ಆಟೋಮೋಟಿವ್ ಇಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಮತ್ತು ವೆರಿಫಿಕೇಶನ್ ಡಿಸಿಪ್ಲಿನ್ ಪರಿಚಯ — ಆಟೋಮೋಟಿವ್ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಲಾಭಗಳು:

ವಾಹನ ಅಭಿವೃದ್ಧಿಯ ಜೀವನಚಕ್ರದಲ್ಲಿ (ವಿ-ಮಾದರಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನೈಜ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಯಾವ ನಿರ್ಧಾರಗಳು ಸಮರ್ಥ ಎಂಜಿನಿಯರ್‌ನ ಜವಾಬ್ದಾರಿಯಾಗಿ ಉಳಿಯಬೇಕು ಎಂಬುದನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
ಮೂರು ಆಂಕರ್ ಮೌಲ್ಯೀಕರಣ ವಿಭಾಗಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯವು ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಮಾಣದ ಕ್ರಮ, ಎಂಜಿನಿಯರಿಂಗ್ ತೋರಿಕೆ ಮತ್ತು ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆ/ಮಾಪನ ಪುರಾವೆಗಳ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸುತ್ತದೆ.
ಭ್ರಮೆ, ಅಸ್ಪಷ್ಟತೆ, ವ್ಯಾಪಾರ ರಹಸ್ಯ ಮತ್ತು ಕ್ರಿಯಾತ್ಮಕ ಭದ್ರತಾ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವ ಮೂಲಕ ಸುರಕ್ಷಿತ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಹೊಂದಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಪಡೆಯುವುದು

ಆಟೋಮೋಟಿವ್ ಎಂಜಿನಿಯರಿಂಗ್; ಇದು ವಾಹನದ ಪರಿಕಲ್ಪನೆಯ ರೇಖಾಚಿತ್ರದಿಂದ ಪ್ರಾರಂಭವಾಗುವ ಬೃಹತ್ ಸರಪಳಿಯಾಗಿದೆ ಮತ್ತು ವಿನ್ಯಾಸ, ಸಿಮ್ಯುಲೇಶನ್, ಮಾದರಿ, ಪರೀಕ್ಷೆ, ಸಾಮೂಹಿಕ ಉತ್ಪಾದನೆ ಮತ್ತು ಕ್ಷೇತ್ರ ಮೇಲ್ವಿಚಾರಣೆಗೆ ವಿಸ್ತರಿಸುತ್ತದೆ. ಇಂದು, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಸಂಕ್ಷಿಪ್ತವಾಗಿ, AI, ಅಥವಾ AI) ಈ ಸರಪಳಿಯ ಪ್ರತಿಯೊಂದು ಲಿಂಕ್‌ನಲ್ಲಿ ವೇಗವರ್ಧಕವಾಗಿ ಸಕ್ರಿಯವಾಗಿದೆ. ಆದರೆ ಆಟೋಮೋಟಿವ್ ಉದ್ಯಮದಲ್ಲಿನ ತಪ್ಪು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಉಳಿದಿರುವ ತಪ್ಪು ಅಲ್ಲ: ಇದು ರಸ್ತೆಯಲ್ಲಿ ಲಕ್ಷಾಂತರ ವಾಹನಗಳಿಗೆ ಸುರಕ್ಷತೆ, ಮರುಸ್ಥಾಪನೆ ಮತ್ತು ಮಾನವ ಜೀವನ ಎಂದರ್ಥ. ಆದ್ದರಿಂದ, ಈ ಮಾಡ್ಯೂಲ್‌ನ ಮೊದಲ ಮತ್ತು ಪ್ರಮುಖ ವಾಕ್ಯವೆಂದರೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಎಂಜಿನಿಯರ್ ಅನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಕ್ಕೆ ಮಾಲೀಕರು ಮತ್ತು ಜವಾಬ್ದಾರರು ಯಾವಾಗಲೂ ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ ಆಗಿರುತ್ತಾರೆ.

ಈ ಘಟಕದಲ್ಲಿ, ವಾಹನ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ AI ನೈಜ ಮೌಲ್ಯವನ್ನು ಎಲ್ಲಿ ಉತ್ಪಾದಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಕೆಂಪು ಗೆರೆಗಳು ಮತ್ತು ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಶಿಸ್ತುಬದ್ಧವಾಗಿ ಮೌಲ್ಯೀಕರಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನಾವು ಕಲಿಯುತ್ತೇವೆ.

ವಾಹನ ಅಭಿವೃದ್ಧಿಯ V-ಮಾದರಿ ಮತ್ತು AI ನ ಸ್ಥಳ

ಆಟೋಮೋಟಿವ್‌ನಲ್ಲಿನ ಅಭಿವೃದ್ಧಿಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ವಿ-ಮಾದರಿಯೊಂದಿಗೆ ವಿವರಿಸಲಾಗುತ್ತದೆ. ವಿ-ಮಾದರಿ; ಇದು ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಯು "V" ಅಕ್ಷರದ ರೂಪದಲ್ಲಿ ಮುಂದುವರಿಯುತ್ತದೆ, ಅಗತ್ಯತೆಗಳು ಮತ್ತು ವಿನ್ಯಾಸದ ಹಂತಗಳು ಎಡಭಾಗದಲ್ಲಿ, ಸಾಫ್ಟ್‌ವೇರ್/ಹಾರ್ಡ್‌ವೇರ್ ಅಳವಡಿಕೆ ಕೆಳಭಾಗದಲ್ಲಿ, ಮತ್ತು ಪರಿಶೀಲನೆ ಮತ್ತು ಏಕೀಕರಣ ಪರೀಕ್ಷೆಗಳು ಬಲಭಾಗದಲ್ಲಿ ಹೋಗುತ್ತವೆ. ಎಡಗೈಯಲ್ಲಿ, "ನಾವು ಏನು ಮಾಡುತ್ತೇವೆ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ (ಅವಶ್ಯಕತೆ, ಸಿಸ್ಟಮ್ ವಿನ್ಯಾಸ), ಬಲಗೈಯಲ್ಲಿ, "ನಾವು ಅದನ್ನು ಸರಿಯಾಗಿ ಮಾಡಿದ್ದೇವೆ" ಎಂದು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ (ಘಟಕ ಪರೀಕ್ಷೆ, ಏಕೀಕರಣ, ಪರಿಕರ ಪರಿಶೀಲನೆ).

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ V ಯ ಪ್ರತಿಯೊಂದು ಅಂಶವನ್ನು ಮುಟ್ಟುತ್ತದೆ:

ಎಡಗೈ (ವಿನ್ಯಾಸ): ಉತ್ಪಾದಕ ವಿನ್ಯಾಸದೊಂದಿಗೆ ಹಗುರವಾದ ಭಾಗ ಜ್ಯಾಮಿತಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ, ಬಾಡಿಗೆ ಮಾದರಿಯೊಂದಿಗೆ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ವೇಗಗೊಳಿಸಿ, ಅಗತ್ಯ ಪಠ್ಯಗಳಿಂದ ಅಸಂಗತತೆಯನ್ನು ಹಿಡಿಯಿರಿ.
ಉಪ (ಅನುಷ್ಠಾನ): ಕೋಡ್ ಉತ್ಪಾದನೆಯ ನೆರವು, ಪರೀಕ್ಷಾ ಪ್ರಕರಣದ ವ್ಯುತ್ಪತ್ತಿ, ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಪ್ಯಾರಾಮೀಟರ್ ಸ್ಕ್ಯಾನಿಂಗ್.
ಬಲಗೈ (ಪರಿಶೀಲನೆ): ಪರೀಕ್ಷಾ ಡೇಟಾ, ವರದಿ ಕರಡು, ಸಹಿಷ್ಣುತೆ ಪರೀಕ್ಷೆಯ ಸಾರಾಂಶದಿಂದ ಅಸಂಗತತೆ ಫ್ಲ್ಯಾಗ್ ಮಾಡುವುದು.
ಉತ್ಪಾದನೆ ಮತ್ತು ಕ್ಷೇತ್ರ: ದೃಷ್ಟಿ ದೋಷ ಪತ್ತೆ, ಭವಿಷ್ಯ ನಿರ್ವಹಣೆ, ಟೆಲಿಮೆಟ್ರಿ ವಿಶ್ಲೇಷಣೆ, ಪೂರೈಕೆ ಸರಪಳಿ ಮುನ್ಸೂಚನೆ.

ಸಲಹೆ: "ನಿರ್ಣಾಯಕ" ಅಲ್ಲ, "ಲೀಡ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಮತ್ತು ಗಮನ ಸೆಳೆಯುವ" ಸಹಾಯಕನಾಗಿ AI ಅನ್ನು ಇರಿಸಿ. ಎಂಜಿನಿಯರಿಂಗ್ ಸಾಕ್ಷ್ಯವು ನಿರ್ಧಾರವನ್ನು ಮಾಡುತ್ತದೆ.

ನಾವು AI ಗೆ ಏನು ಬಿಡುತ್ತೇವೆ ಮತ್ತು ನಾವು ಏನು ಮಾಡಬಾರದು?

ಸಾಮಾನ್ಯ ನಿಯಮ: ಪುನರಾವರ್ತಿತ, ಡೇಟಾ-ಇಂಟೆನ್ಸಿವ್, ಮೊದಲ-ಡ್ರಾಫ್ಟ್ ಕೆಲಸದ ಮೇಲೆ AI ಪ್ರಬಲವಾಗಿದೆ; ತೀರ್ಪು, ಭದ್ರತೆ ಮತ್ತು ಅಂತಿಮ ಅನುಮೋದನೆ ಮನುಷ್ಯನಿಗೆ ಸೇರಿದೆ. ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಸಾಕಾರಗೊಳಿಸುತ್ತದೆ.

ಅನ್ವೇಷಣೆ

AI ನ ಪಾತ್ರ

ನಿರ್ಧಾರದ ಮಾಲೀಕರು

ರಸ್ತೆ ಪರೀಕ್ಷಾ ರೆಕಾರ್ಡಿಂಗ್‌ನ 50,000 ಸಾಲುಗಳಲ್ಲಿ ಅಸಂಗತತೆ ಸ್ಕ್ಯಾನಿಂಗ್

ಸ್ವಯಂಚಾಲಿತ ಗುರುತು, ಪೂರ್ವ-ಸ್ಕ್ರೀನಿಂಗ್

ಪರೀಕ್ಷಾ ಇಂಜಿನಿಯರ್

ಬ್ರೇಕ್ ಸಾಫ್ಟ್ವೇರ್ ಭದ್ರತಾ ಪರಿಶೀಲನೆ

ಪರೀಕ್ಷಾ ಸನ್ನಿವೇಶವನ್ನು ಸೂಚಿಸಿ

ಕ್ರಿಯಾತ್ಮಕ ಸುರಕ್ಷತಾ ಎಂಜಿನಿಯರ್

ಪರಿಕಲ್ಪನೆಯ ಚಾಸಿಸ್ ಜ್ಯಾಮಿತಿಯನ್ನು ರಚಿಸಲಾಗುತ್ತಿದೆ

ಪರ್ಯಾಯಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು (ಉತ್ಪಾದಕ)

ವಿನ್ಯಾಸ/ಸಿಎಇ ಎಂಜಿನಿಯರ್

ವೆಲ್ಡ್ ಸೀಮ್ ದೋಷದ ವರ್ಗೀಕರಣ

ಚಿತ್ರದಲ್ಲಿ ಪೂರ್ವ ಪತ್ತೆ

ಗುಣಮಟ್ಟದ ಇಂಜಿನಿಯರ್/ಆಪರೇಟರ್

ಹೋಮೋಲೋಗೇಶನ್ (ಪ್ರಕಾರದ ಅನುಮೋದನೆ) ಘೋಷಣೆ

ಕರಡು ಪಠ್ಯ

ಜವಾಬ್ದಾರಿಯುತ ಇಂಜಿನಿಯರ್/ಮ್ಯಾನೇಜರ್

ಗಮನಿಸಬೇಕಾದ ಅಂಶ: ಟೇಬಲ್‌ನ ಬಲ ಕಾಲಮ್ ಎಂದಿಗೂ "AI" ಆಗಿರುವುದಿಲ್ಲ. ಹೊರಸೂಸುವಿಕೆ ಘೋಷಣೆ, ಕ್ರ್ಯಾಶ್ ಸುರಕ್ಷತೆಯ ಅನುಮೋದನೆ, ಬ್ರೇಕಿಂಗ್ ಕಾರ್ಯಕ್ಷಮತೆ ಇತ್ಯಾದಿ ವಿಷಯಗಳ ಅಂತಿಮ ಸಹಿ ಯಾವಾಗಲೂ ಅಧಿಕೃತ ವ್ಯಕ್ತಿಗೆ ಸೇರಿದೆ. ಇದು ನೈತಿಕವಾಗಿ ಮಾತ್ರವಲ್ಲ, ಹೆಚ್ಚಿನ ದೇಶಗಳಲ್ಲಿ ಕಾನೂನು ಬಾಧ್ಯತೆಯಾಗಿದೆ.

ಮೂರು ಆಂಕರ್ ಪರಿಶೀಲನೆ ವಿಭಾಗಗಳು

ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ ನಾವು ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೂರು ಸ್ವತಂತ್ರ "ಆಂಕರ್‌ಗಳ" ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸುತ್ತೇವೆ. ಆಂಕರ್; ಹಡಗನ್ನು ಸ್ಥಳದಲ್ಲಿ ಇರಿಸುವ ತೂಕದಂತೆ, ಇದು AI ನಮ್ಮನ್ನು ಎಳೆಯದಂತೆ ತಡೆಯುತ್ತದೆ.

ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್ ಚೆಕ್: ಫಲಿತಾಂಶವು ಸರಿಸುಮಾರು ಸರಿಯಾದ ಮಾಪಕವಾಗಿದೆಯೇ? ಶೂನ್ಯದಿಂದ ನೂರು ಕಿಮೀ/ಗಂಟೆಗೆ ಪ್ರಯಾಣಿಕ ಕಾರಿನ ವೇಗವರ್ಧನೆಯು ಸುಮಾರು 6-9 ಸೆಕೆಂಡುಗಳು; AI "0.6 ಸೆಕೆಂಡುಗಳು" ಎಂದು ಹೇಳಿದರೆ ಏನೋ ತಪ್ಪಾಗಿದೆ. 2 ನಿಮಿಷಗಳಲ್ಲಿ ಬ್ಯಾಟರಿಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಚಾರ್ಜ್ ಮಾಡುವ ಶಿಫಾರಸು ಭೌತಿಕವಾಗಿ ಪ್ರಶ್ನಾರ್ಹವಾಗಿದೆ.
ಎಂಜಿನಿಯರಿಂಗ್ ಸಂಭಾವ್ಯತೆ: ಫಲಿತಾಂಶವು ಭೌತಶಾಸ್ತ್ರ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ಅಂತಃಪ್ರಜ್ಞೆಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ? ನೀವು ಹಗುರವಾದ ಭಾಗವು ಅಗ್ಗವಾಗಿ, ಬಲವಾದ ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ತಯಾರಿಸಲು ಸುಲಭವಾಗಿದ್ದರೆ, "ಉಚಿತ ಊಟವಿಲ್ಲ" ಎಂಬ ತತ್ವವನ್ನು ನೆನಪಿಡಿ; ಎಲ್ಲೋ ಒಂದು ವ್ಯಾಪಾರ ಅಡಗಿದೆ.
ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆ/ಮಾಪನ ಪುರಾವೆ: ಪ್ರಬಲ ಆಂಕರ್. ಭೌತಿಕ ಪರೀಕ್ಷೆಗೆ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ, ನಿಜವಾದ ಡೇಟಾಗೆ ಭವಿಷ್ಯ, ಕಚ್ಚಾ ಡೇಟಾಗೆ AI ಸಾರಾಂಶ. ಪುರಾವೆಗಳಿಲ್ಲದೆ ಯಾವುದೇ ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಸ್ವೀಕರಿಸಲಾಗುವುದಿಲ್ಲ.

ಎಚ್ಚರಿಕೆ: AI ಅತ್ಯಂತ ನಿರರ್ಗಳ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದ ಭಾಷೆಯೊಂದಿಗೆ ತಪ್ಪು ಮಾಹಿತಿಯನ್ನು ಉಂಟುಮಾಡಬಹುದು; ಇದನ್ನು ಭ್ರಮೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ನಿರರ್ಗಳತೆ ನಿಖರತೆಗೆ ಸಾಕ್ಷಿಯಲ್ಲ. ಒಂದು ಸಂಖ್ಯೆ, ಪ್ರಮಾಣಿತ ಸಂಖ್ಯೆ ಅಥವಾ ವಸ್ತುವಿನ ಆಸ್ತಿಯನ್ನು ವಿಶ್ವಾಸದಿಂದ ಹೇಳಲಾಗುತ್ತದೆ ಎಂದು ಭಾವಿಸಬೇಡಿ; ಮೂಲದಿಂದ ದೃಢೀಕರಿಸಿ.

ಮಿನಿ ಕೇಸ್ ಸ್ಟಡೀಸ್

ಪ್ರಕರಣ 1 - ಆರ್ಡರ್ ದೋಷ ಕ್ಯಾಚಿಂಗ್. ಒಬ್ಬ ಇಂಟರ್ನ್ ವಾಹನದ ಏರೋಡೈನಾಮಿಕ್ ಡ್ರ್ಯಾಗ್ ಫೋರ್ಸ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಲು AI ಅನ್ನು ಹೊಂದಿದ್ದಾನೆ ಮತ್ತು 100 km/h ವೇಗದಲ್ಲಿ "12,000 N" ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯುತ್ತಾನೆ. ಹಿರಿಯ ಇಂಜಿನಿಯರ್ ಒಂದು ಮಟ್ಟದ ಪರಿಶೀಲನೆಯನ್ನು ಮಾಡುತ್ತಾನೆ: ಈ ವೇಗದಲ್ಲಿ ವಿಶಿಷ್ಟವಾದ ಪ್ರಯಾಣಿಕ ಕಾರಿನ ಡ್ರ್ಯಾಗ್ ಫೋರ್ಸ್ ಸುಮಾರು 300-400 N (ಸುಮಾರು 30-40 kgf). N12,000 ಮೂವತ್ತು ಪಟ್ಟು ಹೆಚ್ಚು. ತಪಾಸಣೆಯ ನಂತರ, AI ಗಾಳಿಯ ಸಾಂದ್ರತೆಗೆ ತಪ್ಪು ಘಟಕವನ್ನು ಬಳಸುತ್ತಿದೆ ಎಂದು ತೋರುತ್ತದೆ (g/cm³ ಗೊಂದಲಕ್ಕೆ kg/m³ ಬದಲಿಗೆ). ಫಲಿತಾಂಶ: ಸರಳ ಶ್ರೇಣಿಯ ಪರಿಶೀಲನೆಯು ಗಂಟೆಗಳ ತಪ್ಪು ವಿನ್ಯಾಸ ನಿರ್ಧಾರಗಳನ್ನು ತಡೆಯುತ್ತದೆ.

ಪ್ರಕರಣ 2 - ಸಮಂಜಸತೆ ಫಿಲ್ಟರ್. ಒಂದು ಸಂಗ್ರಹಣೆ ತಂಡವು ವೆಚ್ಚ ಕಡಿತದ ಸಲಹೆಗಾಗಿ AI ಅನ್ನು ಕೇಳುತ್ತದೆ; AI ಒಂದೇ ಪೂರೈಕೆದಾರರಿಂದ ಖರೀದಿಸಲು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ, 8% ಉಳಿಸುತ್ತದೆ. ಯೋಜನಾ ನಿರ್ವಾಹಕರು ತೋರಿಕೆಯ ಪರಿಶೀಲನೆಯನ್ನು ನಡೆಸುತ್ತಾರೆ: ಈ ಭಾಗವು ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ಏರ್‌ಬ್ಯಾಗ್ ಸಂವೇದಕವಾಗಿದೆ ಮತ್ತು ಆ ಕಾರ್ಖಾನೆಯಲ್ಲಿ ಸ್ಥಗಿತಗೊಂಡರೆ ಏಕೈಕ ಮೂಲವು ಎಲ್ಲಾ ಉತ್ಪಾದನೆಯನ್ನು ನಿಲ್ಲಿಸುತ್ತದೆ. ಎರಡನೇ ಮೂಲ ಮತ್ತು ಸ್ಟಾಕ್ ಬಫರ್ ಅನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಸಲಹೆಯನ್ನು ಸರಿಪಡಿಸಲಾಗುತ್ತಿದೆ. ಫಲಿತಾಂಶ: 8% ಉಳಿಸುವ ಸಲುವಾಗಿ "ಲೈನ್ ಅನ್ನು ನಿಲ್ಲಿಸುವ" ಅಪಾಯವನ್ನು ತಪ್ಪಿಸಲಾಗಿದೆ.

ಪ್ರಕರಣ 3 - ಸ್ವತಂತ್ರ ಸಾಕ್ಷ್ಯ. CAE ತಂಡವು ವೇಗದ ಸರೊಗೇಟ್ ಮಾದರಿಯೊಂದಿಗೆ ಹುಡ್ ಪ್ಯಾನೆಲ್‌ನ ಕಂಪನ (NVH - ಶಬ್ದ, ಕಂಪನ, ಕಠೋರತೆ) ನಡವಳಿಕೆಯನ್ನು ಊಹಿಸುತ್ತದೆ; ಮಾದರಿಯು 47 Hz ನಲ್ಲಿ ಅನುರಣನವನ್ನು (ನಿರ್ದಿಷ್ಟ ಆವರ್ತನದಲ್ಲಿ ಅತಿಯಾದ ಕಂಪನ) ಊಹಿಸುತ್ತದೆ. ದೈಹಿಕ ಮಾದರಿ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ತಂಡವು ಇದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ; ನಿಜವಾದ ಶಿಖರವು 44 Hz ನಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ. ವ್ಯತ್ಯಾಸವು ಚಿಕ್ಕದಾಗಿದೆ ಆದರೆ ಮುಖ್ಯವಾಗಿದೆ; ಬಾಡಿಗೆ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗಿದೆ, ಆದರೆ ವಿನ್ಯಾಸದ ಅಂಚನ್ನು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ವಿಸ್ತರಿಸಲಾಗಿದೆ. ತೀರ್ಮಾನ: ವೇಗದ AI ಭವಿಷ್ಯವನ್ನು ಬಳಸಲಾಗಿದೆ ಆದರೆ ಸ್ವತಂತ್ರ ಪುರಾವೆಗಳೊಂದಿಗೆ ಮಾಪನಾಂಕ ನಿರ್ಣಯಿಸಲಾಗಿದೆ.

ಸುರಕ್ಷಿತ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಹೊಂದಿಸಲಾಗುತ್ತಿದೆ: ಗೌಪ್ಯತೆ ಮತ್ತು ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳು

ಆಟೋಮೋಟಿವ್ ಡೇಟಾವು ಸಾಮಾನ್ಯವಾಗಿ ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳನ್ನು (ಹೊಸ ಮಾದರಿ ವಿನ್ಯಾಸ, ಪೂರೈಕೆದಾರ ಬೆಲೆ) ಅಥವಾ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು (ಚಾಲಕ ಸ್ಥಳ, VIN - ಚಾಸಿಸ್ ಸಂಖ್ಯೆ) ಒಳಗೊಂಡಿರುತ್ತದೆ. ಸಾರ್ವಜನಿಕ ಕ್ಲೌಡ್ AI ಉಪಕರಣಕ್ಕೆ ಕಚ್ಚಾ ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ಕಳುಹಿಸುವುದು ದೊಡ್ಡ ಅಪಾಯವಾಗಿದೆ.

ದುರ್ಬಲ ಮತ್ತು ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್‌ಗಳ ಹೋಲಿಕೆಯನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಬ್ರಾಂಡ್ X ನ ನಮ್ಮ 2027 ಮಾಡೆಲ್ ಎಲೆಕ್ಟ್ರಿಕ್ SUV ಪ್ರಾಜೆಕ್ಟ್‌ನ ನೈಜ ಬ್ಯಾಟರಿ ಪರೀಕ್ಷಾ ಡೇಟಾವನ್ನು ನಾನು ಸೇರಿಸುತ್ತಿದ್ದೇನೆ, ನಮ್ಮ ಸೆಲ್ ಪೂರೈಕೆದಾರ ಕಂಪನಿ Y, ಯುನಿಟ್ ಬೆಲೆ 92 USD ಆಗಿದೆ. ಈ VIN ಗಳನ್ನು ಹೊಂದಿರುವ ವಾಹನಗಳಿಗೆ ವ್ಯಾಪ್ತಿಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಿ:[ನಿಜವಾದ VIN ಪಟ್ಟಿ]

ಈ ಪ್ರಾಂಪ್ಟ್ ತಯಾರಿಕೆ, ಮಾದರಿ, ಪೂರೈಕೆದಾರ, ಬೆಲೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ವಿಐಎನ್ ಅನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ; ಇದು ಖಾಸಗಿತನ ಮತ್ತು ಸ್ಪರ್ಧೆ ಎರಡಕ್ಕೂ ಅಪಾಯಕಾರಿ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ಪಾತ್ರ: ನಾನು ಎಲೆಕ್ಟ್ರಿಕ್ ವಾಹನ ಬ್ಯಾಟರಿ ಪರೀಕ್ಷಾ ಇಂಜಿನಿಯರ್. ಸಂದರ್ಭ: ನಾನು ಪ್ಯಾಸೆಂಜರ್ SUV ಬ್ಯಾಟರಿಯಲ್ಲಿ ರೇಂಜ್ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ತನಿಖೆ ಮಾಡುತ್ತಿದ್ದೇನೆ (ಅಂದಾಜು 75 kWh). ನಾನು ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿದ್ದೇನೆ; ಬ್ರ್ಯಾಂಡ್‌ಗಳನ್ನು A/B ಎಂದು, ವಾಹನಗಳನ್ನು ವಾಹನ_1..vehicle_20 ಎಂದು ಕೋಡ್ ಮಾಡಲಾಗಿದೆ. ಕಾರ್ಯ: ಲಗತ್ತಿಸಲಾದ (ಅನಾಮಧೇಯ) ತಾಪಮಾನ-ಶ್ರೇಣಿಯ ಕೋಷ್ಟಕದಲ್ಲಿ ವ್ಯಾಪ್ತಿಯ ಮೇಲೆ ಹೆಚ್ಚು ಪರಿಣಾಮ ಬೀರುವ 3 ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಪರಿಶೀಲನಾ ಪರೀಕ್ಷೆಯನ್ನು ಸೂಚಿಸಿ. ನಿರ್ಬಂಧ: ನಿರ್ಣಾಯಕ ಕಾರಣವನ್ನು ಹೇಳಿಕೊಳ್ಳಬೇಡಿ; ಊಹೆ ಮತ್ತು ಪರಿಶೀಲನೆ ಹಂತವನ್ನು ನೀಡಿ. ಔಟ್‌ಪುಟ್: ಟೇಬಲ್ + ಆದ್ಯತೆಯ ಕ್ರಮ.

ಸಲಹೆ: ಎಂಟರ್‌ಪ್ರೈಸ್ ಡೇಟಾ ಒಪ್ಪಂದದೊಂದಿಗೆ AI ಪರಿಸರವನ್ನು ಬಳಸಿ (ತರಬೇತಿಯಲ್ಲಿ ನಿಮ್ಮ ಡೇಟಾವನ್ನು ಬಳಸದೆ), ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ ಮತ್ತು ಅಗತ್ಯವಿರುವ ಕನಿಷ್ಠ ಮಾಹಿತಿಯನ್ನು ಮಾತ್ರ ಒದಗಿಸಿ (ಡೇಟಾ ಮಿನಿಮೈಸೇಶನ್).

ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್‌ಗಾಗಿ RGBÇ ಮಾದರಿ

ಈ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ನಾವು ಪದೇ ಪದೇ ಬಳಸುವ ಸರಳ ಮಾದರಿ: ಪಾತ್ರ - ಕಾರ್ಯ - ಸಂದರ್ಭ - ಔಟ್‌ಪುಟ್ (RGBÇ).

ಪಾತ್ರ: [AI ಯಾವ ರೀತಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬೇಕು] ಕಾರ್ಯ: [ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ನಿಮಗೆ ಏನು ಬೇಕು] ಸಂದರ್ಭ: [ಘಟಕಗಳು, ನಿರ್ಬಂಧಗಳು, ಪ್ರಮಾಣಿತ, ಅನಾಮಧೇಯ ಡೇಟಾ] ನಿರ್ಬಂಧ: [ಏನು ಮಾಡಬೇಡಿ, ಅನಿಶ್ಚಿತತೆಯಲ್ಲಿ ಏನು ಮಾಡುತ್ತೀರಿ] ಔಟ್‌ಪುಟ್: [ಟೇಬಲ್/ಪಟ್ಟಿ/ಕೋಡ್, ಯಾವ ಸ್ವರೂಪ]

ಪಾತ್ರ: ನೀವು ಅನುಭವಿ NVH (ಶಬ್ದ-ಕಂಪನ) ಇಂಜಿನಿಯರ್. ಕಾರ್ಯ: ಸ್ಟೀರಿಂಗ್ ವೈಬ್ರೇಶನ್ ದೂರಿಗೆ ಸಂಭವನೀಯ ಮೂಲ ಕಾರಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಸಂದರ್ಭ: ಮುಂಭಾಗದ ಆಕ್ಸಲ್, 80-100 ಕಿಮೀ/ಗಂ, ಸಮತಟ್ಟಾದ ರಸ್ತೆಯಲ್ಲಿ; ಟೈರ್‌ಗಳನ್ನು ಈಗಷ್ಟೇ ಸಮತೋಲನಗೊಳಿಸಲಾಗಿದೆ. ನಿರ್ಬಂಧ: ಹೆಚ್ಚಿನ ಸಾಧ್ಯತೆಯಿಂದ ಕನಿಷ್ಠ ಸಾಧ್ಯತೆಗೆ ವಿಂಗಡಿಸಿ; ಪ್ರತಿಯೊಂದು ಕಾರಣಕ್ಕೂ ಒಂದೇ ಪರಿಶೀಲನೆ ಮಾಪನವನ್ನು ಸೂಚಿಸಿ. ಔಟ್‌ಪುಟ್: ಸಂಖ್ಯೆಯ ಪಟ್ಟಿ + ಪರಿಶೀಲನೆ ಕಾಲಮ್.

ಪಾತ್ರ: ನೀವು ಆಟೋಮೋಟಿವ್ ಗುಣಮಟ್ಟದ ಎಂಜಿನಿಯರ್. ಕಾರ್ಯ: ವೆಲ್ಡ್ ದೋಷದ ವರದಿಯನ್ನು 5W1H (ಏನು/ಏಕೆ/ಎಲ್ಲಿ...) ಸ್ವರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸಿ. ಸಂದರ್ಭ: ರೋಬೋಟಿಕ್ ಸ್ಪಾಟ್ ವೆಲ್ಡಿಂಗ್, ಬಾಡಿ ಲೈನ್; ಕಳೆದ 3 ಪಾಳಿಗಳಲ್ಲಿ ದೋಷದ ಪ್ರಮಾಣ ಹೆಚ್ಚಾಗಿದೆ. ಔಟ್‌ಪುಟ್: ರಚನಾತ್ಮಕ ಸಾರಾಂಶ + 3 ತಕ್ಷಣದ ನಿಯಂತ್ರಣ ಶಿಫಾರಸುಗಳು.

ಪಾತ್ರ: ಡೇಟಾ ವಿಶ್ಲೇಷಕರಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿ. ಕಾರ್ಯ: ಕೆಳಗಿನ ಟೆಲಿಮೆಟ್ರಿ ಕಾಲಮ್ ವಿವರಣೆಗಳನ್ನು ಓದಿ ಮತ್ತು ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಗಾಗಿ 8 ಅಭ್ಯರ್ಥಿ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಸೂಚಿಸಿ. ನಿರ್ಬಂಧ: ಭವಿಷ್ಯದ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡಿ (ಸೋರಿಕೆಯ ಅಪಾಯ); ಪ್ರತಿಯೊಂದು ಗುಣಲಕ್ಷಣದ ಕಾರಣವನ್ನು ಬರೆಯಿರಿ. ಔಟ್ಪುಟ್: ಗುಣಲಕ್ಷಣ | ಸಮರ್ಥನೆ | ಸೋರಿಕೆ ಅಪಾಯ (Y/N) ಟೇಬಲ್.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

ಪುರಾವೆಗಾಗಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ದ್ರವ ಪಠ್ಯವನ್ನು ಎಂಜಿನಿಯರಿಂಗ್ ಪರಿಶೀಲಿಸಲಾಗಿಲ್ಲ. ಪ್ರತಿ ಸಂಖ್ಯೆಯನ್ನು ಆಂಕರ್ ಮಾಡಿ.
ಶ್ರೇಣಿಯ ಪರಿಶೀಲನೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು. ಇದು ಅಗ್ಗದ ಮತ್ತು ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ದೋಷ ಟ್ರ್ಯಾಪಿಂಗ್ ವಿಧಾನವಾಗಿದೆ; ಇದು ಹತ್ತು ಸೆಕೆಂಡುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ಕಚ್ಚಾ ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ಕಳುಹಿಸಲಾಗುತ್ತಿದೆ. ಅನಾಮಧೇಯತೆ ಇಲ್ಲದೆ ಬ್ರ್ಯಾಂಡ್, ಪೂರೈಕೆದಾರ, ಬೆಲೆ, VIN ನಂತಹ ಮಾಹಿತಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದು ಒಪ್ಪಂದ ಮತ್ತು ಕಾನೂನಿನ ಉಲ್ಲಂಘನೆಯಾಗಿದೆ.
ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. "ನೀವು ಖಚಿತವಾಗಿದ್ದೀರಾ?" ಕೇಳುವ ಬದಲು, ಸಾಕ್ಷ್ಯವನ್ನು ಕೇಳಿ; AI ನ ವಿಶ್ವಾಸವು ಅದರ ನಿಖರತೆಯ ಅಳತೆಯಲ್ಲ.
AI ಮೇಲೆ ಆರೋಪವನ್ನು ಹಾಕುವುದು. "ಮಾದರಿಯು ಹೀಗೆ ಹೇಳಿದೆ" ಎಂಬುದು ರಕ್ಷಣೆಯಲ್ಲ; ಸಹಿ ನಿಮ್ಮದು.

ಸಾರಾಂಶದಲ್ಲಿ

AI ವಾಹನ ಅಭಿವೃದ್ಧಿಯ V-ಮಾದರಿಯ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ವೇಗವರ್ಧಕವಾಗಿದೆ; ಆದರೆ ಸುರಕ್ಷತೆ-ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರ ಮತ್ತು ಅನುಮೋದನೆಯು ಯಾವಾಗಲೂ ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ ಬಳಿ ಇರುತ್ತದೆ.
ಮೂರು ಆಂಕರ್‌ಗಳ ವಿರುದ್ಧ ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ: ಪರಿಮಾಣದ ಕ್ರಮ, ಎಂಜಿನಿಯರಿಂಗ್ ಸಂಭಾವ್ಯತೆ, ಸ್ವತಂತ್ರ ಪರೀಕ್ಷೆ/ಮಾಪನದ ಪುರಾವೆ.
ಭ್ರಮೆ ನಿಜ; ನಿರರ್ಗಳತೆ ನಿಖರತೆ ಅಲ್ಲ.
ಗೌಪ್ಯ ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ, ಡೇಟಾ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ, ಎಂಟರ್‌ಪ್ರೈಸ್ AI ಪರಿಸರವನ್ನು ಬಳಸಿ.
ಉತ್ತಮ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗಾಗಿ, Role-Task-Context-output (RGBÇ) ಮಾದರಿಯನ್ನು ಬಳಸಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ ಸ್ವಂತ ವ್ಯವಹಾರದಿಂದ (ಅಥವಾ ಕಾಲ್ಪನಿಕ ಪ್ರಯಾಣಿಕ ಕಾರ್ ಯೋಜನೆಯಿಂದ) ಕಾರ್ಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ: ಉದಾಹರಣೆಗೆ "ಬ್ರೇಕ್ ಪ್ಯಾಡ್ ವೇರ್ ಪ್ರಿಡಿಕ್ಷನ್". (1) V-ಮಾದರಿಯಲ್ಲಿ ನೀವು ಈ ಕಾರ್ಯವನ್ನು ಎಲ್ಲಿ ಇರಿಸುತ್ತೀರಿ? (2) ಟೇಬಲ್‌ನಲ್ಲಿ AI ಮತ್ತು ನಿರ್ಧಾರದ ಮಾಲೀಕರ ಪಾತ್ರವನ್ನು ಬರೆಯಿರಿ. (3) RGBÇ ಮಾದರಿಯೊಂದಿಗೆ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಅದರಲ್ಲಿ ಎಲ್ಲಾ ಗೌಪ್ಯ/ವೈಯಕ್ತಿಕ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ. (4) ಮೂರು ಆಂಕರ್‌ಗಳೊಂದಿಗೆ ನೀವು AI ಯಿಂದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂರು ಅಂಶಗಳಲ್ಲಿ ಟಿಪ್ಪಣಿ ಮಾಡಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

[ ] ನಾನು V-ಮಾದರಿಯಲ್ಲಿ ನನ್ನ ಕಾರ್ಯದ ಸ್ಥಳವನ್ನು ನಿರ್ಧರಿಸಿದೆ.
AI ಮತ್ತು ಅಂತಿಮ ನಿರ್ಧಾರದ ಮಾಲೀಕರ ಪಾತ್ರವನ್ನು ನಾನು ಪ್ರತ್ಯೇಕವಾಗಿ ಬರೆದಿದ್ದೇನೆ.
[ ] ನಾನು ನನ್ನ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಬ್ರ್ಯಾಂಡ್/ಪೂರೈಕೆದಾರ/ಬೆಲೆ/ವಿಐಎನ್‌ನಂತಹ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿದ್ದೇನೆ.
[ ] ನಾನು RGBS ಮಾದರಿಯನ್ನು ಬಳಸಿದ್ದೇನೆ (ಪಾತ್ರ, ಕಾರ್ಯ, ಸಂದರ್ಭ, ನಿರ್ಬಂಧ, ಔಟ್‌ಪುಟ್).
[ ] ನಾನು ಮೂರು ಆಂಕರ್‌ಗಳೊಂದಿಗೆ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಲು ಸಿದ್ಧವಾಗಿರುವ ಯೋಜನೆಯನ್ನು ಹೊಂದಿದ್ದೇನೆ (ಶ್ರೇಣಿ, ತೋರಿಕೆ, ಸ್ವತಂತ್ರ ಸಾಕ್ಷ್ಯ).
[ ] ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ದೃಢೀಕರಣವು ಮಾನವನೊಂದಿಗೆ ಉಳಿದಿದೆ ಎಂದು ನಾನು ದೃಢಪಡಿಸಿದ್ದೇನೆ.