ್ನು ಕೋರ್ ಮಾಪನ ಮತ್ತು ಪರೀಕ್ಷೆಗೆ ಲಿಂಕ್ ಮಾಡಬೇಕು.
4. ಆರ್ಪ್ಸ್ ಹೈಪರ್ಬೋಲಿಕ್ ಮಾದರಿಯ 'b' ಘಾತಾಂಕವನ್ನು ತುಂಬಾ ಎತ್ತರದಲ್ಲಿ ಇರಿಸಿದರೆ (ಉದಾ. b>1) ಮತ್ತು ಡ್ರಾಡೌನ್ ಕರ್ವ್ ಅನಾಲಿಸಿಸ್ (DCA) ನಲ್ಲಿ ದೀರ್ಘಾವಧಿಯವರೆಗೆ ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಟ್ ಮಾಡಿದರೆ ಏನಾಗುತ್ತದೆ?
- ಎ) EUR ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಆಗುತ್ತದೆ ಮತ್ತು ಮೀಸಲು ಮರೆಮಾಡಲಾಗಿದೆ
- ಬಿ) ಕುಸಿತವು ಅವಾಸ್ತವಿಕವಾಗಿ ನಿಧಾನವಾಗುತ್ತದೆ ಮತ್ತು EUR ಅತಿ ಹೆಚ್ಚು, ಆಶಾವಾದಿ ✔ ಆಗುತ್ತದೆ
- ಸಿ) ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ತೆರವುಗೊಳಿಸಲಾಗುತ್ತದೆ
- ಡಿ) ಒತ್ತಡವು ದೈಹಿಕವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ
ವಿವರಣೆ: ಆರ್ಪ್ಸ್ ಹೈಪರ್ಬೋಲಿಕ್ ಮಾದರಿಯಲ್ಲಿ, ಕಾಲಾನಂತರದಲ್ಲಿ ಕುಸಿತದ ದರವು ಎಷ್ಟು ನಿಧಾನವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಅವಿಭಾಜ್ಯ b ನಿರ್ಧರಿಸುತ್ತದೆ. b>1 ಅನ್ನು ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ದೀರ್ಘಾವಧಿಗೆ ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಟ್ ಮಾಡುವುದರಿಂದ ಅವನತಿಯು ಅವಾಸ್ತವಿಕವಾಗಿ ನಿಧಾನವಾಗುತ್ತದೆ ಮತ್ತು EUR (ಅಂತಿಮ ಅಂದಾಜು ಉತ್ಪಾದನೆ) ಅತಿಯಾಗಿ ಅಧಿಕವಾಗಿರುತ್ತದೆ. ಆದ್ದರಿಂದ, ತಡವಾದ ಅವಧಿಯಲ್ಲಿ, ಘಾತೀಯ ಕುಸಿತಕ್ಕೆ ಪರಿವರ್ತನೆ ಅಥವಾ ಕನಿಷ್ಠ ಡ್ರಾಡೌನ್ ಮಿತಿಯನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ವಸ್ತು ಸಮತೋಲನದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ.
5. ಸರಂಧ್ರತೆ ಮತ್ತು ನೀರಿನ ಶುದ್ಧತ್ವಕ್ಕಾಗಿ ಆರ್ಚೀ ಸಮೀಕರಣವು ಪೆಟ್ರೋಫಿಸಿಕಲ್ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ AI ಔಟ್ಪುಟ್ನ ಮೌಲ್ಯೀಕರಣ ಆಧಾರವಾಗಿದೆ ಏಕೆ?
- ಎ) ಏಕೆಂದರೆ ಇದು ಉತ್ತಮ ವೆಚ್ಚವನ್ನು ಮಾತ್ರ ತೋರಿಸುತ್ತದೆ
- ಬಿ) ಏಕೆಂದರೆ ಇದು ಪ್ರತಿರೋಧ, ಸರಂಧ್ರತೆ ಮತ್ತು ನೀರಿನ ಶುದ್ಧತ್ವದ ನಡುವಿನ ಭೌತಿಕ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ ಮತ್ತು ಔಟ್ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ ✔
- ಸಿ) ಇದು ಲಾಗ್ನ ಬಣ್ಣವನ್ನು ವಿವರಿಸುತ್ತದೆ
- ಡಿ) ಏಕೆಂದರೆ ಇದು ಪ್ರಯೋಗಾಲಯದ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಮಾತ್ರ ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ
ವಿವರಣೆ: ಆರ್ಚಿ ಸಮೀಕರಣವು ಲಾಗ್ ಪ್ರತಿರೋಧಕತೆ ಮತ್ತು ನೀರಿನ ಶುದ್ಧತ್ವದ ನಡುವಿನ ಭೌತಿಕ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ. AI ಸೂಚಿಸಿದ ನೀರಿನ ಶುದ್ಧತ್ವ ಮೌಲ್ಯವನ್ನು ಆರ್ಕಿ ಸಮೀಕರಣಕ್ಕೆ ಸರಂಧ್ರತೆ ಮತ್ತು ಪ್ರತಿರೋಧಕ ಒಳಹರಿವುಗಳೊಂದಿಗೆ ಸೇರಿಸುವ ಮೂಲಕ ಮತ್ತು ಸ್ಥಳೀಯ ರಚನೆಯ ಗುಣಾಂಕಗಳೊಂದಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ಭೌತಿಕವಾಗಿ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ; ಫಲಿತಾಂಶವು 0-1 ವ್ಯಾಪ್ತಿಯಲ್ಲಿರಬೇಕು ಮತ್ತು ಕೋರ್ಗೆ ಅನುಗುಣವಾಗಿರಬೇಕು.
6. ಪೈಪ್ಲೈನ್ ಸೋರಿಕೆ ಪತ್ತೆಯಲ್ಲಿ 'ಸುಳ್ಳು ಋಣಾತ್ಮಕ' (ಮಿಸ್) ಏಕೆ ವಿಶೇಷವಾಗಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ?
- ಎ) ಏಕೆಂದರೆ ಇದು ನಿಜವಾದ ಸೋರಿಕೆಯನ್ನು 'ಯಾವುದೂ ಇಲ್ಲ' ಎಂದು ವರ್ಗೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಹಸ್ತಕ್ಷೇಪವನ್ನು ವಿಳಂಬಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಸರ/ಜೀವನಕ್ಕೆ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ✔
- ಬಿ) ಏಕೆಂದರೆ ಇದು SCADA ಪರದೆಯ ಬಣ್ಣವನ್ನು ಮಾತ್ರ ಬದಲಾಯಿಸುತ್ತದೆ
- ಸಿ) ಇದು ವರದಿಯ ಪುಟಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ
- ಡಿ) ಏಕೆಂದರೆ ತಪ್ಪು ನಿರಾಕರಣೆಗಳು ಯಾವಾಗಲೂ ನಿರುಪದ್ರವವಾಗಿರುತ್ತವೆ
ವಿವರಣೆ: ಸುಳ್ಳು ಋಣಾತ್ಮಕತೆಯು ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸೋರಿಕೆಗೆ 'ಗೈರುಹಾಜರಿ'ಯ ವರ್ಗೀಕರಣವಾಗಿದೆ; ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಮಧ್ಯಸ್ಥಿಕೆ ವಿಳಂಬವಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಸರ ವಿಪತ್ತು, ಬೆಂಕಿ/ಸ್ಫೋಟ ಮತ್ತು ಜೀವಹಾನಿಯಾಗುವ ಅಪಾಯವಿದೆ. ಅನಗತ್ಯವಾದ ನಿಲುಗಡೆ ವೆಚ್ಚಗಳಲ್ಲಿ ತಪ್ಪು ಧನಾತ್ಮಕ ಫಲಿತಾಂಶಗಳು. ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿ, ತಪ್ಪು ನಿರಾಕರಣೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮಿತಿಯನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಕ್ಷೇತ್ರ ದೃಢೀಕರಣದಿಂದ ಬೆಂಬಲಿತವಾಗಿದೆ.
7. ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯಲ್ಲಿ, ಸಂಕೋಚಕದ ಕಂಪನ ಡೇಟಾದಿಂದ 'ಉಳಿದ ಉಪಯುಕ್ತ ಜೀವನ' (RUL) ಅಂದಾಜನ್ನು ಉತ್ಪಾದಿಸುವಾಗ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಬಳಕೆ ಯಾವುದು?
- ಎ) ಅಂದಾಜು ನಿಖರವಾದ ವೈಫಲ್ಯದ ದಿನಾಂಕವನ್ನು ಸ್ವೀಕರಿಸುವುದು ಮತ್ತು ಆ ದಿನದವರೆಗೆ ಯಾವುದೇ ತಪಾಸಣೆಗಳನ್ನು ಮಾಡದಿರುವುದು.
- ಬಿ) ಅಂದಾಜು ಅನಿಶ್ಚಿತತೆಯ ವ್ಯಾಪ್ತಿಯನ್ನು ನಿರ್ಧಾರ ಬೆಂಬಲವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ ಮತ್ತು ಮೂಲ ಕಾರಣ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ನಿರ್ಣಾಯಕ ಸಾಧನಗಳನ್ನು ದೃಢೀಕರಿಸುವುದು ✔
- ಸಿ) ಕಂಪನ ಹೆಚ್ಚಾದಾಗ ಅಲಾರಂ ಅನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುವುದು
- ಡಿ) RUL ಕಡಿಮೆಯಿದ್ದರೆ, ಯಾವುದೇ ಅನಿಶ್ಚಿತತೆ ಇಲ್ಲದೆ ಉಪಕರಣವನ್ನು ಪೂರ್ಣವಾಗಿ ನಿರ್ವಹಿಸಿ.
ವಿವರಣೆ: RUL (ಉಳಿದಿರುವ ಉಪಯುಕ್ತ ಜೀವನ) ಅಂದಾಜು ಒಂದು ಸಂಭವನೀಯ ಅಂದಾಜು, ನಿಖರವಾದ ದಿನಾಂಕವಲ್ಲ. ಅಂದಾಜನ್ನು ಅದರ ಅನಿಶ್ಚಿತತೆಯ ವ್ಯಾಪ್ತಿಯೊಂದಿಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ನಿರ್ವಹಣಾ ಯೋಜನೆಯಲ್ಲಿ ನಿರ್ಧಾರ ಬೆಂಬಲವಾಗಿ ಬಳಸುವುದು ಸರಿಯಾದ ಬಳಕೆಯಾಗಿದೆ; ನಿರ್ಣಾಯಕ ಸಲಕರಣೆಗಳಲ್ಲಿ, ಕ್ಷೇತ್ರ ತಪಾಸಣೆ ಮತ್ತು ಕಂಪನ ಸ್ಪೆಕ್ಟ್ರಮ್ ಮೂಲ ಕಾರಣ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಇದು ದೃಢೀಕರಿಸಲ್ಪಟ್ಟಿದೆ. ಕುರುಡು ದಿನಾಂಕದ ಆಧಾರದ ಮೇಲೆ ಉಪಕರಣಗಳನ್ನು ನಿರ್ವಹಿಸುವುದನ್ನು ಮುಂದುವರಿಸುವುದು ಅಪಾಯಕಾರಿ.
8. H2S (ಹೈಡ್ರೋಜನ್ ಸಲ್ಫೈಡ್) ನಂತಹ ವಿಷಕಾರಿ ಅನಿಲಗಳ ಅಪಾಯವಿರುವ ಸೈಟ್ನಲ್ಲಿ AI- ಆಧಾರಿತ ಅನಿಲ ಪತ್ತೆಯನ್ನು ಬಳಸಿದರೆ ಯಾವ ತತ್ವವು ಅತ್ಯಗತ್ಯ?
- A) ಪ್ರಮಾಣೀಕೃತ ಭೌತಿಕ ಶೋಧಕಗಳನ್ನು ಬದಲಿಸುವ ಮೂಲಕ AI ಪತ್ತೆಯು ಭದ್ರತೆಯ ಏಕೈಕ ಪದರವಾಗಿರಬಹುದು
- ಬಿ) AI ಒಂದು ಸಹಾಯಕ ಪದರವಾಗಿದೆ; ಸ್ವತಂತ್ರವಾಗಿ ಪ್ರಮಾಣೀಕರಿಸಿದ ಡಿಟೆಕ್ಟರ್ಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳಿಗೆ ಯಾವುದೇ ಪರ್ಯಾಯವಿಲ್ಲ, ಬಹು-ಪದರದ ಭದ್ರತೆ ಅಗತ್ಯ ✔
- ಸಿ) ಮಾದರಿ ವಿಶ್ವಾಸಾರ್ಹ ಸ್ಕೋರ್ ಅಧಿಕವಾಗಿದ್ದರೆ, ಭೌತಿಕ ಶೋಧಕಗಳನ್ನು ಆಫ್ ಮಾಡಬಹುದು
- ಡಿ) H2S ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಕಚೇರಿ ವಿಶ್ಲೇಷಣೆಗಳೊಂದಿಗೆ ಮಾತ್ರ ಮಾಡಬಹುದಾಗಿದೆ
ವಿವರಣೆ: H2S ಜೀವ ಸುರಕ್ಷತೆಯ ದೃಷ್ಟಿಯಿಂದ ಮಾರಣಾಂತಿಕ ಅನಿಲವಾಗಿದೆ; AI ಪತ್ತೆಹಚ್ಚುವಿಕೆ ಒಂದು ಸಹಾಯಕವಾದ ಪದರವಾಗಿರಬಹುದು, ಆದರೆ ಇದು ಸ್ವತಂತ್ರ, ಪ್ರಮಾಣೀಕೃತ ಭೌತಿಕ ಅನಿಲ ಶೋಧಕಗಳು ಮತ್ತು ಸ್ಥಳಾಂತರಿಸುವ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಬದಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಭದ್ರತಾ-ನಿರ್ಣಾಯಕ ಕಾರ್ಯಗಳು ಒಂದೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿರಬಾರದು, ಆದರೆ ಬಹು-ಪದರದ ಮತ್ತು ಸ್ವತಂತ್ರ ಭದ್ರತಾ ವ್ಯವಸ್ಥೆಗಳ ಮೇಲೆ (ಆಳದಲ್ಲಿ ರಕ್ಷಣೆ).
9. AI ನೊಂದಿಗೆ ಉಚಿತ ಪಠ್ಯ ಕೊರೆಯುವ ಲಾಗ್ ವರದಿಯನ್ನು ('ROP ಪೂರ್ತಿ ಶಿಫ್ಟ್, ಟಾರ್ಕ್ ಏರಿಳಿತ, ಸಂಭವನೀಯ ಮಣ್ಣಿನ ಉಬ್ಬುವಿಕೆ') ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಾಗ ಮುಖ್ಯ ಉದ್ದೇಶವೇನು?
- ಎ) ಯಾದೃಚ್ಛಿಕವಾಗಿ ವರದಿಯನ್ನು ಪುನಃ ಬರೆಯುವುದು
- ಬಿ) ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕೊರೆಯುವ ಆಳವನ್ನು ಹೆಚ್ಚಿಸಿ
- ಸಿ) ಅಸಂಗತ ಉಚಿತ ಪಠ್ಯವನ್ನು ಪ್ರಮಾಣಿತ ಕ್ಷೇತ್ರಗಳಿಗೆ ಭಾಷಾಂತರಿಸುವ ಮೂಲಕ ಡೇಟಾವನ್ನು ಪ್ರಶ್ನಿಸುವಂತೆ ಮಾಡುವುದು; 'ಸಾಧ್ಯ' ✔ ಟ್ಯಾಗ್ನೊಂದಿಗೆ ಇಂಜಿನಿಯರ್ಗೆ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ನೀಡಿ
- ಡಿ) ಭೌತಿಕವಾಗಿ ಬಾವಿಯನ್ನು ಮರುಸಂಖ್ಯೆ ಮಾಡುವುದು
ವಿವರಣೆ: AI ಅಸಮಂಜಸವಾದ ಮುಕ್ತ-ಪಠ್ಯ ಕಾರ್ಯಾಚರಣೆಯ ವರದಿಗಳನ್ನು ಪ್ರಮಾಣಿತ ಕ್ಷೇತ್ರಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ (ಘಟನೆಯ ಪ್ರಕಾರ, ಆಳ, ಸೂಚಕ ಬದಲಾವಣೆ, ಸಂಭವನೀಯ ಕಾರಣ, ಕ್ರಿಯೆ), ಡೇಟಾವನ್ನು ಪ್ರಶ್ನಿಸಬಹುದಾದ ಮತ್ತು ಹೋಲಿಸಬಹುದಾದಂತೆ ಮಾಡುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಮೂಲ ಕಾರಣ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ನಿರ್ಧಾರವನ್ನು ಕೊರೆಯುವ ಎಂಜಿನಿಯರ್ ದೃಢೀಕರಿಸುತ್ತಾರೆ; ಮಾದರಿಯು 'ಸಾಧ್ಯ' ಲೇಬಲ್ ಅನ್ನು ಉಳಿಸಿಕೊಳ್ಳಬೇಕು.
10. ಸೈಟ್-ನಿರ್ದಿಷ್ಟ ವೆಲ್ ಲಾಗ್, ಉತ್ಪಾದನೆ ಮತ್ತು ಸಾಮಾನ್ಯ AI ಉಪಕರಣಕ್ಕೆ ಮೀಸಲು ಡೇಟಾವನ್ನು ನಮೂದಿಸುವಾಗ ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?
- ಎ) ನಿಜವಾದ ನಿರ್ದೇಶಾಂಕಗಳು ಮತ್ತು ಉತ್ಪಾದನಾ ಮೌಲ್ಯಗಳನ್ನು ನಿಖರವಾಗಿ ನಮೂದಿಸುವುದು ಮತ್ತು ವೇಗವಾದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯುವುದು
- ಬಿ) ಗುರುತುಗಳು ಮತ್ತು ಮೌಲ್ಯಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು, ಪ್ರಾತಿನಿಧಿಕ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು ಮತ್ತು ಅನುಮೋದಿತ/ನಿಯಂತ್ರಿತ ಸಾಧನಗಳನ್ನು ಮಾತ್ರ ಬಳಸುವುದು ✔
- ಸಿ) ಸಂಪೂರ್ಣ ಕ್ಷೇತ್ರ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಲೋಡ್ ಮಾಡಲಾಗುತ್ತಿದೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ
- ಡಿ) ಡೇಟಾ ಗೌಪ್ಯವಾಗಿದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ ಮತ್ತು ಅದನ್ನು ಹಾಗೆಯೇ ಹಂಚಿಕೊಳ್ಳಿ.
ವಿವರಣೆ: ಉತ್ತಮ ನಿರ್ದೇಶಾಂಕಗಳು, ಉತ್ಪಾದನಾ ಹರಿವುಗಳು ಮತ್ತು ಮೀಸಲು ಮಾಹಿತಿಯು ವಾಣಿಜ್ಯಿಕವಾಗಿ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ ಮತ್ತು ಪರವಾನಗಿ ಹೊಂದಿರುವವರು/ಪಾಲುದಾರಿಕೆಗೆ ಸೇರಿದ ಗೌಪ್ಯ ಡೇಟಾ; ಇದು ಕೆಲವು ದೇಶಗಳಲ್ಲಿ ಸಾರ್ವಜನಿಕ ನಿಯಂತ್ರಣಕ್ಕೆ ಒಳಪಟ್ಟಿರುತ್ತದೆ. ಅನಿಯಂತ್ರಿತ ಬಾಹ್ಯ ಸೇವೆಯನ್ನು ಪ್ರವೇಶಿಸುವುದು ಸ್ಪರ್ಧೆ, ಒಪ್ಪಂದದ ಉಲ್ಲಂಘನೆ ಮತ್ತು ಕಾನೂನು ಅಪಾಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಗುರುತು/ಸಮನ್ವಯ/ವಾಸ್ತವ ಮೌಲ್ಯಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು ಅಥವಾ ಪ್ರಾತಿನಿಧಿಕ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು ಮತ್ತು ಅನುಮೋದಿತ, ಸಂಸ್ಥೆ-ನಿಯಂತ್ರಿತ ಸಾಧನಗಳನ್ನು ಮಾತ್ರ ಬಳಸುವುದು ಸರಿಯಾದ ವಿಧಾನವಾಗಿದೆ.
11. AI ಜೊತೆಗಿನ ಎಂಜಿನಿಯರಿಂಗ್ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ 'ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್ ಕಂಟ್ರೋಲ್' ಎಂದರೆ ಏನು?
- ಎ) ಫಲಿತಾಂಶದ ದಶಮಾಂಶ ಸ್ಥಾನಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದು
- ಬಿ) ಫಲಿತಾಂಶವು ಸರಿಸುಮಾರು 10 ಶ್ರೇಣಿಯ ನಿರೀಕ್ಷಿತ ಶಕ್ತಿಯಲ್ಲಿದೆಯೇ ಎಂಬುದನ್ನು ತ್ವರಿತ ಕೈ ಲೆಕ್ಕಾಚಾರದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸುವುದು ✔
- ಸಿ) ಫಲಿತಾಂಶದ ಗ್ರಾಫಿಕ್ ರೆಸಲ್ಯೂಶನ್ ಅನ್ನು ಅಳೆಯುವುದು
- ಡಿ) ಫಲಿತಾಂಶದ ಬಣ್ಣವನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದು
ವಿವರಣೆ: ಫಲಿತಾಂಶವು ಸ್ಥೂಲವಾಗಿ 10 ಶ್ರೇಣಿಯ ನಿರೀಕ್ಷಿತ ಶಕ್ತಿಯೊಳಗೆ ಇದೆಯೇ ಎಂದು ತ್ವರಿತ ಕೈ ಲೆಕ್ಕಾಚಾರದ ಮೂಲಕ ಪರೀಕ್ಷೆಯ ಪರಿಮಾಣದ ಪರಿಶೀಲನೆಯ ಕ್ರಮವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ಮರಳು ಜಲಾಶಯದ ಪ್ರವೇಶಸಾಧ್ಯತೆಯು ಮಿಲಿಡಾರ್ಸಿ ವ್ಯಾಪ್ತಿಯಲ್ಲಿರುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ, ಆದರೆ ಡಾರ್ಸಿಗಳ ಬದಲಿಗೆ ಸಾವಿರಾರು ಡಾರ್ಸಿಗಳ ಸಂಭವಿಸುವಿಕೆಯು ವಿವರಗಳಿಗೆ ಹೋಗದೆ ಘಟಕ ಅಥವಾ ಸಂಪಾದನೆ ದೋಷವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.
12. ಪೈಥಾನ್ನೊಂದಿಗೆ AI ಗೆ ಉತ್ಪಾದನಾ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಕೋಡ್ ಅನ್ನು ಮುದ್ರಿಸುವಾಗ ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಲು ಅತ್ಯಂತ ದೃಢವಾದ ಮಾರ್ಗ ಯಾವುದು?
- ಎ) ಕೋಡ್ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ ಮತ್ತು ದೋಷವನ್ನು ನೀಡದಿದ್ದರೆ, ಫಲಿತಾಂಶವನ್ನು ಸರಿಯಾಗಿ ಸ್ವೀಕರಿಸಿ.
- ಬಿ) ಯುನಿಟ್ ಪರೀಕ್ಷೆ, ಭೌತಿಕ ಮಿತಿ ಪರಿಶೀಲನೆ ಮತ್ತು ತಿಳಿದಿರುವ ಸಣ್ಣ ಮಾದರಿಯೊಂದಿಗೆ ಸ್ವತಂತ್ರ ವಿಧಾನದೊಂದಿಗೆ ಹೋಲಿಸುವುದು ✔
- ಸಿ) ಕೋಡ್ನ ದೊಡ್ಡ ಸಂಖ್ಯೆಯ ಸಾಲುಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ
- ಡಿ) ಗ್ರಾಫಿಕ್ ಔಟ್ಪುಟ್ ಬಣ್ಣವಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಲಾಗುತ್ತಿದೆ
ವಿವರಣೆ: ರಚಿಸಲಾದ ಕೋಡ್ ನಯವಾದ ಮತ್ತು ಸರಿಯಾಗಿದ್ದರೂ, ಅದು ಗುಪ್ತ ದೋಷಗಳನ್ನು ಹೊಂದಿರಬಹುದು (ತಪ್ಪಾದ ಘಟಕ, ಸ್ಥಳಾಂತರಗೊಂಡ ದಿನಾಂಕ, ಸೋರಿಕೆಯಾದ ಡೇಟಾ, ತಪ್ಪು ಸಂಗ್ರಹಣೆ). ತಿಳಿದಿರುವ ಸಣ್ಣ ಮಾದರಿಯಲ್ಲಿ ನಿರೀಕ್ಷಿತ ಔಟ್ಪುಟ್ ಅನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು, ಅದನ್ನು ಕೋಡ್ನಲ್ಲಿ ಪರಿಶೀಲಿಸುವುದು (ಘಟಕ ಪರೀಕ್ಷೆ), ಭೌತಿಕ ಮಿತಿಗಳ ವಿರುದ್ಧ ಮಧ್ಯಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು (ಉದಾಹರಣೆಗೆ ಋಣಾತ್ಮಕ ಹರಿವಿನ ಪ್ರಮಾಣ) ಮತ್ತು ಅವುಗಳನ್ನು ಸ್ವತಂತ್ರ ವಿಧಾನದೊಂದಿಗೆ ಹೋಲಿಸುವುದು ಅತ್ಯಂತ ದೃಢವಾದ ಪರಿಶೀಲನೆಯಾಗಿದೆ.
13. ಮೀಸಲು ವರದಿಯಲ್ಲಿ (ಉದಾ. PRMS/SEC) AI- ರಚಿತವಾದ EUR ಮುನ್ಸೂಚನೆಯನ್ನು ಬಳಸುವ ಅತ್ಯಂತ ನಿಖರವಾದ ಹೇಳಿಕೆ ಯಾವುದು?
- ಎ) AI ಔಟ್ಪುಟ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾನ್ಯವಾಗಿರುವುದರಿಂದ ಮೌಲ್ಯಮಾಪಕರ ಅನುಮೋದನೆಯು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ
- ಬಿ) AI ಸಹಾಯಕವಾಗಿದೆ; ವಿಧಾನ, ಇನ್ಪುಟ್ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಸಮರ್ಥ ಮೌಲ್ಯಮಾಪಕರು ಪತ್ತೆಹಚ್ಚಬೇಕು, ದಾಖಲಿಸಬೇಕು ಮತ್ತು ಅನುಮೋದಿಸಬೇಕು ✔
- ಸಿ) ಹೆಚ್ಚಿನ EUR ಮೌಲ್ಯವನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಗೆ ಯಾವಾಗಲೂ ಆದ್ಯತೆ ನೀಡಬೇಕು.
- ಡಿ) ಮೀಸಲು ಘೋಷಣೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು ಮತ್ತು ಮಾನವ ನಿಯಂತ್ರಣವನ್ನು ತೆಗೆದುಹಾಕಬಹುದು
ವಿವರಣೆ: ಮೀಸಲು ವರದಿಗಳು ಲೆಕ್ಕಪರಿಶೋಧನೆ ಮಾಡಬಹುದಾದ ದಾಖಲೆಗಳಾಗಿವೆ, ಅದು ಹೂಡಿಕೆದಾರ ಮತ್ತು ನಿಯಂತ್ರಕ ನಿರ್ಧಾರಗಳಿಗೆ ಆಧಾರವಾಗಿದೆ ಮತ್ತು ಅರ್ಹ ಮೀಸಲು ಮೌಲ್ಯಮಾಪಕರ ಜವಾಬ್ದಾರಿಯಡಿಯಲ್ಲಿದೆ. AI ಡೇಟಾ ಕ್ಲೀನಿಂಗ್, ಡ್ರೀಮ್ ಫಿಟ್ಟಿಂಗ್ ಮತ್ತು ಸನ್ನಿವೇಶ ಸೃಷ್ಟಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದು; ಆದಾಗ್ಯೂ, ಅಂಕಿಅಂಶಗಳ ವಿಧಾನ, ಒಳಹರಿವು ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ರೀತಿಯಲ್ಲಿ ದಾಖಲಿಸಬೇಕು ಮತ್ತು ಅಧಿಕೃತ ಮೌಲ್ಯಮಾಪಕರಿಂದ ಅನುಮೋದಿಸಬೇಕು. AI ಮಾತ್ರ ಮೀಸಲು ಘೋಷಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ.
14. ತೈಲ ಮತ್ತು ಅನಿಲ ಇಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಯ ಬಳಕೆಯ ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯ ಕುರಿತು ಯಾವ ಹೇಳಿಕೆಯು ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ?
- ಎ) AI ಔಟ್ಪುಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವುದರಿಂದ, ಜವಾಬ್ದಾರಿಯು ಸಾಫ್ಟ್ವೇರ್ ಕಂಪನಿಗೆ ಹೋಗುತ್ತದೆ
- ಬಿ) AI ಬೆಂಬಲ ಮತ್ತು ವೇಗವರ್ಧನೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ; ನಿರ್ಧಾರ ಮತ್ತು ವರದಿಯ ಜವಾಬ್ದಾರಿಯು ಅಧಿಕೃತ ಎಂಜಿನಿಯರ್ಗೆ ಉಳಿದಿದೆ, ಔಟ್ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಮಾನವ ಅನುಮೋದಿಸಬೇಕು ✔
- ಸಿ) AI ಔಟ್ಪುಟ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮಾನ್ಯವಾಗಿರುವುದರಿಂದ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ
- ಡಿ) ಜವಾಬ್ದಾರಿಯು ಕ್ಷೇತ್ರ ತಂಡಕ್ಕೆ ಮಾತ್ರ ಇರುತ್ತದೆ, ಇದು ಕಚೇರಿ ಎಂಜಿನಿಯರ್ಗೆ ಸಂಬಂಧಿಸುವುದಿಲ್ಲ
ವಿವರಣೆ: ಡೇಟಾ ಸಂಸ್ಕರಣೆ, ಡ್ರಾಫ್ಟಿಂಗ್, ಅನ್ವೇಷಣೆ ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್ ವೇಗವರ್ಧನೆಯಂತಹ ಬೆಂಬಲ ಕಾರ್ಯದಲ್ಲಿ AI ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ; ಆದಾಗ್ಯೂ, ಸಹಿ ಮಾಡಿದ ವರದಿ, ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರ, ಬಾವಿ ವಿನ್ಯಾಸ ಮತ್ತು ಮೀಸಲು ಘೋಷಣೆಯ ಜವಾಬ್ದಾರಿಯು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್/ಮೌಲ್ಯಮಾಪಕರಿಗೆ ಉಳಿದಿದೆ. ಔಟ್ಪುಟ್ಗಳು ಆಡಿಟ್ ಮಾಡಬಹುದಾದ, ಪರಿಶೀಲಿಸಬಹುದಾದ ಮತ್ತು ಮಾನವ-ಅನುಮೋದಿತವಾಗಿರಬೇಕು.