ഓട്ടോമോട്ടീവ് എഞ്ചിനീയറിംഗിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ആൻ്റ് വെരിഫിക്കേഷൻ ഡിസിപ്ലിനിലേക്കുള്ള ആമുഖം

നേട്ടങ്ങൾ:

• വാഹന വികസന ലൈഫ് സൈക്കിളിൽ (വി-മോഡൽ) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് യഥാർത്ഥ മൂല്യം ഉത്പാദിപ്പിക്കുന്നത് എവിടെയാണെന്നും ഏത് തീരുമാനങ്ങൾ സമർത്ഥനായ എഞ്ചിനീയറുടെ ഉത്തരവാദിത്തമായി തുടരണമെന്നും വേർതിരിച്ചറിയാനുള്ള കഴിവ്
• മാഗ്നിറ്റ്യൂഡ്, എഞ്ചിനീയറിംഗ് പ്ലാസിബിലിറ്റി, സ്വതന്ത്ര ടെസ്റ്റ്/മെഷർമെൻ്റ് തെളിവുകൾ എന്നിവയ്‌ക്കെതിരെ ഓരോ AI ഔട്ട്‌പുട്ടും പരിശോധിക്കുന്ന മൂന്ന് ആങ്കർ മൂല്യനിർണ്ണയ വിഭാഗങ്ങൾ പ്രയോഗിക്കാനുള്ള കഴിവ്
• ഭ്രമാത്മകത, അവ്യക്തത, വ്യാപാര രഹസ്യം, പ്രവർത്തനപരമായ സുരക്ഷാ അപകടസാധ്യതകൾ എന്നിവ തിരിച്ചറിയുകയും സന്ദർഭത്തെ അജ്ഞാതമാക്കുന്നതിലൂടെ സുരക്ഷിത നിർദ്ദേശങ്ങൾ സജ്ജീകരിക്കുന്ന ശീലം നേടുകയും ചെയ്യുക

ഓട്ടോമോട്ടീവ് എഞ്ചിനീയറിംഗ്; ഒരു വാഹനത്തിൻ്റെ കൺസെപ്റ്റ് ഡ്രോയിംഗിൽ നിന്ന് ആരംഭിച്ച് ഡിസൈൻ, സിമുലേഷൻ, പ്രോട്ടോടൈപ്പ്, ടെസ്റ്റിംഗ്, മാസ് പ്രൊഡക്ഷൻ, ഫീൽഡ് മോണിറ്ററിംഗ് എന്നിങ്ങനെ നീളുന്ന ഒരു വലിയ ശൃംഖലയാണിത്. ഇന്ന്, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (ചുരുക്കത്തിൽ, AI അല്ലെങ്കിൽ AI) ഈ ശൃംഖലയുടെ എല്ലാ ലിങ്കുകളിലും ഒരു ആക്സിലറേറ്ററായി സജീവമാണ്. എന്നാൽ ഓട്ടോമോട്ടീവ് വ്യവസായത്തിലെ ഒരു തെറ്റ് ലബോറട്ടറിയിൽ അവശേഷിക്കുന്ന തെറ്റല്ല: റോഡിലെ ദശലക്ഷക്കണക്കിന് വാഹനങ്ങൾക്ക് സുരക്ഷ, തിരിച്ചുവിളിക്കൽ, മനുഷ്യജീവിതം എന്നിവ അർത്ഥമാക്കുന്നു. അതിനാൽ, ഈ മൊഡ്യൂളിൻ്റെ ആദ്യത്തേതും പ്രധാനപ്പെട്ടതുമായ വാക്യം ഇതാണ്: കൃത്രിമബുദ്ധി എഞ്ചിനീയറെ ത്വരിതപ്പെടുത്തുന്നു, എന്നാൽ സുരക്ഷാ-നിർണ്ണായക തീരുമാനത്തിൻ്റെ ഉടമയും ഉത്തരവാദിത്തവും എല്ലായ്പ്പോഴും യോഗ്യതയുള്ള എഞ്ചിനീയറാണ്.

ഈ യൂണിറ്റിൽ, വാഹന വികസനത്തിൽ AI യഥാർത്ഥ മൂല്യം ഉത്പാദിപ്പിക്കുന്നത് എവിടെയാണെന്നും ചുവന്ന വരകൾ ഉള്ളിടത്താണെന്നും ഓരോ AI ഔട്ട്‌പുട്ടും അച്ചടക്കത്തോടെ എങ്ങനെ സാധൂകരിക്കാമെന്നും ഞങ്ങൾ പഠിക്കും.

വാഹന വികസനത്തിൻ്റെ വി-മോഡലും AI-യുടെ സ്ഥലവും

ഓട്ടോമോട്ടീവിലെ വികസനം പലപ്പോഴും വി-മോഡൽ ഉപയോഗിച്ചാണ് വിവരിക്കുന്നത്. വി-മോഡൽ; "V" എന്ന അക്ഷരത്തിൻ്റെ രൂപത്തിൽ പുരോഗമിക്കുന്ന വികസന പ്രക്രിയയാണ്, ആവശ്യങ്ങളും ഡിസൈൻ ഘട്ടങ്ങളും ഇടതുവശത്ത് താഴേക്ക് പോകുന്നു, സോഫ്റ്റ്വെയർ/ഹാർഡ്‌വെയർ നടപ്പിലാക്കൽ ചുവടെ, വെരിഫിക്കേഷൻ, ഇൻ്റഗ്രേഷൻ ടെസ്റ്റുകൾ വലതുവശത്ത് മുകളിലേക്ക് പോകുന്നു. ഇടത് കൈയിൽ, "ഞങ്ങൾ എന്തുചെയ്യും" എന്ന് നിർവചിച്ചിരിക്കുന്നു (ആവശ്യകത, സിസ്റ്റം ഡിസൈൻ), വലതു കൈയിൽ, "ഞങ്ങൾ ഇത് ശരിയായി ചെയ്തിട്ടുണ്ടോ" എന്ന് പരീക്ഷിക്കുന്നു (യൂണിറ്റ് ടെസ്റ്റിംഗ്, ഇൻ്റഗ്രേഷൻ, ടൂൾ വെരിഫിക്കേഷൻ).

കൃത്രിമബുദ്ധി ഈ വിയുടെ മിക്കവാറും എല്ലാ വശങ്ങളെയും സ്പർശിക്കുന്നു:

• ഇടത് ഭുജം (രൂപകൽപ്പന): ജനറേറ്റീവ് ഡിസൈൻ ഉള്ള കനംകുറഞ്ഞ ഭാഗം ജ്യാമിതി നിർദ്ദേശിക്കുക, സറോഗേറ്റ് മോഡൽ ഉപയോഗിച്ച് സിമുലേഷൻ വേഗത്തിലാക്കുക, ആവശ്യകത പാഠങ്ങളിൽ നിന്ന് പൊരുത്തക്കേടുകൾ കണ്ടെത്തുക.
• ഉപ (നിർവഹണം): കോഡ് ജനറേഷൻ സഹായം, ടെസ്റ്റ് കേസ് ഡെറിവേഷൻ, കാലിബ്രേഷൻ പാരാമീറ്റർ സ്കാനിംഗ്.
• വലത് കൈ (സ്ഥിരീകരണം): ടെസ്റ്റ് ഡാറ്റയിൽ നിന്നുള്ള അപാകത ഫ്ലാഗിംഗ്, റിപ്പോർട്ട് ഡ്രാഫ്റ്റ്, എൻഡുറൻസ് ടെസ്റ്റ് സംഗ്രഹം.
• നിർമ്മാണവും ഫീൽഡും: വിഷ്വൽ ഡിഫെക്റ്റ് ഡിറ്റക്ഷൻ, പ്രെഡിക്റ്റീവ് മെയിൻ്റനൻസ്, ടെലിമെട്രി അനാലിസിസ്, സപ്ലൈ ചെയിൻ പ്രവചനം.

നുറുങ്ങ്: "തീരുമാന നിർമ്മാതാവ്" അല്ല, "ലീഡുകൾ സൃഷ്ടിക്കുകയും ശ്രദ്ധ ആകർഷിക്കുകയും ചെയ്യുന്ന" ഒരു അസിസ്റ്റൻ്റായി AI സ്ഥാപിക്കുക. എഞ്ചിനീയറിംഗ് തെളിവുകൾ തീരുമാനമെടുക്കുന്നു.

AI-ന് നമ്മൾ എന്താണ് വിട്ടുകൊടുക്കുന്നത്, എന്താണ് ചെയ്യാത്തത്?

പൊതുവായ നിയമം: ആവർത്തന, ഡാറ്റ-ഇൻ്റൻസീവ്, ഫസ്റ്റ് ഡ്രാഫ്റ്റ് വർക്കിൽ AI ശക്തമാണ്; വിധിയും സുരക്ഷിതത്വവും അന്തിമ അംഗീകാരവും മനുഷ്യൻ്റേതാണ്. ചുവടെയുള്ള പട്ടിക ഈ വ്യത്യാസം ഉൾക്കൊള്ളുന്നു.

അന്വേഷണം

AI യുടെ പങ്ക്

തീരുമാനത്തിൻ്റെ ഉടമ

റോഡ് ടെസ്റ്റ് റെക്കോർഡിംഗിൻ്റെ 50,000 ലൈനുകളിൽ അനോമലി സ്കാനിംഗ്

യാന്ത്രിക അടയാളപ്പെടുത്തൽ, പ്രീ-സ്ക്രീനിംഗ്

ടെസ്റ്റ് എഞ്ചിനീയർ

ബ്രേക്ക് സോഫ്റ്റ്വെയർ സുരക്ഷാ പരിശോധന

ഒരു പരീക്ഷണ രംഗം നിർദ്ദേശിക്കുക

പ്രവർത്തന സുരക്ഷാ എഞ്ചിനീയർ

കൺസെപ്റ്റ് ഷാസി ജ്യാമിതി ജനറേറ്റുചെയ്യുന്നു

ഇതരമാർഗങ്ങൾ സൃഷ്ടിക്കുന്നു (ജനറേറ്റീവ്)

ഡിസൈൻ/സിഎഇ എഞ്ചിനീയർ

വെൽഡ് സീം വൈകല്യ വർഗ്ഗീകരണം

ചിത്രത്തിൽ മുൻകൂട്ടി കണ്ടെത്തൽ

ഗുണനിലവാരമുള്ള എഞ്ചിനീയർ/ഓപ്പറേറ്റർ

ഹോമോലോഗേഷൻ (തരം അംഗീകാരം) പ്രഖ്യാപനം

ഡ്രാഫ്റ്റ് ടെക്സ്റ്റ്

ഉത്തരവാദിത്തമുള്ള എഞ്ചിനീയർ/മാനേജർ

ശ്രദ്ധിക്കേണ്ട കാര്യം: പട്ടികയുടെ വലത് കോളം ഒരിക്കലും "AI" ആയിരിക്കില്ല. എമിഷൻ ഡിക്ലറേഷൻ, ക്രാഷ് സേഫ്റ്റി അപ്രൂവൽ, ബ്രേക്കിംഗ് പെർഫോമൻസ് തുടങ്ങിയ കാര്യങ്ങളിൽ അന്തിമ ഒപ്പ് എപ്പോഴും ഒരു അംഗീകൃത വ്യക്തിയുടേതാണ്. ഇത് ധാർമ്മികത മാത്രമല്ല, മിക്ക രാജ്യങ്ങളിലും നിയമപരമായ ബാധ്യതയാണ്.

മൂന്ന് ആങ്കർ വെരിഫിക്കേഷൻ വിഭാഗങ്ങൾ

ഈ മൊഡ്യൂളിലുടനീളം ഞങ്ങൾ ഓരോ AI ഔട്ട്‌പുട്ടും മൂന്ന് സ്വതന്ത്ര "ആങ്കറുകൾ"ക്കെതിരെ പരിശോധിക്കും. ആങ്കർ; കപ്പലിനെ സ്ഥാനത്ത് നിർത്തുന്ന ഭാരം പോലെ, അത് AI- യെ നമ്മെ വലിച്ചിഴക്കുന്നതിൽ നിന്ന് തടയുന്നു.

1. മാഗ്നിറ്റ്യൂഡ് പരിശോധനയുടെ ക്രമം: ഫലം ഏകദേശം ശരിയായ സ്കെയിലാണോ? ഒരു പാസഞ്ചർ കാറിൻ്റെ പൂജ്യത്തിൽ നിന്ന് നൂറ് കി.മീ/മണിക്കൂർ ത്വരിതപ്പെടുത്തൽ ഏകദേശം 6-9 സെക്കൻഡ് ആണ്; AI "0.6 സെക്കൻഡ്" എന്ന് പറഞ്ഞാൽ എന്തോ കുഴപ്പമുണ്ട്. 2 മിനിറ്റിനുള്ളിൽ ബാറ്ററി പൂർണ്ണമായി ചാർജ് ചെയ്യാനുള്ള ശുപാർശ ശാരീരികമായി സംശയാസ്പദമാണ്.
2. എഞ്ചിനീയറിംഗ് പ്ലാസിബിലിറ്റി: ഫലം ഭൗതികശാസ്ത്രത്തിനും എഞ്ചിനീയറിംഗ് അവബോധത്തിനും അനുയോജ്യമാണോ? നിങ്ങൾ ഭാരം കുറഞ്ഞ ഒരു ഭാഗം വിലകുറഞ്ഞതും ശക്തവും ഒരേ സമയം നിർമ്മിക്കാൻ എളുപ്പവുമാകുകയാണെങ്കിൽ, "സൗജന്യ ഉച്ചഭക്ഷണം ഇല്ല" എന്ന തത്വം ഓർക്കുക; എവിടെയോ ഒരു കച്ചവടം മറഞ്ഞിരിക്കുന്നു.
3. സ്വതന്ത്ര പരിശോധന/അളവ് തെളിവ്: ഏറ്റവും ശക്തമായ ആങ്കർ. സിമുലേഷൻ ഫിസിക്കൽ ടെസ്റ്റിംഗ്, പ്രവചനം യഥാർത്ഥ ഡാറ്റ, AI സംഗ്രഹം എന്നിവ റോ ഡാറ്റയുമായി താരതമ്യം ചെയ്യുക. തെളിവില്ലാതെ സുരക്ഷാ നിർണായകമായ ഒരു ഔട്ട്‌പുട്ടും സ്വീകരിക്കില്ല.

മുന്നറിയിപ്പ്: വളരെ ഒഴുക്കുള്ളതും ആത്മവിശ്വാസമുള്ളതുമായ ഭാഷ ഉപയോഗിച്ച് AI-ക്ക് തെറ്റായ വിവരങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയും; ഇതിനെ ഹാലുസിനേഷൻ എന്ന് വിളിക്കുന്നു. ഒഴുക്ക് കൃത്യതയുടെ തെളിവല്ല. ഒരു സംഖ്യയോ, ഒരു സ്റ്റാൻഡേർഡ് സംഖ്യയോ, ഒരു മെറ്റീരിയൽ പ്രോപ്പർട്ടിയോ അത് ആത്മവിശ്വാസത്തോടെ പറഞ്ഞതുകൊണ്ട് മാത്രം ശരിയാണെന്ന് കരുതരുത്; ഉറവിടത്തിൽ നിന്ന് സ്ഥിരീകരിക്കുക.

മിനി കേസ് പഠനങ്ങൾ

കേസ് 1 - ഓർഡർ പിശക് ക്യാച്ചിംഗ്. ഒരു ഇൻ്റേൺ വാഹനത്തിൻ്റെ എയറോഡൈനാമിക് ഡ്രാഗ് ഫോഴ്‌സ് AI കണക്കാക്കുകയും 100 km/h വേഗതയിൽ "12,000 N" ഫലം നേടുകയും ചെയ്യുന്നു. മുതിർന്ന എഞ്ചിനീയർ ഒരു ലെവൽ പരിശോധന നടത്തുന്നു: ഈ വേഗതയിൽ ഒരു സാധാരണ പാസഞ്ചർ കാറിൻ്റെ ഡ്രാഗ് ഫോഴ്സ് ഏകദേശം 300-400 N (ഏകദേശം 30-40 kgf) ആണ്. N12,000 മുപ്പത് മടങ്ങ് കൂടുതലാണ്. പരിശോധനയിൽ, വായു സാന്ദ്രതയ്ക്കായി AI തെറ്റായ യൂണിറ്റ് ഉപയോഗിക്കുന്നതായി തോന്നുന്നു (kg/m³ എന്നതിന് പകരം g/cm³ ആശയക്കുഴപ്പം). ഫലം: ഒരു ലളിതമായ റാങ്ക് പരിശോധന മണിക്കൂറുകളോളം തെറ്റായ ഡിസൈൻ തീരുമാനങ്ങളെ തടഞ്ഞു.

കേസ് 2 - ന്യായമായ ഫിൽട്ടർ. ഒരു സംഭരണ ​​സംഘം AI-യോട് ചെലവ് ചുരുക്കൽ ഉപദേശം ആവശ്യപ്പെടുന്നു; 8% ലാഭിച്ച് ഒരൊറ്റ വിതരണക്കാരനിൽ നിന്ന് വാങ്ങാൻ AI ശുപാർശ ചെയ്യുന്നു. പ്ലാനിംഗ് മാനേജർ ഒരു പ്ലാസിബിലിറ്റി ചെക്ക് നടത്തുന്നു: ഈ ഭാഗം ഒരു സുരക്ഷാ-നിർണ്ണായക എയർബാഗ് സെൻസറാണ്, മാത്രമല്ല ആ ഫാക്ടറിയിൽ ഒരു തകരാർ ഉണ്ടായാൽ എല്ലാ ഉൽപ്പാദനവും നിർത്തലാക്കും. രണ്ടാമത്തെ ഉറവിടവും സ്റ്റോക്ക് ബഫറും ചേർത്ത് നിർദ്ദേശം ശരിയാക്കുന്നു. ഫലം: 8% ലാഭിക്കുന്നതിനായി "ലൈൻ നിർത്തുക" എന്ന അപകടസാധ്യത ഒഴിവാക്കി.

കേസ് 3 - സ്വതന്ത്ര തെളിവ്. ഒരു CAE ടീം ഒരു ഫാസ്റ്റ് സറോഗേറ്റ് മോഡൽ ഉപയോഗിച്ച് ഹുഡ് പാനലിൻ്റെ വൈബ്രേഷൻ (NVH - നോയ്സ്, വൈബ്രേഷൻ, കാഠിന്യം) സ്വഭാവം പ്രവചിക്കുന്നു; 47 Hz-ൽ ഒരു അനുരണനം (ഒരു നിശ്ചിത ആവൃത്തിയിൽ അമിതമായ വൈബ്രേഷൻ) മോഡൽ പ്രവചിക്കുന്നു. ഫിസിക്കൽ മോഡൽ ടെസ്റ്റിംഗിലൂടെ ടീം ഇത് സ്ഥിരീകരിക്കുന്നു; യഥാർത്ഥ കൊടുമുടി 44 Hz ൽ സംഭവിക്കുന്നു. വ്യത്യാസം ചെറുതാണെങ്കിലും പ്രധാനമാണ്; സറോഗേറ്റ് മോഡൽ സ്വീകരിച്ചു, പക്ഷേ ഡിസൈൻ മാർജിൻ അതിനനുസരിച്ച് വിപുലീകരിച്ചു. ഉപസംഹാരം: ഫാസ്റ്റ് AI പ്രവചനം ഉപയോഗിച്ചെങ്കിലും സ്വതന്ത്ര തെളിവുകൾ ഉപയോഗിച്ച് കാലിബ്രേറ്റ് ചെയ്തു.

ഒരു സുരക്ഷിത നിർദ്ദേശം സജ്ജീകരിക്കുന്നു: സ്വകാര്യതയും വ്യാപാര രഹസ്യങ്ങളും

ഓട്ടോമോട്ടീവ് ഡാറ്റയിൽ പലപ്പോഴും വ്യാപാര രഹസ്യങ്ങൾ (പുതിയ മോഡൽ ഡിസൈൻ, വിതരണക്കാരൻ്റെ വില) അല്ലെങ്കിൽ വ്യക്തിഗത ഡാറ്റ (ഡ്രൈവർ സ്ഥാനം, VIN - ചേസിസ് നമ്പർ) അടങ്ങിയിരിക്കുന്നു. ഒരു പൊതു ക്ലൗഡ് AI ടൂളിലേക്ക് അസംസ്‌കൃത രഹസ്യ ഡാറ്റ അയയ്‌ക്കുന്നത് വലിയ അപകടമാണ്.

ദുർബലവും ശക്തവുമായ നിർദ്ദേശങ്ങളുടെ താരതമ്യമാണ് താഴെ.

ദുർബലമായ പ്രോംപ്റ്റ്:

X ബ്രാൻഡിൻ്റെ ഞങ്ങളുടെ 2027 മോഡൽ ഇലക്ട്രിക് എസ്‌യുവി പ്രോജക്റ്റിൻ്റെ യഥാർത്ഥ ബാറ്ററി ടെസ്റ്റ് ഡാറ്റ ഞാൻ ചേർക്കുന്നു, ഞങ്ങളുടെ സെൽ വിതരണക്കാരൻ കമ്പനി Y ആണ്, യൂണിറ്റ് വില 92 USD ആണ്. ഈ VIN-കളുള്ള വാഹനങ്ങളുടെ പരിധി പ്രശ്നം പരിഹരിക്കുക:[യഥാർത്ഥ VIN ലിസ്റ്റ്]

നിർമ്മാണം, മോഡൽ, വിതരണക്കാരൻ, വില, വ്യക്തിഗത VIN എന്നിവ ഈ പ്രോംപ്റ്റ് വെളിപ്പെടുത്തുന്നു; ഇത് സ്വകാര്യതയ്ക്കും മത്സരത്തിനും അപകടകരമാണ്.

ശക്തമായ നിർദ്ദേശം:

റോൾ: ഞാൻ ഒരു ഇലക്ട്രിക് വാഹന ബാറ്ററി ടെസ്റ്റിംഗ് എഞ്ചിനീയറാണ്. സന്ദർഭം: ഒരു പാസഞ്ചർ എസ്‌യുവി ബാറ്ററിയിലെ (ഏകദേശം 75 kWh) റേഞ്ച് ഡ്രിഫ്റ്റ് ഞാൻ അന്വേഷിക്കുകയാണ്. ഞാൻ ഡാറ്റ അജ്ഞാതമാക്കി; ബ്രാൻഡുകൾ എ/ബി ആയും വാഹനങ്ങൾ വാഹനം_1..വെഹിക്കിൾ_20 ആയും കോഡ് ചെയ്തു. ടാസ്‌ക്: അറ്റാച്ച് ചെയ്‌ത (അജ്ഞാത) താപനില-പരിധി പട്ടികയിലെ ശ്രേണിയെ ഏറ്റവും കൂടുതൽ ബാധിക്കുന്ന 3 വേരിയബിളുകൾ പട്ടികപ്പെടുത്തുകയും ഓരോന്നിനും ഒരു പരിശോധനാ പരിശോധന നിർദ്ദേശിക്കുകയും ചെയ്യുക. നിയന്ത്രണം: ഒരു കൃത്യമായ കാരണം ക്ലെയിം ചെയ്യരുത്; അനുമാനവും സ്ഥിരീകരണ ഘട്ടവും നൽകുക. ഔട്ട്പുട്ട്: പട്ടിക + മുൻഗണന ക്രമം.

നുറുങ്ങ്: ഒരു എൻ്റർപ്രൈസ് ഡാറ്റ കരാറിനൊപ്പം ഒരു AI പരിതസ്ഥിതി ഉപയോഗിക്കുക (പരിശീലനത്തിൽ നിങ്ങളുടെ ഡാറ്റ ഉപയോഗിക്കാതിരിക്കുക), ഡാറ്റ അജ്ഞാതമാക്കുകയും ആവശ്യമായ ഏറ്റവും കുറഞ്ഞ വിവരങ്ങൾ മാത്രം നൽകുകയും ചെയ്യുക (ഡാറ്റ ചെറുതാക്കൽ).

നല്ല പ്രോംപ്റ്റിനായി RGBÇ പാറ്റേൺ

ഈ മൊഡ്യൂളിൽ ഞങ്ങൾ വീണ്ടും വീണ്ടും ഉപയോഗിക്കുന്ന ലളിതമായ പാറ്റേൺ: റോൾ - ടാസ്ക് - സന്ദർഭം - ഔട്ട്പുട്ട് (RGBÇ).

റോൾ: [AI എന്ത് വിദഗ്ധൻ ഇതുപോലെ പ്രവർത്തിക്കണം] ടാസ്‌ക്: [ഒരു വാചകത്തിൽ നിങ്ങൾക്ക് എന്താണ് വേണ്ടത്] സന്ദർഭം: [യൂണിറ്റുകൾ, നിയന്ത്രണങ്ങൾ, സ്റ്റാൻഡേർഡ്, അജ്ഞാത ഡാറ്റ] നിയന്ത്രണം: [എന്ത് ചെയ്യരുത്, അനിശ്ചിതത്വത്തിൽ എന്തുചെയ്യണം] ഔട്ട്‌പുട്ട്: [പട്ടിക/ലിസ്റ്റ്/കോഡ്, ഏത് ഫോർമാറ്റ്]

റോൾ: നിങ്ങൾ പരിചയസമ്പന്നനായ NVH (ശബ്ദ-വൈബ്രേഷൻ) എഞ്ചിനീയറാണ്. ടാസ്ക്: സ്റ്റിയറിംഗ് വൈബ്രേഷൻ പരാതിക്കുള്ള സാധ്യമായ മൂലകാരണങ്ങൾ പട്ടികപ്പെടുത്തുക. സന്ദർഭം: ഫ്രണ്ട് ആക്സിൽ, 80-100 കിമീ/മണിക്കൂർ, ലെവൽ റോഡിൽ; ടയറുകൾ ഇപ്പോൾ സന്തുലിതമാക്കിയിരിക്കുന്നു. പരിമിതി: ഏറ്റവും സാധ്യതയിൽ നിന്ന് കുറഞ്ഞ സാധ്യതയിലേക്ക് അടുക്കുക; ഓരോ കാരണത്തിനും ഒരൊറ്റ സ്ഥിരീകരണ അളവ് നിർദ്ദേശിക്കുക. ഔട്ട്പുട്ട്: അക്കമിട്ട ലിസ്റ്റ് + സ്ഥിരീകരണ കോളം.

റോൾ: നിങ്ങൾ ഒരു ഓട്ടോമോട്ടീവ് നിലവാരമുള്ള എഞ്ചിനീയറാണ്. ടാസ്ക്: ഒരു വെൽഡ് ഡിഫെക്റ്റ് റിപ്പോർട്ട് 5W1H (എന്ത്/എന്തുകൊണ്ട്/എവിടെ...) ഫോർമാറ്റിലേക്ക് പരിവർത്തനം ചെയ്യുക. സന്ദർഭം: റോബോട്ടിക് സ്പോട്ട് വെൽഡിംഗ്, ബോഡി ലൈൻ; കഴിഞ്ഞ 3 ഷിഫ്റ്റുകളിൽ വൈകല്യ നിരക്ക് വർദ്ധിച്ചു. ഔട്ട്പുട്ട്: ഘടനാപരമായ സംഗ്രഹം + 3 ഉടനടി നിയന്ത്രണ നിർദ്ദേശങ്ങൾ.

റോൾ: ഒരു ഡാറ്റ അനലിസ്റ്റായി പ്രവർത്തിക്കുക. ടാസ്‌ക്: ചുവടെയുള്ള ടെലിമെട്രി കോളം വിവരണങ്ങൾ വായിച്ച് പ്രവചനാത്മക പരിപാലനത്തിനായി 8 കാൻഡിഡേറ്റ് ആട്രിബ്യൂട്ടുകൾ നിർദ്ദേശിക്കുക. പരിമിതി: ഭാവിയിലെ വിവരങ്ങൾ ഉപയോഗിച്ച് ആട്രിബ്യൂട്ടുകൾ ശുപാർശ ചെയ്യുക (ലീക്കേജ് റിസ്ക്); ഓരോ ആട്രിബ്യൂട്ടിൻ്റെയും കാരണം എഴുതുക.ഔട്ട്‌പുട്ട്: ആട്രിബ്യൂട്ട് | ന്യായീകരണം | ലീക്ക് റിസ്ക് (Y/N) പട്ടിക.

സാധാരണ തെറ്റുകൾ

• AI ഔട്ട്‌പുട്ട് തെളിവായി തെറ്റിദ്ധരിക്കുന്നു. ഫ്ലൂയിഡ് ടെക്സ്റ്റ് പരിശോധിച്ചുറപ്പിച്ച എഞ്ചിനീയറിംഗ് അല്ല. ഓരോ നമ്പറും ആങ്കർ ചെയ്യുക.
• റാങ്ക് പരിശോധന മറികടക്കുന്നു. ഇത് ഏറ്റവും വിലകുറഞ്ഞതും ശക്തവുമായ പിശക് ട്രാപ്പിംഗ് രീതിയാണ്; പത്ത് സെക്കൻഡ് എടുക്കും.
• അസംസ്‌കൃത രഹസ്യ ഡാറ്റ അയയ്‌ക്കുന്നു. ബ്രാൻഡ്, വിതരണക്കാരൻ, വില, VIN തുടങ്ങിയ വിവരങ്ങൾ അജ്ഞാതമാക്കാതെ പങ്കിടുന്നത് കരാറിൻ്റെയും നിയമത്തിൻ്റെയും ലംഘനമാണ്.
• അനിശ്ചിതത്വം അവഗണിക്കുന്നു. "നിങ്ങൾക്ക് ഉറപ്പാണോ?" ചോദിക്കുന്നതിനു പകരം തെളിവ് ചോദിക്കുക; AI-യുടെ ആത്മവിശ്വാസം അതിൻ്റെ കൃത്യതയുടെ അളവുകോലല്ല.
• AI യിൽ കുറ്റം ചുമത്തുന്നു. "മാതൃക അങ്ങനെ പറഞ്ഞു" ഒരു പ്രതിരോധമല്ല; ഒപ്പ് നിങ്ങളുടേതാണ്.

ചുരുക്കത്തിൽ

• വാഹന വികസനത്തിൻ്റെ വി-മോഡലിൻ്റെ ഓരോ ഘട്ടത്തിലും AI ഒരു ആക്സിലറേറ്ററാണ്; എന്നാൽ സുരക്ഷാ-നിർണ്ണായക തീരുമാനവും അംഗീകാരവും എല്ലായ്പ്പോഴും യോഗ്യതയുള്ള എഞ്ചിനീയറുടെ പക്കലാണ്.
• മൂന്ന് ആങ്കറുകൾക്കെതിരെ ഓരോ AI ഔട്ട്‌പുട്ടും പരിശോധിക്കുക: മാഗ്നിറ്റ്യൂഡിൻ്റെ ക്രമം, എഞ്ചിനീയറിംഗ് പ്ലാസിബിലിറ്റി, സ്വതന്ത്ര പരിശോധന/അളവ് എന്നിവയുടെ തെളിവ്.
• ഹാലുസിനേഷൻ യഥാർത്ഥമാണ്; ഒഴുക്ക് എന്നത് കൃത്യതയല്ല.
• രഹസ്യാത്മകവും വ്യക്തിഗതവുമായ ഡാറ്റ അജ്ഞാതമാക്കുക, ഡാറ്റ ചെറുതാക്കൽ നടപ്പിലാക്കുക, എൻ്റർപ്രൈസ് AI പരിസ്ഥിതി ഉപയോഗിക്കുക.
• നല്ല നിർദ്ദേശങ്ങൾക്കായി, Role-Task-Context-Output (RGBÇ) പാറ്റേൺ ഉപയോഗിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ സ്വന്തം ബിസിനസ്സിൽ നിന്ന് (അല്ലെങ്കിൽ ഒരു സാങ്കൽപ്പിക പാസഞ്ചർ കാർ പ്രോജക്റ്റിൽ നിന്ന്) ഒരു ടാസ്ക് തിരഞ്ഞെടുക്കുക: ഉദാഹരണത്തിന് "ബ്രേക്ക് പാഡ് വെയർ പ്രവചനം". (1) വി-മോഡലിൽ എവിടെയാണ് നിങ്ങൾ ഈ ടാസ്ക് സ്ഥാപിക്കുക? (2) AI യുടെയും തീരുമാനത്തിൻ്റെ ഉടമയുടെയും പങ്ക് ഒരു പട്ടികയിൽ എഴുതുക. (3) RGBÇ പാറ്റേൺ ഉപയോഗിച്ച് ഒരു പ്രോംപ്റ്റ് എഴുതുകയും അതിലെ എല്ലാ രഹസ്യ/വ്യക്തിഗത വിവരങ്ങളും അജ്ഞാതമാക്കുകയും ചെയ്യുക. (4) മൂന്ന് ആങ്കറുകൾ ഉപയോഗിച്ച് മൂന്ന് ഇനങ്ങളിൽ ഒരു കുറിപ്പ് ഉണ്ടാക്കുക, AI-യിൽ നിന്നുള്ള പ്രതികരണം നിങ്ങൾ പരിശോധിക്കും.

ചെക്ക്ലിസ്റ്റ്

• [ ] വി-മോഡലിൽ എൻ്റെ ചുമതലയുടെ സ്ഥാനം ഞാൻ നിർണ്ണയിച്ചു.
• [ ] ഞാൻ AI യുടെയും അന്തിമ തീരുമാനത്തിൻ്റെ ഉടമയുടെയും പങ്ക് വെവ്വേറെ എഴുതി.
• [ ] ബ്രാൻഡ്/വിതരണക്കാരൻ/വില/വിഐഎൻ പോലുള്ള വിവരങ്ങൾ എൻ്റെ പ്രോംപ്റ്റിൽ ഞാൻ അജ്ഞാതമാക്കി.
• [ ] ഞാൻ RGBS പാറ്റേൺ ഉപയോഗിച്ചു (റോൾ, ചുമതല, സന്ദർഭം, നിയന്ത്രണം, ഔട്ട്പുട്ട്).
• [ ] മൂന്ന് ആങ്കറുകൾ (റാങ്ക്, പ്ലാസിബിലിറ്റി, സ്വതന്ത്ര തെളിവുകൾ) ഉപയോഗിച്ച് ഔട്ട്പുട്ട് പരിശോധിക്കാൻ എനിക്ക് ഒരു പ്ലാൻ തയ്യാറാണ്.
• [ ] സുരക്ഷാ-നിർണ്ണായകമായ സ്ഥിരീകരണം മനുഷ്യനിൽ തുടരുമെന്ന് ഞാൻ സ്ഥിരീകരിച്ചു.