सागरी क्षेत्रातील AI च्या सीमा: सुरक्षा, सायबर जोखीम, नैतिकता आणि जबाबदारी — नौदल आणि सागरी अभियांत्रिकीमध्ये कृत्रिम बुद्धिमत्ता

नफा:

AI काल्पनिक गुणांक, नियम कलम आणि तांत्रिक मूल्ये तयार करू शकते आणि जीवन/मालमत्ता सुरक्षिततेच्या संदर्भात पडताळणी लागू करू शकते हे ओळखण्याची क्षमता
सायबर सुरक्षा, डेटा गोपनीयता आणि जहाज आणि ओटी (ऑपरेशनल टेक्नॉलॉजी) सिस्टममध्ये नियामक मर्यादा व्यवस्थापित करण्याची क्षमता
वर्ग मान्यता, नेव्हिगेशनल सुरक्षा आणि नैतिकतेची अंतिम जबाबदारी अभियंता आणि कॅप्टनची आहे हे समजून घेणे.

या संपूर्ण मॉड्यूलमध्ये, आम्ही जहाज आणि सागरी अभियांत्रिकीच्या प्रत्येक टप्प्यावर प्रवेगक म्हणून कृत्रिम बुद्धिमत्ता (AI) वापरली: फॉर्म डिझाइनपासून स्ट्रक्चरल विश्लेषणापर्यंत, भविष्यसूचक देखभाल ते प्रवास ऑप्टिमायझेशन, उत्सर्जन अनुपालन ते शिपयार्ड उत्पादन. या अंतिम युनिटमध्ये आम्ही मागे पाऊल टाकतो आणि संपूर्ण चित्र पाहतो: सागरी मध्ये AI च्या मुख्य मर्यादा काय आहेत, कोणते धोके (भ्रम, सायबर सुरक्षा, डेटा गोपनीयता, पूर्वाग्रह) सतत सतर्क असतात आणि कोण जबाबदारी घेते? कारण वाहन सुरक्षितपणे वापरण्याची पूर्वअट म्हणजे त्यात कुठे चूक होऊ शकते हे जाणून घेणे.

मॉड्यूलचा कायम प्रबंध येथे लागू होतो आणि इतर सर्वांवर नियंत्रण ठेवतो: सुरक्षितता-गंभीर सागरी कार्यामध्ये, AI आउटपुट सक्षम अभियंता, मास्टर किंवा वर्ग सर्वेक्षक यांच्या मान्यतेला पर्याय नाही. एआय सुचवते, मसुदे तयार करते, गणना करते आणि आठवण करून देते; परंतु जीवन, मालमत्ता आणि पर्यावरणाची सुरक्षितता ठरवणाऱ्या निर्णयाचा मालक ही त्या निर्णयावर स्वाक्षरी करणारी व्यक्ती असते आणि ती कायदेशीररित्या जबाबदार असते.

संकल्पना: मतिभ्रम: एआय अस्तित्वात नसलेले मूल्य, नियम किंवा संसाधन तयार करते. ओटी सुरक्षा: ऑपरेशनल तंत्रज्ञानाचे सायबर संरक्षण (मशीन आणि क्रूझ कंट्रोल सिस्टम). डेटा विषबाधा: मॉडेलची दिशाभूल करण्यासाठी प्रशिक्षण/इनपुट डेटाचा हेतुपुरस्सर भ्रष्टाचार. मॉडेल बायस: मॉडेलचा पद्धतशीर आणि अयोग्य पूर्वाग्रह जो डेटावर प्रशिक्षित केला जातो. जबाबदारीची साखळी: निर्णयाची कायदेशीर आणि तांत्रिक मालकी स्पष्टपणे दिसून येते.

AI च्या कायमस्वरूपी मर्यादा

एआयकडे शिपिंगमध्ये चार कायमस्वरूपी सीमा आहेत आणि तंत्रज्ञानाच्या प्रगतीतही ते अदृश्य होणार नाहीत. प्रथम, भ्रम: जेव्हा निश्चित डेटा नसतो तेव्हा मॉडेल "बहुधा" विधानांसह अंतर भरते; हे मेड-अप क्लास क्लॉज, अशक्य स्थिरता मूल्य किंवा अस्तित्वात नसलेले गुणांक असल्याचे बाहेर वळते. दुसरे, तैनातीबाहेरचे वर्तन: मॉडेल ज्या परिस्थितीसाठी प्रशिक्षित आणि चाचणी केले गेले होते त्या बाहेर अविश्वसनीय बनते (असामान्य जहाज प्रकार, असामान्य खराबी, न पाहिलेली रहदारी). तिसरे, भौतिकशास्त्राच्या आकलनाचा अभाव: एआय शब्दांच्या नमुन्यांवर प्रक्रिया करते, ऊर्जा संरक्षण किंवा न्यूटनचे नियम "समजत" नाही; हे आउटपुट तयार करू शकते जे वाजवी वाटते परंतु शारीरिकदृष्ट्या अशक्य आहे. चौथे, समयसूचकता: कायदे, किंमत आणि तंत्रज्ञान बदल; मॉडेलची माहिती एका तारखेला गोठविली जाते.

या मर्यादा स्पष्ट करतात की आम्ही संपूर्ण मॉड्यूलमध्ये शिकलेली पडताळणी शिस्त अपरिहार्य का आहे: ऑर्डर-ऑफ-मॅग्निट्यूड कंट्रोल, युनिट सुसंगतता, स्वतंत्र पुनरुत्पादन आणि स्त्रोत सत्यापन. विशेषत: AI कडे गणने करताना (उदा. गिट्टी/स्थिरता क्षण किंवा पॉवर कॅल्क्युलेशनसाठी व्युत्पन्न केलेली पायथन/एक्सेल स्क्रिप्ट), जरी कोड फ्लुइड आणि कार्यरत दिसत असला तरी, त्याचे लॉजिक, इनपुट आणि एज केसेस स्वतंत्र चाचणीशिवाय सुरक्षिततेच्या निर्णयात अनुवादित होत नाहीत. फक्त खाते कोड "काम करतो" याचा अर्थ तो "बरोबर" आहे असे नाही.

खबरदारी: AI-व्युत्पन्न केलेला अकाउंटिंग कोड त्रुटींशिवाय कार्य करू शकतो, परंतु त्यात चुकीचे सूत्र, चुकीचे युनिट किंवा दुर्लक्षित एज केस असू शकतो. कोड स्वीकारण्यापूर्वी, ज्ञात इनपुटसह त्याची चाचणी करा (उदाहरणार्थ, तुम्हाला प्रथमच उत्तर माहित आहे), एज केसेससाठी चाचणी करा आणि निकाल स्वतंत्र मार्गाने सत्यापित करा. सुरक्षितता-गंभीर गणनांमध्ये जसे की स्थिरता, मंजूर लोडिंग संगणक आणि अभियंता पुष्टीकरण आवश्यक आहे.

सायबर सुरक्षा आणि डेटा गोपनीयता

आधुनिक जहाज एक फ्लोटिंग संगणक नेटवर्क आहे: नेव्हिगेशन सिस्टम, यंत्रसामग्री नियंत्रण, कार्गो व्यवस्थापन आणि उपग्रह कनेक्टिव्हिटी एकमेकांशी जोडलेले आहेत. याचा अर्थ सायबर हल्ला पृष्ठभाग. AI प्रणाली या चित्रात दोन नवीन धोके जोडतात. प्रथम, OT (ऑपरेशनल टेक्नॉलॉजी) सुरक्षा: नेव्हिगेशन आणि मशीन कंट्रोलशी जोडलेला AI घटक हल्ला झाल्यास थेट सुरक्षिततेचा धोका निर्माण करतो; त्यामुळे गंभीर OT प्रणाली वेगळ्या केल्या जातात, AI आउटपुटने कधीही स्वतःहून नियंत्रण क्रिया सुरू करू नये, मानवी मान्यता आणि सुरक्षित डीफॉल्ट वर्तन राखले पाहिजे. दुसरे, डेटा गोपनीयता: हुल फॉर्म, कार्यप्रदर्शन वक्र, जहाजमालक-यार्ड करार आणि ऑपरेशनल टेलिमेट्री ही व्यापार रहस्ये आणि बौद्धिक मालमत्ता आहेत; हा डेटा मंजूर नसलेल्या बाह्य एआय सेवांमध्ये प्रविष्ट करणे एक अपरिवर्तनीय नुकसान आहे.

याव्यतिरिक्त, डेटा पॉयझनिंग (दुर्भावनापूर्ण इनपुटसह मॉडेलची दिशाभूल करणे) आणि AIS सारख्या डेटाची स्पूफिंग यांसारख्या हाताळणीच्या जोखमींसाठी AI च्या इनपुटवर आंधळेपणाने विश्वास ठेवू नये. नियम: गंभीर डेटा निनावी आहे किंवा अजिबात सामायिक केलेला नाही, केवळ मंजूर आणि गोपनीयतेची खात्री असलेली साधने वापरली जातात, गंभीर इनपुट सत्यतेसाठी क्रॉस-व्हेरिफाय केले जातात.

धोका

ते कसे उद्भवते?

खबरदारी

भ्रम

तयार केलेला नियम/मूल्य/स्रोत

स्त्रोताकडून पुष्टीकरण, रँक कंट्रोल

OT सायबर हल्ला

नियंत्रण प्रणाली घुसखोरी

अलगाव, मानवी मान्यता, सुरक्षित डीफॉल्ट

डेटा लीक

बाह्य साधनामध्ये गोपनीय डेटा प्रविष्ट करणे

अनामिकरण, मंजूर साधन

डेटा विषबाधा/स्पूफिंग

हेतुपुरस्सर दूषित इनपुट

इनपुट प्रमाणीकरण, क्रॉस-चेकिंग

मॉडेल पूर्वाग्रह

असंतुलित प्रशिक्षण डेटा

मानवी निर्णयासह निकालाचे पुनरावलोकन करणे

नैतिकता आणि जबाबदारीची साखळी

सागरी क्षेत्रातील निर्णयाची कायदेशीर आणि तांत्रिक मालकी स्पष्ट असावी: नेव्हिगेशनल सुरक्षेसाठी कॅप्टन जबाबदार आहे, मुख्य अभियंता यंत्रसामग्रीसाठी जबाबदार आहे, प्रभारी अभियंता डिझाइन आणि गणनासाठी जबाबदार आहे आणि वर्ग सर्वेक्षणकर्ता नियमांचे पालन करण्यासाठी जबाबदार आहे. AI ने या साखळीमध्ये "दायित्व अंतर" आणू नये. "एआयने हे सुचवले" हे निमित्त नाही; जो माणूस एआय वापरतो आणि त्याचे आउटपुट स्वीकारतो तो जबाबदार असतो. म्हणून, AI चा वापर पारदर्शक असणे आवश्यक आहे (ते कोणत्या निर्णयाचे समर्थन करते, त्याची कोणती पडताळणी झाली आहे याची नोंद असणे आवश्यक आहे) आणि अंतिम निर्णय स्वाक्षरी केलेल्या व्यक्तीवर असणे आवश्यक आहे.

नैतिक परिमाणात क्रू सुरक्षा आणि पर्यावरणाचाही समावेश होतो: जर इंधन बचतीच्या प्रस्तावामुळे क्रूला धोका निर्माण झाला असेल, जर ऑटोमेशन सोल्यूशनने सुरक्षितता मार्जिन कमी केले असेल, जर अल्प-मुदतीचा लाभ दीर्घकालीन जोखीम टाळत असेल, तर अभियांत्रिकी नीतिशास्त्राला "नाही" म्हणणे आवश्यक आहे. एआय हे उत्पादकतेसाठी एक शक्तिशाली साधन आहे; परंतु जीवन, पर्यावरण आणि प्रामाणिक अभियांत्रिकी निर्णयापुढे कार्यक्षमता कधीही येऊ शकत नाही.

मिनी केसेस

केस 1 - "एआयने असे सांगितले" निमित्त. अहवालात, एआयने दिलेल्या मर्यादेचे मूल्य पडताळणीशिवाय वापरले जाते आणि ते मूल्य चुकीचे असल्याचे दिसून येते. जबाबदार व्यक्ती "AI ने हे सुचवले आहे" असे सांगून स्वतःचा बचाव करण्याचा प्रयत्न करतो. कोणताही वर्ग किंवा दायित्व कायदा हे ओळखत नाही: आउटपुट स्वीकारणारा अभियंता जबाबदार आहे. धडा: AI हे निमित्त नाही; जबाबदारी वापरणाऱ्या व्यक्तीची असते.

केस 2 - गोपनीय डेटा लीक. एक कार्यसंघ जहाजमालकाचे वास्तविक कार्यप्रदर्शन आणि इंधन डेटा सार्वजनिकरित्या उपलब्ध AI साधनामध्ये पेस्ट करतो आणि विश्लेषणाची विनंती करतो. हा डेटा आता नियंत्रणाबाहेर गेला आहे; व्यापार रहस्य आणि कराराचा भंग होतो. निनावी प्रातिनिधिक मूल्ये किंवा मान्यताप्राप्त साधनासह कार्य केल्यास कोणताही धोका होणार नाही. धडा: वास्तविक/गोपनीय डेटा कधीही मंजूर नसलेल्या बाह्य साधनामध्ये प्रविष्ट केला जात नाही.

केस 3 - कार्यरत परंतु चुकीचा कोड. AI स्थिरतेच्या क्षणासाठी पायथन स्क्रिप्ट तयार करते; कोड त्रुटींशिवाय चालतो आणि वाजवी संख्या देतो. अभियंता जेव्हा ज्ञात लोडिंग केस (ज्याचे उत्तर हाताने ओळखले जाते) द्वारे त्याची चाचणी घेतो, तेव्हा त्याला असे आढळून आले की कोड चुकीच्या चिन्हासह हाताची लांबी घेतो. स्क्रिप्ट "काम" करत होती पण परिणाम चुकीचा होता. धडा: खाते कोडचे ऑपरेशन अचूकतेची हमी नाही; ज्ञात इनपुट आणि स्वतंत्र सत्यापनासह चाचणी आवश्यक आहे.

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

टेम्पलेट 1 — मर्यादा आणि जोखीम स्वयं-मूल्यांकन:

भूमिका: मी वापरत असलेल्या AI आउटपुटचे ऑडिट करणारे तुम्ही एक समीक्षक आहात. संदर्भ: [कार्य/आउटपुट].कार्य:1) या आउटपुटमध्ये भ्रमाचा धोका कुठे जास्त आहे? 2) भौतिक प्रशंसनीयतेच्या बाबतीत काही शंकास्पद आहे का? 3) कोणती मूल्ये ज्यांना समयबद्धता (कायदे/किंमत) आवश्यक आहे ते सत्यापित केले जावे? 4) या आउटपुटचे आउटपुट असण्याची शक्यता आहे? केस?प्रत्येक शंकास्पद बिंदू सूचीबद्ध करा आणि ते कसे सत्यापित करावे.

टेम्पलेट 2 — खाते कोड सत्यापन वेळापत्रक:

खालील AI-व्युत्पन्न अकाउंटिंग कोड (Python/Excel) वापरण्यापूर्वी एक पडताळणी योजना तयार करा:[पेस्ट कोड/लॉजिक]१) एक चाचणी इनपुट सुचवा ज्यासाठी मला उत्तर स्पष्टपणे माहित आहे. २) चाचणी करणे आवश्यक असलेल्या एज केसेसची यादी करा (शून्य, नकारात्मक, अति). सुरक्षा-गंभीर खात्यावर पडताळणी आवश्यक आहे.

टेम्पलेट 3 — डेटा गोपनीयता फिल्टर:

मी एआय टूलला खालील संदर्भ देईन गोपनीयता तपासा:[शेअर करण्यासाठी मजकूर]1) त्यात व्यापार रहस्य / गोपनीय / करार डेटा आहे का? 2) कोणती मूल्ये अनामित किंवा काढली जावीत? 3) या कार्यासाठी मंजूर अंतर्गत साधन आवश्यक आहे का? मर्यादा: वास्तविक जहाज/कार्यप्रदर्शन/करार डेटा बाह्य साधनामध्ये जात नाही.

टेम्प्लेट 4 — उत्तरदायित्व आणि पारदर्शकता नोट:

खालील AI-शक्तीच्या निर्णयाचे दस्तऐवजीकरण करण्यासाठी पारदर्शकता मेमो तयार करा:[निर्णय].सामग्री: (1) AI कोणत्या टप्प्यावर वापरला गेला, (2) कोणत्या पडताळणीतून गेला, (3) कोणत्या मानवाने ते मंजूर केले, (4) कोणत्या स्त्रोतांची पडताळणी झाली. बंधन: हे स्पष्ट करा की अंतिम जबाबदारी मानवी स्वाक्षरीवर आहे.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

मी हे एआय विश्लेषण अहवालात टाकेन, ते ठीक आहे का?

शक्तिशाली सूचना:

भूमिका: तुम्ही स्वतंत्र समीक्षक आहात जे AI आउटपुटचे ऑडिट करतात. संदर्भ: [विश्लेषण/आउटपुट आणि कुठे वापरायचे].कार्य:1) भ्रम, भौतिक प्रबोधन आणि समयसूचकतेचा ध्वज जोखीम.2) असा डेटा आहे जो गोपनीयतेसाठी सामायिक केला जाऊ नये? 3) हे सत्यापित करण्यासाठी मानवाला कोणत्या चरणांची आवश्यकता आहे: तुम्ही हे आउटपुट करू शकत नाही? "योग्य/अयोग्य" निर्णय; पडताळणीचे टप्पे सांगा आणि जबाबदारी स्वाक्षरी करणाऱ्या अभियंत्याची आहे.

कमकुवत प्रॉम्प्ट पुष्टीकरणासाठी विचारतो; मजबूत प्रॉम्प्ट धोके, गोपनीयता आणि मानवी सत्यापन साखळी उघड करते.

सामान्य चुका

याचा अर्थ "एआयने असे म्हटले आहे." जबाबदारी आउटपुट स्वीकारणाऱ्या व्यक्तीची असते; एआय हे निमित्त नाही.
बाह्य साधनामध्ये गोपनीय डेटा प्रविष्ट करणे. व्यापार रहस्य आणि कराराचे उल्लंघन; एकदा लीक झालेला डेटा परत मिळवता येत नाही.
कार्य संहिता योग्य आहे असा विचार करणे. त्रुटींशिवाय कार्य करणाऱ्या स्क्रिप्टमध्ये चुकीचे सूत्र/युनिट असू शकते; चाचणी आणि स्वतंत्र पुष्टीकरण आवश्यक आहे.
OT प्रणाली AI वर सोडत आहे. नियंत्रण क्रिया एकट्या AI द्वारे कधीच सुरू होत नाही; मानवी मान्यता आणि सुरक्षित डीफॉल्ट राखले जातात.
सुरक्षिततेपूर्वी कार्यक्षमता ठेवणे. कोणत्याही बचतीसाठी जीवन, पर्यावरण आणि प्रामाणिक अभियांत्रिकी निर्णयाचा त्याग केला जात नाही.

सारांशात

सागरी मधील AI च्या स्थायी मर्यादा (भ्रम, वितरणाव्यतिरिक्तचे वर्तन, भौतिकशास्त्राचे आकलन नसणे, कालबाह्यता) आणि जोखीम (सायबर/OT सुरक्षा, डेटा गोपनीयता, विषबाधा, पूर्वाग्रह) हे स्पष्ट करतात की संपूर्ण मॉड्यूलमध्ये शिकलेली पडताळणी शिस्त अपरिहार्य का आहे. सुरक्षितता-गंभीर निर्णयांमध्ये, एआय आउटपुट सक्षम मानवी मान्यतेचा पर्याय नाही; जबाबदारीची साखळी स्पष्ट आहे आणि "एआयने तसे सांगितले" हे निमित्त नाही. एआय एक शक्तिशाली प्रवेगक आहे; पण जीवन, पर्यावरण आणि प्रामाणिक अभियांत्रिकी निर्णय नेहमी प्रथम येतात.

अर्ज कार्य

तुम्ही या मॉड्यूलमध्ये तयार केलेले AI आउटपुट (खाते, अहवाल मसुदा किंवा कोड) निवडा. "मर्यादा आणि जोखीम स्वयं-मूल्यांकन" टेम्प्लेटसह भ्रम, भौतिक प्रशंसनीयता आणि वास्तविकतेचे धोके ध्वजांकित करा. तो खाते कोड असल्यास, "खाते कोड पडताळणी योजना" टेम्पलेट वापरून ज्ञात इनपुटसह त्याची चाचणी करा आणि स्वतंत्रपणे सत्यापित करा. “डेटा गोपनीयता फिल्टर” लागू करा आणि शेअर करू नये असा डेटा फिल्टर करा. शेवटी, निर्णयाचे दस्तऐवजीकरण करणारा एक पारदर्शकता मेमो लिहा आणि अंतिम जबाबदारी कोणाची आहे हे स्पष्ट करा.

चेकलिस्ट

[ ] मी AI आउटपुटचे भ्रम, भौतिकशास्त्र आणि वास्तविकतेचे धोके तपासले.
[ ] मी ज्ञात इनपुटसह खाते कोडची चाचणी केली आहे आणि स्वतंत्रपणे सत्यापित केली आहे.
मी बाह्य साधनामध्ये गोपनीय/करारित डेटा प्रविष्ट केला नाही; मी ते निनावी केले.
[ ] मी मानवी मान्यता राखली आणि OT/नियंत्रण प्रणालींमध्ये डीफॉल्ट सुरक्षित ठेवला.
[ ] मी पारदर्शकपणे AI च्या वापराचे दस्तऐवजीकरण केले आणि कोण जबाबदार आहे हे स्पष्ट केले.
[ ] मी जीवन, पर्यावरण आणि अभियांत्रिकी नीतिमत्तेपुढे कार्यक्षमता कधीही ठेवली नाही.

मॉड्यूल परीक्षा

1. सागरी अभियंता म्हणून एआय टूलसोबत काम करताना, खालीलपैकी कोणाची अंतिम जबाबदारी नेहमी माणसावर (इंजिनियर/क्लासमन) राहिली पाहिजे?

अ) संरचनेच्या घटकाचे वर्ग नियमांचे पालन करण्यास मान्यता आणि स्वाक्षरी ✔
ब) प्रतिकार अहवालाचा पहिला मसुदा तयार करणे
क) चार्टची अक्ष लेबले संपादित करणे
ड) तांत्रिक अहवालासाठी संज्ञांचा शब्दकोष तयार करणे

वर्णन: AI; हे प्रतिकार पूर्वगणना, अहवाल मसुदा आणि डेटा सारांश यासारख्या कार्यांना गती देऊ शकते. तथापि, वर्ग नियमासह संरचनात्मक घटकाच्या अनुपालनास मान्यता देणे आणि तांत्रिक फाइलवर स्वाक्षरी म्हणून हे प्रतिबिंबित करणे हा एक निर्णय आहे ज्यामुळे जीवन आणि मालमत्तेची सुरक्षा निर्माण होते; स्वतंत्र पडताळणी आणि अधिकृत मंजुरीशिवाय AI मध्ये हस्तांतरित केले जाऊ शकत नाही.

2. तुमच्याकडे AI ने बोटीच्या प्रतिकाराची गणना केली होती आणि त्याने मॉडेल प्रयोगात नसलेल्या 'अनुभवजन्य सुधारणा घटक'सह परिणाम 20% कमी केला. पहिली योग्य कृती कोणती करावी?

अ) निकाल जसा आहे तसा स्वीकारणे कारण AI आत्मविश्वासू वाटतो
ब) गुणांकाच्या स्त्रोतावर प्रश्नचिन्ह लावा, निराधार सुधारणा नाकारून मान्यताप्राप्त पद्धतीने त्याची पुनर्गणना करा ✔
क) गुणांक आणखी वाढवणे आणि सुरक्षित बाजूने राहणे
ड) परिणाम न बदलता प्रोपेलर निवडीवर स्विच करणे

स्पष्टीकरण: भाषा मॉडेल खात्रीपूर्वक निराधार गुणांक आणि संख्या (भ्रम) बनवू शकतात. प्रणोदन शक्ती आणि इंधनावर थेट परिणाम करणाऱ्या गणनेमध्ये, जसे की प्रतिकार, वापरलेल्या प्रत्येक गुणांकाच्या स्त्रोतावर प्रश्नचिन्ह लावणे (पद्धत, मॉडेल चाचणी, मानक) आणि असमर्थित गुणांक नाकारणे आवश्यक आहे.

3. जहाजाच्या CII (कार्बन तीव्रता निर्देशक) ची गणना करताना भाजक म्हणून वाहून नेलेल्या मालाची मात्रा वापरण्याऐवजी, AI ने फक्त अंतर वापरले. या आउटपुटमध्ये मुख्य समस्या काय आहे?

अ) CII फक्त टँकरसाठी मोजले जाते, हे बोर्डवर अनावश्यक आहे
ब) CII निकाल नेहमी टक्केवारी म्हणून येतो, दशांश चुकतो
C) CII भाजक फक्त अंतर नसून वाहून नेण्याची क्षमता (डेडवेट) अंतराने गुणाकार केला पाहिजे ✔
डी) CII गणनेसाठी स्पीड डेटा अनिवार्य आहे, तो गहाळ आहे

वर्णन: CII प्रति जॉब कार्बन उत्सर्जन मोजते आणि अंतराने गुणाकार केलेल्या ऑफर केलेल्या पेलोडवर आधारित आहे (उदा. डेडवेट x अंतर). भार/क्षमता हा शब्द सोडल्यास निर्देशकाची चुकीची गणना होते. उत्पादकता निर्देशकांमधील प्रत्येक पदासाठी IMO व्याख्येचे पूर्णपणे पालन करणे ही पहिली आणि अनिवार्य पायरी आहे.

4. इंजिन रूममध्ये AI-चालित भविष्यसूचक देखभाल प्रणालीचे सर्वात मौल्यवान आउटपुट काय आहे?

अ) मागील देखभालीचा सरासरी खर्च एका ओळीत सारांशित करा
ब) सर्व सेन्सर डेटाचे अधिक रंगीत आलेखात रूपांतर करणे
क) रंग आणि कंपन/तापमान ट्रेंडची यादी करा
ड) जेव्हा बेअरिंग किंवा टर्बोचार्जर निकामी होण्याची शक्यता असते तेव्हा वेळ विंडो पूर्व-चिन्हांकित करणे ✔

वर्णन: उपकरणे अयशस्वी होण्याआधी खराब होण्याची प्रवृत्ती शोधून काढणे आणि वेळेवर देखभालीचे नियोजन करणे हे भविष्यसूचक देखभालीचा उद्देश आहे. अशा प्रकारे, अनपेक्षित खराबी आणि थांबण्याचा धोका कमी होतो. केवळ भूतकाळाचा सारांश देणेच नव्हे तर भविष्याविषयी लवकर इशारे देणे देखील मौल्यवान आहे.

5. AI ने FEA (परिमित घटक विश्लेषण) मॉडेलमधील तणावाच्या परिणामाची तुलना वर्ग कोडमधील स्वीकार्य ताणाशी केली आणि 'योग्य' घोषित केले. सर्वात योग्य दृष्टीकोन कोणता आहे?

अ) मॉडेल सेटअप (जाळी, सीमा स्थिती, लोड) सत्यापित करणे आणि वर्ग नियम मजकूरातून स्वीकार्य ताणाची पुष्टी करणे ✔
ब) AI ने 'फिट' म्हटल्यामुळे थेट निकालाची पुष्टी करणे
क) सुरक्षित बाजूला राहण्यासाठी स्वीकार्य ताण यादृच्छिकपणे कमी करणे
ड) नेटवर्क घट्ट न करता फक्त रंग स्केल बदलणे

वर्णन: FEA परिणाम; हे जाळीची गुणवत्ता, सीमा परिस्थिती, लोड व्याख्या आणि सामग्री गुणधर्मांवर पूर्णपणे अवलंबून आहे. याव्यतिरिक्त, AI द्वारे वापरलेले स्वीकार्य ताण मूल्य चुकीचे असू शकते. निकाल स्वीकारण्यापूर्वी, मॉडेल सेटअप सत्यापित करणे आणि मजकूरातून वर्ग नियम मूल्याची पुष्टी करणे आवश्यक आहे.

6. तुम्ही AI सह हवामान रूटिंग करून इंधन कमी करणारा मार्ग तयार केला आहे. निकालाच्या वापरासाठी कोणता विचार सर्वात महत्वाचा आहे?

अ) मार्ग नॅव्हिगेशनल सुरक्षेच्या दृष्टीने सुरक्षित असणे आवश्यक आहे (लहर, हवामान, जहाजावरील निर्बंध) आणि कॅप्टनने मंजूर केलेले असणे आवश्यक आहे ✔
ब) नकाशावरील मार्गाचे सर्वात लहान स्वरूप
क) मार्गामध्ये सर्वाधिक पोर्ट कॉल समाविष्ट आहेत
ड) कराराची पर्वा न करता मार्ग ETA कमी करतो

स्पष्टीकरण: मार्ग प्रस्ताव कितीही इंधन-इष्टतम असला तरीही, नेव्हिगेशनल सुरक्षा आणि कॅप्टनचे अधिकार प्राधान्य देतात. जर वादळ, लहरींची उंची आणि जहाजावरील निर्बंध सुरक्षितता मर्यादेपेक्षा जास्त असतील तर इंधनाचा फायदा अर्थहीन आहे. अंतिम मार्गाचा निर्णय सुरक्षा मर्यादांद्वारे फिल्टर करणे आणि कर्णधाराने मंजूर करणे आवश्यक आहे.

7. तुम्ही AI ला SOLAS ची आवश्यकता विचारली आणि त्याने विशिष्ट 'धडा/नियम क्रमांक' च्या संदर्भात अचूक मूल्य दिले. योग्य अभियांत्रिकी वर्तन काय आहे?

अ) थेट मूल्य लागू करणे कारण AI अद्ययावत आहे
ब) सुरक्षित बाजूने राहण्यासाठी यादृच्छिकपणे मूल्य वाढवणे
क) अधिकृत, अद्ययावत SOLAS/वर्ग स्त्रोताकडून आयटम क्रमांक आणि मूल्य सत्यापित करा ✔
ड) आयटम नंबर न तपासता फाइलमध्ये जोडणे

वर्णन: भाषा मॉडेल चुकीचे लक्षात ठेवू शकतात किंवा करार/नियम खंड क्रमांक आणि मूल्ये बनवू शकतात. SOLAS, MARPOL आणि वर्ग नियमांसारख्या बंधनकारक फील्डमध्ये, प्रत्येक आयटम आणि मूल्य अधिकृत, वर्तमान स्रोत (IMO मजकूर, वर्ग नियम, व्यवस्थापन परिपत्रक) पासून शब्दशः सत्यापित केले जाणे आवश्यक आहे; एआय आउटपुट फक्त कुठे पाहायचे ते दर्शवते.

8. स्वायत्त किंवा निर्णय-सहाय्य नॅव्हिगेशन प्रणालीमध्ये, एआयने रडार आणि एआयएस डेटावर आधारित युक्ती सुचवली. COLREG (संघर्ष टाळणे) च्या दृष्टीने योग्य मूल्यांकन कोणते आहे?

अ) AI वर्तमान डेटामध्ये प्रवेश करते म्हणून युक्ती स्वयंचलितपणे कार्यान्वित करा
ब) VHF द्वारे सूचना इतर जहाजावर पाठवा आणि त्याच्या मंजुरीची प्रतीक्षा करा
क) रडार बंद करणे आणि फक्त AIS वर अवलंबून राहणे
ड) निर्णयाचा आधार म्हणून सूचनेचा विचार करा आणि COLREG आणि अंतिम युक्ती निर्णय वॉच ऑफिसर/कॅप्टनवर सोपवा.

स्पष्टीकरण: COLREG नियमांनुसार आणि चांगल्या सागरी सरावानुसार, टक्कर टाळण्याची आणि अंतिम युक्ती निर्णयाची जबाबदारी पुलावरील अधिकाऱ्यांवर (कॅप्टन/वॉचचे अधिकारी) असते. AI शिफारस निर्णय समर्थन आहे; ब्लाइंड स्पॉट्स, सेन्सर एरर आणि नियमांचे स्पष्टीकरण मानवी पर्यवेक्षण आवश्यक आहे.

9. तुम्ही AI सह मुख्य इंजिन SFOC (विशिष्ट इंधन वापर) वक्र वरून इंधन अर्थव्यवस्था शिफारस व्युत्पन्न केली आहे. वाजवीपणाची चाचणी घेण्यासाठी सर्वात योग्य पद्धत कोणती आहे?

अ) मागील ट्रिप डेटावर शिफारस लागू करा आणि वास्तविक इंधन वापराशी तुलना करा ✔
ब) सूचना जशी आहे तशी स्वीकारा आणि ती बचत म्हणून बजेटमध्ये लिहा.
क) सर्वात आशावादी बचत टक्केवारी हे एकमेव वास्तविक मूल्य म्हणून घेणे
ड) फक्त SFOC वक्रचा आलेख सुशोभित करा

स्पष्टीकरण: AI द्वारे उत्पादित बचत दाव्याची चाचणी जहाजाच्या वास्तविक प्रवास डेटाशी (रेकॉर्ड केलेला इंधन वापर, लोड, वेग, हवामान) सह तुलना करून केली पाहिजे. भूतकाळातील प्रवासाच्या डेटावर पूर्वलक्ष्यीपणे ते लागू करणे आणि वास्तविक वापराशी तुलना करणे हे दर्शवते की शिफारस किती वास्तववादी आहे.

10. AI द्वारे तयार केलेल्या मसुदा सर्वेक्षण/तांत्रिक अहवालामध्ये तांत्रिक मूल्ये समाविष्ट आहेत जी द्रव आहेत परंतु अनिश्चित मूळ आहेत. योग्य वर्तन काय आहे?

अ) अहवाल जसा आहे तसा सादर करणे कारण मजकूर अस्खलित आहे
ब) प्रत्येक मूल्य मूळ मापन/स्रोताशी जुळवा आणि पुष्टी न केलेले ✔ काढून टाका
क) मूल्ये गोलाकार आणि चमकणे
ड) फक्त कार्यकारी सारांश वाचा आणि बाकीचे वगळा

वर्णन: अहवालातील प्रत्येक तांत्रिक मूल्य त्याच्या मूळ स्त्रोतावर शोधण्यायोग्य असणे आवश्यक आहे (मापन, कॅलिब्रेटेड डिव्हाइस रेकॉर्ड, वर्ग नियम, निर्माता डेटा). कोणताही क्रमांक वर्ग किंवा व्यवस्थापनाला त्याच्या स्त्रोताची पडताळणी केल्याशिवाय सबमिट करू नये, जरी ते अस्खलित वाक्यात मूल्य असले तरीही; अन्यथा, एक काल्पनिक मूल्य निर्णय बेसमध्ये प्रवेश करते.

11. AI-व्युत्पन्न एक्सेल/पायथन गणना वापरण्यापूर्वी सर्वोत्तम पायरी कोणती आहे (उदा. बॅलास्ट स्थिती आणि स्थिरतेचा क्षण)?

अ) गणना प्रत्यक्ष लोडिंग योजनेवर लागू करणे
ब) फक्त कोडची लांबी आणि मांडणी पहात आहे
क) ज्ञात चाचणी परिस्थिती आणि मंजूर लोडिंग टूलसह गणनाची तुलना करून एज केस वापरून पहा ✔
ड) कोडचा भाग लहान करण्यासाठी तो हटवणे

स्पष्टीकरण: स्थिरता आणि लोड गणना योग्य दिसू शकतात परंतु चुकीचे परिणाम देतात. एका छोट्या चाचणी परिस्थितीवर गणना चालवणे, जिथे तुम्हाला परिणाम माहीत आहे, एकतर मॅन्युअली किंवा प्रमाणित लोडिंग कॉम्प्युटरसह, अपेक्षित आउटपुटशी त्याची तुलना करणे आणि मर्यादा/एज लोड प्रकरणे वापरून पाहणे, वास्तविक लोडिंग निर्णयापर्यंत पोहोचण्यापूर्वी त्रुटी पकडेल.

12. तुम्ही तुमच्या जहाजाचे शेअर न केलेले डिझाइन आणि कार्यप्रदर्शन डेटा सार्वजनिक AI टूलमध्ये पेस्ट करू इच्छित आहात आणि विश्लेषणाची विनंती करू इच्छित आहात. सर्वात योग्य दृष्टीकोन कोणता आहे?

अ) गतीसाठी डेटा पेस्ट करणे
ब) फक्त जहाजाचे नाव हटवणे आणि उर्वरित सर्व डेटा सामायिक करणे पुरेसे आहे
C) डेटा शेअर करणे आणि नंतर AI ला तो हटवण्यास सांगणे
ड) संस्थात्मक धोरण तपासणे आणि डेटा निनावी करणे किंवा सुरक्षित/संस्थात्मक साधन वापरणे ✔

प्रकटीकरण: हुल फॉर्म, कार्यप्रदर्शन वक्र आणि जहाजमालक/यार्ड करार डेटा व्यापार गुपित आणि बौद्धिक मालमत्ता संवेदनशील आहेत; याव्यतिरिक्त, गंभीर पायाभूत सुविधा आणि ओटी सिस्टम माहिती सायबर जोखीम धारण करते. डेटा शेअर करण्यापूर्वी, कॉर्पोरेट पॉलिसी तपासणे, निनावी करणे किंवा डेटा शेअर न करणारे कॉर्पोरेट टूल वापरणे आवश्यक आहे.

13. शिपयार्ड ब्लॉक असेंब्लीमध्ये AI-चालित गुणवत्ता नियंत्रणाने वेल्ड सीमला 'स्वीकार्य' म्हणून ध्वजांकित केले. योग्य अभियांत्रिकी वर्तन काय आहे?

अ) AI मूल्यमापन अंतिम स्वीकृती म्हणून विचारात घ्या आणि शिलाई मंजूर करा
ब) AI प्राथमिक मूल्यांकनाला स्क्रीनिंग साधन म्हणून विचारात घेणे आणि अंतिम स्वीकृती NDT निकाल आणि वर्ग मंजुरीशी जोडणे ✔
सी) सीमची अजिबात तपासणी न करता पुढील ब्लॉकवर जाणे
ड) सीमचे स्वरूप फक्त दृश्यमानपणे तपासणे पुरेसे आहे

वर्णन: वेल्डिंग गुणवत्ता हे एक सुरक्षा-गंभीर क्षेत्र आहे ज्यासाठी नॉन-डिस्ट्रक्टिव्ह टेस्टिंग (NDT) परिणाम आणि वर्ग मान्यता आवश्यक आहे. प्रतिमा किंवा डेटाद्वारे AI चे प्राथमिक मूल्यांकन मार्गदर्शन प्रदान करते, परंतु अंतिम स्वीकृती पात्र तपासणी आणि वर्ग सर्वेक्षकाद्वारे मंजूरी दिली जाते.

14. फ्लीट मॅनेजमेंटमध्ये, AI ने 'हे बंकर पोर्ट आणि हा वेग निश्चितपणे सर्वात फायदेशीर आहे' अशा मोहिमेसाठी निश्चित शिफारस तयार केली. योग्य मूल्यांकन कोणते?

अ) AI अद्ययावत डेटामध्ये प्रवेश करते म्हणून शिफारसी थेट लागू करणे
ब) एक दृढ वचनबद्धता म्हणून जहाजमालकाला प्रस्ताव पोहोचवणे
क) या एकाच आउटपुटवर आधारित संपूर्ण मोहीम योजना लॉक करणे
ड) निश्चित ऑफर अविश्वसनीय मानणे आणि वर्तमान किंमत, चार्टर स्थिती आणि सुरक्षिततेसह सत्यापित केले जाऊ शकते अशी परिस्थिती मानणे ✔

स्पष्टीकरण: बंकरची किंमत, चार्टर परिस्थिती, हवामान आणि बंदरातील विलंब झपाट्याने बदलत आहेत आणि अनिश्चित चल आहेत; AI परिपूर्ण नफा हमी देऊ शकत नाही. प्रस्तावाला एक परिदृश्य आउटपुट मानले जावे जे वर्तमान किंमत, चार्टर पक्षाच्या अटी आणि सुरक्षितता मर्यादांसह सत्यापित केले जाणे आवश्यक आहे.