ലോഹശാസ്ത്രത്തിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ആമുഖം: അതിരുകൾ, മൂല്യനിർണ്ണയം, ഉത്തരവാദിത്തം, ധാർമ്മികത

നേട്ടങ്ങൾ:

• മെറ്റലർജിക്കൽ, മെറ്റീരിയൽസ് വർക്ക്ഫ്ലോയിൽ എഐ എവിടെ തത്സമയം ലാഭിക്കുന്നുവെന്നും അപകടസാധ്യതയുടെ തോത് അടിസ്ഥാനമാക്കി സുരക്ഷാ-നിർണ്ണായക ഉത്തരവാദിത്തം എഞ്ചിനീയർക്ക് എവിടെയായിരിക്കണമെന്നും വേർതിരിച്ചറിയാനുള്ള കഴിവ്
• സ്റ്റാൻഡേർഡ്, ഇൻഡിപെൻഡൻ്റ് കമ്പ്യൂട്ടേഷൻ, ലബോറട്ടറി പരീക്ഷണങ്ങൾ എന്നിവയ്‌ക്കെതിരെ ഓരോ AI ഔട്ട്‌പുട്ടും പരിശോധിക്കുന്ന മൂന്ന്-ലെയർ മൂല്യനിർണ്ണയ അച്ചടക്കം നടപ്പിലാക്കാനുള്ള കഴിവ്
• രഹസ്യാത്മക അലോയ് പാചകക്കുറിപ്പ്, പ്രോസസ്സ് പാരാമീറ്റർ, ഉപഭോക്തൃ ഡാറ്റ എന്നിവ പരിരക്ഷിക്കുന്നതിന് സന്ദർഭവും സുരക്ഷിത ഉപകരണ തിരഞ്ഞെടുപ്പും അജ്ഞാതമാക്കാനുള്ള കഴിവ്

ഒരു എയർക്രാഫ്റ്റ് എഞ്ചിൻ്റെ ടർബൈൻ ബ്ലേഡ് 1400 ഡിഗ്രി സെൽഷ്യസിൽ സെക്കൻഡിൽ നൂറുകണക്കിന് തവണ കറങ്ങുമ്പോൾ, ഏത് സൂപ്പർഅലോയ് (ഉയർന്ന താപനിലയിൽ അതിൻ്റെ ശക്തി നിലനിർത്തുന്ന ഒരു പ്രത്യേക അലോയ്) ബ്ലേഡ് നിർമ്മിക്കണം, ഏത് താപ ചികിത്സയ്ക്ക് വിധേയമാക്കണം, എത്ര ആയിരം മണിക്കൂർ നീണ്ടുനിൽക്കണം എന്നിവ തീരുമാനിക്കുന്നത് നിങ്ങളാണ്: മെറ്റലർജിക്കൽ അല്ലെങ്കിൽ മെറ്റീരിയൽ എഞ്ചിനീയർ. ഈ തൊഴിലിൽ നിങ്ങൾ എടുക്കുന്ന ഓരോ തീരുമാനവും ഒന്നുകിൽ ഒരു ഘടനയുടെ നിലനിൽപ്പിനെ അല്ലെങ്കിൽ അതിൻ്റെ നാശത്തെ നിർണ്ണയിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (ചുരുക്കത്തിൽ AI: ടെക്‌സ്‌റ്റ്, നമ്പറുകൾ, ഇമേജുകൾ എന്നിവ പ്രോസസ്സ് ചെയ്യുകയും നിർദ്ദേശങ്ങൾ നിർമ്മിക്കുകയും ചെയ്യുന്ന സോഫ്റ്റ്‌വെയർ സിസ്റ്റങ്ങൾക്ക്) ഈ തീരുമാനങ്ങൾ വേഗത്തിലാക്കാൻ കഴിയും; എന്നാൽ അവന് ഒരിക്കലും നിങ്ങളുടെ ഉത്തരവാദിത്തം ഏറ്റെടുക്കാൻ കഴിയില്ല. മെറ്റലർജിയിലും മെറ്റീരിയല് വർക്കിലും എവിടെ സുരക്ഷിതമായി AI ഉപയോഗിക്കണം, എവിടെയാണ് അത് അപകടകരം, എന്തിനാണ് ഓരോ AI ഔട്ട്‌പുട്ടും ലബോറട്ടറി, സ്റ്റാൻഡേർഡ്, പരീക്ഷണം എന്നിവ ഉപയോഗിച്ച് സാധൂകരിക്കേണ്ടത് എന്നിവ ഈ യൂണിറ്റ് നിങ്ങളെ പഠിപ്പിക്കുന്നു.

ഈ മൊഡ്യൂളിലുടനീളം നിങ്ങൾ ഉപയോഗിക്കുന്ന കേന്ദ്ര തത്വം ഇതാണ്: AI ഒരു അസിസ്റ്റൻ്റാണ്, ഒരു തീരുമാനമെടുക്കുന്നയാളല്ല. ഒരു മെറ്റീരിയൽ പ്രോപ്പർട്ടി, ഒരു പരിധി മൂല്യം, ഒരു സ്റ്റാൻഡേർഡ് ഇനം അല്ലെങ്കിൽ ഒരു ഹീറ്റ് ട്രീറ്റ്മെൻ്റ് പാചകക്കുറിപ്പ് "AI അങ്ങനെ പറഞ്ഞു" എന്നതുകൊണ്ട് മാത്രം സത്യമാകില്ല; മെഷർമെൻ്റ്, റഫറൻസ്, എഞ്ചിനീയറിംഗ് വിധി എന്നിവ ഉപയോഗിച്ച് പരിശോധിക്കുന്നത് വരെ ഇത് കേവലം ഒരു സിദ്ധാന്തം മാത്രമാണ്. മൊഡ്യൂളിൻ്റെ എല്ലാ യൂണിറ്റിലും നിങ്ങൾ ഈ വാചകം വീണ്ടും കാണും, കാരണം മെറ്റലർജിയിൽ തെറ്റായ നമ്പർ പലപ്പോഴും തകർന്ന ഭാഗത്തെ അർത്ഥമാക്കുന്നു.

എന്താണ് LLM, ലോഹശാസ്ത്രത്തിൽ അത് എന്താണ് ചെയ്യുന്നത്?

എൽഎൽഎം (ലാർജ് ലാംഗ്വേജ് മോഡൽ) എന്നത് വളരെ വലിയ വാചകങ്ങളിൽ നിന്ന് പാറ്റേണുകൾ പഠിക്കുകയും പ്രോബബിലിറ്റിയെ അടിസ്ഥാനമാക്കി "അടുത്ത വാക്ക്" പ്രവചിക്കുകയും ചെയ്യുന്ന ഒരു സോഫ്റ്റ്വെയറാണ്. ChatGPT, Claude, Gemini തുടങ്ങിയ ഉപകരണങ്ങളുടെ എഞ്ചിൻ ഇതാണ്. കാര്യം ഇതാണ്: LLM ഒരു "ഭാഷാ എസ്റ്റിമേറ്റർ" ആണ്, ഒരു "വിജ്ഞാന അടിത്തറ" അല്ല. മെറ്റലർജിക്കൽ ടെർമിനോളജി നന്നായി സംസാരിക്കുന്നു, പക്ഷേ ഒരു സംഖ്യ അളക്കുന്നില്ല; ഏറ്റവും സാധ്യതയുള്ള സംഖ്യ ഉത്പാദിപ്പിക്കുന്നു. അതിനാൽ, വിളവ് ശക്തി, ഉരുകൽ താപനില അല്ലെങ്കിൽ ഒരു സ്റ്റാൻഡേർഡിൻ്റെ ഐറ്റം നമ്പർ എന്നിവയെക്കുറിച്ച് ആത്മവിശ്വാസമുള്ളതും എന്നാൽ തെറ്റായതുമായ ഉത്തരങ്ങൾ അയാൾ നൽകിയേക്കാം. ഇതിനെ ഹാലുസിനേഷൻ (ഫാബ്രിക്കേഷൻ) എന്ന് വിളിക്കുന്നു. ഹാലുസിനേഷൻ ഒരു തകരാറല്ല, മറിച്ച് ഈ സാങ്കേതികവിദ്യയുടെ അന്തർലീനമായ സവിശേഷതയാണ്; അതിനാൽ, സ്ഥിരീകരണം ഒരു "അധിക ഘട്ടം" അല്ല, ജോലിയുടെ അവിഭാജ്യ ഘടകമാണ്.

മെറ്റലർജിയിൽ AI ശക്തമാകുന്ന ജോലികൾ:

• ആശയ വിശദീകരണവും അധ്യാപനവും: എന്താണ് മാർട്ടൻസൈറ്റ് പരിവർത്തനം, എന്തുകൊണ്ട് ഇത് കഠിനവും പൊട്ടുന്നതുമാണ്; eutectic ഉം eutectoid ഉം തമ്മിലുള്ള വ്യത്യാസം എന്താണ്?
• ഒരു സിദ്ധാന്ത പട്ടിക സൃഷ്ടിക്കുന്നു: കാസ്റ്റിംഗിൽ എന്തുകൊണ്ട് സുഷിരം (ഗ്യാസ് അല്ലെങ്കിൽ ചുരുങ്ങൽ-ഇൻഡ്യൂസ്ഡ് ശൂന്യത) സംഭവിച്ചിരിക്കാം എന്നതിൻ്റെ വ്യവസ്ഥാപിത ലിസ്റ്റ് സൃഷ്ടിക്കുന്നു.
• ടെക്സ്റ്റ് പ്രൊഡക്ഷൻ: കേടുപാടുകൾ വിശകലനം റിപ്പോർട്ട് ഡ്രാഫ്റ്റ്, WPS (വെൽഡിംഗ് നടപടിക്രമം സ്പെസിഫിക്കേഷൻ) ഡ്രാഫ്റ്റ്, അവതരണം, ഇമെയിൽ.
• കോഡിംഗ്: ഡാറ്റ ക്ലീനിംഗ്, ഗ്രാഫിക്സ്, ലളിതമായ കണക്കുകൂട്ടൽ സ്ക്രിപ്റ്റുകൾ (പൈത്തൺ).
• ഡാറ്റ സംഗ്രഹവും ടേബിൾ ഓർഗനൈസേഷനും: ക്രമരഹിതമായ പരിശോധനാ ഫലങ്ങൾ ഒരു സംഘടിത പട്ടികയാക്കി മാറ്റുന്നു.
• ബ്രെയിൻസ്റ്റോമിംഗ്: കാൻഡിഡേറ്റ് ഘടകങ്ങൾ, അലോയ് ഡിസൈനിനായുള്ള പരീക്ഷണാത്മക മാട്രിക്സ് ആശയങ്ങൾ.

AI ദുർബലവും അപകടസാധ്യതയുള്ളതുമായ ഇടങ്ങളിൽ:

• കൃത്യമായ സംഖ്യാ മൂല്യം (സ്വത്ത്, പരിധി മൂല്യം, രാസഘടന) നൽകുന്നു.
• നിലവിലെ/നിർദ്ദിഷ്ട സ്റ്റാൻഡേർഡ് ക്ലോസ്, പതിപ്പ് വിവരങ്ങൾ.
• നിങ്ങളുടെ സൗകര്യത്തിൻ്റെ യഥാർത്ഥ അളവ് ഡാറ്റ ഇല്ലാതെ ഡയഗ്നോസ്റ്റിക്സ്.
• സുരക്ഷാ-നിർണ്ണായക തീരുമാനം: ഒരു ഭാഗത്തിൻ്റെ വായുയോഗ്യത/സേവനക്ഷമത.

അപകടസാധ്യത അടിസ്ഥാനമാക്കിയുള്ള വർഗ്ഗീകരണം: AI ഉപയോഗിക്കുന്നതിന് മുമ്പുള്ള ഫിൽട്ടർ

എല്ലാ ജോലികളും ഒരേ തലത്തിലുള്ള അപകടസാധ്യതയുള്ളതല്ല. AI ഉപയോഗിക്കുന്നതിന് മുമ്പ് റിസ്ക് ലെവൽ അനുസരിച്ച് ടാസ്ക്ക് തരംതിരിക്കുക. ഈ മൊഡ്യൂളിലുടനീളം നിങ്ങൾ ഉപയോഗിക്കുന്ന ഒരു തീരുമാന ചട്ടക്കൂട് ചുവടെയുള്ള പട്ടിക നൽകുന്നു.

റിസ്ക് ലെവൽ

മാതൃകാ ചുമതല

AI പങ്ക്

നിർബന്ധിത പരിശോധന

താഴ്ന്ന

ആശയ വിശദീകരണം, ഡ്രാഫ്റ്റ് ടെക്സ്റ്റ്, കോഡ് അസ്ഥികൂടം

സ്വതന്ത്ര ഉപയോഗം

അവലോകനം മതി

ഇടത്തരം

കണക്കുകൂട്ടൽ സജ്ജീകരണം, അനുമാനങ്ങളുടെ പട്ടിക, സാഹിത്യ സംഗ്രഹം

ഡ്രാഫ്റ്റ്/സഹ-രചയിതാവ്

മാനുവൽ നിയന്ത്രണം + ഉറവിട സ്ഥിരീകരണം

ഉയർന്നത്

മെറ്റീരിയൽ തിരഞ്ഞെടുക്കൽ, ചൂട് ചികിത്സ പാചകക്കുറിപ്പ്, പരിധി മൂല്യം

ആശയ ജനറേറ്റർ

സ്റ്റാൻഡേർഡ് + ലബോറട്ടറി പരിശോധന

വിമർശനാത്മകം

സേവനക്ഷമത/വായുയോഗ്യത, കേടുപാടുകളുടെ മൂലകാരണം, സർട്ടിഫിക്കേഷൻ

ഡ്രാഫ്റ്റ് മാത്രം

അംഗീകൃത പരിശോധന + അംഗീകൃത എഞ്ചിനീയർ അംഗീകാരം

നുറുങ്ങ്: നിങ്ങൾ ഒരു ടാസ്ക്ക് "നിർണ്ണായകം" എന്ന് അടയാളപ്പെടുത്തിയിട്ടുണ്ടെങ്കിൽ, AI-യുടെ ഔട്ട്പുട്ട് ഒരിക്കലും അന്തിമ പ്രമാണമല്ല. പരമാവധി ഇത് ഒരു പ്രാഥമിക ഡ്രാഫ്റ്റോ ചെക്ക്‌ലിസ്റ്റോ ആകാം; അംഗീകൃത എഞ്ചിനീയർ ഒപ്പും ഉത്തരവാദിത്തവും ഏറ്റെടുക്കുന്നു.

എൻഡ്-ടു-എൻഡ് ഫ്ലോ: നിങ്ങളുടെ വർക്ക്ഫ്ലോയിലേക്ക് AI ഉൾച്ചേർക്കുന്നു

ഒരു മെറ്റലർജിക്കൽ ബിസിനസ്സിലെ ഒരു സാധാരണ പ്രശ്നപരിഹാര ചക്രം ഇതുപോലെയാണ്, AI ഓരോ ഘട്ടത്തിലും പ്രവേശിക്കുന്നു, എന്നാൽ അവയൊന്നും ഒറ്റയ്ക്ക് അടയ്ക്കുന്നില്ല:

1. പ്രശ്നം നിർവചിക്കുക: എന്താണ് തകർന്നത്, ഏത് സവിശേഷതയാണ് ലക്ഷ്യമിടുന്നത്, എന്ത് നിയന്ത്രണമുണ്ട്? (AI: ചോദ്യം വ്യക്തമാക്കാൻ സഹായിക്കുന്നു.)
2. ഡാറ്റ ശേഖരിക്കുക: കോമ്പോസിഷൻ വിശകലനം, മെക്കാനിക്കൽ ടെസ്റ്റിംഗ്, മൈക്രോസ്ട്രക്ചർ, ഫീൽഡ് ഡാറ്റ. (AI: ഏത് പരിശോധനയാണ് ആവശ്യമുള്ളതെന്ന് ലിസ്റ്റുചെയ്യുന്നു.)
3. അനുമാനങ്ങൾ സൃഷ്ടിക്കുക: സാധ്യമായ കാരണങ്ങൾ/പരിഹാരങ്ങൾ. (AI: പവർഫുൾ — സിസ്റ്റമാറ്റിക് ലിസ്റ്റുകൾ നിർമ്മിക്കുന്നു.)
4. വിശകലനം ചെയ്യുക: കണക്കുകൂട്ടൽ, മോഡൽ, ഇമേജ് പ്രോസസ്സിംഗ്. (AI: കോഡും കണക്കുകൂട്ടൽ ഫിക്ഷനും സൃഷ്ടിക്കുന്നു.)
5. മൂല്യനിർണ്ണയം: സ്റ്റാൻഡേർഡ്, ലബോറട്ടറി, റീടെസ്റ്റ്. (AI: ഇവിടെ വശത്ത്; മനുഷ്യരും ഉപകരണവും തീരുമാനിക്കുന്നു.)
6. റിപ്പോർട്ട് ചെയ്യുകയും തീരുമാനിക്കുകയും ചെയ്യുക: എഞ്ചിനീയർ ഉത്തരവാദിത്തം ഏറ്റെടുക്കുന്നു. (AI: ഡ്രാഫ്റ്റ് റൈറ്റർ.)

ഈ ആറ് ഘട്ടങ്ങൾ മനസ്സിൽ വയ്ക്കുക; ഈ ഓരോ ഘട്ടത്തിലും കോൺക്രീറ്റ് ടാസ്‌ക്കുകൾക്കൊപ്പം AI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ബാക്കി മൊഡ്യൂൾ നിങ്ങളെ കാണിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഫിറ്റ് ചെയ്ത വിളവ് ശക്തി. ഒരു ഇൻ്റേൺ AI-യോട് AISI 4140 സ്റ്റീൽ കെടുത്തി 200 ഡിഗ്രി സെൽഷ്യസിൽ ടെമ്പർ ചെയ്തതിൻ്റെ വിളവ് ശക്തിയെക്കുറിച്ച് ചോദിക്കുന്നു; "ഏകദേശം 1500 MPa" എന്ന് AI പറയുന്നു. ഇൻ്റേൺ ഇത് നേരിട്ട് ഒരു സ്പിൻഡിൽ ഡിസൈൻ കണക്കുകൂട്ടലിൽ ഉൾപ്പെടുത്തുന്നു. എന്നിരുന്നാലും, ചൂട് ചികിത്സയുടെ പാരാമീറ്ററുകളും സെക്ഷൻ കനവും അനുസരിച്ച് യഥാർത്ഥ മൂല്യം ഏകദേശം 900-1600 MPa വരെ വ്യത്യാസപ്പെടുന്നു; ഒരു നേർത്ത സാമ്പിളിൽ എടുത്ത മൂല്യം കട്ടിയുള്ള ഒരു വിഭാഗത്തിൽ ശരിയല്ല. ഫലം: സുരക്ഷാ ഘടകം പ്രതീക്ഷിച്ചതിലും കുറവായി മാറുന്നു. മെറ്റീരിയൽ ഡാറ്റ ഷീറ്റിൽ നിന്ന് (മിൽ സർട്ടിഫിക്കറ്റ്) മൂല്യം എടുക്കുക എന്നതാണ് ശരിയായ മനോഭാവം, ആവശ്യമെങ്കിൽ, ISO 6892 അനുസരിച്ച് ടെൻസൈൽ ടെസ്റ്റിൽ നിന്ന്.

കേസ് 2 - നിലവിലില്ലാത്ത സ്റ്റാൻഡേർഡ് ക്ലോസ്. സ്റ്റെയിൻലെസ് സ്റ്റീലിൻ്റെ ഉൾപ്പെടുത്തൽ പരിധിയെക്കുറിച്ച് ഒരു എഞ്ചിനീയർ AI-യോട് ചോദിക്കുന്നു. "ASTM E45 സെക്ഷൻ 7.3 അനുസരിച്ച് പരമാവധി 2.5" എന്ന് AI പറയുന്നു. എഞ്ചിനീയർ അതനുസരിച്ച് റിപ്പോർട്ട് എഴുതുന്നു. ഉപഭോക്തൃ പരിശോധനയിൽ, ലേഖന നമ്പർ വ്യാജമാണെന്നും സ്റ്റാൻഡേർഡിന് അത്തരമൊരു ക്ലോസ് ഇല്ലെന്നും വെളിപ്പെട്ടു. ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്ന് സ്റ്റാൻഡേർഡിൻ്റെ നിലവിലെ പതിപ്പ് തുറന്ന് ലേഖനം സ്ഥിരീകരിക്കുക എന്നതാണ് ശരിയായ മനോഭാവം. സ്റ്റാൻഡേർഡ് നെയിം ശരിയായി അറിയാമെങ്കിലും, ഐറ്റം നമ്പർ AI ഭ്രമിപ്പിച്ചേക്കാം.

കേസ് 3 - ശരിയായ ഉപയോഗം. ഒരു കേടുപാട് വിശകലന സംഘം തകർന്ന M20 ബോൾട്ടിൻ്റെ തകർന്ന പ്രതലത്തിൻ്റെ ഫോട്ടോ പരിശോധിക്കുന്നു. അവർ AI-യോട് ചോദിക്കുന്നു, "ക്ഷീണ വിള്ളലിൻ്റെയും പൊട്ടുന്ന ഒടിവിൻ്റെയും ഒടിവ് പ്രതലത്തിലെ സാധാരണ വ്യത്യാസങ്ങൾ പട്ടികപ്പെടുത്തുക, കൂടാതെ ഓരോന്നിനും സ്കാനിംഗ് ഇലക്ട്രോൺ മൈക്രോസ്കോപ്പിൽ (SEM) എന്താണ് തിരയേണ്ടതെന്ന് എന്നോട് പറയൂ." കടൽത്തീരത്തെ അടയാളങ്ങൾ, സ്ട്രൈകൾ (ക്ഷീണരേഖകൾ), ഡിംപിൾ/ക്ലീവേജ് വ്യത്യാസം എന്നിവ AI വ്യവസ്ഥാപിതമായി വിശദീകരിക്കുന്നു. SEM ഉപയോഗിച്ച് ടീം ഈ ട്രെയ്‌സുകൾക്കായി തിരയുകയും സ്‌ട്രൈ കണ്ടെത്തുകയും ഉപകരണ ഇമേജ് ഉപയോഗിച്ച് രോഗനിർണയം നടത്തുകയും ചെയ്യുന്നു. ഇവിടെ AI ശരിയായി ഉപയോഗിച്ചു: വിവരങ്ങൾ സംഘടിപ്പിച്ചു, ലബോറട്ടറി തീരുമാനം എടുത്തു.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ചുവടെയുള്ള ടെംപ്ലേറ്റുകൾ നിങ്ങളുടെ സ്വന്തം ബിസിനസ്സുമായി പൊരുത്തപ്പെടുത്തിക്കൊണ്ട് നിങ്ങൾക്ക് അവ ഉപയോഗിക്കാൻ കഴിയും. അവയിൽ ഓരോന്നിലും, "കൃത്യമായ ഒരു സംഖ്യ നൽകുക, ഉറവിടം സൂചിപ്പിക്കുക, അനിശ്ചിതത്വം വിശദീകരിക്കുക" എന്ന ബോധപൂർവമായ നിർദ്ദേശമുണ്ട്.

റോളും ബൗണ്ടറി ടെംപ്ലേറ്റും "റോൾ: നിങ്ങൾ പരിചയസമ്പന്നനായ മെറ്റലർജിക്കൽ എഞ്ചിനീയർ അസിസ്റ്റൻ്റാണ്. ടാസ്‌ക്: [വിഷയം എഴുതുക]. നിയമങ്ങൾ: കൃത്യമായ സംഖ്യാ മൂല്യം നൽകുമ്പോൾ, ഉറവിടം രേഖപ്പെടുത്തുക; നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ, 'പരിശോധിച്ചിരിക്കണം' എന്ന് പറയുക. സ്റ്റാൻഡേർഡ് ഇനം നൽകിയാൽ, സ്ഥിരീകരിക്കപ്പെട്ട പതിപ്പിൽ നിന്ന് ഉത്തരം നൽകണം. ഇനം തിരിച്ച് 'പരീക്ഷണത്തിലൂടെ എന്താണ് പരിശോധിക്കേണ്ടത്'."

ഹൈപ്പോതെസിസ് ജനറേഷൻ ടെംപ്ലേറ്റ് "ഇനിപ്പറയുന്ന പ്രശ്നത്തിനുള്ള സാധ്യമായ മൂലകാരണങ്ങളുടെ ഒരു വ്യവസ്ഥാപിത ലിസ്റ്റ് തയ്യാറാക്കുക: [പ്രശ്നം വിവരിക്കുക; മെറ്റീരിയൽ, പ്രോസസ്സ്, നിരീക്ഷണം]. ഓരോ സിദ്ധാന്തത്തിനും: (1) എന്ത് തെളിവുകൾ അതിനെ പിന്തുണയ്ക്കുന്നു, (2) ഇത് സ്ഥിരീകരിക്കാൻ/തെളിയിക്കാൻ എന്ത് പരിശോധന നടത്തണം. ഒരു കൃത്യമായ രോഗനിർണയം നടത്തരുത്.

വെരിഫിക്കേഷൻ ചെക്ക്‌ലിസ്‌റ്റ് ടെംപ്ലേറ്റ് "ചുവടെയുള്ള ഔട്ട്‌പുട്ട്/റിപ്പോർട്ട് ഡ്രാഫ്റ്റിലെ ഓരോ സംഖ്യാ മൂല്യവും ഓരോ സ്റ്റാൻഡേർഡ് റഫറൻസും ലിസ്റ്റുചെയ്യുക. ഓരോന്നിനും, ഏത് ഉറവിടത്തിൽ നിന്നാണ് (മിൽ സർട്ടിഫിക്കറ്റ്, സ്റ്റാൻഡേർഡ് ടെക്‌സ്‌റ്റ്, ടെസ്റ്റ് റിപ്പോർട്ട്) അത് പരിശോധിക്കേണ്ടതെന്ന് സൂചിപ്പിക്കുക. അനിശ്ചിതത്വമുള്ളവ പ്രത്യേക 'പരിശോധിക്കുന്നത് വരെ ലഭ്യമല്ല:' തലക്കെട്ടിന് കീഴിൽ ശേഖരിക്കുക."

അജ്ഞാതമാക്കൽ പ്രീ-ചെക്ക് ടെംപ്ലേറ്റ് "ഒരു AI ടൂളിലേക്ക് ഇനിപ്പറയുന്ന ടെക്‌സ്‌റ്റ് നൽകുന്നതിന് മുമ്പ്, വ്യാപാര രഹസ്യങ്ങളോ വ്യക്തിഗത ഡാറ്റയോ അടങ്ങിയിരിക്കുന്ന ഭാഗങ്ങൾ ഫ്ലാഗ് ചെയ്യുക: അലോയ് പാചക അനുപാതങ്ങൾ, ഉപഭോക്തൃ നാമം, പ്രോസസ്സ് താപനില/സമയ രഹസ്യ പാരാമീറ്ററുകൾ, വ്യക്തികളുടെ പേരുകൾ. ഇവ എങ്ങനെ അജ്ഞാതമാക്കാമെന്ന് നിർദ്ദേശിക്കുക. വാചകം:[പേസ്റ്റ്]."

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ഒരേ ചോദ്യം രണ്ട് തരത്തിൽ ചോദിക്കുന്നത് തികച്ചും വ്യത്യസ്തമായ ഫലങ്ങൾ നൽകും.

ദുർബലമായ നിർദ്ദേശം: "4140 സ്റ്റീലിൻ്റെ സവിശേഷതകൾ എന്നോട് പറയൂ."

ശക്തമായ നിർദ്ദേശം: "റോൾ: നിങ്ങളൊരു അസിസ്റ്റൻ്റ് ഹീറ്റ് ട്രീറ്റ്‌മെൻ്റ് എഞ്ചിനീയറാണ്. AISI 4140 സ്റ്റീലിനായി (ടെമ്പറിംഗ് ടെമ്പറേച്ചർ, സെക്ഷൻ കനം/കാഠിന്യം, ഓസ്റ്റെനിറ്റൈസിംഗ് താപനില) ക്വഞ്ചിംഗ് + ടെമ്പറിംഗ് ചെയ്യുമ്പോൾ വിളവ് ശക്തിയെ എന്ത് ബാധിക്കുമെന്ന് വിശദീകരിക്കുക. ഒരു കൃത്യമായ സംഖ്യ നൽകരുത്; പകരം, ഏത് ശ്രേണിയിലാണ് മൂല്യം മാറേണ്ടത്. ISO ഏത് ശ്രേണിയിലാണ് വ്യത്യാസപ്പെടേണ്ടത് ടെൻസൈൽ ടെസ്റ്റ്) ശരിയായ മൂല്യം ലഭിക്കുന്നതിന് നിങ്ങൾക്ക് ഉറപ്പില്ലാത്തത് എവിടെയാണെന്ന് ദയവായി വ്യക്തമാക്കുക."

മോശം പ്രോംപ്റ്റ് സാധാരണയായി ഉപയോഗശൂന്യവും ഉപരിപ്ലവമായ ലിസ്റ്റും ഒരുപക്ഷേ നിർമ്മിച്ച നമ്പറുകളും നൽകുന്നു. ശക്തമായ പ്രോംപ്റ്റ്; അത് ഒരു റോൾ നൽകുന്നു, പരിധികൾ നിശ്ചയിക്കുന്നു ("കൃത്യമായ ഒരു നമ്പർ നൽകുന്നു"), ഒരു സ്ഥിരീകരണ മാർഗ്ഗം ആവശ്യമാണ്, അനിശ്ചിതത്വം തുറന്നുകാട്ടുന്നു. ഈ മൊഡ്യൂളിലുടനീളം, ഓരോ യൂണിറ്റിലും പ്രയോഗിക്കുന്ന "ശക്തമായ പ്രോംപ്റ്റ്" പാറ്റേൺ നിങ്ങൾ കാണും.

ധാർമ്മികത, സ്വകാര്യത, ഉത്തരവാദിത്തം

മെറ്റലർജിക്കൽ ഡാറ്റ പലപ്പോഴും രഹസ്യാത്മകമാണ്: ഉപഭോക്തൃ അലോയ് പാചകക്കുറിപ്പുകൾ, പേറ്റൻ്റ് പ്രോസസ് പാരാമീറ്ററുകൾ, കേടുപാടുകൾ വിശകലനം കണ്ടെത്തലുകൾ, പ്രതിരോധ വ്യവസായ സവിശേഷതകൾ. ഒരു പൊതു AI സേവനത്തിലേക്ക് അവരെ ഒട്ടിക്കുന്നത് ഒരു വ്യാപാര രഹസ്യവും കരാർ ലംഘനവുമാകാം; മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിൽ ഡാറ്റ ഇടപെടുമെന്ന അപകടവുമുണ്ട്.

• അംഗീകാരമില്ലാതെ കമ്പനിയുടെ/ഉപഭോക്താവിൻ്റെ കോമ്പോസിഷനുകൾ, പാചകക്കുറിപ്പുകൾ, ഡ്രോയിംഗുകൾ എന്നിവ ബാഹ്യ സേവനത്തിലേക്ക് നൽകരുത്.
• വ്യക്തിഗത ഡാറ്റ (ഓപ്പറേറ്റർ പേരുകൾ, രജിസ്ട്രേഷൻ നമ്പറുകൾ) അടങ്ങുന്ന റെക്കോർഡുകൾ അജ്ഞാതമാക്കുക.
• കോർപ്പറേറ്റ് പോളിസിയും ഏതെങ്കിലും ഓൺ-പ്രിമൈസ് അല്ലെങ്കിൽ കോൺട്രാക്ട് ചെയ്ത എൻ്റർപ്രൈസ് AI ടൂളും പാലിക്കുക.
• നിങ്ങൾ AI ഉപയോഗിക്കുന്നുണ്ടെന്ന് റിപ്പോർട്ടിൽ സുതാര്യമായി പറയുക; നിങ്ങളുടെ എഞ്ചിനീയറിംഗ് വിധിയെ അടിസ്ഥാനമാക്കിയാണ് അന്തിമ തീരുമാനം എന്ന് വ്യക്തമാക്കുക.
• ഒപ്പും ഉത്തരവാദിത്തവും എല്ലായ്‌പ്പോഴും അംഗീകൃത എഞ്ചിനീയറുടെ പക്കലായിരിക്കും; AI ഔട്ട്പുട്ട് ന്യായീകരണമല്ല.

മുന്നറിയിപ്പ്: "അതാണ് AI പറഞ്ഞത്" എന്നത് ഒരു എഞ്ചിനീയറിംഗ് ന്യായീകരണമല്ല. ഒരു നാശനഷ്ട റിപ്പോർട്ടിൽ, ഒരു മെറ്റീരിയൽ തിരഞ്ഞെടുക്കലിൽ അല്ലെങ്കിൽ ഒരു അനുരൂപമായ തീരുമാനത്തിൽ, നിങ്ങളുടെ അടിസ്ഥാനം മാനദണ്ഡങ്ങളും പരിശോധനയും കണക്കുകൂട്ടലും ആയിരിക്കണം; AI ആണ് ഇവയെ പരമാവധി സംഘടിപ്പിക്കുന്ന ഉപകരണം. സുരക്ഷാ-നിർണ്ണായക ജോലികൾക്ക്, യോഗ്യതയുള്ള എഞ്ചിനീയർ അംഗീകാരത്തിന് AI ഔട്ട്പുട്ട് പകരമല്ല.

സാധാരണ തെറ്റുകൾ

• പരീക്ഷണവും റഫറൻസും കൂടാതെ AI നൽകിയ സംഖ്യാ മൂല്യം (സവിശേഷത, പരിധി, ഘടന) ഉപയോഗിക്കുന്നു.
• സ്ഥിരീകരിക്കാതെ സ്റ്റാൻഡേർഡ് ഐറ്റം നമ്പറുകൾ റിപ്പോർട്ടിൽ എഴുതുന്നു.
• രഹസ്യാത്മക ഉപഭോക്തൃ/സ്ഥാപന ഡാറ്റ പൊതു AI-യിലേക്ക് നൽകുക.
• ഫെസിലിറ്റി ഡാറ്റ നൽകാതെയും രോഗനിർണയത്തിനുള്ള പൊതുവായ ഉത്തരം തെറ്റിദ്ധരിക്കാതെയും AI-യോട് "എന്താണ് തകരാറ്" എന്ന് ചോദിക്കുന്നത്.
• എഞ്ചിനീയർ അംഗീകാരം മറികടന്ന്, നിർണായക തീരുമാനങ്ങളിൽ അന്തിമ രേഖയായി AI ഔട്ട്പുട്ട് ഉപയോഗിക്കുന്നു.
• അനിശ്ചിതത്വം അവഗണിക്കുന്നു: കൃത്യതയ്ക്കായി AI-യുടെ ആത്മവിശ്വാസം നൽകുന്ന ടോൺ തെറ്റിദ്ധരിക്കുന്നു.

ചുരുക്കത്തിൽ

മെറ്റലർജിക്കൽ, മെറ്റീരിയൽസ് എഞ്ചിനീയറിംഗ് എന്നിവയിലെ ശക്തമായ ആക്സിലറേറ്ററാണ് AI: ഇത് ആശയങ്ങൾ വിശദീകരിക്കുന്നു, അനുമാനങ്ങൾ സൃഷ്ടിക്കുന്നു, ഡ്രാഫ്റ്റുകൾ ഉണ്ടാക്കുന്നു, കോഡ് എഴുതുന്നു. എന്നാൽ സംഖ്യാ മൂല്യം സ്റ്റാൻഡേർഡ് കാര്യത്തിലും സുരക്ഷാ-നിർണ്ണായക തീരുമാനങ്ങളിലും ഭ്രമാത്മകതയുടെ അപകടസാധ്യത വഹിക്കുന്നു. റിസ്ക് ലെവൽ അനുസരിച്ച് ടാസ്ക്കുകൾ തരംതിരിക്കുക, സ്റ്റാൻഡേർഡ്-ലാബ്-അക്കൗണ്ട് ട്രയാംഗിളിൽ ഓരോ ഔട്ട്പുട്ടും പരിശോധിക്കുക, രഹസ്യസ്വഭാവം നിലനിർത്തുക, അംഗീകൃത എഞ്ചിനീയറോട് ഉത്തരവാദിത്തം നിലനിർത്തുക. ബാക്കിയുള്ള മൊഡ്യൂൾ ഈ തത്വം ഓരോ കോൺക്രീറ്റ് ടാസ്ക്കിലും പ്രയോഗിക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ സ്വന്തം ജോലിയിൽ നിന്ന് (അല്ലെങ്കിൽ ഒരു സാമ്പിൾ പ്രോജക്‌റ്റിൽ നിന്ന്) അഞ്ച് സാധാരണ ടാസ്‌ക്കുകൾ തിരഞ്ഞെടുക്കുക: ഉദാഹരണത്തിന്, "മെറ്റീരിയൽ സെലക്ഷൻ", "കേടുപാടുകൾ റിപ്പോർട്ട് റൈറ്റിംഗ്", "സ്റ്റാൻഡേർഡ് ക്വറി", "മൈക്രോസ്ട്രക്ചർ വ്യാഖ്യാനം", "കണക്കുകൂട്ടൽ സ്‌ക്രിപ്റ്റ്". മുകളിലുള്ള റിസ്ക് ടേബിൾ അനുസരിച്ച് ഓരോന്നിനെയും ലോ/മീഡിയം/ഉയർന്ന/നിർണ്ണായകമെന്ന് തരംതിരിച്ച് ഓരോന്നിൻ്റെയും AI ഔട്ട്‌പുട്ട് എങ്ങനെ പരിശോധിക്കുമെന്ന് ഒറ്റ വാചകത്തിൽ എഴുതുക (ഏത് സ്റ്റാൻഡേർഡ്, ഏത് ടെസ്റ്റ്, ആരുടെ അംഗീകാരം). തുടർന്ന് ഈ ടാസ്‌ക്കുകളിലൊന്നിലേക്ക് "റോളും ബൗണ്ടറിയും" ടെംപ്ലേറ്റ് പൊരുത്തപ്പെടുത്താൻ ശ്രമിക്കുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ദൗത്യത്തെ റിസ്ക് ലെവൽ (കുറഞ്ഞ/ഇടത്തരം/ഉയർന്ന/ക്രിട്ടിക്കൽ) പ്രകാരം തരംതിരിച്ചിട്ടുണ്ട്.
• [ ] ഞാൻ AI-ക്ക് റോളും നിയന്ത്രണവും "കൃത്യമായ നമ്പർ നൽകുക/ഉറവിടം വ്യക്തമാക്കുക" നിർദ്ദേശവും നൽകി.
• [ ] ഞാൻ ഓരോ സംഖ്യാ മൂല്യവും സ്റ്റാൻഡേർഡ് ഇനവും സ്വതന്ത്ര ഉറവിടങ്ങളിൽ നിന്ന് പരിശോധിച്ചു.
• [ ] ഞാൻ ഒരു ബാഹ്യ സേവനത്തിൽ രഹസ്യ/വ്യക്തിഗത ഡാറ്റ നൽകുകയോ അജ്ഞാതമാക്കുകയോ ചെയ്തിട്ടില്ല.
• [ ] AI ന്യായീകരണമായി ഉപയോഗിക്കാതെ, അളവും നിലവാരവും അടിസ്ഥാനമാക്കിയാണ് ഞാൻ അന്തിമ തീരുമാനം എടുത്തത്.
• [ ] ഞാൻ ഉത്തരവാദിത്തവും ഒപ്പും അംഗീകൃത എഞ്ചിനീയർക്ക് വിട്ടു.