ಲಾಭಗಳು:
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಹಾಯದಿಂದ ವರದಿ ಮಾಡಲು ಡೇಟಾದಿಂದ ಎಂಡ್-ಟು-ಎಂಡ್ ಪೈಥಾನ್ ವಿಶ್ಲೇಷಣೆ ವರ್ಕ್ಫ್ಲೋ ಅನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಘಟಕ ಹೊಂದಾಣಿಕೆ, ಸೋರಿಕೆ ಮತ್ತು ಪುನರುತ್ಪಾದನೆಯ ವಿಷಯದಲ್ಲಿ ರಚಿತವಾದ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಶಕ್ತಿ ಯೋಜನೆಗಳಲ್ಲಿ ನೈತಿಕತೆ, ಗೌಪ್ಯತೆ, ಸೈಬರ್ ಭದ್ರತೆ ಮತ್ತು ಇಂಜಿನಿಯರ್ ಜವಾಬ್ದಾರಿ ಮಿತಿಗಳನ್ನು ಆಚರಣೆಗೆ ತರುವ ಸಾಮರ್ಥ್ಯ
ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ
1. ಶಕ್ತಿ ವ್ಯವಸ್ಥೆಗಳ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ AI ಉತ್ಪಾದನೆಯ ಅಪಾಯವನ್ನು ನಿರ್ಧರಿಸುವ ಮೂಲ 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. ಪ್ರಸ್ತುತಿ ಪಠ್ಯದಲ್ಲಿನ ಸಣ್ಣ ದೋಷವು ನಿರುಪದ್ರವವಾಗಿರಬಹುದು, ರಿಲೇ ರಕ್ಷಣೆ ಸೆಟ್ಟಿಂಗ್ ಅಥವಾ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಲೋಡಿಂಗ್ ನಿರ್ಧಾರದಲ್ಲಿನ ದೋಷವು ಉಪಕರಣದ ಹಾನಿ, ನಿಲುಗಡೆ ಮತ್ತು ಜೀವ ಸುರಕ್ಷತೆಯ ಅಪಾಯಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು; ಆದ್ದರಿಂದ ಸಂಭವನೀಯ ಹಾನಿಯೊಂದಿಗೆ ಪರಿಶೀಲನೆ ತೀವ್ರತೆಯ ಮಾಪಕಗಳು.
2. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಶಕ್ತಿಯ ಸಮಯದ ಸರಣಿಯ ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸುವಾಗ ಸಾಮಾನ್ಯವಾದ ಅಪಾಯ ಯಾವುದು ಮತ್ತು ಇದು ಫಲಿತಾಂಶಗಳನ್ನು ಹೆಚ್ಚು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ?
- ಎ) ಗ್ರಾಫಿಕ್ ಬಣ್ಣಗಳ ತಪ್ಪಾದ ಆಯ್ಕೆ
- ಬಿ) ಸಮಯ ವಲಯ, ಹಗಲು ಉಳಿಸುವ ಸಮಯ ಮತ್ತು ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ ಲೇಬಲ್ ಗೊಂದಲ ✔
- ಸಿ) ಫೈಲ್ ಹೆಸರು ತುಂಬಾ ಉದ್ದವಾಗಿದೆ
- ಡಿ) CSV ಬದಲಿಗೆ ಎಕ್ಸೆಲ್ ನಲ್ಲಿ ಡೇಟಾವನ್ನು ಇರಿಸುವುದು
ವಿವರಣೆ: ಸಮಯ ವಲಯದ ಪ್ರಾರಂಭ/ಅಂತ್ಯ ಟ್ಯಾಗ್ ಗೊಂದಲಗಳು, ಡೇಲೈಟ್ ಸೇವಿಂಗ್ ಟೈಮ್ (DST), ಮತ್ತು ಟೈಮ್ಸ್ಟ್ಯಾಂಪ್ ಶಕ್ತಿ ಡೇಟಾದಲ್ಲಿ ತುಂಬಾ ಸಾಮಾನ್ಯವಾಗಿದೆ; ಒಂದು-ಗಂಟೆಯ ಶಿಫ್ಟ್ ಸಂಪೂರ್ಣ ದಿನದ ಪ್ರಕಾರ ಮತ್ತು ಗರಿಷ್ಠ-ಗಂಟೆಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ, ಪ್ರತಿ ವಿಶ್ಲೇಷಣೆಯ ಮೊದಲು ಸಮಯದ ಅಕ್ಷವನ್ನು ಪ್ರಮಾಣೀಕರಿಸಬೇಕು ಮತ್ತು ಸೂರ್ಯೋದಯ / ಗರಿಷ್ಠ ಸಮಯದಂತಹ ಭೌತಿಕ ಆಂಕರ್ಗಳ ವಿರುದ್ಧ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು.
3. ಅಲ್ಪಾವಧಿಯ ಲೋಡ್ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ MAPE (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ಶೇಕಡಾ ದೋಷ) ಕಡಿಮೆ ಕಂಡುಬಂದರೂ, ಮುನ್ಸೂಚನೆಯು ಇನ್ನೂ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ ಎಂದು ಯಾವ ಸನ್ನಿವೇಶವು ತೋರಿಸುತ್ತದೆ?
- ಎ) MAPE ಯಾವಾಗಲೂ ಮುನ್ಸೂಚನೆ ಗುಣಮಟ್ಟದ ಸಂಪೂರ್ಣ ಮತ್ತು ಸಮರ್ಪಕ ಅಳತೆಯಾಗಿದೆ
- ಬಿ) ಸರಾಸರಿ ಕಡಿಮೆ ಇದ್ದರೂ, ಪೀಕ್ ಅವರ್ಗಳಲ್ಲಿ ವ್ಯವಸ್ಥಿತ ವಿಚಲನವಿರಬಹುದು ಮತ್ತು ಅಲ್ಲಿಯೇ ಗ್ರಿಡ್ ನಿರ್ಣಾಯಕವಾಗಿದೆ ✔
- ಸಿ) ದೀರ್ಘಾವಧಿಯ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಮಾತ್ರ MAPE ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ
- ಡಿ) ಕಡಿಮೆ MAPE ಮಾದರಿಯು ಭೌತಿಕವಾಗಿ ಸರಿಯಾಗಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ
ವಿವರಣೆ: MAPE ಒಂದು ಸರಾಸರಿ ದೋಷವಾಗಿದೆ; ಒಟ್ಟು ಮೊತ್ತವು ಉತ್ತಮವಾಗಿ ಕಂಡುಬಂದರೂ ಸಹ, ಪೀಕ್ ಅವರ್ಗಳು ಮತ್ತು ಕಾಲೋಚಿತ ಪರಿವರ್ತನೆಗಳಲ್ಲಿ ವ್ಯವಸ್ಥಿತ ವಿಚಲನಗಳು ಇರಬಹುದು. ನೆಟ್ವರ್ಕ್ ಸಮತೋಲನವು ಈ ಗರಿಷ್ಠ ಕ್ಷಣಗಳಲ್ಲಿ ನಿಖರವಾಗಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ, ಆದ್ದರಿಂದ ಸರಾಸರಿ ಮೆಟ್ರಿಕ್ ಉತ್ತಮವಾಗಿರುವುದರಿಂದ ಊಹಿಸಲು ಸುರಕ್ಷಿತವೆಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ; ಸಮಯ ಮತ್ತು ಆಡಳಿತದ ಆಧಾರದ ಮೇಲೆ ದೋಷವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ವಿಶ್ಲೇಷಿಸಬೇಕು.
4. ಸೌರ ಸ್ಥಾವರ ಉತ್ಪಾದನೆಯ ಮುನ್ಸೂಚನೆಯ ಸಮಂಜಸತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಅತ್ಯಂತ ದೃಢವಾದ ಭೌತಿಕ ಮೇಲ್ಭಾಗ ಯಾವುದು?
- ಎ) ಕಳೆದ ವರ್ಷದ ಒಟ್ಟು ಬಿಲ್
- ಬಿ) ಭೌತಿಕ ಉತ್ಪಾದನಾ ಸೀಲಿಂಗ್ ವಿಕಿರಣ, ಪ್ಯಾನಲ್ ಪ್ರದೇಶ ಮತ್ತು ಸ್ಥಾಪಿಸಲಾದ ಶಕ್ತಿಯಿಂದ ಸೀಮಿತವಾಗಿದೆ (ರಾತ್ರಿಯಲ್ಲಿ ಶೂನ್ಯ ಸೇರಿದಂತೆ) ✔
- ಸಿ) ಮಾದರಿ ನೀಡಿದ ವಿಶ್ವಾಸದ ಶೇಕಡಾವಾರು
- ಡಿ) ಗಾಳಿಯ ವೇಗ ಮಾಪನ
ವಿವರಣೆ: ಸೌರ ವಿದ್ಯುತ್ ಸ್ಥಾವರವು ಸೌರ ವಿಕಿರಣ ಮತ್ತು ಪ್ಯಾನಲ್ ಸಾಮರ್ಥ್ಯ ಅನುಮತಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ; ಉತ್ಪಾದನೆಯು ರಾತ್ರಿಯಲ್ಲಿ ಶೂನ್ಯವಾಗಿರುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ, ಮಧ್ಯಾಹ್ನದ ಸುಮಾರಿಗೆ ಗರಿಷ್ಠ ಮಟ್ಟವನ್ನು ತಲುಪುತ್ತದೆ ಮತ್ತು ಸ್ಥಾಪಿಸಲಾದ ವಿದ್ಯುತ್ ಮತ್ತು ಮಾಡ್ಯೂಲ್ ಪ್ರದೇಶದಿಂದ ಸೀಮಿತವಾಗಿರುತ್ತದೆ. ಮಾದರಿಯು ರಾತ್ರಿಯ ಉತ್ಪಾದನೆ ಅಥವಾ ಸ್ಥಾಪಿತ ಸಾಮರ್ಥ್ಯವನ್ನು ಮೀರಿದ ಮೌಲ್ಯವನ್ನು ನೀಡಿದರೆ ಅದು ಭೌತಿಕವಾಗಿ ಅಸಾಧ್ಯ. ಈ ಪರಿಶೀಲನೆಯು ಅಂಕಿಅಂಶಗಳನ್ನು ನೋಡದೆ ಭವಿಷ್ಯವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ.
5. ಸ್ಮಾರ್ಟ್ ಗ್ರಿಡ್ನಲ್ಲಿ ನೇರವಾಗಿ ಅಳವಡಿಸುವ ಮೊದಲು AI ಆಪ್ಟಿಮೈಸೇಶನ್ ಪ್ರಸ್ತಾಪವನ್ನು ರವಾನಿಸಬೇಕಾದ ಫಿಲ್ಟರ್ ಯಾವುದು?
- ಎ) ಕೇವಲ ಕಡಿಮೆ ವೆಚ್ಚವನ್ನು ಒದಗಿಸುವ ಸಲಹೆ ಸಾಕು.
- ಬಿ) ಮಾದರಿಯು ಹೆಚ್ಚಿನ ನಿಖರತೆಗೆ ತರಬೇತಿ ನೀಡಿದರೆ ಸಾಕು
- ಸಿ) ಸುರಕ್ಷತಾ ನಿರ್ಬಂಧಗಳು (ವೋಲ್ಟೇಜ್, ಥರ್ಮಲ್, N-1) ನಿಯಂತ್ರಣ ಮತ್ತು ಅಧಿಕೃತ ಆಪರೇಟರ್ ಅನುಮೋದನೆ ✔
- ಡಿ) ಶಿಫಾರಸು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವುದು ಸಾಕು
ವಿವರಣೆ: ನೆಟ್ವರ್ಕ್ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕವಾಗಿದೆ: ವೋಲ್ಟೇಜ್, ಕರೆಂಟ್, ಥರ್ಮಲ್ ಮತ್ತು N-1 (ಎಲಿಮೆಂಟ್ ವೈಫಲ್ಯ) ನಿರ್ಬಂಧಗಳನ್ನು ಉಲ್ಲಂಘಿಸುವ ಯಾವುದೇ ಶಿಫಾರಸುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ. AI ಔಟ್ಪುಟ್ ಅನ್ನು ಮೊದಲು ಈ ಭದ್ರತಾ ನಿರ್ಬಂಧಗಳ ಮೂಲಕ ರವಾನಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಅನುಮೋದನೆಗಾಗಿ ಅಧಿಕೃತ ಆಪರೇಟರ್ಗೆ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ; ಆಪ್ಟಿಮೈಸೇಶನ್ ಭದ್ರತಾ ನಿರ್ಬಂಧದ ರೀತಿಯಲ್ಲಿ ಎಂದಿಗೂ ಸಿಗುವುದಿಲ್ಲ.
6. ಬ್ಯಾಟರಿ ಶೇಖರಣಾ ವ್ಯವಹಾರದಲ್ಲಿ AI ಯೊಂದಿಗೆ ಮಧ್ಯಸ್ಥಿಕೆ (ಅಗ್ಗವಾಗಿ ಖರೀದಿಸಿ, ಹೆಚ್ಚು ಮಾರಾಟ) ತಂತ್ರವನ್ನು ಸ್ಥಾಪಿಸುವಾಗ ಯಾವ ವೆಚ್ಚವನ್ನು ಆಗಾಗ್ಗೆ ಕಡೆಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಲಾಭವನ್ನು ದಾರಿ ತಪ್ಪಿಸುತ್ತದೆ?
- ಎ) ಇಂಟರ್ನೆಟ್ ಸಂಪರ್ಕ ಶುಲ್ಕ
- ಬಿ) ಅವನತಿ (ಧರಿಸುವಿಕೆ) ಮತ್ತು ಪ್ರತಿ ಚಕ್ರಕ್ಕೆ ದಕ್ಷತೆಯ ನಷ್ಟ ವೆಚ್ಚ ✔
- ಸಿ) ಸಿಬ್ಬಂದಿಯ ಕಾಫಿ ವಿರಾಮದ ಅವಧಿ
- ಡಿ) ಬ್ಯಾಟರಿಯ ಬಣ್ಣ
ವಿವರಣೆ: ಪ್ರತಿ ಚಾರ್ಜ್-ಡಿಸ್ಚಾರ್ಜ್ ಸೈಕಲ್ ಬ್ಯಾಟರಿಯನ್ನು ಧರಿಸುತ್ತದೆ; ಅವನತಿ (ಆರೋಗ್ಯದ ನಷ್ಟ) ನಿಜವಾದ ವೆಚ್ಚವಾಗಿದೆ ಮತ್ತು ಖಾತರಿ ಮಿತಿಗಳನ್ನು ಹೊರಹಾಕುತ್ತದೆ. ಬೆಲೆ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾತ್ರ ನೋಡುವ ಆರ್ಬಿಟ್ರೇಜ್ ವಿಶ್ಲೇಷಣೆಯು ಲಾಭವನ್ನು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಸೈಕಲ್ಗೆ ಅವನತಿ ವೆಚ್ಚ ಮತ್ತು ದಕ್ಷತೆಯ ನಷ್ಟವನ್ನು ನಿರ್ಲಕ್ಷಿಸಿದರೆ ಬ್ಯಾಟರಿಯ ಜೀವಿತಾವಧಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
7. ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಅಸಂಗತ ಪತ್ತೆ ಮಾದರಿಯ ಮಿತಿ ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸುವಾಗ ಪ್ರಮುಖ ಸಮತೋಲನ ಯಾವುದು?
- ಎ) ತಪ್ಪು ಎಚ್ಚರಿಕೆ ಮತ್ತು ತಪ್ಪಿದ ವೈಫಲ್ಯದ ವೆಚ್ಚಗಳ ನಡುವಿನ ಪ್ರಜ್ಞಾಪೂರ್ವಕ ಸಮತೋಲನ ✔
- ಬಿ) ಮಿತಿಯನ್ನು ಯಾವಾಗಲೂ ಸಾಧ್ಯವಾದಷ್ಟು ಕಡಿಮೆ ಇರಿಸಬೇಕು
- ಸಿ) ಮಾದರಿಯ ನಿಖರತೆಯ ಶೇಕಡಾವಾರು ಪ್ರಮಾಣವನ್ನು ನೋಡುವ ಮೂಲಕ ಮಿತಿಯನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ
- ಡಿ) ಮಿತಿಯನ್ನು ಹೊಂದಿಸಿದ ನಂತರ, ಅದನ್ನು ಎಂದಿಗೂ ಬದಲಾಯಿಸಬಾರದು.
ವಿವರಣೆ: ಮಿತಿಯನ್ನು ಕಡಿಮೆಗೊಳಿಸಿದರೆ, ತಪ್ಪು ಎಚ್ಚರಿಕೆಗಳು (ಯಾವುದೇ ದೋಷವಿಲ್ಲದಿದ್ದಾಗ ಎಚ್ಚರಿಕೆಗಳು) ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ತಂಡವು ಅಲಾರಂಗಳ ಬಗ್ಗೆ ಅಪನಂಬಿಕೆಯನ್ನು ಹೊಂದುತ್ತದೆ; ಮಿತಿಯನ್ನು ಹೆಚ್ಚಿಸಿದರೆ, ತಪ್ಪಿದ ದೋಷದ ಅಪಾಯವು ಹೆಚ್ಚಾಗುತ್ತದೆ (ನಿಜವಾದ ದೋಷವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತದೆ). ಸರಿಯಾದ ಮಿತಿಯು ತಪ್ಪು ಎಚ್ಚರಿಕೆಯ ವೆಚ್ಚ ಮತ್ತು ತಪ್ಪಿದ ದೋಷದ ವೆಚ್ಚದ ನಡುವಿನ ಪ್ರಜ್ಞಾಪೂರ್ವಕ ಸಮತೋಲನವಾಗಿದೆ (ಉದಾ. ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಸ್ಫೋಟ) ಮತ್ತು ಉಪಕರಣದ ವಿಮರ್ಶಾತ್ಮಕತೆಗೆ ಅನುಗುಣವಾಗಿ ಸರಿಹೊಂದಿಸಲಾಗುತ್ತದೆ.
8. ಇಂಧನ ದಕ್ಷತೆಯ ಯೋಜನೆಯಲ್ಲಿ ಉಳಿತಾಯದ ಕ್ಲೈಮ್ ಅನ್ನು ಪರಿಶೀಲಿಸಲು ಮಾಪನ ಮತ್ತು ಪರಿಶೀಲನೆ (M&V) ಚೌಕಟ್ಟಿನ ಮೂಲಭೂತ ತರ್ಕವೇನು?
- ಎ) ಇನ್ವಾಯ್ಸ್ ಮೊತ್ತದಲ್ಲಿನ ಪ್ರತಿ ಇಳಿಕೆಯನ್ನು ನೇರ ಉಳಿತಾಯ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ
- ಬಿ) ಉಳಿತಾಯವು ಹೊಂದಾಣಿಕೆಯ ಬೇಸ್ಲೈನ್ ಮತ್ತು ಅಳತೆ ಮಾಡಲಾದ ಬಳಕೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿದೆ ✔
- ಸಿ) ಉಳಿತಾಯವನ್ನು ತಯಾರಕರ ಕ್ಯಾಟಲಾಗ್ ಮೌಲ್ಯದಲ್ಲಿ ಮಾತ್ರ ಘೋಷಿಸಲಾಗುತ್ತದೆ
- ಡಿ) ಮಾದರಿಯು ಏನನ್ನು ಊಹಿಸುತ್ತದೆಯೋ ಅದಕ್ಕೆ ಸಮಾನವಾದ ಉಳಿತಾಯ
ವಿವರಣೆ: ಉಳಿತಾಯವನ್ನು ನೇರವಾಗಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ; ಮುನ್ನೆಚ್ಚರಿಕೆಗಳನ್ನು ತೆಗೆದುಕೊಂಡ ನಂತರ ಸೇವನೆಯನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ. ಉಳಿತಾಯವು ಅಳತೆಯ ಬಳಕೆ ಮತ್ತು ಬೇಸ್ಲೈನ್ 'ಅಳತೆ ಇಲ್ಲದೆ ಏನು ಸೇವಿಸಲ್ಪಡುತ್ತದೆ' ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿದೆ. ಆದ್ದರಿಂದ ಹವಾಮಾನ/ಉತ್ಪಾದನೆಯಂತಹ ವೇರಿಯಬಲ್ಗಳಿಗೆ ಬೇಸ್ಲೈನ್ ಮಾದರಿಯನ್ನು ಸರಿಪಡಿಸಬೇಕು, ಈ ಹೊಂದಾಣಿಕೆಯ ಉಲ್ಲೇಖದ ವಿರುದ್ಧ ಲೆಕ್ಕಹಾಕಿದ ಉಳಿತಾಯ.
9. ವಿದ್ಯುತ್ ಬೆಲೆ ಮುನ್ಸೂಚನೆ ಮಾದರಿಯಲ್ಲಿ 'ಓವರ್ ಫಿಟ್ಟಿಂಗ್' ವಿಶೇಷವಾಗಿ ಅಪಾಯಕಾರಿ ಏಕೆ?
- ಎ) ಏಕೆಂದರೆ ಇದು ಮಾದರಿಯನ್ನು ನಿಧಾನಗೊಳಿಸುತ್ತದೆ
- ಬಿ) ಇದು ಹಿಂದಿನ ಶಬ್ದವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ಭವಿಷ್ಯದಲ್ಲಿ ಕುಸಿಯುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಆಡಳಿತ ಬದಲಾದಾಗ ಮತ್ತು ಹೆಚ್ಚಿನ ಆತ್ಮವಿಶ್ವಾಸದಿಂದ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ ✔
- ಸಿ) ಇದು ಹೆಚ್ಚು ಮೆಮೊರಿಯನ್ನು ಬಳಸುವುದರಿಂದ
- ಡಿ) ಏಕೆಂದರೆ ಇದು ಗ್ರಾಫಿಕ್ಸ್ ಅನ್ನು ಓದಲು ಕಷ್ಟವಾಗುತ್ತದೆ
ವಿವರಣೆ: ಮಾದರಿಯು ಪುನರಾವರ್ತನೆಯಾಗದ ಐತಿಹಾಸಿಕ ಡೇಟಾದಲ್ಲಿನ ಶಬ್ದ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವಾಗ ಓವರ್ಫಿಟ್ಟಿಂಗ್ ಆಗಿದೆ; ಬ್ಯಾಕ್ಟೆಸ್ಟಿಂಗ್ ಪರಿಪೂರ್ಣವಾಗಿ ಕಾಣುತ್ತದೆ ಆದರೆ ಭವಿಷ್ಯದಲ್ಲಿ ಕ್ರ್ಯಾಶ್ ಆಗುತ್ತದೆ. ಬೆಲೆ ಡೇಟಾವು ಆಡಳಿತವನ್ನು ಬದಲಾಯಿಸುವುದರಿಂದ (ಇಂಧನ ಬೆಲೆ ಆಘಾತ, ಶಾಸನ ಬದಲಾವಣೆ), ಕಂಠಪಾಠ ಮಾಡಲಾದ ಮಾದರಿಯು ಅಮಾನ್ಯವಾಗುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸದೊಂದಿಗೆ ತಪ್ಪಾದ ಬಿಡ್ಡಿಂಗ್ಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
10. ಲೋಡ್ ಶಿಫ್ಟಿಂಗ್ಗೆ ಗಂಟೆಯ ಇಂಗಾಲದ ತೀವ್ರತೆಯ ಪರಿಕಲ್ಪನೆಯು (ಆ ಗಂಟೆಯಲ್ಲಿ ಒಂದು kWh ವಿದ್ಯುತ್ನ gCO2 ಮೌಲ್ಯ) ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?
- ಎ) ಕಾರ್ಬನ್ ಸಾಂದ್ರತೆಯು ಪ್ರತಿ ಗಂಟೆಗೆ ಒಂದೇ ಆಗಿರುತ್ತದೆ, ಆದ್ದರಿಂದ ಇದು ಅಪ್ರಸ್ತುತವಾಗುತ್ತದೆ
- ಬಿ) ಏಕೆಂದರೆ ಇದು ಸರಕುಪಟ್ಟಿ ಮೊತ್ತದ ಮೇಲೆ ಮಾತ್ರ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ
- ಸಿ) ನವೀಕರಿಸಬಹುದಾದ ಪಾಲನ್ನು ಅವಲಂಬಿಸಿ ಗಂಟೆಗೆ ಬದಲಾಗುತ್ತದೆ; ಹೊಂದಿಕೊಳ್ಳುವ ಲೋಡ್ ಅನ್ನು ಕಡಿಮೆ-ತೀವ್ರತೆಯ ಗಂಟೆಗೆ ಬದಲಾಯಿಸುವುದು ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ✔
- ಡಿ) ಏಕೆಂದರೆ ಇದು ರಾತ್ರಿ ಸುಂಕಕ್ಕೆ ಮಾತ್ರ ಸಂಬಂಧಿಸಿದೆ
ವಿವರಣೆ: ಗ್ರಿಡ್ನ ಇಂಗಾಲದ ತೀವ್ರತೆಯು ಗಂಟೆಗೊಮ್ಮೆ ಬದಲಾಗುತ್ತದೆ: ನವೀಕರಿಸಬಹುದಾದ ಉತ್ಪಾದನೆಯು ಹೆಚ್ಚಿರುವ ಸಮಯದಲ್ಲಿ ಕಡಿಮೆ ಮತ್ತು ಪಳೆಯುಳಿಕೆ ವಿದ್ಯುತ್ ಸ್ಥಾವರಗಳು ಆನ್ಲೈನ್ಗೆ ಬಂದಾಗ ಗರಿಷ್ಠ ಸಮಯದಲ್ಲಿ ಅಧಿಕವಾಗಿರುತ್ತದೆ. ಹೊಂದಿಕೊಳ್ಳುವ ಲೋಡ್ಗಳನ್ನು ಕಡಿಮೆ-ಪೀಕ್ ಅವರ್ಸ್ಗೆ ಬದಲಾಯಿಸುವುದರಿಂದ ಅದೇ ಶಕ್ತಿಯನ್ನು ಸೇವಿಸಲು ಅನುಮತಿಸುತ್ತದೆ ಆದರೆ ಕಡಿಮೆ ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಸರಾಸರಿ ವಾರ್ಷಿಕ ಅಂಶವು ಈ ಅವಕಾಶವನ್ನು ಮರೆಮಾಡುತ್ತದೆ.
11. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಪೈಥಾನ್ ವಿಶ್ಲೇಷಣೆ ಕೋಡ್ನಲ್ಲಿ 'ಡೇಟಾ ಸೋರಿಕೆ' ಎಂದರೆ ಏನು ಮತ್ತು ಅದು ಏಕೆ ಅಪಾಯಕಾರಿ?
- ಎ) ಡಿಸ್ಕ್ನಿಂದ ಡೇಟಾವನ್ನು ಅಳಿಸುವುದು
- ಬಿ) ಮಾದರಿಯು ಭವಿಷ್ಯದ ಮಾಹಿತಿಯನ್ನು ತರಬೇತಿಯಲ್ಲಿ ಬಳಸುತ್ತದೆ, ಅದು ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿರುವುದಿಲ್ಲ; ಪರೀಕ್ಷೆ ಒಳ್ಳೆಯದು ಆದರೆ ವಾಸ್ತವವು ಕೆಟ್ಟದು ✔
- ಸಿ) ಇಂಟರ್ನೆಟ್ಗೆ ಸೋರಿಕೆಯಾಗುವುದನ್ನು ಹೊರತುಪಡಿಸಿ ಡೇಟಾಗೆ ಯಾವುದೇ ಅರ್ಥವಿಲ್ಲ
- ಡಿ) ಕೋಡ್ ತುಂಬಾ ನಿಧಾನವಾಗಿ ಚಲಿಸುತ್ತದೆ
ವಿವರಣೆ: ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಭವಿಷ್ಯದಲ್ಲಿ ನಿಜವಾಗಿ ಕಂಡುಬರುವ ಮಾಹಿತಿಯನ್ನು ಮಾದರಿಯು ಪ್ರವೇಶಿಸಿದಾಗ ಡೇಟಾ ಸೋರಿಕೆಯಾಗಿದೆ; ಉದಾಹರಣೆಗೆ, ಒಂದು ಗುಣಲಕ್ಷಣವಾಗಿ ಊಹಿಸಲು ಗಂಟೆಯ ನಿಜವಾದ ಮೌಲ್ಯವನ್ನು ಬಳಸುವುದು. ಇದು ಪರಿಪೂರ್ಣ ಬ್ಯಾಕ್ಟೆಸ್ಟಿಂಗ್ಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಆದರೆ ವಾಸ್ತವದಲ್ಲಿ ನಿಷ್ಪ್ರಯೋಜಕವಾಗಿದೆ. ಸಮಯ ಸರಣಿಯಲ್ಲಿನ ಹಿಂದಿನ/ಭವಿಷ್ಯದ ಗಡಿಯನ್ನು ಕೋಡ್ನಲ್ಲಿ ಎಚ್ಚರಿಕೆಯಿಂದ ನಿರ್ವಹಿಸಬೇಕು.
12. ಸಾಮಾನ್ಯ AI ಉಪಕರಣಕ್ಕೆ ಶಕ್ತಿ ಕಂಪನಿ SCADA ಡೇಟಾವನ್ನು ಕಳುಹಿಸುವಾಗ ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?
- ಎ) ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಕಳುಹಿಸುವುದು ಅತ್ಯಂತ ನಿಖರವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ
- ಬಿ) ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು ಮತ್ತು ಅನುಮೋದಿತ ಸಾಧನದೊಂದಿಗೆ ಅಗತ್ಯವಾದ ತಾಂತ್ರಿಕ ಉಪವಿಭಾಗವನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳುವುದು ✔
- ಸಿ) ಡೇಟಾ ಹೇಗಿದ್ದರೂ ತೆರೆದಿರುವುದರಿಂದ ಮುನ್ನೆಚ್ಚರಿಕೆ ಅನಗತ್ಯ
- ಡಿ) ಫೈಲ್ ಹೆಸರನ್ನು ಬದಲಾಯಿಸಿದರೆ ಸಾಕು
ವಿವರಣೆ: SCADA ಮತ್ತು ನೆಟ್ವರ್ಕ್ ಟೋಪೋಲಜಿ ಡೇಟಾ ನಿರ್ಣಾಯಕ ಮೂಲಸೌಕರ್ಯ ಮಾಹಿತಿಯಾಗಿದೆ; ಅದನ್ನು ಸಾರ್ವಜನಿಕ ಕ್ಲೌಡ್ಗೆ ಕಳುಹಿಸುವುದು ಗೌಪ್ಯತೆ, ಸ್ಪರ್ಧೆ ಮತ್ತು ಸೈಬರ್ ಸುರಕ್ಷತೆಯ ಅಪಾಯಗಳನ್ನು ಒಡ್ಡುತ್ತದೆ. ಪ್ರಾತಿನಿಧಿಕ ಟ್ಯಾಗ್ಗಳೊಂದಿಗೆ ಸೈಟ್/ಸ್ವತ್ತು ಹೆಸರುಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು, ಕಾರ್ಯಕ್ಕೆ ಅಗತ್ಯವಿರುವ ತಾಂತ್ರಿಕ ಉಪವಿಭಾಗವನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳುವುದು ಮತ್ತು ಸಂಸ್ಥೆ-ಅನುಮೋದಿತ/ಮುಚ್ಚಿದ ಪರಿಕರಗಳನ್ನು ಆರಿಸಿಕೊಳ್ಳುವುದು ಸರಿಯಾದ ವಿಧಾನವಾಗಿದೆ.
13. ಗಾಳಿ ಉತ್ಪಾದನೆಯ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ 'ಸಾಮರ್ಥ್ಯದ ಅಂಶ' (ಪೂರ್ಣ ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ನಿರಂತರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ ಉತ್ಪತ್ತಿಯಾಗುವ ಶಕ್ತಿಗೆ ಉತ್ಪತ್ತಿಯಾಗುವ ಶಕ್ತಿಯ ಅನುಪಾತ) ಏಕೆ ಸಮಂಜಸತೆಯ ಆಧಾರವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ?
- ಎ) ಏಕೆಂದರೆ ಇದು ಮಾರ್ಕೆಟಿಂಗ್ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ
- ಬಿ) ಏಕೆಂದರೆ ಅವರು ನೇರವಾಗಿ ಸರಕುಪಟ್ಟಿ ನೀಡಿದರು
- ಸಿ) ಏಕೆಂದರೆ ಇದು ತಿಳಿದಿರುವ ವಿಶಿಷ್ಟ ಶ್ರೇಣಿಯೊಂದಿಗೆ (ಅಂದಾಜು 25-45%) ✔ ಮುನ್ಸೂಚನೆಯ ಪರಿಮಾಣದ ಕ್ರಮವನ್ನು ಪರೀಕ್ಷಿಸುವ ಭೌತಿಕ ಮಾನದಂಡವಾಗಿದೆ
- ಡಿ) ಏಕೆಂದರೆ ಇದು ಟರ್ಬೈನ್ನ ಬಣ್ಣವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ
ವಿವರಣೆ: ಕಡಲತೀರದ ಗಾಳಿ ಸಾಕಣೆ ಕೇಂದ್ರಗಳ ಸಾಮರ್ಥ್ಯದ ಅಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಸುಮಾರು 25-45 ಪ್ರತಿಶತದ ವ್ಯಾಪ್ತಿಯಲ್ಲಿರುತ್ತದೆ. ಈ ವ್ಯಾಪ್ತಿಯ ಹೊರಗಿರುವ (ಉದಾಹರಣೆಗೆ, 90 ಪ್ರತಿಶತ) ದೀರ್ಘಾವಧಿಯ ಸರಾಸರಿಯಲ್ಲಿ ಉತ್ಪಾದನೆಯನ್ನು ಊಹಿಸಿದರೆ ಮುನ್ಸೂಚನೆಯು ಭೌತಿಕವಾಗಿ ಅಗ್ರಾಹ್ಯವಾಗಿರುತ್ತದೆ. ಈ ಅನುಪಾತವು ವಿವರಗಳಿಗೆ ಹೋಗದೆ ಮುನ್ಸೂಚನೆಯ ಪರಿಮಾಣದ ಕ್ರಮವನ್ನು ಪರೀಕ್ಷಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
14. ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ಶಕ್ತಿ ವ್ಯವಸ್ಥೆಯ ನಿರ್ಧಾರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪಾತ್ರವನ್ನು ಹೇಗೆ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಬಹುದು?
- A) AI ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯನ್ನು ಬದಲಾಯಿಸಬಹುದು
- ಬಿ) AI ಕಲ್ಪನೆಗಳು ಮತ್ತು ಬಾಹ್ಯರೇಖೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಸುರಕ್ಷತಾ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರದ ಅನುಮೋದನೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯು ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್ ✔ ಬಳಿ ಉಳಿದಿದೆ
- ಸಿ) AI ಸಾಕಷ್ಟು ಶಕ್ತಿಯುತವಾಗಿದ್ದರೆ, ಮಾನವ ದೃಢೀಕರಣವು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ
- ಡಿ) AI ಔಟ್ಪುಟ್ ನಿಷ್ಪ್ರಯೋಜಕವಾಗಿದೆ ಮತ್ತು ಅದನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ನಿರ್ಲಕ್ಷಿಸಬೇಕು
ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಶಕ್ತಿಯುತ ಸಹಾಯಕವಾಗಿದ್ದು ಅದು ತ್ವರಿತವಾಗಿ ಓದುತ್ತದೆ, ಮಾದರಿಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ, ಡ್ರಾಫ್ಟ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆದರೆ ಇದು ರಕ್ಷಣೆ ಹೊಂದಾಣಿಕೆ, ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಲೋಡಿಂಗ್, ನೆಟ್ವರ್ಕ್ ಕುಶಲತೆಯಂತಹ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಸಮರ್ಥ ತಜ್ಞರ ಅನುಮೋದನೆ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಬದಲಿಸುವುದಿಲ್ಲ. AI ಕಲ್ಪನೆಗಳು ಮತ್ತು ಬಾಹ್ಯರೇಖೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಅಧಿಕೃತ ಎಂಜಿನಿಯರ್ ನಿರ್ಧಾರ ಮತ್ತು ಸಹಿಯನ್ನು ನೀಡುತ್ತಾರೆ.