ഫീൽഡ് വിശകലനവും ജിഐഎസും: ഭൂമിയെ വായിക്കുക, കൃത്രിമബുദ്ധി ഉപയോഗിച്ച് വ്യാഖ്യാനിക്കുക

നേട്ടങ്ങൾ:

• സ്പേഷ്യൽ മെഷർമെൻ്റ് (ചരിവ്, ഓറിയൻ്റേഷൻ, ഏരിയ) ജിഐഎസിൻ്റെയും ഫീൽഡിൻ്റെയും ജോലിയാണെന്നും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ നിന്ന് അളവുകൾ ആവശ്യപ്പെടില്ലെന്നും മനസ്സിലാക്കുക.
• ഫീൽഡ് നിരീക്ഷണങ്ങൾ ഉപയോഗിച്ച് അളന്ന ഡാറ്റ സമന്വയിപ്പിക്കാനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് അവസര നിയന്ത്രണ ലിസ്റ്റുകളും ഉപയോഗ സോണിംഗ് ശുപാർശകളും നിർമ്മിക്കാനുമുള്ള കഴിവ്
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സിന്തസിസിനെ ഒരു സിദ്ധാന്തമായി കാണാനും അത് ഫീൽഡിലും എഞ്ചിനീയറിംഗ് ആവശ്യമുള്ള പ്രത്യേക മെറ്റീരിയലുകളിലും എതിർവായിക്കാനുമുള്ള കഴിവ്

നല്ല ലാൻഡ്‌സ്‌കേപ്പ് ഡിസൈൻ ആരംഭിക്കുന്നത് പ്ലോട്ട് "കേൾക്കുന്നതിൽ" നിന്നാണ്. വെള്ളം എവിടെ നിന്ന് ഒഴുകുന്നു, സൂര്യൻ എവിടെയാണ് പ്രകാശിക്കുന്നത്, കാറ്റ് എവിടെ വീശുന്നു, ആളുകൾ ഇതിനകം ഏത് പാതകളാണ് ഉപയോഗിക്കുന്നത്? ഒരു സൈറ്റിൻ്റെ ഭൗതികവും പാരിസ്ഥിതികവും സാമൂഹികവുമായ സ്വഭാവസവിശേഷതകളുടെ ചിട്ടയായ പരിശോധനയാണ് സൈറ്റ് വിശകലനം - ഇത് രൂപകൽപ്പനയെ അടിസ്ഥാനമാക്കിയുള്ള യാഥാർത്ഥ്യത്തിൻ്റെ അടിസ്ഥാനമാണ്. ജിഐഎസ് (ജിയോഗ്രാഫിക് ഇൻഫർമേഷൻ സിസ്റ്റം / ജിഐഎസ്) എന്നത് സ്പേഷ്യൽ ഡാറ്റ (ചരിവ്, ഉയരം, മണ്ണ്, വെള്ളം, ഘടന) പാളികളിൽ മാപ്പ് ചെയ്യുകയും വിശകലനം ചെയ്യുകയും ചെയ്യുന്ന സോഫ്റ്റ്വെയറാണ്. ഈ യൂണിറ്റിൽ, ഡൊമെയ്ൻ വിശകലനത്തിൽ ഒരു വ്യാഖ്യാനമായും സിന്തസിസ് പങ്കാളിയായും AI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും; എന്നാൽ ജിഐഎസിലും ഫീൽഡിലും അളവെടുപ്പും സ്ഥാന കൃത്യതയും നിലനിൽക്കുന്നത് എന്തുകൊണ്ടാണെന്ന് നിങ്ങൾ കാണും.

ഫീൽഡ് വിശകലനത്തിൻ്റെ പാളികൾ

ഒരു പ്ലോട്ട് വായിക്കുമ്പോൾ സാധാരണ പാളികൾ ഇവയാണ്:

• ഭൂപ്രകൃതി: ഉയരവും ചരിവും (ഉപരിതലത്തിൻ്റെ ചരിവിൻ്റെ ഡിഗ്രി - ജലപ്രവാഹം, പ്രവേശനം, സാധ്യത എന്നിവ നിർണ്ണയിക്കുന്നു).
• വശം: ചരിവ് അഭിമുഖീകരിക്കുന്ന ദിശ; ഇൻസുലേഷൻ്റെയും കാറ്റിൻ്റെയും പ്രഭാവം നിർണ്ണയിക്കുന്നു.
• ജലശാസ്ത്രം: വെള്ളം എവിടെ നിന്ന് വരുന്നു, എവിടെ ഒഴുകുന്നു, വെള്ളപ്പൊക്കം, ശേഖരണ പ്രദേശങ്ങൾ.
• മണ്ണും ഭൂമിശാസ്ത്രവും: മണ്ണിൻ്റെ തരം, ഡ്രെയിനേജ്, വഹിക്കാനുള്ള ശേഷി.
• സസ്യങ്ങളും പരിസ്ഥിതിശാസ്ത്രവും: നിലവിലുള്ള മരങ്ങൾ, സ്വാഭാവിക ജീവിതം, ടിഷ്യൂകൾ സംരക്ഷിക്കപ്പെടണം.
• മനുഷ്യ പാളി: നിലവിലെ ഉപയോഗം, പ്രവേശനം, അയൽപക്കം, കാഴ്ചകൾ.

ജിഐഎസ് ഈ പാളികൾ വിരളമായി ഉത്പാദിപ്പിക്കുന്നു; ഈ പാളികളെ ബന്ധപ്പെടുത്താനും വ്യാഖ്യാനിക്കാനും ഫീൽഡ് നിരീക്ഷണ കുറിപ്പുകൾ സമന്വയിപ്പിക്കാനും AI സഹായിക്കുന്നു. നിർണ്ണായക നിയമം: AI-ക്ക് ചരിവ് അളക്കാനോ മാപ്പിൽ കോർഡിനേറ്റുകൾ നിർമ്മിക്കാനോ കഴിയില്ല; നിങ്ങൾ നൽകുന്ന അളന്ന ഡാറ്റ മനസ്സിലാക്കാനും മുൻഗണനകൾ ശുപാർശ ചെയ്യാനും ഇത് സഹായിക്കുന്നു.

സൂചന: AI യോട് ചോദിക്കുക "ആ ഭൂമിയുടെ ചരിവ് എന്താണ്?" ചോദിക്കരുത് - അവന് അത് അറിയാൻ കഴിയില്ല, അത് ഉണ്ടാക്കിയേക്കാം. പകരം, GIS-ൽ നിന്ന് നിങ്ങൾക്ക് ലഭിച്ച ചരിവ് ഡാറ്റ നൽകുക, "ഈ ചരിവ് വിതരണം അനുസരിച്ച്, നടക്കാൻ അനുയോജ്യമായ സ്ഥലങ്ങൾ ഏതാണ്, ഇരിക്കാൻ അനുയോജ്യം, വെള്ളം നിലനിർത്താൻ അനുയോജ്യമായത് ഏതാണ്?" അഭിപ്രായങ്ങൾ ചോദിക്കുക.

ഘട്ടം ഘട്ടമായി: ഡാറ്റ മുതൽ വ്യാഖ്യാനം വരെ

ഘട്ടം 1 - അളന്ന ഡാറ്റ ശേഖരിക്കുക. GIS-ൽ നിന്നോ ഫീൽഡ് സർവേയിൽ നിന്നോ ചരിവ്, ഓറിയൻ്റേഷൻ, ജലപ്രവാഹ ദിശ തുടങ്ങിയ ഡാറ്റ എക്‌സ്‌ട്രാക്‌റ്റ് ചെയ്യുക. ഈ ഘട്ടം മനുഷ്യ/വാഹന ജോലിയാണ്.

ഘട്ടം 2 - ഫീൽഡ് നിരീക്ഷണം ശ്രദ്ധിക്കുക. മൈതാനത്ത് നിങ്ങൾ കാണുന്നവ എഴുതുക (നനഞ്ഞ മൂല, കാറ്റുള്ള വരമ്പുകൾ, ഷേഡുള്ള പ്രദേശം, തേഞ്ഞ വഴി).

ഘട്ടം 3 - AI സമന്വയിപ്പിക്കുക. അളന്ന ഡാറ്റ + നിരീക്ഷണ കുറിപ്പുകൾ നൽകുകയും ഒരു "അവസരവും നിയന്ത്രണ ഭൂപടവും" രൂപത്തിൽ അഭിപ്രായം ചോദിക്കുകയും ചെയ്യുക.

ഘട്ടം 4 - എതിർ-വായന. AI-യുടെ വ്യാഖ്യാനം ഫീൽഡ് റിയാലിറ്റിയുമായി താരതമ്യം ചെയ്യുക; അനുയോജ്യമല്ലാത്ത എല്ലാ മേഖലകളും ശരിയാക്കുക.

ഘട്ടം 5 - ഡിസൈൻ തീരുമാനവുമായി ഇത് ബന്ധിപ്പിക്കുക. വിശകലനത്തിൻ്റെ ഫലമായുണ്ടാകുന്ന അവസരങ്ങൾ/നിയന്ത്രണങ്ങൾ മൂർത്തമായ ഡിസൈൻ തീരുമാനങ്ങളിലേക്ക് (എവിടെ, എന്ത്) വിവർത്തനം ചെയ്യുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ചരിവ് വ്യാഖ്യാനം. ഒരു ഹിൽസൈഡ് പാർക്ക് പ്രോജക്റ്റിൽ, GIS ചരിവ് ഡാറ്റ 5%-22% വരെ വ്യത്യാസപ്പെടുന്നു. YZ ഇത് നിരീക്ഷണ കുറിപ്പുകളുമായി സംയോജിപ്പിച്ച് ഒരു നിർദ്ദേശം തയ്യാറാക്കി, "15% ന് മുകളിലുള്ള പ്രദേശങ്ങൾ ടെറസിലാണ്, 8% ൽ താഴെയുള്ളത് സ്വതന്ത്ര പുൽമേടുകളാണ്, ബാക്കിയുള്ളത് നടക്കുകയാണ്". ആർക്കിടെക്റ്റ് ഇത് സൈറ്റിൽ പരിശോധിച്ച് 60% സമയം ലാഭിച്ചു; അവസാന ടെറസ് ലൈൻ അദ്ദേഹം തന്നെ വരച്ചു.

കേസ് 2 - വാട്ടർലോഗിംഗ്. സ്‌കൂൾ മുറ്റത്ത് വെള്ളക്കെട്ട് ആവർത്തിച്ചു. YZ-ന് ഫീൽഡ് നോട്ടുകൾ + ചരിവ് + മണ്ണ് ഡാറ്റ നൽകി; താഴ്ന്ന ചരിവുള്ള കളിമൺ കോർണർ പ്രകൃതിദത്തമായ ശേഖരണ കേന്ദ്രമാണെന്നും മഴത്തോട്ടമാക്കി മാറ്റാമെന്നും YZ ചൂണ്ടിക്കാട്ടി. എഞ്ചിനീയർ ഡ്രെയിനേജ് കണക്കുകൂട്ടലും നടത്തി.

കേസ് 3 - ഫാബ്രിക്കേഷൻ പിടികൂടി. ഒരു ഇൻ്റേൺ AI യോട് നേരിട്ട് ചോദിച്ചു "ഈ പാഴ്സലിൻ്റെ ശരാശരി ചരിവ് എന്താണ്?" അവൻ ചോദിച്ചു; AI ആത്മവിശ്വാസമുള്ള ഒരു നമ്പർ നൽകി. ഇത് അടിസ്ഥാനരഹിതമാണെന്ന് മുതിർന്ന ആർക്കിടെക്റ്റ് മനസ്സിലാക്കി - AI പാഴ്സൽ കണ്ടില്ല. നടപടി സ്വീകരിച്ചത് സിബിഎസിൽ നിന്നാണ്; യഥാർത്ഥ മൂല്യം വ്യത്യസ്തമായിരുന്നു. പാഠം: വാഹനത്തിൽ നിന്ന് സ്ഥാനപരമായ അളവ് നേടുക, AI അല്ല.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) അവസര-നിയന്ത്രണ സമന്വയം:

നിങ്ങളുടെ റോൾ: ലാൻഡ്സ്കേപ്പ് അനലിസ്റ്റ്. അളന്ന ഡാറ്റയും ഫീൽഡ് നിരീക്ഷണങ്ങളും ഞാൻ നിങ്ങൾക്ക് നൽകും. ഡാറ്റ: ചരിവ് വിതരണം [...], ഓറിയൻ്റേഷൻ [...], വെള്ളം ഒഴുകുന്ന ദിശ [...], മണ്ണ് [...]. നിരീക്ഷണം: [നനഞ്ഞ മൂല, കാറ്റുള്ള വരമ്പുകൾ, നിഴൽ, നിലവിലുള്ള പാത]. ഇവ സമന്വയിപ്പിച്ച് ഒരു അവസരവും നിയന്ത്രണവും സൃഷ്ടിക്കുക. വലിപ്പം ഫിറ്റിംഗ്; ഞാൻ നിങ്ങൾക്ക് നൽകുന്ന ഡാറ്റ വ്യാഖ്യാനിച്ചാൽ മതി.

2) ഉപയോഗ സോണിംഗ് ശുപാർശ:

ഞാൻ നൽകുന്ന ചരിവുകളുടെയും ഓറിയൻ്റേഷൻ്റെയും ഡാറ്റയെ അടിസ്ഥാനമാക്കി, പ്ലോട്ടിനെ ഫംഗ്‌ഷൻ സോണുകളായി വിഭജിക്കാൻ നിർദ്ദേശിക്കുക: നടത്തം, ഇരിക്കൽ/കൂട്ടം, വെള്ളം നിലനിർത്തൽ, ഇടതൂർന്ന സസ്യങ്ങൾ, കളി. ഓരോ ശുപാർശയുടെയും അടിസ്ഥാനത്തിലുള്ള ഡാറ്റ എന്താണെന്ന് എഴുതുക. ഇതൊരു ഡ്രാഫ്റ്റാണെന്നും ഫീൽഡിൽ പരിശോധിക്കുമെന്നും പ്രസ്താവിക്കുക.

3) ഫീൽഡ് ട്രിപ്പ് ചെക്ക്‌ലിസ്റ്റ്:

[4 ഹെക്ടർ സ്ട്രീംസൈഡ് പാർക്ക്] പ്രോജക്റ്റിനായി ഒരു സൈറ്റ് വിശകലന യാത്രയിൽ ഞാൻ നിരീക്ഷിക്കേണ്ടതും ശ്രദ്ധിക്കേണ്ടതുമായ ഇനങ്ങളുടെ ഒരു ചെക്ക്‌ലിസ്റ്റ് തയ്യാറാക്കുക: ഭൂപ്രകൃതി, വെള്ളം, മണ്ണ്, സസ്യങ്ങൾ, സൂര്യൻ/തണൽ, കാറ്റ്, മനുഷ്യ ഉപയോഗം, പ്രവേശനം, സമീപസ്ഥലം.

4) അനാലിസിസ്-ഡിസൈൻ ബ്രിഡ്ജ്:

ഈ അവസര-പരിമിതി ലിസ്റ്റ് കൃത്യമായ ഡിസൈൻ തീരുമാനങ്ങളിലേക്ക് വിവർത്തനം ചെയ്യുക: ഓരോ അവസരത്തിനും "ഞാൻ ഇത് എങ്ങനെ പ്രയോജനപ്പെടുത്താം", ഓരോ പരിമിതികൾക്കും "ഇത് എങ്ങനെ മറികടക്കാം/മാനേജ് ചെയ്യാം". എഞ്ചിനീയറിംഗ് ആവശ്യമുള്ള ഇനങ്ങൾ അടയാളപ്പെടുത്തുക (ഡ്രെയിനേജ്, നിലനിർത്തൽ).

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ പ്ലോട്ട് വിശകലനം ചെയ്യുക.

AI പ്ലോട്ട് കാണുന്നില്ല; ഡാറ്റ ഇല്ലെങ്കിൽ, അവൻ ഒന്നുകിൽ പൊതുവായ പ്രസ്താവനകൾ നടത്തുന്നു അല്ലെങ്കിൽ അളവുകൾ ഉണ്ടാക്കുന്നു.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: ഡൊമെയ്ൻ അനലിസ്റ്റ്. അളന്ന ഡാറ്റ (ജിഐഎസിൽ നിന്ന്): ചരിവ് 4-18%, വടക്ക് അഭിമുഖീകരിക്കുന്ന ചരിവ്, തെക്കുകിഴക്ക് വെള്ളം ഒഴുകുന്നു, കളിമണ്ണ് മണ്ണ്, മീഡിയൻ ഡ്രെയിനേജ്. സൈറ്റ് നിരീക്ഷണം: വടക്കേ മൂലയിൽ നിരന്തരം ഷേഡുള്ളതും ഈർപ്പമുള്ളതുമാണ്, തെക്കൻ അറ്റം കാറ്റിനായി തുറന്നിരിക്കുന്നു, നിലവിലുള്ള പ്ലെയ്ൻ ട്രീ വരി സംരക്ഷിക്കപ്പെടും, കിഴക്കൻ അറ്റത്ത് ഒരു ബിൽറ്റ്-ഇൻ കാൽനട പാതയുണ്ട്. അവസരങ്ങളുടെയും പരിമിതികളുടെയും ഒരു ലിസ്റ്റ് ഈ ഡാറ്റയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ്; ഓരോ ഇനത്തിനും നിങ്ങൾ അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റ എഴുതുക. അളവുകൾ ഉണ്ടാക്കരുത്.

അളന്ന ഡാറ്റ + നിരീക്ഷണം നൽകുമ്പോൾ, AI ഒരു യഥാർത്ഥ സമന്വയം സൃഷ്ടിക്കുകയും "മെഷർമെൻ്റ് ഫിറ്റിംഗ്" നിയന്ത്രണം ഭ്രമാത്മകതയെ ഇല്ലാതാക്കുകയും ചെയ്യുന്നു.

ഡാറ്റ ഉറവിടവും റോൾ ടേബിളും

പാളി

ഡാറ്റ എവിടെ നിന്നാണ്?

AI യുടെ പങ്ക്

മനുഷ്യൻ്റെ പങ്ക്

ചരിവ്/ഉയരം

ജിഐഎസ്, അളവ്

അഭിപ്രായം

അളവ്, സ്ഥിരീകരണം

ഓറിയൻ്റേഷൻ

ജിഐഎസ്

കടപ്പാട്

സ്ഥിരീകരണം

ജലശാസ്ത്രം

GIS + ഫീൽഡ്

പാറ്റേൺ നിർദ്ദേശം

എഞ്ചിനീയർ അക്കൗണ്ട്

മണ്ണ്

ഡ്രില്ലിംഗ് / ലബോറട്ടറി

അർത്ഥമാക്കുന്നത്

പരീക്ഷ, തീരുമാനം

നിലവിലെ പ്ലാൻ്റ്

ഫീൽഡ് ഇൻവെൻ്ററി

സിന്തസിസ്

കണ്ടെത്തൽ, സംരക്ഷണം

മനുഷ്യ ഉപയോഗം

ഫീൽഡ് നിരീക്ഷണം

സംഗ്രഹം

നിരീക്ഷണം, അഭിപ്രായം

സാധാരണ തെറ്റുകൾ

• AI-യിൽ നിന്ന് സ്ഥാനപരമായ അളവുകൾ അഭ്യർത്ഥിക്കുന്നു. ചരിവ്, വിസ്തീർണ്ണം, ദൂരം എന്നിവ GIS/അളവ് ജോലിയാണ്; AI-ക്ക് അത് പരിഹരിക്കാൻ കഴിയും.
• ഫീൽഡ് ട്രിപ്പ് ഒഴിവാക്കുന്നു. ഫീൽഡിൽ നിൽക്കുന്നതിനും കാണുന്നതിനും പകരം വയ്ക്കാൻ ഒരു ഡാറ്റയ്ക്കും കഴിയില്ല.
• ഒറ്റ പാളി നോക്കി. പാളികളുടെ കവലയിൽ (ചരിവ് + വെള്ളം + നിഴൽ ഒരുമിച്ച്) അവസരങ്ങൾ ഉണ്ടാകുന്നു.
• ഫീൽഡുമായി വ്യാഖ്യാനത്തെ താരതമ്യം ചെയ്യുന്നില്ല. AI സിന്തസിസ് ഒരു സിദ്ധാന്തമാണ്; ഫീൽഡിൽ പരിശോധിച്ചു.
• എഞ്ചിനീയറിംഗ് പ്രശ്നങ്ങൾ കമൻ്റുകളായി കംപ്രസ് ചെയ്യുന്നു. ഡ്രെയിനേജ് ശേഷിയും നിലനിർത്തുന്ന സ്റ്റാറ്റിക്സും പ്രത്യേക കണക്കുകൂട്ടലുകൾ ആവശ്യമാണ്.

ചുരുക്കത്തിൽ

ഫീൽഡ് വിശകലനത്തിൽ, അളവെടുപ്പും സ്ഥാന കൃത്യതയുമാണ് ജിഐഎസിൻ്റെയും ഫീൽഡിൻ്റെയും ജോലി; ഫീൽഡ് നിരീക്ഷണങ്ങൾ ഉപയോഗിച്ച് ഈ അളന്ന ഡാറ്റ സമന്വയിപ്പിക്കുന്നതിനും അവസര-നിയന്ത്രണ മാപ്പുകളും സോണിംഗ് ശുപാർശകളും നിർമ്മിക്കുന്നതിലും AI ഒരു ശക്തമായ പങ്കാളിയാണ്. അളന്ന ഡാറ്റ ശേഖരണം, ഫീൽഡ് നിരീക്ഷണം, AI സിന്തസിസ്, ഫീൽഡ് കൌണ്ടർ-റീഡിംഗ്, ഡിസൈനിലേക്ക് ലിങ്കിംഗ് എന്നിവയിലൂടെ പ്രക്രിയ നടപ്പിലാക്കുക. അളവുകൾക്കായി AI-യോട് ഒരിക്കലും ആവശ്യപ്പെടരുത്; അതിന് ഡാറ്റ നൽകുകയും അത് മനസ്സിലാക്കുകയും ചെയ്യുക. സമന്വയം എല്ലായ്പ്പോഴും ഫീൽഡിൽ പരിശോധിക്കേണ്ട ഒരു സിദ്ധാന്തമാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഒരു പ്ലോട്ടിനായുള്ള ചരിവ്, ഓറിയൻ്റേഷൻ, ജലപ്രവാഹം എന്നിവ വിവരിക്കുക (യഥാർത്ഥ GIS ഡാറ്റ അല്ലെങ്കിൽ ന്യായമായ അനുമാനങ്ങൾ ഉപയോഗിച്ച്) ഒരു ഫീൽഡ് നിരീക്ഷണ കുറിപ്പ് എഴുതുക. "അവസരം-നിയന്ത്രണ സമന്വയം" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് ഒരു വിശകലനം സൃഷ്‌ടിക്കുക, തുടർന്ന് "വിശകലനം-ഡിസൈൻ ബ്രിഡ്ജ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് കുറഞ്ഞത് അഞ്ച് കോൺക്രീറ്റ് ഡിസൈൻ തീരുമാനങ്ങളാക്കി മാറ്റുക. എഞ്ചിനീയറിംഗ് ആവശ്യമുള്ള ഇനങ്ങൾ ടിക്ക് ചെയ്യുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ജിഐഎസ്/മെഷർമെൻ്റിൽ നിന്ന് അളന്ന ഡാറ്റ എടുത്തു, ഞാൻ അത് AI-യുമായി പൊരുത്തപ്പെട്ടില്ല.
• [ ] ഞാൻ എൻ്റെ ഫീൽഡ് നിരീക്ഷണ കുറിപ്പ് എഴുതി.
• [] ഞാൻ ഒന്നിലധികം പാളികളുടെ വിഭജനം ഉപയോഗിച്ച് AI സിന്തസിസ് നിർമ്മിച്ചു.
• ഫീൽഡ് റിയാലിറ്റിയുമായി ഞാൻ സമന്വയത്തെ എതിർ-വായിച്ചു.
• [ ] എഞ്ചിനീയറിംഗ് ആവശ്യമുള്ള ഇനങ്ങൾ ഞാൻ പ്രത്യേകം അടയാളപ്പെടുത്തുകയും അവ വിദഗ്ദ്ധനെ അറിയിക്കുകയും ചെയ്തു.