Python을 사용한 야금학적 데이터 분석 및 AI의 개척지

이득:

• AI 지원을 통해 Python을 사용하여 야금 데이터를 정리, 분석 및 시각화하는 코드를 생성하고 이해하는 능력
• 단위 검사, 테스트 케이스 및 물리적 타당성을 통해 AI 생성 코드를 검증하는 습관을 확립하는 능력
• 야금 분야 AI의 엔드투엔드 한계, 책임 및 윤리적 프레임워크에 대한 전체적인 이해

수백 개의 인장 시험 결과, 수천 개의 SPC 측정값, 열처리로 기록, 특성화 결과 등 더 많은 데이터를 통해 야금 작업이 점점 더 많이 이루어지고 있습니다. Excel에서 이 데이터를 수동으로 추적하는 것은 느리고 오류가 발생하기 쉽습니다. Python(데이터 분석 및 과학 컴퓨팅을 위한 공통 프로그래밍 언어)은 이를 반복 가능하고 감사 가능하며 자동으로 만듭니다. AI는 Python 코드를 작성, 디버깅 및 설명하는 데 매우 강력합니다. 그러나 AI가 생성하는 코드는 올바르게 보이지만 단위 오류, 잘못된 계수, 자동 데이터 손실 등 잘못된 결과를 제공할 수 있습니다. 이 마지막 단원에서는 Python의 AI 지원을 통해 야금 데이터를 분석하고 각 코드를 확인한 다음 전체 모듈에서 다루는 AI 경계, 책임 및 윤리 프레임워크를 전체적으로 정리하는 방법을 배웁니다.

야금 데이터 분석의 일반적인 작업

Python에서 AI를 지원하는 일반적인 작업:

• 데이터 정리: 누락된 값, 단위 혼동(MPa 대 ksi), 이상치 제거. 더러운 데이터는 최고의 분석조차 손상시킵니다.
• 시각화: 인장 곡선 그리기, 관리 차트, 입자 크기 분포, 온도-시간 프로파일.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• 자동화: 대량의 파일을 일괄 처리하고 요약 테이블/보고서를 생성합니다.

Hall-Petch 관계가 좋은 예입니다. 항복 강도는 입자 직경의 제곱근에 반비례하여 증가합니다. AI는 이 공식을 코드로 변환할 수 있습니다. 그러나 d를 마이크로미터로 사용하든 미터로 사용하든, k 계수에 어떤 단위를 사용하든 결과가 완전히 달라집니다. 코드의 정확성은 공식을 기억하는 데 있는 것이 아니라 단위와 테스트 케이스를 검증하는 데 있습니다.

팁: AI가 작성하는 모든 계정에는 '알려진 답변 테스트'를 반드시 포함하세요. 결과를 직접 알 수 있는 작은 입력을 제공합니다(예: d = 100 µm에 대한 예상 강도). 코드가 해당 값을 제공하면 신뢰할 수 있습니다. 그렇지 않으면 오류가 숨겨집니다.

단계별: AI를 통한 안전한 분석 흐름

1. 작업 및 데이터 설명: 어떤 파일, 어떤 열, 어떤 단위, 무엇을 계산할 것인가?
2. 코드 스켈레톤 요청: AI에게 주석이 달린 단계별 스켈레톤을 요청합니다. 상단에 명시적 변수를 사용하여 단위를 정의합니다.
3. 작은 데이터로 테스트: 먼저 몇 개의 행/알려진 값으로 실행합니다. 결과를 수동으로 확인하세요.
4. 단위 및 경계 제어: 출력이 물리적으로 합리적인가? 마이너스 강도, 120% 비율 같은 말도 안 되는 게 있나요?
5. 시각화하고 살펴보세요: 그래프가 예상되는 추세를 보여주고 있나요? 이상치 데이터 오류인가요?
6. 검증 및 문서화: 결과를 독립적인 계산/표준과 비교합니다. 코드와 가정을 주석 처리합니다.

AI 코드 검증 테이블

위험

증상

제어방식

단위 오류

결과는 1000배 변태

명시적 변수로 단위 정의, 크기 제어

잘못된 계수/공식

합리적이지만 잘못된 값

알려진 답변이 포함된 테스트 시나리오

자동 데이터 손실

행 수가 예상보다 적습니다.

처리 전/후 행 수 인쇄

이상치 왜곡

평균 카약

그래프로 시각화하고 분포를 살펴보세요

과적합(환각 라이브러리)

존재하지 않는 기능

실행, 오류 읽기, 문서 보기

세 개의 미니 케이스

사례 1 - 숨겨진 볼륨 오류. 엔지니어가 Hall-Petch 계산을 위해 AI에 코드를 요청합니다. 코드에서는 입자 직경을 미터 단위로 예상하지만 엔지니어는 마이크로미터를 입력합니다. 결과는 1000배 삐딱한 결과지만, 마치 '숫자'처럼 보이기 때문에 얼핏 보면 눈에 띄지 않습니다. Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absurt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. 교훈: 알려진 답변 테스트를 통해 단위 오류가 몇 초 만에 드러납니다.

사례 2 - 자동 데이터 손실. 팀은 AI로 작성된 코드로 500개의 풀 테스트 결과를 정리합니다. 코드는 누락된 값이 있는 행을 삭제하는 동시에 유효한 행 중 일부를 실수로 삭제하여 300개의 행을 남깁니다. 낮은 가치의 배치가 제거되었기 때문에 평균 강도가 예상보다 높습니다. 처리 전/후의 행 수를 출력해 보면 200개의 행이 소리 없이 사라진 것을 확인하고 필터를 수정합니다. 교훈: 각 데이터 처리 단계에서 행 수를 인쇄하면 소리 없이 손실이 발생합니다.

사례 3 - 올바른 사용, 반복 가능한 보고서. 품질 팀은 매주 수십 개의 용광로 기록을 처리하고 요약 보고서를 작성해야 합니다. AI에게 파일을 대량으로 읽어 그래프와 요약표를 생성하는 주석 처리된 스크립트를 작성하도록 요청합니다. 팀은 알려진 몇 가지 파일을 사용하여 코드를 테스트하고, 단위와 라인 수를 확인하고, 출력 그래프를 시각적으로 검사합니다. 그런 다음 매주 스크립트를 사용합니다. 작업 시간은 몇 분으로 단축되었으며 매주 동일하고 감사 가능한 방식으로 작업됩니다. AI는 반복 가능한 자동화를 가능하게 한다고 팀은 확인했습니다.

복사 가능한 프롬프트 템플릿

CODE SKELETON TEMPLATE"역할: 당신은 야금 데이터 분석을 위한 코드 보조자입니다. 작업: [예: CSV 및 평균 항복 강도에서 도면 결과 읽기]. 데이터: [파일, 열, UNITS]. 팬더를 사용하여 주석이 달린 스켈레톤 작성: (1) 상단의 열린 변수에 단위 정의, (2) 데이터 읽기 및 행 수 인쇄, (3) 행 수를 다시 지우고 인쇄, (4) 계산 수행, (5) 결과 및 타당성 확인이 필요한 부분을 각 단계에 표시하세요."

알려진 답변 테스트 템플릿"다음 함수에 대해 '알려진 답변 테스트'를 작성합니다: [함수]. 결과를 수동으로 계산할 수 있는 작은 입력을 선택하고, 예상되는 출력에 주석을 달고, 어설션으로 확인합니다. 또한 단위 일관성을 테스트합니다. 테스트가 통과하지 못하면 가능한 이유(단위, 계수, 공식)를 나열하세요."

코드 검토/디버그 템플릿"다음 코드를 검사하십시오: [코드]. 다음을 확인하고 플래그를 지정하십시오:(1) 볼륨 일관성, (2) 자동 데이터 손실 위험, (3) 이상치 영향, (4) 물리적으로 불가능한 출력(음의 강도, >100% 비율). 각 위험에 대해 확인하는 방법을 작성하십시오. 코드를 '작동 중'으로 확인하지 마십시오. 테스트하지 않고 신뢰할 수 없음을 나타냅니다."

시각화 템플릿 "matplotlib를 사용하여 [인장 곡선/제어 플롯/분포]를 플롯합니다. 축 레이블에 UNITS를 추가하고 제목과 그리드를 입력합니다. 이상값을 다르게 표시합니다. 플롯을 시각적으로 검사하고 예상되는 추세(예: 응력-변형률 증가)를 확인해야 합니다. 데이터를 '미화'하기 위해 어떤 점도 숨기지 마십시오."

약한 프롬프트 / 강한 프롬프트

약한 프롬프트: "Hall-Petch 계산을 수행하는 코드를 작성해 주세요."

강력한 프롬프트:"역할: 당신은 야금 데이터 분석을 위한 코드 보조자입니다. Hall-Petch(σy = σ0 + k·d^(-1/2))를 계산하는 Python 함수를 작성합니다. 단위: d 마이크로미터, σ0 및 σy MPa, k MPa·μm^(1/2). 함수 내에서 단위 변환을 켜고 설명합니다. 또한 d = 100 µm,σ0 = 50에 대한 예상 결과를 수동으로 계산합니다. MPa, k = 300 MPa·μm^0.5 및 어설션으로 테스트합니다. 물리적 타당성 검사를 추가합니다(σy는 음수일 수 없음). 테스트하지 않으면 코드를 신뢰할 수 없는 것으로 간주합니다.

약한 프롬프트는 단위와 테스트가 없는 코드를 생성하며 조용히 잘못될 수 있습니다. 강력한 프롬프트는 단위를 명확하게 정의하고 변환을 강제하며 알려진 답변 테스트 및 타당성 검사를 요구하여 코드를 검증 가능하게 만듭니다.

모듈의 전체적 요약: 야금학에서 AI의 위치와 한계

이 모듈 전체에서 한 가지 원칙이 반복되었습니다. AI는 의사 결정자가 아니라 보조자입니다. 12개 유닛에 걸쳐 우리는 재료 선택부터 특성 예측, 위상 분석에서 미세 구조, 열처리에서 제조, 품질 관리에서 손상 분석, 특성화에서 표준화 및 Python 분석까지 AI를 엔드투엔드 방식으로 사용했습니다. 각 단원에서 AI는 개념을 설명하고, 가설을 생성하고, 초안과 코드를 작성했지만, 어떤 단원에서도 AI 혼자서 결정을 내리지는 않았습니다. 한계는 명확했습니다: 환각(가짜 숫자 및 표준), 안전에 중요한 책임의 위임 불가, 데이터 품질 및 측정/보정에 대한 의존성, 추정 위험 및 기밀성. 검증 규율은 항상 표준-실험실-계정 삼각관계에서 인간과 함께 유지되어 왔습니다.

일반적인 실수

• 알려진 답변으로 테스트하지 않고 실제 데이터에 코드를 적용합니다.
• 단위를 명확하게 정의하지 않음 MPa/ksi, µm/m 혼동을 간과합니다.
• 데이터 처리 단계에서 행 수를 인쇄하지 않고 자동 손실을 인지하지 못합니다.
• 이상값을 시각화하지 않고 평균에 의존합니다.
• AI가 구성한 존재하지 않는 라이브러리/함수를 실행하지 않고 수락합니다.
• 코드가 "작동하는 것 같기 때문에" 정확하다고 가정합니다. 물리적 타당성을 확인하지 못했습니다.

요약하면

Python을 사용한 야금 데이터 분석의 AI는 코딩, 디버깅 및 자동화를 위한 강력한 가속기입니다. 그러나 생성된 코드에는 단위 오류, 부정확한 계수 및 자동 데이터 손실이 발생할 수 있습니다. 알려진 답변 테스트, 단위 확인, 줄 수 추적 및 물리적 타당성을 통해 각 코드를 확인합니다. 여기에서는 전체 모듈에서와 마찬가지로 AI가 보조 역할을 합니다. AI는 승인된 엔지니어가 속도와 조직, 정확성과 책임을 맡도록 보장합니다. 안전이 중요한 야금학적 결정에서 AI 출력은 결코 표준, 실험, 계산 및 유능한 엔지니어 승인을 대체할 수 없습니다.

응용과제

야금학적 계산(예: Hall-Petch 또는 인장 데이터 평균)을 선택합니다. "CODE SKELETON" 템플릿을 사용하여 명시적인 단위가 포함된 줄 수를 인쇄하는 주석 처리된 코드를 AI에 요청하세요. 그런 다음 "KNOWN ANSWER TEST" 템플릿을 사용하여 수동으로 결과를 아는 테스트 시나리오를 추가하고 실행합니다. 코드가 예상한 값을 제공하지 않으면 오류(단위, 계수, 데이터)를 찾아 수정합니다. 마지막으로, 이 모듈에서 배운 AI 검증 원칙을 자신의 비즈니스에 적용하여 세 가지 기사로 작성하세요.

체크리스트

• [ ] AI에 작업, 데이터, 단위를 명확하게 정의했습니다.
• [ ] 코드 상단에 명시적 변수를 사용하여 단위를 정의했습니다.
• [ ] 데이터 처리 단계에서는 행 수를 인쇄하고 무음 손실을 확인했습니다.
• [ ] 답이 알려진 테스트 케이스로 코드를 검증했습니다.
• [ ] 출력의 물리적 타당성(부정적/불합리한 값)을 확인했습니다.
• [ ] 저는 AI를 가속기로 사용했습니다. 성실함과 책임감을 지켰습니다.

모듈 시험

1. 재료 엔지니어가 AI 도구를 사용하여 작업할 때 다음 중 최종 책임은 항상 인간(법률 엔지니어)에게 있어야 합니까?

• A) 부품의 서비스 적합성 승인 및 서명 ✔
• 나) 피해보고서 초안 작성
• C) 미세구조 그래프의 축 라벨 편집
• 라) 발표를 위한 금속 용어집 준비

설명: AI; 개념 설명, 보고서 초안 작성, 가설 목록 및 코드 뼈대와 같은 작업 속도를 높일 수 있습니다. 그러나 서비스/비행에 대한 부품의 적합성을 승인하는 것은 생명과 재산의 안전을 초래하는 결정입니다. 공인 테스트 및 공인 엔지니어 승인 없이는 AI로 전환할 수 없습니다.

2. AISI 4140 강의 200°C에서 담금질 및 뜨임 처리 시 항복 강도에 대해 질문했고 AI는 '확실히 1500 MPa'라고 대답했습니다. 가장 먼저 취해야 할 올바른 조치는 무엇입니까?

• A) AI가 자신감이 있는 것 같아서 디자인 계정에 직접 가치를 담는다
• B) 단일 포인트 값에 의존하지 않고 필요한 경우 재료 데이터 시트/밀 인증서 및 인장 시험을 통해 값을 확인합니다. ✔
• C) 안전을 유지하기 위해 무작위로 값을 낮추는 것
• D) 값을 수락하고 열처리 레시피로 직접 이동합니다.

설명: 언어 모델은 입증되지 않은 숫자(환각)를 설득력 있게 조작할 수 있습니다. 항복강도; 템퍼링 온도, 단면 두께 및 경화성에 따라 넓은 범위에 걸쳐 다릅니다. 표준에 따라 공장 인증서 또는 인장 시험에서 값을 얻어야 하며 설계에 단일 지점 AI 출력을 포함하지 않아야 합니다.

3. AI는 강철의 특성을 예측하는 기계 학습 모델을 통해 훈련 데이터의 조성 범위를 훨씬 벗어나는 합금에 대해 '안전한' 값을 생성했습니다. 이 출력의 주요 문제점은 무엇입니까?

• A) 모델은 항상 퍼센트로 결과를 제공하며 MPa는 잘못되었습니다.
• 나) 예측은 훈련 데이터 범위를 벗어나서(외삽법) 실험을 통해 검증해야 하기 때문에 신뢰할 수 없다 ✔
• C) 모델은 스테인리스강에만 적용됩니다.
• D) 모델의 출력은 항상 실제 값의 정확히 두 배입니다.

설명: 기계 학습 모델은 훈련 데이터 범위 내에서 합리적으로 작동합니다(보간). 이 범위(외삽)를 벗어나면 예측을 신뢰할 수 없게 되고 모델이 이를 표시하지 않는 경우가 많습니다. 훈련 데이터 분포 외부 지점에서 생성된 값은 실험적 검증 없이는 사용할 수 없습니다.

4. AI를 적용하여 2상 합금의 상 비율을 계산했습니다. AI가 '지렛대 규칙'을 적용할 때 어떤 입력을 올바르게 사용해야 합니까?

• A) 온도만; 조합은 불필요하다
• B) 합금의 밀도만
• C) 해당 온도에서 상 경계 조성을 갖는 합금의 총 조성 ✔
• D) 녹는점만

설명: 지레 법칙은 주어진 온도에서 상 경계 조성(예: 고체상과 액체상의 조성)과 합금의 전체 조성 사이의 거리를 사용하여 상량을 제공합니다. 위상 경계 조합을 잘못 읽으면 비율이 완전히 잘못됩니다. 따라서 상태도의 값을 확인하는 것이 필수입니다.

5. AI 기반 이미지 처리 흐름을 사용하여 미세 구조의 입자 크기를 측정했지만 눈금 막대를 픽셀로 보정하는 것을 잊었습니다. 결과가 신뢰할 수 없는 이유는 무엇입니까?

• A) 픽셀 길이 보정이 수행되지 않아 모든 치수 측정의 배율이 잘못되었습니다. ✔
• 나) 컬러이미지를 사용하여 측정이 왜곡됨
• C) 입자 크기는 SEM으로만 측정할 수 있으며 광학 현미경은 부정확합니다.
• D) 영상의 해상도가 높기 때문에 측정이 불필요합니다.

설명: 정량 금속학에서 각 픽셀은 길이에 해당합니다. 이 변환이 눈금 막대로 보정되지 않으면 입자 크기, 위상 비율 및 다공성과 같은 모든 치수 측정이 잘못된 눈금으로 나타납니다. 보정은 이미지 기반 측정의 첫 번째이자 필수 단계입니다.

6. AI는 강철의 목표 경도를 달성하기 위한 열처리 방법(오스테나이트화 + 담금질 + 템퍼링)을 제안했습니다. 처방전을 적용하기 전 가장 좋은 단계는 무엇입니까?

• 가) 레시피를 직접 양산에 적용
• B) 시험편에 레시피를 적용하여 경도/미세조직을 측정하고 표준품과 비교 ✔
• C) 안전한 쪽의 템퍼링 온도를 임의로 높이세요.
• 라) 처방전의 철자만을 정정하고 승인하는 것

설명: 열처리의 결과; 부품 단면 두께, 경화성(Jominy)은 용광로의 현실과 냉각 환경에 따라 크게 달라집니다. AI가 내린 처방은 초기 가설이다. 시험편에 적용하여 경도와 미세조직을 측정하고 표준품과 비교하여 검증하여야 한다.

7. AI에 물질한계값에 대한 ASTM 표준의 '특정 물질 번호'를 질문했더니 정확한 값으로 응답했습니다. 올바른 엔지니어링 행동은 무엇입니까?

• A) AI가 최신이라 보고서에 직접 값을 쓴다.
• B) 안전을 유지하기 위해 무작위로 값을 변경합니다.
• C) 공식 및 최신 표준 텍스트에서 물질 번호, 버전 및 값을 확인합니다. ✔
• D) 확인하지 않고 적합성 파일에 품목번호를 추가하는 행위

설명: 언어 모델이 표준 이름을 올바르게 알고 있더라도 기사 번호, 버전 및 중단점을 잘못 기억하거나 구성할 수 있습니다. ASTM/ISO/EN과 같은 구속력 있는 분야에서는 각 물질과 값이 공식 및 현재 소스에서 그대로 검증되어야 합니다. AI 출력에는 어디를 봐야 할지만 표시됩니다.

8. 볼트 표면이 부러진 사진을 AI에게 보여줬더니 '이건 확실히 피로골절이다'라는 답변을 받았다. 근본 원인 분석에 대한 올바른 접근 방식은 무엇입니까?

• A) AI가 정확하게 말해주기 때문에 진단서를 보고서에 직접 적는다.
• B) 사진의 해상도를 높여서 진단을 확인하면 됩니다.
• 다) 파손된 표면을 검사하지 않고 새 부품을 장착한다.
• D) 파면분석, 전하 이력, 미세구조 증거를 통해 가설로 진단 확인 ✔

설명: 파손된 표면 해석; 파면 분석(SEM을 사용한 줄무늬, 해변선, 딤플/벽면 분리)에는 하중 이력, 환경 및 미세구조 증거를 함께 고려해야 합니다. AI가 사진 한 장으로 내린 최종 진단은 가설이다. 근본 원인은 실험실 조사 결과에 의한 확인 없이는 선언될 수 없습니다.

9. AI는 XRD(X선 회절) 패턴의 특정 상에 피크를 할당했습니다. 상 식별을 신뢰할 수 있게 만드는 가장 적절한 방법은 무엇입니까?

• A) 피크를 참조 패턴 데이터베이스(예: PDF 카드)와 일치시키고 중복 및 아티팩트 확인 ✔
• B) AI가 단계 이름을 말해주기 때문에 과제를 직접 수락하는 것
• 다) 가장 높은 피크만 고려하고 나머지는 무시함
• D) 패턴을 색칠하고 시각적으로 아름답게 만들기

설명: XRD 위상 식별은 측정된 피크 위치 및 강도를 알려진 기준 패턴(예: ICDD/PDF 카드)과 일치시켜 수행됩니다. 단독으로 단일 피크를 지정하는 것은 오해의 소지가 있습니다. 겹치는 피크, 우선 방향 및 배경 아티팩트를 고려해야 하며 참조 데이터베이스를 통해 할당을 확인해야 합니다.

10. AI가 작성한 손상/검사 보고서 초안에는 유동적이지만 출처를 알 수 없는 기술적 값이 포함되어 있습니다. 올바른 행동은 무엇입니까?

• 가) 본문이 유창하기 때문에 보고서를 있는 그대로 제시한다.
• B) 값 반올림 및 광택 처리
• C) 요약만 읽고 나머지는 건너뛰세요.
• D) 각 값을 원래 측정/소스와 일치시키고 확인되지 않은 값을 제거합니다. ✔

설명: 보고서의 각 기술 값. 측정, 교정된 장치 기록, 표준 또는 제조업체 데이터를 추적할 수 있어야 합니다. 유창한 문장의 값이라 할지라도 출처가 확인되지 않은 숫자는 보고나 판단 근거에 포함되어서는 안 됩니다. 그렇지 않으면 가상의 가치가 책임을 생성하는 문서로 이전됩니다.

11. AI 생성 Python 계산(예: 입자 크기-수율 강도에 대한 Hall-Petch 관계)을 사용하기 전에 가장 좋은 단계는 무엇입니까?

• 가) 코드를 실제 생산 데이터에 직접 적용
• B) 코드가 짧고 깔끔하게 보이는지 확인하기만 하면 됩니다.
• C) 알려진 결과가 있는 테스트 시나리오에서 코드를 실행하고 단위와 출력을 확인합니다. ✔
• D) 코드의 일부를 삭제하여 단축

설명: 코드는 올바른 것처럼 보이지만 잘못된 결과를 제공할 수 있습니다. 단위 오류, 잘못된 계수 또는 공식 오류가 있을 수 있습니다. 결과를 직접 알고 이를 예상 출력과 비교하고 단위를 확인하는 작은 테스트 사례에서 코드를 실행하면 오류가 실제 결정으로 넘어가기 전에 오류가 포착됩니다.

12. 회사의 아직 특허를 받지 않은 합금 레시피 및 공정 매개변수를 공개적으로 사용 가능한 AI 도구에 붙여넣고 분석을 요청하려고 합니다. 가장 올바른 접근 방식은 무엇입니까?

• 가) 레시피를 그대로 붙여넣어 빠르게 만드는 방법
• B) 회사명만 삭제하고 나머지 매개변수는 모두 공유하면 됩니다.
• 다) 데이터를 공유한 후 AI에게 삭제 요청
• 라) 기관 정책 확인 및 데이터 익명화 또는 보안/제도적 도구 활용 ✔

설명: 합금 레시피, 공정 매개변수 및 고객 사양은 영업 비밀이며 지적 재산에 민감합니다. 데이터를 공유하기 전에 회사 정책을 확인하거나 익명화하거나 데이터를 외부로 전송하지 않는 기관/현장 도구를 사용해야 합니다.

13. AI 기반 SPC(통계적 프로세스 제어) 시스템은 생산 배치에서 제어 차트 제한이 초과되었음을 표시했습니다. 올바른 엔지니어링 행동은 무엇입니까?

• A) 경고를 무시하고 생산을 계속합니다.
• 나) 경고가 발생하지 않도록 통제한계를 확대한다.
• C) 경고를 트리거로 간주하고 측정을 확인하고 근본 원인을 조사한 후 허용 기준에 따라 결정합니다. ✔
• D) 측정 없이 전체 배치를 직접 폐기

설명: 관리 차트 한계를 초과하면 경고입니다. 근본 원인은 자동으로 명확하지 않습니다. 측정 오류, 샘플링 문제 또는 실제 프로세스 드리프트일 수 있습니다. 올바른 접근 방식은 경고를 트리거로 간주하고, 측정을 확인하고, 근본 원인을 조사하고, 허용 기준 및 NDT/검사 결과에 따라 결정을 내리는 것입니다.

14. 주조 부품에 대한 AI 지원 이미지 평가는 영역을 '허용'으로 표시했습니다. 안전이 중요한 부품에 대한 올바른 접근 방식은 무엇입니까?

• A) AI 예비평가를 심사 도구로 고려하여 최종 합격을 NDT 결과 및 승인 승인으로 연결 ✔
• 나) AI 평가를 최종 합격으로 간주하고 해당 부분을 승인한다.
• 다) 부품을 전혀 검사하지 않고 다음 공정으로 넘어간다.
• D) 부품의 표면을 육안으로 확인하는 것만으로도 충분하다.

설명: 주조 내부 결함(다공성, 수축, 함유물)은 표면에서 보이지 않는 경우가 많으며 비파괴 검사(NDT: 방사선 촬영, 초음파)를 통해 평가됩니다. AI가 이미지를 통해 제공하는 사전 평가는 선별 도구입니다. 안전에 중요한 부품의 최종 승인은 표준에 따라 NDT 및 공인 검사 승인을 통해 제공됩니다.