ਲਾਭ:
- ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਇੰਜੀਨੀਅਰਿੰਗ ਕੰਮ ਵਿੱਚ AI ਦੀਆਂ ਸੀਮਾਵਾਂ ਅਤੇ ਤਸਦੀਕ ਲੋੜਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਗੁਪਤ ਡਿਜ਼ਾਈਨ/ਡਾਟਾ ਸ਼ੇਅਰਿੰਗ ਵਿੱਚ ਗੋਪਨੀਯਤਾ, ਡੇਟਾ ਨੀਤੀ ਅਤੇ ਬੌਧਿਕ ਸੰਪਤੀ ਦੇ ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਅਮਲੀ ਤੌਰ 'ਤੇ ਇਹ ਦਲੀਲ ਦੇਣ ਦੀ ਯੋਗਤਾ ਕਿ AI ਆਉਟਪੁੱਟ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਦਸਤਖਤ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਨਹੀਂ ਬਦਲ ਸਕਦੀ
ਮਕੈਨੀਕਲ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ, ਕੁਝ ਆਉਟਪੁੱਟ ਇੱਕ ਸੁਹਜ ਵਿਕਲਪ ਨਹੀਂ ਹੈ ਪਰ ਮਨੁੱਖੀ ਜੀਵਨ ਅਤੇ ਜਾਇਦਾਦ ਦੀ ਸੁਰੱਖਿਆ ਦਾ ਮਾਮਲਾ ਹੈ: ਇੱਕ ਐਲੀਵੇਟਰ ਬ੍ਰੇਕ, ਇੱਕ ਪ੍ਰੈਸ਼ਰ ਵੈਸਲ, ਲਿਫਟਿੰਗ ਉਪਕਰਣ ਦਾ ਇੱਕ ਟੁਕੜਾ, ਇੱਕ ਆਟੋਮੋਟਿਵ ਸਸਪੈਂਸ਼ਨ ਹਿੱਸਾ। ਇਹਨਾਂ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਨੌਕਰੀਆਂ ਵਿੱਚ, ਗਲਤੀਆਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਸੱਟ ਜਾਂ ਮੌਤ ਹੋ ਸਕਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਇਹਨਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਵੀ ਇੱਕ ਪ੍ਰਵੇਗਕ ਹੈ; ਪਰ ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਇੱਥੇ ਸਭ ਤੋਂ ਤੇਜ਼ੀ ਨਾਲ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ। ਇਹ ਇਕਾਈ ਮੌਡਿਊਲ ਦੀ ਨੈਤਿਕ ਅਤੇ ਜਵਾਬਦੇਹੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਸਿਧਾਂਤ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ: AI ਆਉਟਪੁੱਟ ਕਿਸੇ ਵੀ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਕੰਮ ਵਿੱਚ ਇੱਕ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਪੁਸ਼ਟੀ, ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਹਸਤਾਖਰ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। AI ਇੱਕ ਬਲੂਪ੍ਰਿੰਟ, ਇੱਕ ਇਨਪੁਟ, ਇੱਕ ਦੂਜੀ ਅੱਖ ਹੋ ਸਕਦੀ ਹੈ; ਪਰ ਉਹ ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਲੈ ਸਕਦਾ, ਕਿਉਂਕਿ ਕਾਨੂੰਨੀ ਅਤੇ ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਉਸ ਇੰਜੀਨੀਅਰ ਦੀ ਹੈ ਜਿਸ ਨੇ ਦਸਤਖਤ ਕੀਤੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਦੋ ਹੋਰ ਪ੍ਰਮੁੱਖ ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ: ਗੁਪਤਤਾ (ਕੰਪਨੀ ਡਿਜ਼ਾਈਨ, ਗਾਹਕ ਡੇਟਾ, ਬਿਨਾਂ ਪੇਟੈਂਟ ਕੀਤੇ ਵਿਚਾਰ) ਅਤੇ ਸ਼ੁੱਧਤਾ (ਭਰਮ)। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਕੰਮ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਬੌਧਿਕ ਸੰਪੱਤੀ ਦੇ ਜੋਖਮਾਂ ਵਿੱਚ AI ਦੀਆਂ ਸੀਮਾਵਾਂ, ਅਤੇ ਦੇਣਦਾਰੀ ਗੈਰ-ਸਪੁਰਦਯੋਗ ਕਿਉਂ ਹੈ ਬਾਰੇ ਸਿੱਖੋਗੇ।
ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਇੱਥੇ AI ਦਾ ਸਥਾਨ ਅਤੇ ਸੀਮਾ ਹੈ
ਕੀ ਕੋਈ ਨੌਕਰੀ "ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ" ਹੈ ਜਾਂ ਨਹੀਂ ਇਹ ਗਲਤੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਨਤੀਜੇ ਦੀ ਗੰਭੀਰਤਾ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਪੈਮਾਨੇ 'ਤੇ, AI ਦੀ ਭੂਮਿਕਾ ਘੱਟ ਜਾਂਦੀ ਹੈ: ਵਿਚਾਰ ਪੈਦਾ ਕਰਨਾ, ਡਰਾਫਟ ਤਿਆਰ ਕਰਨਾ, ਚੈੱਕਲਿਸਟ ਬਣਾਉਣਾ, ਹਾਂ; ਪਰ ਅੰਤਮ ਖਾਤੇ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦੇਣਾ, "ਸੁਰੱਖਿਅਤ" ਦਾ ਹੁਕਮ ਦੇਣਾ ਜਾਂ ਉਤਪਾਦਨ ਨੂੰ ਅਧਿਕਾਰਤ ਕਰਨਾ ਕੋਈ-ਨਹੀਂ ਹੈ। ਨਿਮਨਲਿਖਤ ਅੰਤਰ ਇਸ ਨੂੰ ਠੋਸ ਬਣਾਉਂਦਾ ਹੈ:
ਕਾਰੋਬਾਰ ਦੀ ਕਿਸਮ
AI ਦੀ ਢੁਕਵੀਂ ਭੂਮਿਕਾ
ਇੰਜੀਨੀਅਰ ਦੀ ਅਟੁੱਟ ਭੂਮਿਕਾ
ਰੁਟੀਨ, ਘੱਟ ਜੋਖਮ
ਡਰਾਫਟ, ਆਟੋਮੇਸ਼ਨ, ਪਹਿਲਾ ਖਾਤਾ
ਸਮੀਖਿਆ
ਮੱਧਮ ਜੋਖਮ
ਵਿਕਲਪਕ, ਚੈਕਲਿਸਟ, ਸ਼ੁਰੂਆਤੀ ਵਿਸ਼ਲੇਸ਼ਣ
ਤਸਦੀਕ ਅਤੇ ਫੈਸਲਾ
ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ
ਸਿਰਫ਼ ਡਰਾਫਟ/ਦੂਜੀ ਅੱਖ
ਵਿਸ਼ਲੇਸ਼ਣ, ਟੈਸਟਿੰਗ, ਪ੍ਰਵਾਨਗੀ, ਦਸਤਖਤ, ਜ਼ਿੰਮੇਵਾਰੀ
ਨਾਜ਼ੁਕ ਸਿਧਾਂਤ: ਏਆਈ ਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਕਿੰਨਾ ਵੀ ਯਕੀਨਨ ਕਿਉਂ ਨਾ ਹੋਵੇ, ਇਹ ਇੱਕ ਪਰਿਕਲਪਨਾ ਅਤੇ ਇੱਕ ਬਲੂਪ੍ਰਿੰਟ ਹੈ। ਇੱਕ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਗਣਨਾ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਮਿਆਰੀ ਦਾ ਨਿਰੀਖਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੁਆਰਾ ਹਸਤਾਖਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਦਸਤਖਤ ਦਾ ਮਤਲਬ ਹੈ "ਮੈਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ ਅਤੇ ਮੈਂ ਇਸਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦਾ ਹਾਂ"; ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਇਹ ਬਿਆਨ ਨਹੀਂ ਕਰ ਸਕਦਾ।
ਸੁਝਾਅ: ਹਰ AI ਆਉਟਪੁੱਟ ਦੇ ਨਾਲ ਆਪਣੇ ਆਪ ਨੂੰ ਇਹ ਸਵਾਲ ਪੁੱਛੋ: "ਜੇ ਇਹ ਗਲਤ ਹੈ, ਤਾਂ ਕਿਸ ਨੂੰ ਨੁਕਸਾਨ ਹੁੰਦਾ ਹੈ ਅਤੇ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ?" ਜੇਕਰ ਜਵਾਬ ਹੈ "ਲੋਕਾਂ ਨੂੰ ਸੱਟ ਲੱਗੀ ਹੈ, ਮੈਂ ਜ਼ਿੰਮੇਵਾਰ ਹਾਂ", ਤਾਂ ਇਹ ਆਉਟਪੁੱਟ ਪੁਸ਼ਟੀਕਰਨ ਦੇ ਉੱਚੇ ਮਿਆਰ ਨੂੰ ਪਾਸ ਕੀਤੇ ਬਿਨਾਂ ਕਿਤੇ ਵੀ ਨਹੀਂ ਜਾਂਦੀ।
ਭਰਮ ਅਤੇ ਓਵਰ-ਆਤਮਾ ਦਾ ਜਾਲ
AI ਦੀ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਇਹ ਗਲਤ ਜਾਣਕਾਰੀ ਨੂੰ ਸਹੀ ਜਾਣਕਾਰੀ ਵਾਂਗ ਹੀ ਭਰੋਸੇ ਨਾਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਉਹ ਇੱਕ ਮਿਆਰੀ ਵਸਤੂ ਬਣਾ ਸਕਦਾ ਹੈ, ਇੱਕ ਗਲਤ ਸਮੱਗਰੀ ਮੁੱਲ ਦੇ ਸਕਦਾ ਹੈ, ਇੱਕ ਫਾਰਮੂਲਾ ਗਲਤ ਢੰਗ ਨਾਲ ਲਾਗੂ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਹ ਸਭ ਇੱਕ ਪ੍ਰਵਾਨਿਤ, ਪੇਸ਼ੇਵਰ ਭਾਸ਼ਾ ਵਿੱਚ ਲਿਖ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਤਮ-ਵਿਸ਼ਵਾਸ ਪੱਖਪਾਤ (ਆਟੋਮੇਸ਼ਨ ਪੱਖਪਾਤ; ਇੱਕ ਆਟੋਮੈਟਿਕ ਸਿਸਟਮ ਦੇ ਆਉਟਪੁੱਟ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਭਰੋਸਾ ਕਰਨ ਦੀ ਮਨੁੱਖੀ ਪ੍ਰਵਿਰਤੀ) ਨੂੰ ਇਸ ਵਿੱਚ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਖ਼ਤਰਾ ਵਧਦਾ ਹੈ: ਇੰਜੀਨੀਅਰ ਸਕ੍ਰੀਨ 'ਤੇ ਚੰਗੀ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਆਉਟਪੁੱਟ ਨੂੰ ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਸਵੀਕਾਰ ਕਰ ਸਕਦਾ ਹੈ। ਰੱਖਿਆਤਮਕਤਾ ਇੱਕ ਸੱਭਿਆਚਾਰਕ ਆਦਤ ਹੈ: AI ਆਉਟਪੁੱਟ ਨੂੰ "ਸ਼ਾਇਦ ਸੱਚ" ਦੀ ਬਜਾਏ "ਹੋਰ ਸਾਬਤ ਹੋਣ ਤੱਕ ਸ਼ੱਕੀ" ਵਜੋਂ ਦੇਖਣਾ।
ਸਾਵਧਾਨ: "AI ਭਰੋਸੇਮੰਦ ਲੱਗ ਰਿਹਾ ਸੀ" ਇੱਕ ਬਚਾਅ ਨਹੀਂ ਹੈ। "ਇਹ ਉਹੀ ਹੈ ਜੋ AI ਨੇ ਕਿਹਾ" ਦੁਰਘਟਨਾ ਦੀ ਜਾਂਚ, ਆਡਿਟ, ਜਾਂ ਮੁਕੱਦਮੇ ਵਿੱਚ ਕੋਈ ਬਹਾਨਾ ਨਹੀਂ ਹੈ; ਜਿੰਮੇਵਾਰੀ ਪ੍ਰਵਾਨਗੀ ਦੇਣ ਵਾਲੇ ਇੰਜੀਨੀਅਰ ਦੀ ਰਹਿੰਦੀ ਹੈ। ਏਆਈ ਬਾਰੇ ਇੱਕ ਇੰਟਰਨ ਵਾਂਗ ਸੋਚੋ ਜੋ ਕਦੇ ਵੀ ਜ਼ਿੰਮੇਵਾਰੀ ਸਾਂਝੀ ਨਹੀਂ ਕਰਦਾ ਪਰ ਕਈ ਵਾਰ ਬਹੁਤ ਗਲਤ ਹੋ ਜਾਂਦਾ ਹੈ: ਤੁਸੀਂ ਉਸਦੀ ਰਾਏ ਲੈਂਦੇ ਹੋ, ਤੁਸੀਂ ਕਦੇ ਵੀ ਉਸਦੇ ਕੰਮ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਦਸਤਖਤ ਨਹੀਂ ਕਰਦੇ.
ਗੋਪਨੀਯਤਾ, ਬੌਧਿਕ ਸੰਪੱਤੀ ਅਤੇ ਡੇਟਾ ਨੀਤੀ
ਦੂਜਾ ਸਭ ਤੋਂ ਵੱਡਾ ਜੋਖਮ ਨਿੱਜਤਾ ਹੈ। ਕਿਸੇ ਜਨਤਕ ਏਆਈ ਟੂਲ ਵਿੱਚ ਇੱਕ ਕੰਪਨੀ ਦੇ ਅਣਪਛਾਤੇ ਡਿਜ਼ਾਈਨ, ਗਾਹਕ ਦਾ ਡੇਟਾ, ਜਾਂ ਪ੍ਰਤੀਯੋਗੀ ਤੌਰ 'ਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਹੱਲ ਨੂੰ ਅਪਲੋਡ ਕਰਨਾ ਜਿਸਦੀ ਡੇਟਾ ਨੀਤੀ ਅਣਜਾਣ ਹੈ; ਬੌਧਿਕ ਜਾਇਦਾਦ ਦਾ ਨੁਕਸਾਨ, ਗੁਪਤਤਾ ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਹੋ ਸਕਦਾ ਹੈ। ਕੁਝ ਸਾਧਨ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਇਨਪੁਟਸ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ; ਤੁਹਾਡੇ ਦੁਆਰਾ ਅਪਲੋਡ ਕੀਤੀ ਗਈ ਗੁਪਤ ਜਿਓਮੈਟਰੀ ਕਿਸੇ ਹੋਰ ਦੇ ਸਾਹਮਣੇ ਹੋ ਸਕਦੀ ਹੈ। ਸਹੀ ਪਹੁੰਚ: ਕੰਪਨੀ ਦੀ ਡੇਟਾ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰਨਾ, ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ (ਪਛਾਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਹਟਾਉਣਾ ਅਤੇ ਇਸਨੂੰ ਜਨਤਕ ਫਾਰਮੈਟ ਵਿੱਚ ਰੱਖਣਾ), ਜਾਂ ਇੱਕ ਐਂਟਰਪ੍ਰਾਈਜ਼/ਅਲੱਗ-ਥਲੱਗ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਿੱਥੇ ਡੇਟਾ ਨਹੀਂ ਛੱਡਦਾ।
ਕਦਮ ਦਰ ਕਦਮ: ਸੁਰੱਖਿਅਤ ਅਤੇ ਨੈਤਿਕ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ
- ਜੋਖਮ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ। ਕੀ ਇਹ ਨੌਕਰੀ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹੈ, ਗਲਤੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਕੀ ਨਤੀਜੇ ਹਨ?
- ਗੋਪਨੀਯਤਾ 'ਤੇ ਗੌਰ ਕਰੋ। ਕੀ ਇਹ ਡੇਟਾ ਬਾਹਰ ਨਿਕਲ ਸਕਦਾ ਹੈ; ਨੀਤੀ ਕੀ ਕਹਿੰਦੀ ਹੈ?
- ਅਗਿਆਤ ਬਣਾਓ ਜਾਂ ਅਲੱਗ-ਥਲੱਗ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਹਟਾਓ।
- AI ਨੂੰ ਡਰਾਫਟ/ਦੂਜੀ ਅੱਖ ਵਜੋਂ ਵਰਤੋ। ਇਹ ਮਨਜ਼ੂਰੀ ਨਹੀਂ ਹੈ, ਇਹ ਇਨਪੁਟ ਹੈ।
- ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕਰੋ. ਪ੍ਰਜਨਨ, ਮਿਆਰੀ, ਟੈਸਟਿੰਗ.
- ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਮਨਜ਼ੂਰੀ ਅਤੇ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ। ਜ਼ਿੰਮੇਵਾਰੀ ਸੌਂਪੀ ਨਹੀਂ ਜਾ ਸਕਦੀ; ਇੱਕ ਟਰੇਸਬਿਲਟੀ ਰਿਕਾਰਡ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।
ਜੋਖਮ ਅਤੇ ਗੋਪਨੀਯਤਾ ਮੁਲਾਂਕਣ ਪ੍ਰੋਂਪਟ
ਭੂਮਿਕਾ: ਇੰਜੀਨੀਅਰਿੰਗ ਨੈਤਿਕਤਾ ਅਤੇ ਜੋਖਮ ਪ੍ਰਬੰਧਨ ਸਲਾਹਕਾਰ। ਕੰਮ: ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕਤਾ ਅਤੇ ਗੁਪਤਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੀ ਨੌਕਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ। ਨੌਕਰੀ: [ਨੌਕਰੀ ਦਾ ਵੇਰਵਾ; ਗਲਤੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸੰਭਵ ਨਤੀਜਾ; ਸ਼ੇਅਰ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਡੇਟਾ ਦੀ ਕਿਸਮ]। ਆਉਟਪੁੱਟ:- ਜੋਖਮ ਸ਼੍ਰੇਣੀ (ਰੁਟੀਨ / ਮਾਧਿਅਮ / ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ) ਅਤੇ ਜਾਇਜ਼ਤਾ- ਮੈਂ ਇਸ ਨੌਕਰੀ ਵਿੱਚ AI ਨੂੰ ਕੀ ਕਰ ਸਕਦਾ ਹਾਂ, ਮੈਂ ਕੀ ਨਹੀਂ ਕਰ ਸਕਦਾ- ਕੀ ਇੱਕ ਗੋਪਨੀਯਤਾ ਜੋਖਮ ਹੈ; ਕੀ ਡਾਟਾ ਅਗਿਆਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ; ਕੀ ਇੱਕ ਅਲੱਗ ਵਾਹਨ ਦੀ ਲੋੜ ਹੈ? ਨਿਯਮ: ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਅੰਤਮ ਮਨਜ਼ੂਰੀ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਰਹਿੰਦੀ ਹੈ।
ਅਗਿਆਤਕਰਨ ਪ੍ਰੋਂਪਟ
ਮੈਂ AI ਨੂੰ ਡਿਜ਼ਾਈਨ ਸਮੱਸਿਆ ਬਾਰੇ ਪੁੱਛਣ ਜਾ ਰਿਹਾ ਹਾਂ, ਪਰ ਮੈਂ ਕੰਪਨੀ ਦੀ ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦਾ। ਹੇਠਾਂ ਦਿੱਤੇ ਸੰਦਰਭ ਨੂੰ ਅਗਿਆਤ ਕਰੋ: ਕੰਪਨੀ ਦਾ ਨਾਮ, ਉਤਪਾਦ ਦਾ ਨਾਮ, ਗਾਹਕ ਅਤੇ ਵਰਣਨਯੋਗ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਛੱਡ ਦਿਓ; ਸਮੱਸਿਆ ਨੂੰ ਆਮ ਇੰਜਨੀਅਰਿੰਗ ਸ਼ਬਦਾਂ ਵਿੱਚ ਦੁਬਾਰਾ ਲਿਖੋ ਤਾਂ ਕਿ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਲੀਕ ਨਾ ਹੋਵੇ ਪਰ ਤਕਨੀਕੀ ਕੋਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਜਾਵੇ। ਪ੍ਰਸੰਗ: [ਟੈਕਸਟ]
ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਪ੍ਰੋਂਪਟ
ਇੱਕ ਸੁਤੰਤਰ ਸਮੀਖਿਅਕ ਵਜੋਂ ਇਸ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਖਾਤੇ ਦੀ ਜਾਂਚ ਕਰੋ, ਮੇਰੇ ਨਾਲ ਕਦੇ ਵੀ ਸ਼ਾਮਲ ਨਾ ਹੋਵੋ। ਪ੍ਰਸ਼ਨ ਫਾਰਮੂਲਾ, ਇਕਾਈ, ਧਾਰਨਾ ਅਤੇ ਮਿਆਰੀ ਪਾਲਣਾ। ਇੱਕ ਸੁਤੰਤਰ ਢੰਗ ਨਾਲ ਨਤੀਜਾ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ ਅਤੇ ਅੰਤਰ ਦਿਖਾਓ। ਹਰੇਕ ਖੋਜ ਲਈ, ਲਿਖੋ "ਮੈਂ ਇਸਨੂੰ ਕਿਵੇਂ ਸਾਬਤ/ਜਾਂਚ ਕਰਾਂ?" ਨਿਯਮ: ਤੁਸੀਂ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰ ਸਕਦੇ; ਸਿਰਫ਼ ਜਾਂਚੇ ਜਾਣ ਵਾਲੇ ਪੁਆਇੰਟ ਹੀ ਹਟਾਓ।[ਖਾਤਾ]
ਜ਼ਿੰਮੇਵਾਰੀ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਪ੍ਰੋਂਪਟ
ਇਸ ਡਿਜ਼ਾਇਨ ਫੈਸਲੇ ਲਈ ਡਰਾਫਟ ਟਰੇਸੇਬਿਲਟੀ/ਫੈਸਲਾ ਰਿਕਾਰਡ ਲਿਖੋ। ਖੇਤਰ: ਫੈਸਲਾ, ਆਧਾਰ (ਗਣਨਾ/ਮਿਆਰੀ/ਟੈਸਟ), AI ਯੋਗਦਾਨ (ਡਰਾਫਟ?), ਸੁਤੰਤਰ ਤਸਦੀਕ ਵਿਧੀ, ਮਨਜ਼ੂਰੀ ਇੰਜੀਨੀਅਰ, ਮਿਤੀ, ਦਸਤਖਤ ਖੇਤਰ। ਨਿਯਮ: ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ AI ਯੋਗਦਾਨ ਨੂੰ “ਡਰਾਫਟ/ਸਹਾਇਤਾ” ਵਜੋਂ ਲੇਬਲ ਕਰੋ; ਪੁਸ਼ਟੀਕਰਨ ਖੇਤਰ ਨੂੰ ਖਾਲੀ ਛੱਡੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਕੀ ਇਹ ਐਲੀਵੇਟਰ ਬ੍ਰੇਕ ਡਿਜ਼ਾਈਨ ਸੁਰੱਖਿਅਤ ਹੈ, ਪੁਸ਼ਟੀ ਕਰੋ।
AI ਸੁਰੱਖਿਆ ਕਲੀਅਰੈਂਸ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਨਾ ਹੀ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ; ਜੇਕਰ ਉਹ "ਸੁਰੱਖਿਅਤ" ਕਹਿੰਦਾ ਹੈ ਤਾਂ ਇਹ ਗੁੰਮਰਾਹਕੁੰਨ ਅਤੇ ਖ਼ਤਰਨਾਕ ਹੈ ਕਿਉਂਕਿ ਉਹ ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਚੁੱਕ ਸਕਦਾ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਇੱਕ ਸੁਤੰਤਰ ਸਮੀਖਿਅਕ ਵਜੋਂ ਇਸ ਬ੍ਰੇਕ ਗਣਨਾ ਦੀ ਸਮੀਖਿਆ ਕਰੋ; ਭਾਗੀਦਾਰੀ, ਕਮਜ਼ੋਰੀਆਂ ਅਤੇ ਧਾਰਨਾਵਾਂ ਜਿਨ੍ਹਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਨਤੀਜੇ ਨੂੰ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ ਅਤੇ ਅੰਤਰ ਦਿਖਾਓ। ਜਾਣੋ ਕਿ ਮੇਰੇ ਕੋਲ ਮਨਜ਼ੂਰੀ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ; ਤੁਸੀਂ ਸਿਰਫ਼ ਚੈਕਪੁਆਇੰਟਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।
ਦੂਜੀ ਪ੍ਰੋਂਪਟ ਸਥਿਤੀ AI ਨੂੰ ਨਾਜ਼ੁਕ ਨਿਯੰਤਰਣ ਦੇ ਇੱਕ ਸਾਧਨ ਵਜੋਂ, ਨਾ ਕਿ ਪ੍ਰਵਾਨਗੀ ਦੇ ਅਧਿਕਾਰ ਵਜੋਂ; ਇੰਜੀਨੀਅਰ 'ਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਰੱਖਦਾ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ (ਨੰਬਰਾਂ ਦੁਆਰਾ)
ਕੇਸ 1 - ਹਸਤਾਖਰ ਕਰਨ ਵਾਲੀ ਦੇਣਦਾਰੀ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਇੱਕ ਲਿਫਟਿੰਗ ਹੁੱਕ ਗਣਨਾ ਦੀ ਵਰਤੋਂ ਕਰੇਗਾ ਜੋ AI ਨੇ 2 ਘੰਟਿਆਂ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਹੁੱਕ 2 ਟਨ ਚੁੱਕੇਗਾ; ਟੁੱਟਣਾ ਘਾਤਕ ਹੋਵੇਗਾ। ਇੰਜੀਨੀਅਰ ਗਣਨਾ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਕਰਦਾ ਹੈ, AI ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ 1.8 ਦੀ ਬਜਾਏ ਸਟੈਂਡਰਡ ਦੁਆਰਾ ਲੋੜੀਂਦੇ ≥ 4 ਹੋਣ ਲਈ ਸੁਰੱਖਿਆ ਕਾਰਕ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ, ਅਤੇ ਜਿਓਮੈਟਰੀ ਨੂੰ ਵੱਡਾ ਕਰਦਾ ਹੈ। AI ਦਾ ਨੰਬਰ "ਵਾਜਬ ਜਾਪਦਾ ਸੀ" ਪਰ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕਰਦਾ ਸੀ। ਉਹ ਤਸਦੀਕ ਤੋਂ ਬਾਅਦ ਹੀ ਦਸਤਖਤ ਕਰਦਾ ਹੈ। ਪਾਠ: ਮਨਜ਼ੂਰੀ ਅਤੇ ਸੁਰੱਖਿਆ ਕਾਰਕ ਦੇ ਫੈਸਲੇ ਦਾ ਤਬਾਦਲਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਕੇਸ 2 - ਲੀਕ ਡਿਜ਼ਾਇਨ। ਇੱਕ ਇੰਟਰਨ ਕੰਪਨੀ ਤੋਂ ਇੱਕ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਏਆਈ ਟੂਲ ਵਿੱਚ ਇੱਕ ਨਵਾਂ, ਅਣਪੱਤਰ ਰਹਿਤ ਵਿਧੀ ਲੋਡ ਕਰਦਾ ਹੈ ਅਤੇ ਕਹਿੰਦਾ ਹੈ "ਅਨੁਕੂਲ ਬਣਾਓ।" ਟੂਲ ਦੀ ਡੇਟਾ ਪਾਲਿਸੀ ਇਨਪੁਟਸ ਨੂੰ ਸਟੋਰ ਕਰਦੀ ਹੈ ਅਤੇ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਕੰਪਨੀ ਨੂੰ ਇਸ ਗੱਲ ਦਾ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਕਾਨੂੰਨੀ ਟੀਮ ਅੰਦਰ ਆਉਂਦੀ ਹੈ; ਪੇਟੈਂਟ ਰਣਨੀਤੀ ਬੌਧਿਕ ਸੰਪੱਤੀ ਦੇ ਜੋਖਮ ਕਾਰਨ ਪੀੜਤ ਹੈ. ਸਹੀ ਤਰੀਕਾ ਸੀ ਕਿ ਵਿਧੀ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ ਜਾਂ ਕਾਰਪੋਰੇਟ ਅਲੱਗ-ਥਲੱਗ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਸਬਕ: ਗੁਪਤ ਡਿਜ਼ਾਈਨ ਨੀਤੀ ਅਣਜਾਣ ਵਾਹਨ ਦਾਖਲ ਨਾ ਕਰੋ.
ਕੇਸ 3 - ਅਗਿਆਤਕਰਨ ਬਚਾਉਂਦਾ ਹੈ। ਇੱਕ ਇੰਜੀਨੀਅਰ AI ਨਾਲ ਇੱਕ ਗਾਹਕ ਲਈ ਇੱਕ ਖਾਸ ਰੀਡਿਊਸਰ ਸਮੱਸਿਆ ਬਾਰੇ ਚਰਚਾ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ, ਪਰ ਗਾਹਕ ਅਤੇ ਉਤਪਾਦ ਗੁਪਤ ਹਨ। ਇਹ ਸੰਦਰਭ ਨੂੰ ਅਗਿਆਤ ਕਰਦਾ ਹੈ: ਕੰਪਨੀ/ਉਤਪਾਦ ਦੇ ਨਾਮ, ਵਰਣਨਯੋਗ ਮਾਪਾਂ ਨੂੰ ਹਟਾਉਂਦਾ ਹੈ ਅਤੇ ਸਮੱਸਿਆ ਨੂੰ "ਦਿੱਤਾ ਗਿਆ ਗੇਅਰ ਅਨੁਪਾਤ ਅਤੇ ਟਾਰਕ ਲਈ ਇੱਕ ਆਮ ਰੀਡਿਊਸਰ" ਵਜੋਂ ਦੁਬਾਰਾ ਲਿਖਦਾ ਹੈ। ਇਹ ਤਕਨੀਕੀ ਤੱਤ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ, ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨੂੰ ਲੀਕ ਕੀਤੇ ਬਿਨਾਂ AI ਦਾ ਲਾਭ ਉਠਾਉਂਦਾ ਹੈ। ਸਬਕ: ਗੁਪਤਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿਚਕਾਰ ਗੁਮਨਾਮਤਾ ਸੁਰੱਖਿਅਤ ਮਾਰਗ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- AI ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਾ ਅਧਿਕਾਰ ਦੇਣਾ: "ਕੀ ਇਹ ਸੁਰੱਖਿਅਤ ਹੈ, ਮਨਜ਼ੂਰ ਕਰੋ" ਕਹਿਣਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਸੌਂਪਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ।
- ਓਵਰਫਿਡੈਂਸ (ਆਟੋਮੇਸ਼ਨ ਪੱਖਪਾਤ): ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਪ੍ਰੇਰਕ ਆਉਟਪੁੱਟ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ।
- ਜਨਤਕ ਟੂਲ 'ਤੇ ਗੁਪਤ ਡੇਟਾ ਅਪਲੋਡ ਕਰਨਾ: ਨੀਤੀ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਡਿਜ਼ਾਈਨ/ਗਾਹਕ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ।
- ਅਗਿਆਤਕਰਨ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ: ਪਛਾਣ ਕਰਨ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਹਟਾਏ ਬਿਨਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਸਮੱਸਿਆ ਨੂੰ ਪੁੱਛਣਾ।
- ਟਰੇਸੇਬਿਲਟੀ ਰਿਕਾਰਡ ਨਾ ਰੱਖਣਾ: AI ਯੋਗਦਾਨ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ ਬਣਾਉਣਾ।
- ਸੁਰੱਖਿਆ ਦੇ ਕਾਰਕ ਨੂੰ ਘੱਟ ਸਮਝਣਾ: AI ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਘੱਟ ਮੁੱਲ ਦੇ ਨਾਲ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਪਾਰ ਕਰਨਾ।
ਸੰਖੇਪ ਵਿੱਚ
- ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਕੰਮ ਵਿੱਚ, AI ਇੱਕ ਬਲੂਪ੍ਰਿੰਟ ਅਤੇ ਦੂਜੀ ਅੱਖ ਹੋ ਸਕਦੀ ਹੈ; ਪ੍ਰਵਾਨਗੀ, ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਹੈ।
- AI ਗਲਤ ਨੂੰ ਸਹੀ ਦੇ ਰੂਪ ਵਿੱਚ ਯਕੀਨਨ ਪੇਸ਼ ਕਰਦਾ ਹੈ; "ਹੋਰ ਸਾਬਤ ਹੋਣ ਤੱਕ ਸ਼ੱਕੀ" ਰਵੱਈਆ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਸ਼ਵਾਸ ਪੱਖਪਾਤ ਦੇ ਵਿਰੁੱਧ ਜ਼ਰੂਰੀ ਹੈ।
- "AI ਭਰੋਸੇਮੰਦ ਲੱਗ ਰਿਹਾ ਸੀ" ਕੋਈ ਕਾਨੂੰਨੀ ਜਾਂ ਨੈਤਿਕ ਬਚਾਅ ਨਹੀਂ ਹੈ; ਜਿੰਮੇਵਾਰੀ ਪ੍ਰਵਾਨਗੀ ਦੇਣ ਵਾਲੇ ਦੀ ਰਹਿੰਦੀ ਹੈ।
- ਗੁਪਤ ਡਿਜ਼ਾਈਨ, ਗਾਹਕ ਡੇਟਾ ਅਤੇ ਅਣਪਛਾਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਅਣਜਾਣ ਵਾਹਨਾਂ 'ਤੇ ਅਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਗੁਮਨਾਮ ਬਣਾਓ ਜਾਂ ਅਲੱਗ-ਥਲੱਗ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਖਾਤਾ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਮਿਆਰ ਦੇ ਅਨੁਸਾਰ ਨਿਰੀਖਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਹਸਤਾਖਰ ਕਰਕੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲਈ ਜਾਂਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਕੋਈ ਅਜਿਹੀ ਨੌਕਰੀ ਚੁਣੋ ਜੋ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹੋਵੇ (ਲਿਫਟ ਐਲੀਮੈਂਟ, ਪ੍ਰੈਸ਼ਰ ਕੰਪੋਨੈਂਟ, ਬ੍ਰੇਕ ਜਾਂ ਸਹਾਇਕ ਬਣਤਰ)। ਪਹਿਲਾਂ ਜੋਖਮ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਕੰਮ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ: ਗਲਤੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਨਤੀਜਾ ਕੀ ਹੁੰਦਾ ਹੈ, ਕਿਹੜਾ ਡੇਟਾ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ? ਕੀ AI ਨੂੰ ਇਸ ਨੌਕਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਅਤੇ "ਮੈਂ ਕੀ ਕਰ ਸਕਦਾ ਹਾਂ ਅਤੇ ਕੀ ਨਹੀਂ ਕਰ ਸਕਦਾ?" ਦੀ ਇੱਕ ਸੂਚੀ ਬਣਾਓ। ਇੱਕ ਸੰਦਰਭ ਨੂੰ ਗੁਮਨਾਮ ਬਣਾਓ ਜੋ ਤੁਸੀਂ ਸਾਂਝਾ ਕਰੋਗੇ (ਕੰਪਨੀ/ਉਤਪਾਦ/ਗਾਹਕ ਜਾਣਕਾਰੀ ਨੂੰ ਹਟਾਓ)। ਫਿਰ ਇੱਕ ਅਕਾਉਂਟ ਆਡਿਟ ਕਰਵਾਓ, ਸਿਰਫ ਇੱਕ ਨਾਜ਼ੁਕ ਜਾਂਚ ਟੂਲ ਵਜੋਂ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਪਰ ਇੱਕ ਸੁਤੰਤਰ ਵਿਧੀ ਦੁਆਰਾ ਆਪਣੇ ਆਪ ਨਤੀਜੇ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰੋ ਅਤੇ ਸੰਬੰਧਿਤ ਮਿਆਰ ਨਾਲ ਸੁਰੱਖਿਆ ਦੇ ਕਾਰਕ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਟਰੇਸੇਬਿਲਟੀ/ਫੈਸਲਾ ਰਿਕਾਰਡ ਤਿਆਰ ਕਰੋ; AI ਯੋਗਦਾਨ ਨੂੰ “ਡਰਾਫਟ/ਸਹਾਇਕ” ਵਜੋਂ ਲੇਬਲ ਕਰੋ ਅਤੇ ਯੋਗਤਾ ਪ੍ਰਾਪਤ ਇੰਜੀਨੀਅਰ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦੇ ਖੇਤਰ ਨੂੰ ਛੱਡ ਦਿਓ।
ਚੈੱਕਲਿਸਟ
- ਨੌਕਰੀ ਦਾ ਮੁਲਾਂਕਣ ਜੋਖਮ ਸ਼੍ਰੇਣੀ (ਰੁਟੀਨ/ਮੱਧਮ/ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ) ਦੇ ਅਨੁਸਾਰ ਕੀਤਾ ਗਿਆ ਸੀ।
- ਗੁਪਤਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਗਿਆ; ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਗੁਮਨਾਮ ਜਾਂ ਅਲੱਗ-ਥਲੱਗ ਟੂਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
- [ ] AI ਨੂੰ ਇੱਕ ਡਰਾਫਟ/ਦੂਜੀ ਅੱਖ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਸੀ, ਨਾ ਕਿ ਪ੍ਰਵਾਨਗੀ ਅਥਾਰਟੀ।
- ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਗਣਨਾ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਮਿਆਰ ਦੇ ਵਿਰੁੱਧ ਆਡਿਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਸੁਰੱਖਿਆ ਗੁਣਾਂਕ ਦੀ ਤੁਲਨਾ ਸੰਬੰਧਿਤ ਮਿਆਰ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ।
- [ ] ਟਰੇਸੇਬਿਲਟੀ/ਫੈਸਲੇ ਦਾ ਰਿਕਾਰਡ ਰੱਖਿਆ ਗਿਆ; ਪ੍ਰਵਾਨਗੀ, ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਕਾਬਲ ਇੰਜੀਨੀਅਰ 'ਤੇ ਛੱਡ ਦਿੱਤੀ ਗਈ ਸੀ।
ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ
1. CAD ਅਤੇ ਡਿਜ਼ਾਈਨ ਵਰਕਫਲੋ ਵਿੱਚ AI ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਸਭ ਤੋਂ ਯਥਾਰਥਵਾਦੀ ਅਤੇ ਸੁਰੱਖਿਅਤ ਭੂਮਿਕਾ ਹੈ?
- A) ਸਹਾਇਕ ਭੂਮਿਕਾਵਾਂ ਜਿਵੇਂ ਕਿ ਡਿਜ਼ਾਈਨ ਵਿਕਲਪਾਂ ਦਾ ਸੁਝਾਅ ਦੇਣਾ ਅਤੇ ਪੈਰਾਮੀਟ੍ਰਿਕ ਸਕ੍ਰਿਪਟਾਂ/ਮੈਕਰੋਜ਼ ਬਣਾਉਣਾ ✔
- ਅ) ਆਟੋਮੈਟਿਕ ਸਥਿਰ ਅਤੇ ਤਾਕਤ ਦੀ ਪ੍ਰਵਾਨਗੀ
- C) ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ ਤੋਂ ਬਿਨਾਂ ਡਿਜ਼ਾਈਨ ਨੂੰ ਸਿੱਧੇ ਉਤਪਾਦਨ ਲਈ ਭੇਜਣਾ
- ਡੀ) ਇੰਜੀਨੀਅਰ ਤੋਂ ਹਸਤਾਖਰ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਅਧਿਕਾਰ ਲੈਣਾ
ਵਰਣਨ: AI ਸਹਾਇਕ ਕੰਮਾਂ ਜਿਵੇਂ ਕਿ ਡਿਜ਼ਾਈਨ ਵਿਕਲਪਾਂ ਦਾ ਸੁਝਾਅ ਦੇਣਾ, ਪੈਰਾਮੀਟ੍ਰਿਕ ਸਕ੍ਰਿਪਟਾਂ/ਮੈਕਰੋ ਬਣਾਉਣਾ, ਡਰਾਫਟ ਸਮੱਗਰੀ ਅਤੇ ਮੈਟਾਡੇਟਾ (ਵਿਭਿੰਨ ਸੋਚ) ਵਿੱਚ ਮਜ਼ਬੂਤ ਹੈ। ਅੰਤਮ ਜਿਓਮੈਟਰੀ, ਸਹਿਣਸ਼ੀਲਤਾ, ਤਾਕਤ ਦੀ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਉਤਪਾਦਨ ਨੂੰ ਭੇਜਣ ਦਾ ਫੈਸਲਾ (ਕਨਵਰਜੈਂਟ ਫੈਸਲਾ) ਇੰਜੀਨੀਅਰ ਕੋਲ ਰਹਿੰਦਾ ਹੈ।
2. AI ਨੇ ਸਮੱਗਰੀ ਲਈ 'ਉਪਜ ਤਾਕਤ 250 MPa' ਦਾ ਮੁੱਲ ਦਿੱਤਾ ਹੈ। ਡਿਜ਼ਾਈਨ ਦੇ ਆਧਾਰ ਵਜੋਂ ਇਸ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਤੁਹਾਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ?
- A) ਮੁੱਲ ਨੂੰ ਸਿੱਧੇ ਖਾਤੇ ਵਿੱਚ ਪਾਉਣਾ ਕਿਉਂਕਿ AI ਅੱਪ ਟੂ ਡੇਟ ਹੈ
- ਅ) ਨਿਰਮਾਤਾ ਦੀ ਡੇਟਾ ਸ਼ੀਟ ਜਾਂ ਸਮੱਗਰੀ ਦੇ ਮਿਆਰ ਤੋਂ ਮੁੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
- C) ਮੁੱਲ ਨੂੰ ਗੋਲ ਕਰਨਾ ਅਤੇ ਇਹ ਮੰਨਣਾ ਕਿ ਇਹ ਸੁਰੱਖਿਅਤ ਪਾਸੇ ਹੈ
- D) ਇੱਕ ਬੇਤਰਤੀਬ ਸੁਰੱਖਿਆ ਕਾਰਕ ਸ਼ਾਮਲ ਕਰੋ ਅਤੇ ਪਾਸ ਕਰੋ
ਵਰਣਨ: AI ਅੰਦਾਜ਼ਨ, ਅਨੁਮਾਨਿਤ, ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਕਲੀ (ਭ੍ਰਮ) ਪਦਾਰਥਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਕਰ ਸਕਦਾ ਹੈ; ਇਸਦਾ ਮੁੱਲ ਉਸੇ ਸਮੱਗਰੀ ਦੇ ਗੁੱਸੇ/ਗਰਮੀ ਦੇ ਇਲਾਜ ਦੀ ਸਥਿਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਨਿਰਮਾਤਾ ਦੀ ਡੇਟਾਸ਼ੀਟ ਜਾਂ ਸੰਬੰਧਿਤ ਸਮੱਗਰੀ ਦੇ ਮਿਆਰ ਤੋਂ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਮੁੱਲ ਨੂੰ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
3. ਐਸ਼ਬੀ (ਪਦਾਰਥ ਦੀ ਚੋਣ) ਡਾਇਗ੍ਰਾਮ ਮੁੱਖ ਤੌਰ 'ਤੇ ਕਿਸ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ?
- ਏ) ਹਿੱਸੇ ਦੀ ਸਹੀ ਉਤਪਾਦਨ ਲਾਗਤ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ
- ਅ) ਇੱਕ ਸਪਲਾਇਰ ਕੀਮਤ ਸੂਚੀ ਬਣਾਉਣ ਲਈ
- C) ਪਦਾਰਥਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਜਿਵੇਂ ਕਿ ਤਾਕਤ-ਘਣਤਾ) ਦੀ ਤੁਲਨਾ ਕਰਨ ਅਤੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ✔
- ਡੀ) ਭਾਗ ਸਹਿਣਸ਼ੀਲਤਾ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ
ਵਰਣਨ: ਐਸ਼ਬੀ ਡਾਇਗ੍ਰਾਮ ਧੁਰਿਆਂ 'ਤੇ ਦੋ ਪਦਾਰਥਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਉਦਾਹਰਨ ਲਈ ਤਾਕਤ-ਘਣਤਾ, ਮਾਡਿਊਲਸ-ਆਫ-ਲਚਕੀਲੇਪਨ) ਰੱਖ ਕੇ ਸਮੱਗਰੀ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂਕ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮੀਦਵਾਰਾਂ ਦੇ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਸਮੂਹ ਦੀ ਕਲਪਨਾ ਕਰਦੇ ਹਨ। ਇਹ ਸਹੀ ਲਾਗਤ, ਸਹਿਣਸ਼ੀਲਤਾ ਜਾਂ ਸਪਲਾਈ ਕੀਮਤ ਨਿਰਧਾਰਤ ਕਰਨ ਦਾ ਇਰਾਦਾ ਨਹੀਂ ਹੈ।
4. AI ਨੇ ਤਣਾਅ ਦੀ ਗਣਨਾ ਦਿੱਤੀ ਪਰ ਤੁਸੀਂ ਇਕਾਈ ਦੀ ਇਕਸਾਰਤਾ ਬਾਰੇ ਯਕੀਨੀ ਨਹੀਂ ਹੋ। ਅਯਾਮੀ (ਯੂਨਿਟ) ਵਿਸ਼ਲੇਸ਼ਣ ਮੁੱਖ ਤੌਰ 'ਤੇ ਕੀ ਹਾਸਲ ਕਰਦਾ ਹੈ?
- A) ਪਾਠ ਵਿੱਚ ਸਪੈਲਿੰਗ ਗਲਤੀਆਂ
- ਬੀ) ਗ੍ਰਾਫਿਕਸ ਵਿੱਚ ਰੰਗ ਦੀਆਂ ਗਲਤੀਆਂ
- C) ਆਉਟਪੁੱਟ ਫਾਇਲ ਦਾ ਆਕਾਰ
- D) ਸਮੀਕਰਨ ਦੇ ਦੋ ਪਾਸਿਆਂ ਦੀ ਇਕਾਈ ਅਸੰਗਤਤਾ ਅਤੇ ਰੂਪਾਂਤਰਨ ਤਰੁਟੀਆਂ ✔
ਵਰਣਨ: ਅਯਾਮੀ (ਯੂਨਿਟ) ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਸਮੀਕਰਨ ਦੇ ਦੋਵੇਂ ਪਾਸਿਆਂ ਦੀਆਂ ਇਕਾਈਆਂ ਇਕਸਾਰ ਹਨ; ਉਦਾਹਰਨ ਲਈ, ਤਣਾਅ ਲਈ, ਨਤੀਜਾ N/m² = Pa ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਇਕਾਈਆਂ ਮੇਲ ਨਹੀਂ ਖਾਂਦੀਆਂ, ਤਾਂ ਫਾਰਮੂਲੇ ਜਾਂ ਰੂਪਾਂਤਰਣ ਵਿੱਚ ਇੱਕ ਤਰੁੱਟੀ ਹੈ। ਇਹ ਕਿਸਮ, ਰੰਗ ਜਾਂ ਫਾਈਲ ਆਕਾਰ ਬਾਰੇ ਨਹੀਂ ਹੈ।
5. ਇੱਕ ਥਰਮਲ ਕੈਲਕੂਲੇਸ਼ਨ ਵਿੱਚ, AI ਨੇ ਕਿਹਾ ਕਿ ਇੱਕ 5 kW ਦਾ ਹੀਟਰ 2 ਸਕਿੰਟਾਂ ਵਿੱਚ 1 ਲੀਟਰ ਪਾਣੀ ਨੂੰ 20°C ਤੱਕ ਗਰਮ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਪਹਿਲਾ ਜਵਾਬ ਕੀ ਹੈ?
- A) ਊਰਜਾ ਦੀ ਸੰਭਾਲ ਅਤੇ ਤੀਬਰਤਾ ਦੇ ਕ੍ਰਮ ਨਾਲ ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਅਤੇ ਅਸਵੀਕਾਰ ਕਰਨਾ ✔
- ਅ) ਨਤੀਜੇ ਨੂੰ ਹੋਰ ਦਸ਼ਮਲਵ ਸਥਾਨਾਂ ਨਾਲ ਲਿਖਣਾ ਅਤੇ ਇਸਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ
- C) AI ਨੂੰ ਪੁੱਛੋ 'ਕੀ ਤੁਹਾਨੂੰ ਯਕੀਨ ਹੈ?' ਅਤੇ 'ਹਾਂ' ਦੇ ਜਵਾਬ ਨਾਲ ਸੰਤੁਸ਼ਟ ਹੋਵੋ
- D) ਸਵਾਲ ਨੂੰ ਮਿਟਾਓ, ਇਸਨੂੰ ਸ਼ੁਰੂ ਤੋਂ ਪੁੱਛੋ ਅਤੇ ਪਹਿਲਾ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰੋ
ਵਰਣਨ: ਤਤਕਾਲ ਤਸਦੀਕ ਸਵੱਛਤਾ ਜਾਂਚ ਅਤੇ ਊਰਜਾ ਸੰਭਾਲ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: 1 ਕਿਲੋਗ੍ਰਾਮ ਪਾਣੀ ਨੂੰ 20 ਡਿਗਰੀ ਸੈਲਸੀਅਸ ਤੱਕ ਗਰਮ ਕਰਨ ਲਈ ਲਗਭਗ 84 kJ ਲੱਗਦਾ ਹੈ; 5 kW ਨਾਲ ਇਹ ~ 17 ਸਕਿੰਟ ਲੈਂਦਾ ਹੈ, 2 ਸਕਿੰਟ ਨਹੀਂ। ਨਤੀਜਾ ਗੈਰ-ਭੌਤਿਕ ਹੈ ਅਤੇ ਬਿਨਾਂ ਪੁਸ਼ਟੀ ਕੀਤੇ ਸਵੀਕਾਰ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
6. ਇੱਕ FEA ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ AI ਦੀ ਵਿਆਖਿਆ ਕੀਤੇ ਤਣਾਅ ਦੇ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਜਾਂਚ ਕੀ ਹੈ?
- A) ਰੰਗੀਨ ਤਣਾਅ ਦਾ ਨਕਸ਼ਾ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ 'ਚੰਗਾ' ਲੱਗਦਾ ਹੈ
- ਅ) ਜਾਲ ਦੀ ਸੁਤੰਤਰਤਾ, ਸੀਮਾ ਸਥਿਤੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਤੁਲਨਾ ਦੁਆਰਾ ਪੁਸ਼ਟੀਕਰਨ ✔
- ਸੀ) ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਹੱਲ ਨੂੰ ਪੂਰਾ ਕਰਨਾ
- D) AI ਕਹਿੰਦਾ ਹੈ 'ਨਤੀਜਾ ਸੁਰੱਖਿਅਤ ਹੈ'
ਵਰਣਨ: FEA ਨਤੀਜਾ ਜਾਲ ਦੀ ਘਣਤਾ, ਸੀਮਾ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਸਮੱਗਰੀ ਪਰਿਭਾਸ਼ਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਸਿੱਟਾ; ਜਾਲ ਦੀ ਸੁਤੰਤਰਤਾ (ਜਦੋਂ ਜਾਲ ਨੂੰ ਕੱਸਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਨਤੀਜਾ ਨਹੀਂ ਬਦਲਦਾ) ਨੂੰ ਸੀਮਾ ਸਥਿਤੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਅਤੇ, ਜੇ ਸੰਭਵ ਹੋਵੇ, ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪਹੁੰਚ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
7. FEA ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਤਿੱਖੇ ਅੰਦਰੂਨੀ ਕੋਨੇ ਵਿੱਚ ਜਾਲ ਸੰਘਣਾ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਣਾਅ ਦਾ ਮੁੱਲ ਲਗਾਤਾਰ ਵਧਦਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸਥਿਤੀ ਜਿਆਦਾਤਰ ਕੀ ਦਰਸਾਉਂਦੀ ਹੈ?
- ਏ) ਸਮੱਗਰੀ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਨੁਕਸਦਾਰ ਹੈ
- ਅ) ਇੱਕ ਸੈਂਸਰ ਮਾਪ ਗਲਤੀ ਹੈ
- ਸੀ) ਤਿੱਖੇ ਕੋਨੇ 'ਤੇ ਨਕਲੀ (ਇਕਵਚਨ) ਤਣਾਅ ਦੀ ਇਕਾਗਰਤਾ; ਕੋਨੇ ਦੇ ਘੇਰੇ ਨੂੰ ਮਾਡਲ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
- ਡੀ) ਹੱਲ ਹਮੇਸ਼ਾ ਸੁਰੱਖਿਅਤ ਪਾਸੇ ਹੁੰਦਾ ਹੈ
ਵਿਆਖਿਆ: ਆਦਰਸ਼ ਤਿੱਖਾ (ਜ਼ੀਰੋ ਰੇਡੀਅਸ) ਅੰਦਰੂਨੀ ਕੋਨਾ ਲਚਕੀਲੇ ਸਿਧਾਂਤ ਵਿੱਚ ਇੱਕ ਇਕਵਚਨ ਬਿੰਦੂ ਹੈ; ਜਿਵੇਂ ਕਿ ਜਾਲ ਸੰਘਣਾ ਹੁੰਦਾ ਜਾਂਦਾ ਹੈ, ਤਣਾਅ ਅਨੰਤਤਾ ਵੱਲ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਨਕਲੀ ਨਤੀਜਾ ਹੈ. ਅਸਲ ਹਿੱਸੇ ਵਿੱਚ, ਕੋਨੇ ਦੇ ਘੇਰੇ ਨੂੰ ਨੌਚ ਫੈਕਟਰ/ਸਥਾਨਕ ਮੁਲਾਂਕਣ ਦੁਆਰਾ ਮਾਡਲ ਜਾਂ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
8. AI ਨੇ ਇੱਕ ਬੇਅਰਿੰਗ ਦੇ ਵਾਈਬ੍ਰੇਸ਼ਨ ਡੇਟਾ ਵਿੱਚ 'ਸੰਭਾਵਿਤ ਅੰਦਰੂਨੀ ਰਿੰਗ ਅਸਫਲਤਾ' ਦਾ ਪਤਾ ਲਗਾਇਆ। ਸਭ ਤੋਂ ਸਹੀ ਪਹੁੰਚ ਕਿਹੜੀ ਹੈ?
- ਏ) ਬਿਨਾਂ ਪੁੱਛੇ ਮਸ਼ੀਨ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਕ੍ਰੈਪ ਕਰਨਾ
- ਅ) ਟਿੱਪਣੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰੋ ਅਤੇ ਕੰਮ ਕਰਨਾ ਜਾਰੀ ਰੱਖੋ
- C) ਸੈਂਸਰ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਯੋਗ ਕਰਨਾ
- ਡੀ) ਵਿਸ਼ੇਸ਼ਤਾ ਨੁਕਸ ਬਾਰੰਬਾਰਤਾ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਫੀਲਡ ਨਿਰੀਖਣ ਦੁਆਰਾ ਵਿਆਖਿਆ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
ਵਿਆਖਿਆ: ਏਆਈ ਦੀ ਵਿਗਾੜ/ਅਸਫ਼ਲਤਾ ਦੀ ਵਿਆਖਿਆ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ। ਵਾਈਬ੍ਰੇਸ਼ਨ ਸਪੈਕਟ੍ਰਮ (ਜਿਵੇਂ ਕਿ ਅੰਦਰੂਨੀ ਰਿੰਗ ਪਰਿਵਰਤਨ ਬਾਰੰਬਾਰਤਾ ਬੀਪੀਐਫਆਈ), ਸੈਂਸਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਸੰਭਾਵਿਤ ਡੇਟਾ ਗਲਤੀਆਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਨੁਕਸ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ; ਟਿੱਪਣੀ ਨੂੰ ਫੀਲਡ ਨਿਰੀਖਣ ਅਤੇ ਸਰੀਰਕ ਅਸਫਲਤਾ ਵਿਧੀ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਰੱਖ-ਰਖਾਅ ਦੇ ਫੈਸਲੇ ਵਿੱਚ ਤਬਦੀਲ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
9. AI ਦੇ ਨਾਲ ਕਿਸੇ ਹਿੱਸੇ ਦੀ ਮੈਨੂਫੈਕਚਰਬਿਲਟੀ (DFM) ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਸਮੇਂ ਆਉਟਪੁੱਟ ਦੇ ਕਿਹੜੇ ਪਹਿਲੂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਧਿਆਨ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ?
- A) ਅਸਲ ਮਸ਼ੀਨ, ਟੂਲ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨਾਲ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ✔
- ਅ) ਸਿਰਫ ਟੁਕੜੇ ਦੀ ਸੁਹਜ ਦੀ ਦਿੱਖ
- C) CAD ਮਾਡਲ ਦਾ ਫਾਈਲ ਆਕਾਰ
- ਡੀ) ਰੰਗ ਅਤੇ ਕੋਟਿੰਗ ਵਿਕਲਪ
ਵਰਣਨ: AI; ਇਹ ਮਸ਼ੀਨ, ਟੂਲ, ਮੋਲਡ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਅਸਲ ਵਰਕਸ਼ਾਪ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਤੋਂ ਬਿਨਾਂ ਮੰਨ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਕੋਨੇ ਦੇ ਘੇਰੇ ਦੇ ਅੰਦਰ ਇੱਕ ਅਪ੍ਰਾਪਤ ਜਾਂ ਅਸੰਭਵ ਸਹਿਣਸ਼ੀਲਤਾ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ। DFM ਸਿਫ਼ਾਰਸ਼ਾਂ ਨੂੰ ਮੌਜੂਦਾ ਸਾਜ਼ੋ-ਸਾਮਾਨ ਅਤੇ ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਸੀਮਾਵਾਂ ਦੇ ਵਿਰੁੱਧ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
10. ਉਤਪਾਦਨ ਲਈ AI-ਜਨਰੇਟ ਡਰਾਇੰਗ ਸਹਿਣਸ਼ੀਲਤਾ/GD&T ਨੋਟ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ ਕੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ?
- ਏ) ਨੋਟਾਂ ਨੂੰ ਸਿੱਧੇ ਡਰਾਇੰਗ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਜਿਵੇਂ ਕਿ AI ਤਿਆਰ ਕਰਦਾ ਹੈ
- ਅ) ਮਿਆਰੀ ਅਤੇ ਕਾਰਜਾਤਮਕ ਲੋੜਾਂ ਅਨੁਸਾਰ ਗ੍ਰੇਡਾਂ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਮਨਜ਼ੂਰੀ ਦਿਓ ✔
- ਸੀ) ਸਹਿਣਸ਼ੀਲਤਾ ਨੂੰ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਘਟਾਉਣਾ ਅਤੇ ਇਹ ਸੋਚਣਾ ਕਿ ਇਹ ਸੁਰੱਖਿਅਤ ਹੈ
- ਡੀ) ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਯਾਦਗਾਰ ਬਣਾਉਣ ਲਈ ਬਦਲਣਾ
ਵਰਣਨ: AI; ਗਲਤ ਜਾਂ ਗੈਰ-ਮਿਆਰੀ ਸਹਿਣਸ਼ੀਲਤਾ ਮੁੱਲ, GD&T (ਜੀਓਮੈਟ੍ਰਿਕ ਮਾਪ ਅਤੇ ਸਹਿਣਸ਼ੀਲਤਾ) ਚਿੰਨ੍ਹ, ਜਾਂ ਸਤਹ ਮੁਕੰਮਲ ਅਹੁਦਿਆਂ ਦਾ ਉਤਪਾਦਨ ਕਰ ਸਕਦਾ ਹੈ। ਨੋਟਸ ਨੂੰ ਸੰਬੰਧਿਤ ਮਿਆਰ (ਜਿਵੇਂ ਕਿ ISO/ASME GD&T) ਅਤੇ ਕਾਰਜਸ਼ੀਲ ਲੋੜਾਂ ਦੇ ਵਿਰੁੱਧ ਆਡਿਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ; ਅਸੈਂਬਲੀ ਅਤੇ ਫੰਕਸ਼ਨ ਦੇ ਰੂਪ ਵਿੱਚ ਸਹਿਣਸ਼ੀਲਤਾ ਦੀ ਇਕਸਾਰਤਾ ਦੀ ਇੰਜੀਨੀਅਰ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
11. AI ਨੇ ਕਿਹਾ ਕਿ ਇੱਕ ਡਿਜ਼ਾਈਨ 'EN 13445 ਕਲਾਜ਼ 7.4.2 ਦੇ ਅਨੁਕੂਲ ਹੈ'। ਸਭ ਤੋਂ ਸਹੀ ਵਿਵਹਾਰ ਕਿਹੜਾ ਹੈ?
- A) ਰਿਪੋਰਟ ਨੂੰ ਸਿੱਧਾ ਲਿਖੋ ਕਿਉਂਕਿ AI ਵਿਸ਼ੇਸ਼ਤਾ ਦਿੰਦਾ ਹੈ
- ਅ) ਇੱਕ ਇੰਟਰਨੈਟ ਫੋਰਮ 'ਤੇ ਇੱਕ ਟਿੱਪਣੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
- C) ਅਧਿਕਾਰਤ/ਮੌਜੂਦਾ ਸਟੈਂਡਰਡ ਟੈਕਸਟ ਤੋਂ ਪਦਾਰਥ ਨੰਬਰ ਅਤੇ ਸਮੱਗਰੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔
- ਡੀ) ਆਈਟਮ ਨੰਬਰ ਨੂੰ ਬਦਲਣਾ ਤਾਂ ਕਿ ਇਹ ਯਾਦ ਰਹੇ
ਵਰਣਨ: AI ਗਲਤ ਜਾਂ ਭੁਲੇਖੇ ਵਾਲੇ ਮਿਆਰੀ ਆਈਟਮ ਨੰਬਰ ਅਤੇ ਬ੍ਰੇਕਪੁਆਇੰਟ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਸੰਦਰਭਿਤ ਪਦਾਰਥ ਅਤੇ ਮੁੱਲ ਨੂੰ ਅਧਿਕਾਰਤ ਅਤੇ ਮੌਜੂਦਾ ਸਟੈਂਡਰਡ ਟੈਕਸਟ ਤੋਂ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਡਿਜ਼ਾਈਨ ਜਾਂ ਰਿਪੋਰਟ ਦੇ ਅਧਾਰ ਵਜੋਂ ਨਹੀਂ ਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
12. AI ਦੁਆਰਾ ਤਿਆਰ ਪਾਈਥਨ ਇੰਜੀਨੀਅਰਿੰਗ ਕੈਲਕੂਲੇਸ਼ਨ ਸਕ੍ਰਿਪਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਿਹੜਾ ਲਾਜ਼ਮੀ ਹੈ?
- ਏ) ਕੋਡ 'ਤੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਕਿਉਂਕਿ ਇਹ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ
- ਅ) ਵੇਰੀਏਬਲ ਦੇ ਨਾਮ ਛੋਟੇ ਕਰੋ ਅਤੇ ਟਿੱਪਣੀ ਲਾਈਨਾਂ ਨੂੰ ਮਿਟਾਓ
- C) ਸਕ੍ਰਿਪਟ ਨੂੰ ਲੰਮਾ ਲਿਖੋ ਅਤੇ ਮੰਨ ਲਓ ਕਿ ਇਹ ਸੁਰੱਖਿਅਤ ਹੈ
- D) ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ, ਯੂਨਿਟ ਦੀ ਜਾਂਚ, ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਵਾਲੇ ਟੈਸਟਾਂ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ✔
ਟਿੱਪਣੀ: AI ਕੋਡ ਵਿੱਚ ਗਲਤ ਯੂਨਿਟ ਪਰਿਵਰਤਨ, ਗਲਤ ਫਾਰਮੂਲਾ, ਜਾਂ ਕਿਨਾਰੇ ਦੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਗਲਤ ਨਤੀਜਾ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਗਲਤ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ ਭਾਵੇਂ ਇਹ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਕੋਡ; ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਵਾਲੇ ਟੈਸਟ ਇਨਪੁਟਸ ਨੂੰ ਯੂਨਿਟ (ਆਕਾਰ) ਦੀ ਜਾਂਚ ਅਤੇ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
13. ਮਕੈਨੀਕਲ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ AI ਨਾਲ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਗਣਨਾ ਕਰਨ ਵਿੱਚ ਦੇਣਦਾਰੀ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਕਿਹੜਾ ਸਹੀ ਹੈ?
- A) ਜ਼ੁੰਮੇਵਾਰੀ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਰਹਿੰਦੀ ਹੈ ਜੋ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ; AI ਮਨਜ਼ੂਰੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ ✔
- B) ਇੰਜੀਨੀਅਰ ਨੂੰ ਦੇਣਦਾਰੀ ਤੋਂ ਛੋਟ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਜੇਕਰ AI ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ
- C) AI ਆਉਟਪੁੱਟ ਇੰਜੀਨੀਅਰ ਦੇ ਦਸਤਖਤ ਨੂੰ ਬਦਲਦਾ ਹੈ
- ਡੀ) ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਖਾਤੇ 'ਤੇ ਮਨੁੱਖੀ ਤਸਦੀਕ ਬੇਲੋੜੀ ਹੈ
ਵਰਣਨ: ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਆਉਟਪੁੱਟ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਪ੍ਰਵਾਨਗੀ/ਦਸਤਖਤ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ; AI ਇਹ ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਲੈ ਸਕਦਾ। ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਗਣਨਾਵਾਂ ਅਤੇ ਡਿਜ਼ਾਈਨਾਂ ਲਈ, AI ਇੱਕ ਡਰਾਫਟ/ਇਨਪੁੱਟ ਹੈ ਅਤੇ ਇਹ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ।
14. ਜਨਤਕ AI ਟੂਲ ਨਾਲ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਗੁਪਤ ਉਤਪਾਦ ਡਿਜ਼ਾਈਨ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਸਮੇਂ ਸਭ ਤੋਂ ਵਧੀਆ ਕਾਰਵਾਈ ਕੀ ਹੈ?
- ਏ) ਜਨਤਕ ਵਾਹਨ 'ਤੇ ਸਪੀਡ ਲਈ ਸਟੀਲਥ ਡਿਜ਼ਾਈਨ ਲਗਾਉਣਾ
- ਅ) ਡੇਟਾ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰਨਾ, ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ ਜਾਂ ਕਾਰਪੋਰੇਟ/ਅਲੱਗ-ਥਲੱਗ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔
- C) ਗਤੀ ਲਈ ਗਾਹਕ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ ਹਮੇਸ਼ਾਂ ਜ਼ਰੂਰੀ ਹੁੰਦਾ ਹੈ
- D) ਗੋਪਨੀਯਤਾ ਦਾ ਮੁੱਦਾ AI ਦੀ ਵਰਤੋਂ ਲਈ ਅਪ੍ਰਸੰਗਿਕ ਹੈ
ਖੁਲਾਸਾ: ਗੁਪਤ ਡਿਜ਼ਾਈਨ, ਗਾਹਕ ਡੇਟਾ ਜਾਂ ਅਣਪਛਾਤੇ ਵਿਚਾਰਾਂ ਨੂੰ ਜਨਤਕ ਸਾਧਨਾਂ 'ਤੇ ਅਪਲੋਡ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦੀ ਡੇਟਾ ਨੀਤੀ ਅਣਜਾਣ ਹੈ; ਇਸ ਨਾਲ ਬੌਧਿਕ ਜਾਇਦਾਦ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਦਾ ਖਤਰਾ ਹੈ। ਕੰਪਨੀ ਡੇਟਾ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਗੁਮਨਾਮ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਜਾਂ ਇੱਕ ਕਾਰਪੋਰੇਟ/ਇਕੱਲੇ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।