ਲਾਭ:
- ਇਹ ਫਰਕ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਕਿ AI ਧਾਤੂ ਅਤੇ ਸਮੱਗਰੀ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ ਅਸਲ ਸਮੇਂ ਦੀ ਕਿੱਥੇ ਬਚਤ ਕਰਦਾ ਹੈ ਅਤੇ ਜਿੱਥੇ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਜ਼ਿੰਮੇਵਾਰੀ ਇੰਜੀਨੀਅਰ ਦੇ ਕੋਲ ਰਹਿਣੀ ਚਾਹੀਦੀ ਹੈ, ਜੋਖਮ ਦੇ ਪੱਧਰ ਦੇ ਅਧਾਰ ਤੇ
- ਇੱਕ ਤਿੰਨ-ਲੇਅਰ ਪ੍ਰਮਾਣਿਕਤਾ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਮਿਆਰੀ, ਸੁਤੰਤਰ ਗਣਨਾ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਪ੍ਰਯੋਗ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ
- ਗੁਪਤ ਮਿਸ਼ਰਤ ਵਿਅੰਜਨ, ਪ੍ਰਕਿਰਿਆ ਪੈਰਾਮੀਟਰ ਅਤੇ ਗਾਹਕ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਲਈ ਸੰਦਰਭ ਅਤੇ ਸੁਰੱਖਿਅਤ ਟੂਲ ਚੋਣ ਨੂੰ ਅਗਿਆਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਜਦੋਂ ਕਿ ਇੱਕ ਏਅਰਕ੍ਰਾਫਟ ਇੰਜਣ ਦਾ ਟਰਬਾਈਨ ਬਲੇਡ 1400 ਡਿਗਰੀ ਸੈਲਸੀਅਸ 'ਤੇ ਪ੍ਰਤੀ ਸਕਿੰਟ ਸੈਂਕੜੇ ਵਾਰ ਘੁੰਮਦਾ ਹੈ, ਤੁਸੀਂ ਉਹ ਵਿਅਕਤੀ ਹੋ ਜੋ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਸੁਪਰ ਅਲਾਇ (ਇੱਕ ਵਿਸ਼ੇਸ਼ ਮਿਸ਼ਰਤ ਜੋ ਉੱਚ ਤਾਪਮਾਨਾਂ 'ਤੇ ਆਪਣੀ ਤਾਕਤ ਬਰਕਰਾਰ ਰੱਖਦੀ ਹੈ) ਉਹ ਬਲੇਡ ਕਿਸ ਨਾਲ ਬਣੇਗਾ, ਇਹ ਕਿਸ ਗਰਮੀ ਦੇ ਇਲਾਜ ਵਿੱਚੋਂ ਗੁਜ਼ਰੇਗਾ ਅਤੇ ਇਹ ਕਿੰਨੇ ਹਜ਼ਾਰ ਘੰਟੇ ਚੱਲੇਗਾ: ਧਾਤੂ ਜਾਂ ਸਮੱਗਰੀ ਇੰਜੀਨੀਅਰ। ਇਸ ਪੇਸ਼ੇ ਵਿੱਚ ਤੁਸੀਂ ਜੋ ਵੀ ਫੈਸਲਾ ਲੈਂਦੇ ਹੋ, ਉਹ ਜਾਂ ਤਾਂ ਕਿਸੇ ਢਾਂਚੇ ਦੇ ਬਚਾਅ ਜਾਂ ਇਸਦੇ ਨੁਕਸਾਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਸੰਖੇਪ ਲਈ AI: ਸਾਫਟਵੇਅਰ ਸਿਸਟਮ ਜੋ ਟੈਕਸਟ, ਨੰਬਰਾਂ ਅਤੇ ਚਿੱਤਰਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਨ ਅਤੇ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ) ਇਹਨਾਂ ਫੈਸਲਿਆਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ; ਪਰ ਉਹ ਕਦੇ ਵੀ ਤੁਹਾਡੀ ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਲੈ ਸਕਦਾ। ਇਹ ਯੂਨਿਟ ਤੁਹਾਨੂੰ ਸਿਖਾਉਂਦਾ ਹੈ ਕਿ ਧਾਤੂ ਵਿਗਿਆਨ ਅਤੇ ਸਮੱਗਰੀ ਦੇ ਕੰਮ ਵਿੱਚ AI ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਕਿੱਥੇ ਵਰਤਣਾ ਹੈ, ਇਹ ਕਿੱਥੇ ਖ਼ਤਰਨਾਕ ਹੈ, ਅਤੇ ਤੁਹਾਨੂੰ ਪ੍ਰਯੋਗਸ਼ਾਲਾ, ਮਿਆਰੀ ਅਤੇ ਪ੍ਰਯੋਗ ਦੇ ਨਾਲ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਿਉਂ ਕਰਨਾ ਪੈਂਦਾ ਹੈ।
ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਜੋ ਤੁਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਵਰਤੋਗੇ: AI ਇੱਕ ਸਹਾਇਕ ਹੈ, ਇੱਕ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਨਹੀਂ। ਇੱਕ ਪਦਾਰਥਕ ਸੰਪੱਤੀ, ਇੱਕ ਸੀਮਾ ਮੁੱਲ, ਇੱਕ ਮਿਆਰੀ ਵਸਤੂ ਜਾਂ ਇੱਕ ਗਰਮੀ ਦਾ ਇਲਾਜ ਕਰਨ ਵਾਲੀ ਵਿਅੰਜਨ ਕੇਵਲ ਇਸ ਲਈ ਸੱਚ ਨਹੀਂ ਹੁੰਦਾ ਕਿਉਂਕਿ "AI ਨੇ ਅਜਿਹਾ ਕਿਹਾ"; ਮਾਪ, ਸੰਦਰਭ, ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨਿਰਣੇ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੋਣ ਤੱਕ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ। ਤੁਸੀਂ ਇਸ ਵਾਕ ਨੂੰ ਮੋਡੀਊਲ ਦੀ ਹਰ ਇਕਾਈ ਵਿੱਚ ਦੁਬਾਰਾ ਦੇਖੋਗੇ, ਕਿਉਂਕਿ ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ, ਇੱਕ ਗਲਤ ਸੰਖਿਆ ਦਾ ਅਕਸਰ ਇੱਕ ਟੁੱਟਿਆ ਹਿੱਸਾ ਹੁੰਦਾ ਹੈ।
ਐਲਐਲਐਮ ਕੀ ਹੈ, ਇਹ ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ ਕੀ ਕਰਦਾ ਹੈ?
LLM (ਵੱਡਾ ਭਾਸ਼ਾ ਮਾਡਲ) ਇੱਕ ਸਾਫਟਵੇਅਰ ਹੈ ਜੋ ਟੈਕਸਟ ਦੇ ਬਹੁਤ ਵੱਡੇ ਹਿੱਸਿਆਂ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਸੰਭਾਵਨਾ ਦੇ ਅਧਾਰ 'ਤੇ "ਅਗਲੇ ਸ਼ਬਦ" ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਹ ChatGPT, Claude, Gemini ਵਰਗੇ ਟੂਲਸ ਦਾ ਇੰਜਣ ਹੈ। ਬਿੰਦੂ ਇਹ ਹੈ: LLM ਇੱਕ "ਭਾਸ਼ਾ ਅਨੁਮਾਨਕ" ਹੈ, "ਗਿਆਨ ਅਧਾਰ" ਨਹੀਂ। ਧਾਤੂ ਸ਼ਬਦਾਵਲੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਬੋਲਦਾ ਹੈ, ਪਰ ਕਿਸੇ ਸੰਖਿਆ ਨੂੰ ਨਹੀਂ ਮਾਪਦਾ; ਉਹ ਸੰਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਦਿਖਦਾ ਹੈ। ਇਸ ਲਈ, ਉਹ ਉਪਜ ਦੀ ਤਾਕਤ, ਪਿਘਲਣ ਦੇ ਤਾਪਮਾਨ ਜਾਂ ਇੱਕ ਮਿਆਰ ਦੇ ਆਈਟਮ ਨੰਬਰ ਬਾਰੇ ਭਰੋਸੇਮੰਦ ਪਰ ਗਲਤ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ। ਇਸ ਨੂੰ ਭੁਲੇਖਾ (ਫੈਬਰੀਕੇਸ਼ਨ) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਭਰਮ ਇੱਕ ਖਰਾਬੀ ਨਹੀਂ ਹੈ, ਪਰ ਇਸ ਤਕਨਾਲੋਜੀ ਦੀ ਇੱਕ ਅੰਦਰੂਨੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ; ਇਸ ਲਈ, ਤਸਦੀਕ ਇੱਕ "ਵਾਧੂ ਕਦਮ" ਨਹੀਂ ਹੈ ਪਰ ਨੌਕਰੀ ਦਾ ਇੱਕ ਅਨਿੱਖੜਵਾਂ ਅੰਗ ਹੈ।
ਉਹ ਕੰਮ ਜਿੱਥੇ AI ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ ਮਜ਼ਬੂਤ ਹੈ:
- ਸੰਕਲਪ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਸਿੱਖਿਆ: ਮਾਰਟੈਨਸਾਈਟ ਪਰਿਵਰਤਨ ਕੀ ਹੈ, ਇਹ ਸਖ਼ਤ ਅਤੇ ਭੁਰਭੁਰਾ ਕਿਉਂ ਹੈ; eutectic ਅਤੇ eutectoid ਵਿਚਕਾਰ ਕੀ ਅੰਤਰ ਹੈ?
- ਇੱਕ ਪਰਿਕਲਪਨਾ ਸੂਚੀ ਤਿਆਰ ਕਰਨਾ: ਇੱਕ ਕਾਸਟਿੰਗ ਵਿੱਚ ਪੋਰੋਸਿਟੀ (ਗੈਸ ਜਾਂ ਸੁੰਗੜਨ-ਪ੍ਰੇਰਿਤ ਵੋਇਡਸ) ਕਿਉਂ ਹੋ ਸਕਦੀ ਹੈ ਦੀ ਇੱਕ ਯੋਜਨਾਬੱਧ ਸੂਚੀ ਬਣਾਉਣਾ।
- ਟੈਕਸਟ ਉਤਪਾਦਨ: ਨੁਕਸਾਨ ਵਿਸ਼ਲੇਸ਼ਣ ਰਿਪੋਰਟ ਡਰਾਫਟ, ਡਬਲਯੂਪੀਐਸ (ਵੇਲਡਿੰਗ ਪ੍ਰਕਿਰਿਆ ਸਪੈਸੀਫਿਕੇਸ਼ਨ) ਡਰਾਫਟ, ਪੇਸ਼ਕਾਰੀ, ਈਮੇਲ।
- ਕੋਡਿੰਗ: ਡੇਟਾ ਕਲੀਨਿੰਗ, ਗ੍ਰਾਫਿਕਸ, ਸਧਾਰਨ ਗਣਨਾ ਸਕ੍ਰਿਪਟਾਂ (ਪਾਈਥਨ)।
- ਡੇਟਾ ਸੰਖੇਪ ਅਤੇ ਸਾਰਣੀ ਸੰਗਠਨ: ਗੜਬੜ ਵਾਲੇ ਟੈਸਟ ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਸੰਗਠਿਤ ਸਾਰਣੀ ਵਿੱਚ ਬਦਲਣਾ।
- ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ: ਉਮੀਦਵਾਰ ਤੱਤ, ਮਿਸ਼ਰਤ ਡਿਜ਼ਾਈਨ ਲਈ ਪ੍ਰਯੋਗਾਤਮਕ ਮੈਟ੍ਰਿਕਸ ਵਿਚਾਰ।
ਜਿੱਥੇ AI ਕਮਜ਼ੋਰ ਅਤੇ ਜੋਖਮ ਭਰਪੂਰ ਹੈ:
- ਸਹੀ ਸੰਖਿਆਤਮਕ ਮੁੱਲ (ਸੰਪੱਤੀ, ਸੀਮਾ ਮੁੱਲ, ਰਸਾਇਣਕ ਰਚਨਾ) ਦੇਣਾ।
- ਮੌਜੂਦਾ/ਵਿਸ਼ੇਸ਼ ਮਿਆਰੀ ਧਾਰਾ ਅਤੇ ਸੰਸਕਰਣ ਜਾਣਕਾਰੀ।
- ਤੁਹਾਡੀ ਸਹੂਲਤ ਦੇ ਅਸਲ ਮਾਪ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ ਡਾਇਗਨੌਸਟਿਕਸ।
- ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲਾ: ਕਿਸੇ ਹਿੱਸੇ ਦੀ ਹਵਾਯੋਗਤਾ/ਸੇਵਾਯੋਗਤਾ।
ਜੋਖਮ-ਅਧਾਰਿਤ ਵਰਗੀਕਰਨ: AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਫਿਲਟਰ
ਹਰ ਕੰਮ ਜੋਖਮ ਦੇ ਇੱਕੋ ਪੱਧਰ 'ਤੇ ਨਹੀਂ ਹੁੰਦਾ। AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਜੋਖਮ ਦੇ ਪੱਧਰ ਦੁਆਰਾ ਕੰਮ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਇੱਕ ਫੈਸਲੇ ਦਾ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਤੁਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਕਰੋਗੇ।
ਜੋਖਮ ਦਾ ਪੱਧਰ
ਨਮੂਨਾ ਕੰਮ
AI ਭੂਮਿਕਾ
ਲਾਜ਼ਮੀ ਪੁਸ਼ਟੀਕਰਨ
ਘੱਟ
ਸੰਕਲਪ ਵਿਆਖਿਆ, ਡਰਾਫਟ ਟੈਕਸਟ, ਕੋਡ ਪਿੰਜਰ
ਮੁਫਤ ਵਰਤੋਂ
ਸਮੀਖਿਆ ਕਾਫ਼ੀ ਹੈ
ਮੱਧਮ
ਗਣਨਾ ਸੈੱਟਅੱਪ, ਅਨੁਮਾਨਾਂ ਦੀ ਸੂਚੀ, ਸਾਹਿਤ ਸੰਖੇਪ
ਡਰਾਫਟ/ਸਹਿ-ਲੇਖਕ
ਮੈਨੁਅਲ ਕੰਟਰੋਲ + ਸਰੋਤ ਪੁਸ਼ਟੀ
ਉੱਚ
ਸਮੱਗਰੀ ਦੀ ਚੋਣ, ਗਰਮੀ ਦਾ ਇਲਾਜ ਵਿਅੰਜਨ, ਸੀਮਾ ਮੁੱਲ
ਵਿਚਾਰ ਜਨਰੇਟਰ
ਮਿਆਰੀ + ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਟੈਸਟ
ਨਾਜ਼ੁਕ
ਸੇਵਾਯੋਗਤਾ/ਹਵਾਈ ਯੋਗਤਾ, ਨੁਕਸਾਨ ਦਾ ਮੂਲ ਕਾਰਨ, ਪ੍ਰਮਾਣੀਕਰਨ
ਸਿਰਫ਼ ਡਰਾਫਟ
ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਟੈਸਟਿੰਗ + ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ
ਸੁਝਾਅ: ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਕੰਮ ਨੂੰ "ਨਾਜ਼ੁਕ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ, ਤਾਂ AI ਦਾ ਆਉਟਪੁੱਟ ਕਦੇ ਵੀ ਅੰਤਿਮ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ ਹੁੰਦਾ। ਵੱਧ ਤੋਂ ਵੱਧ ਇਹ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਡਰਾਫਟ ਜਾਂ ਚੈਕਲਿਸਟ ਹੋ ਸਕਦਾ ਹੈ; ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦਾ ਹੈ।
ਐਂਡ-ਟੂ-ਐਂਡ ਫਲੋ: ਤੁਹਾਡੇ ਵਰਕਫਲੋ ਵਿੱਚ ਏਆਈ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ
ਇੱਕ ਧਾਤੂ ਕਾਰੋਬਾਰ ਵਿੱਚ ਇੱਕ ਆਮ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ ਵਾਲਾ ਚੱਕਰ ਕੁਝ ਇਸ ਤਰ੍ਹਾਂ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ AI ਹਰ ਕਦਮ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ ਪਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਨੂੰ ਵੀ ਬੰਦ ਨਹੀਂ ਕਰਦਾ:
- ਸਮੱਸਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਕੀ ਤੋੜਿਆ ਗਿਆ ਹੈ, ਕਿਹੜੀ ਵਿਸ਼ੇਸ਼ਤਾ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਇਆ ਗਿਆ ਹੈ, ਕਿਹੜੀ ਰੁਕਾਵਟ ਹੈ? (AI: ਸਵਾਲ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।)
- ਡੇਟਾ ਇਕੱਠਾ ਕਰੋ: ਰਚਨਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਮਕੈਨੀਕਲ ਟੈਸਟਿੰਗ, ਮਾਈਕ੍ਰੋਸਟ੍ਰਕਚਰ, ਫੀਲਡ ਡੇਟਾ। (AI: ਸੂਚੀਆਂ ਕਿ ਕਿਹੜੇ ਟੈਸਟ ਦੀ ਲੋੜ ਹੈ।)
- ਅਨੁਮਾਨ ਤਿਆਰ ਕਰੋ: ਸੰਭਾਵੀ ਕਾਰਨ/ਹੱਲ। (AI: ਸ਼ਕਤੀਸ਼ਾਲੀ — ਯੋਜਨਾਬੱਧ ਸੂਚੀਆਂ ਪੈਦਾ ਕਰਦਾ ਹੈ।)
- ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ: ਗਣਨਾ, ਮਾਡਲ, ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ। (AI: ਕੋਡ ਅਤੇ ਕੈਲਕੂਲੇਸ਼ਨ ਫਿਕਸ਼ਨ ਤਿਆਰ ਕਰਦਾ ਹੈ।)
- ਪ੍ਰਮਾਣਿਤ ਕਰੋ: ਮਿਆਰੀ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ, ਮੁੜ ਟੈਸਟ। (AI: ਇੱਥੇ ਪਾਸੇ; ਮਨੁੱਖ ਅਤੇ ਡਿਵਾਈਸ ਫੈਸਲਾ ਕਰਦੇ ਹਨ।)
- ਰਿਪੋਰਟ ਕਰੋ ਅਤੇ ਫੈਸਲਾ ਕਰੋ: ਇੰਜੀਨੀਅਰ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦਾ ਹੈ। (AI: ਡਰਾਫਟ ਲੇਖਕ।)
ਇਹਨਾਂ ਛੇ ਕਦਮਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ; ਬਾਕੀ ਦਾ ਮੋਡਿਊਲ ਤੁਹਾਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਇਹਨਾਂ ਕਦਮਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ ਠੋਸ ਕਾਰਜਾਂ ਦੇ ਨਾਲ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਫਿੱਟ ਉਪਜ ਤਾਕਤ। ਇੱਕ ਇੰਟਰਨ AI ਨੂੰ AISI 4140 ਸਟੀਲ 200 °C 'ਤੇ ਬੁਝਾਈ ਅਤੇ ਟੈਂਪਰਡ ਦੀ ਉਪਜ ਸ਼ਕਤੀ ਬਾਰੇ ਪੁੱਛਦਾ ਹੈ; AI ਕਹਿੰਦਾ ਹੈ "ਲਗਭਗ 1500 MPa"। ਇੰਟਰਨ ਇਸਨੂੰ ਸਿੱਧੇ ਇੱਕ ਸਪਿੰਡਲ ਡਿਜ਼ਾਈਨ ਗਣਨਾ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਗਰਮੀ ਦੇ ਇਲਾਜ ਦੇ ਮਾਪਦੰਡਾਂ ਅਤੇ ਭਾਗ ਦੀ ਮੋਟਾਈ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ, ਅਸਲ ਮੁੱਲ 900-1600 MPa ਦੇ ਵਿਚਕਾਰ ਲਗਭਗ ਬਦਲਦਾ ਹੈ; ਇੱਕ ਪਤਲੇ ਨਮੂਨੇ ਵਿੱਚ ਲਿਆ ਗਿਆ ਮੁੱਲ ਇੱਕ ਮੋਟੇ ਭਾਗ ਵਿੱਚ ਸਹੀ ਨਹੀਂ ਹੁੰਦਾ। ਨਤੀਜਾ: ਸੁਰੱਖਿਆ ਕਾਰਕ ਉਮੀਦ ਨਾਲੋਂ ਘੱਟ ਨਿਕਲਦਾ ਹੈ। ਸਹੀ ਰਵੱਈਆ ਸਮੱਗਰੀ ਡੇਟਾ ਸ਼ੀਟ (ਮਿਲ ਸਰਟੀਫਿਕੇਟ) ਤੋਂ ਮੁੱਲ ਲੈਣਾ ਹੈ ਅਤੇ, ਜੇ ਜਰੂਰੀ ਹੈ, ਤਾਂ ISO 6892 ਦੇ ਅਨੁਸਾਰ ਟੈਂਸਿਲ ਟੈਸਟ ਤੋਂ.
ਕੇਸ 2 - ਗੈਰ-ਮੌਜੂਦ ਮਿਆਰੀ ਧਾਰਾ। ਇੱਕ ਇੰਜੀਨੀਅਰ AI ਨੂੰ ਸਟੇਨਲੈੱਸ ਸਟੀਲ ਦੀ ਸ਼ਾਮਲ ਕਰਨ ਦੀ ਸੀਮਾ ਬਾਰੇ ਪੁੱਛਦਾ ਹੈ। AI ਕਹਿੰਦਾ ਹੈ "ASTM E45 ਸੈਕਸ਼ਨ 7.3 ਦੇ ਅਨੁਸਾਰ ਅਧਿਕਤਮ 2.5"। ਇੰਜਨੀਅਰ ਉਸ ਅਨੁਸਾਰ ਰਿਪੋਰਟ ਲਿਖਦਾ ਹੈ। ਗਾਹਕਾਂ ਦੀ ਜਾਂਚ ਦੌਰਾਨ ਇਹ ਗੱਲ ਸਾਹਮਣੇ ਆਉਂਦੀ ਹੈ ਕਿ ਆਰਟੀਕਲ ਨੰਬਰ ਜਾਅਲੀ ਹੈ ਅਤੇ ਸਟੈਂਡਰਡ ਵਿੱਚ ਅਜਿਹੀ ਕੋਈ ਧਾਰਾ ਨਹੀਂ ਹੈ। ਸਹੀ ਰਵੱਈਆ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਸਟੈਂਡਰਡ ਦੇ ਮੌਜੂਦਾ ਸੰਸਕਰਣ ਨੂੰ ਖੋਲ੍ਹਣਾ ਅਤੇ ਲੇਖ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਹੈ. AI ਆਈਟਮ ਨੰਬਰ ਨੂੰ ਭੁਲੇਖਾ ਪਾ ਸਕਦਾ ਹੈ ਭਾਵੇਂ ਇਹ ਮਿਆਰੀ ਨਾਮ ਨੂੰ ਸਹੀ ਤਰ੍ਹਾਂ ਜਾਣਦਾ ਹੋਵੇ।
ਕੇਸ 3 - ਸਹੀ ਵਰਤੋਂ। ਇੱਕ ਨੁਕਸਾਨ ਵਿਸ਼ਲੇਸ਼ਣ ਟੀਮ ਇੱਕ ਟੁੱਟੇ M20 ਬੋਲਟ ਦੀ ਟੁੱਟੀ ਹੋਈ ਸਤਹ ਦੀ ਇੱਕ ਫੋਟੋ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ। ਉਹ AI ਨੂੰ ਪੁੱਛਦੇ ਹਨ, "ਥਕਾਵਟ ਦਰਾੜ ਅਤੇ ਭੁਰਭੁਰਾ ਫ੍ਰੈਕਚਰ ਦੀ ਫ੍ਰੈਕਚਰ ਸਤਹ ਵਿੱਚ ਖਾਸ ਅੰਤਰਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ, ਅਤੇ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਮੈਨੂੰ ਹਰੇਕ ਲਈ ਸਕੈਨਿੰਗ ਇਲੈਕਟ੍ਰੋਨ ਮਾਈਕ੍ਰੋਸਕੋਪ (SEM) ਵਿੱਚ ਕੀ ਵੇਖਣਾ ਚਾਹੀਦਾ ਹੈ।" AI ਯੋਜਨਾਬੱਧ ਤੌਰ 'ਤੇ ਬੀਚ ਦੇ ਚਿੰਨ੍ਹ, ਸਟ੍ਰੀਏ (ਥਕਾਵਟ ਲਾਈਨਾਂ) ਅਤੇ ਡਿੰਪਲ/ਕਲੀਵੇਜ ਭੇਦ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। ਟੀਮ SEM ਨਾਲ ਇਹਨਾਂ ਨਿਸ਼ਾਨਾਂ ਦੀ ਖੋਜ ਕਰਦੀ ਹੈ, ਸਟ੍ਰਾਈ ਲੱਭਦੀ ਹੈ ਅਤੇ ਡਿਵਾਈਸ ਚਿੱਤਰ ਨਾਲ ਨਿਦਾਨ ਕਰਦੀ ਹੈ। ਇੱਥੇ AI ਦੀ ਸਹੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ: ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਗਠਿਤ ਕੀਤਾ ਗਿਆ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨੇ ਫੈਸਲਾ ਲਿਆ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਂਪਲੇਟਾਂ ਨੂੰ ਆਪਣੇ ਕਾਰੋਬਾਰ ਲਈ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਵਰਤ ਸਕਦੇ ਹੋ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ, "ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਦੇਣ, ਸਰੋਤ ਦਰਸਾਉਣ, ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ" ਲਈ ਇੱਕ ਸੁਚੇਤ ਹਦਾਇਤ ਹੈ।
ਰੋਲ ਅਤੇ ਸੀਮਾ ਟੇਮਪਲੇਟ "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਤਜਰਬੇਕਾਰ ਧਾਤੂ ਇੰਜੀਨੀਅਰ ਸਹਾਇਕ ਹੋ। ਕੰਮ: [ਵਿਸ਼ਾ ਲਿਖੋ]। ਨਿਯਮ: ਸਹੀ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਦਿੰਦੇ ਸਮੇਂ, ਸਰੋਤ ਦੱਸੋ; ਜੇਕਰ ਤੁਸੀਂ ਨਿਸ਼ਚਤ ਨਹੀਂ ਹੋ, ਤਾਂ 'ਤਸਦੀਕ ਹੋਣਾ ਲਾਜ਼ਮੀ ਹੈ' ਕਹੋ। ਜੇਕਰ ਤੁਸੀਂ ਮਿਆਰੀ ਆਈਟਮ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਇਸਨੂੰ ਉਸ ਸੰਸਕਰਣ ਦੇ ਨਾਲ ਦਿਓ, ਪਰ ਸਰੋਤ ਦੇ ਅੰਤ ਵਿੱਚ ਉਸ ਦੇ ਜਵਾਬ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਆਈਟਮ ਦੁਆਰਾ ਆਈਟਮ ਲਿਖੋ 'ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਤਸਦੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ'।"
ਹਾਇਪੋਥੀਸਿਸ ਜਨਰੇਸ਼ਨ ਟੈਂਪਲੇਟ "ਹੇਠ ਦਿੱਤੀ ਸਮੱਸਿਆ ਦੇ ਸੰਭਾਵੀ ਮੂਲ ਕਾਰਨਾਂ ਦੀ ਇੱਕ ਯੋਜਨਾਬੱਧ ਸੂਚੀ ਤਿਆਰ ਕਰੋ: [ਸਮੱਸਿਆ ਦਾ ਵਰਣਨ ਕਰੋ; ਸਮੱਗਰੀ, ਪ੍ਰਕਿਰਿਆ, ਨਿਰੀਖਣ]। ਹਰੇਕ ਪਰਿਕਲਪਨਾ ਲਈ: (1) ਕਿਹੜਾ ਸਬੂਤ ਇਸਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, (2) ਇਸਦੀ ਪੁਸ਼ਟੀ/ਨਿਰਮਾਣ ਕਰਨ ਲਈ ਕਿਹੜਾ ਟੈਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਨਿਸ਼ਚਿਤ ਖੋਜ ਨਿਦਾਨ ਪੈਦਾ ਨਾ ਕਰੋ।
ਤਸਦੀਕ ਚੈਕਲਿਸਟ ਟੈਮਪਲੇਟ "ਹੇਠਾਂ ਦਿੱਤੇ ਆਉਟਪੁੱਟ/ਰਿਪੋਰਟ ਡਰਾਫਟ ਵਿੱਚ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਅਤੇ ਹਰੇਕ ਮਿਆਰੀ ਸੰਦਰਭ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਹਰੇਕ ਲਈ, ਇਹ ਦਰਸਾਓ ਕਿ ਕਿਸ ਸਰੋਤ ਤੋਂ (ਮਿਲ ਸਰਟੀਫਿਕੇਟ, ਸਟੈਂਡਰਡ ਟੈਕਸਟ, ਟੈਸਟ ਰਿਪੋਰਟ) ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਇੱਕ ਵੱਖਰੇ 'ਤਸਦੀਕ ਹੋਣ ਤੱਕ ਉਪਲਬਧ ਨਹੀਂ' ਸਿਰਲੇਖ ਹੇਠ ਅਨਿਸ਼ਚਿਤ ਮੂਲ ਦੇ ਲੋਕਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰੋ। [ਟੈਕਸਟ:"।
ਅਗਿਆਤਕਰਨ ਪ੍ਰੀ-ਚੈੱਕ ਟੈਮਪਲੇਟ "ਕਿਸੇ AI ਟੂਲ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਉਹਨਾਂ ਹਿੱਸਿਆਂ ਨੂੰ ਫਲੈਗ ਕਰੋ ਜਿਸ ਵਿੱਚ ਵਪਾਰਕ ਭੇਦ ਜਾਂ ਨਿੱਜੀ ਡੇਟਾ ਸ਼ਾਮਲ ਹਨ: ਅਲੌਏ ਵਿਅੰਜਨ ਅਨੁਪਾਤ, ਗਾਹਕ ਦਾ ਨਾਮ, ਪ੍ਰਕਿਰਿਆ ਦਾ ਤਾਪਮਾਨ/ਸਮਾਂ ਗੁਪਤ ਮਾਪਦੰਡ, ਕਰਮਚਾਰੀਆਂ ਦੇ ਨਾਮ। ਸੁਝਾਅ ਦਿਓ ਕਿ ਮੈਂ ਇਹਨਾਂ ਨੂੰ ਅਗਿਆਤ ਕਿਵੇਂ ਕਰ ਸਕਦਾ ਹਾਂ। ਟੈਕਸਟ:[ਪੇਸਟ]।"
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਇੱਕੋ ਸਵਾਲ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਪੁੱਛਣ ਨਾਲ ਬਹੁਤ ਵੱਖਰੇ ਨਤੀਜੇ ਨਿਕਲਣਗੇ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਮੈਨੂੰ 4140 ਸਟੀਲ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੱਸੋ।"
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਸਹਾਇਕ ਹੀਟ ਟ੍ਰੀਟਮੈਂਟ ਇੰਜੀਨੀਅਰ ਹੋ। ਸਮਝਾਓ ਕਿ AISI 4140 ਸਟੀਲ (ਟੈਂਪਰਿੰਗ ਤਾਪਮਾਨ, ਸੈਕਸ਼ਨ ਮੋਟਾਈ/ਕਠੋਰਤਾ, ਅਸਟੇਨਾਈਜ਼ਿੰਗ ਤਾਪਮਾਨ) ਲਈ ਜਦੋਂ ਕੁੰਜਿੰਗ + ਟੈਂਪਰਿੰਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਉਪਜ ਦੀ ਤਾਕਤ 'ਤੇ ਕੀ ਅਸਰ ਪੈਂਦਾ ਹੈ। ਇੱਕ ਵੀ ਸਹੀ ਨੰਬਰ ਨਾ ਦਿਓ; ਇਸ ਦੀ ਬਜਾਏ, ਆਈਐਸਓ ਨੂੰ ਕਿਸ ਮਿਆਰੀ ਅਤੇ ਕਿਹੜੀ ਰੇਂਜ ਵਿੱਚ ਮੁੱਲ ਦੀ ਜਾਂਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। 6892 ਟੈਂਸਿਲ ਟੈਸਟ) ਸਹੀ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਿਰਪਾ ਕਰਕੇ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸੋ ਕਿ ਤੁਹਾਨੂੰ ਕਿੱਥੇ ਯਕੀਨ ਨਹੀਂ ਹੈ।"
ਖਰਾਬ ਪ੍ਰੋਂਪਟ ਆਮ ਤੌਰ 'ਤੇ ਬੇਕਾਰ, ਸਤਹੀ ਸੂਚੀ ਅਤੇ ਸੰਭਵ ਤੌਰ 'ਤੇ ਬਣਾਏ ਗਏ ਨੰਬਰ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ; ਇਹ ਇੱਕ ਭੂਮਿਕਾ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ, ਸੀਮਾਵਾਂ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ("ਇੱਕ ਸਹੀ ਨੰਬਰ ਦੇਣਾ"), ਤਸਦੀਕ ਦੇ ਸਾਧਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪਰਦਾਫਾਸ਼ ਕਰਦਾ ਹੈ। ਇਸ ਮੌਡਿਊਲ ਦੇ ਦੌਰਾਨ, ਤੁਸੀਂ ਹਰੇਕ ਯੂਨਿਟ 'ਤੇ ਲਾਗੂ "ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ" ਪੈਟਰਨ ਦੇਖੋਗੇ।
ਨੈਤਿਕਤਾ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ
ਮੈਟਲਰਜੀਕਲ ਡੇਟਾ ਅਕਸਰ ਗੁਪਤ ਹੁੰਦਾ ਹੈ: ਗਾਹਕ ਮਿਸ਼ਰਤ ਪਕਵਾਨਾਂ, ਪੇਟੈਂਟ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪਦੰਡ, ਨੁਕਸਾਨ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਤੀਜੇ, ਰੱਖਿਆ ਉਦਯੋਗ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ। ਉਹਨਾਂ ਨੂੰ ਜਨਤਕ AI ਸੇਵਾ ਵਿੱਚ ਪੇਸਟ ਕਰਨਾ ਇੱਕ ਵਪਾਰਕ ਰਾਜ਼ ਅਤੇ ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ ਹੋ ਸਕਦਾ ਹੈ; ਇੱਕ ਜੋਖਮ ਇਹ ਵੀ ਹੈ ਕਿ ਡੇਟਾ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਿੱਚ ਦਖਲ ਦੇਵੇਗਾ.
- ਕੰਪਨੀ/ਗਾਹਕ ਦੀਆਂ ਰਚਨਾਵਾਂ, ਪਕਵਾਨਾਂ ਅਤੇ ਡਰਾਇੰਗਾਂ ਨੂੰ ਬਿਨਾਂ ਪ੍ਰਵਾਨਗੀ ਦੇ ਬਾਹਰੀ ਸੇਵਾ ਵਿੱਚ ਦਾਖਲ ਨਾ ਕਰੋ।
- ਨਿੱਜੀ ਡੇਟਾ (ਓਪਰੇਟਰ ਦੇ ਨਾਮ, ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਨੰਬਰ) ਵਾਲੇ ਰਿਕਾਰਡਾਂ ਨੂੰ ਗੁਮਨਾਮ ਬਣਾਓ।
- ਕਾਰਪੋਰੇਟ ਨੀਤੀ ਅਤੇ ਕਿਸੇ ਵੀ ਆਨ-ਪ੍ਰੀਮਿਸ ਜਾਂ ਕੰਟਰੈਕਟਡ ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਟੂਲ ਦੀ ਪਾਲਣਾ ਕਰੋ।
- ਰਿਪੋਰਟ ਵਿੱਚ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਦੱਸੋ ਕਿ ਤੁਸੀਂ AI ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ; ਇਹ ਸਪੱਸ਼ਟ ਕਰੋ ਕਿ ਅੰਤਮ ਫੈਸਲਾ ਤੁਹਾਡੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨਿਰਣੇ 'ਤੇ ਅਧਾਰਤ ਹੈ।
- ਹਸਤਾਖਰ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਦੇ ਕੋਲ ਰਹਿੰਦੀ ਹੈ; AI ਆਉਟਪੁੱਟ ਜਾਇਜ਼ ਨਹੀਂ ਹੈ.
ਸਾਵਧਾਨ: "ਇਹ ਉਹੀ ਹੈ ਜੋ AI ਨੇ ਕਿਹਾ" ਕੋਈ ਇੰਜੀਨੀਅਰਿੰਗ ਜਾਇਜ਼ ਨਹੀਂ ਹੈ। ਨੁਕਸਾਨ ਦੀ ਰਿਪੋਰਟ, ਸਮੱਗਰੀ ਦੀ ਚੋਣ ਜਾਂ ਅਨੁਕੂਲਤਾ ਦੇ ਫੈਸਲੇ ਵਿੱਚ, ਤੁਹਾਡਾ ਆਧਾਰ ਮਿਆਰ, ਟੈਸਟਿੰਗ ਅਤੇ ਗਣਨਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ; AI ਉਹ ਸਾਧਨ ਹੈ ਜੋ ਇਹਨਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ। ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਕੰਮ ਲਈ, AI ਆਉਟਪੁੱਟ ਯੋਗਤਾ ਪ੍ਰਾਪਤ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਬਿਨਾਂ ਪ੍ਰਯੋਗ ਅਤੇ ਸੰਦਰਭ ਦੇ AI ਦੁਆਰਾ ਦਿੱਤੇ ਸੰਖਿਆਤਮਕ ਮੁੱਲ (ਵਿਸ਼ੇਸ਼ਤਾ, ਸੀਮਾ, ਰਚਨਾ) ਦੀ ਵਰਤੋਂ ਕਰਨਾ।
- ਰਿਪੋਰਟ ਵਿੱਚ ਮਿਆਰੀ ਆਈਟਮ ਨੰਬਰਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਲਿਖਣਾ।
- ਜਨਤਕ AI ਵਿੱਚ ਗੁਪਤ ਗਾਹਕ/ਫਰਮ ਡੇਟਾ ਦਾਖਲ ਕਰਨਾ।
- AI ਨੂੰ ਪੁੱਛਣਾ "ਖਰਾਬ ਕੀ ਹੈ" ਬਿਨਾਂ ਸੁਵਿਧਾ ਡੇਟਾ ਦਿੱਤੇ ਅਤੇ ਨਿਦਾਨ ਲਈ ਆਮ ਜਵਾਬ ਨੂੰ ਗਲਤ ਸਮਝਣਾ।
- ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦੇ ਹੋਏ, ਨਾਜ਼ੁਕ ਫੈਸਲਿਆਂ ਵਿੱਚ ਅੰਤਮ ਦਸਤਾਵੇਜ਼ ਵਜੋਂ AI ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ: ਸ਼ੁੱਧਤਾ ਲਈ AI ਦੇ ਭਰੋਸੇਮੰਦ ਟੋਨ ਨੂੰ ਭੁੱਲਣਾ।
ਸੰਖੇਪ ਵਿੱਚ
AI ਧਾਤੂ ਅਤੇ ਸਮੱਗਰੀ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਐਕਸਲੇਟਰ ਹੈ: ਇਹ ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਕਲਪਨਾ ਬਣਾਉਂਦਾ ਹੈ, ਡਰਾਫਟ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਕੋਡ ਲਿਖਦਾ ਹੈ। ਪਰ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਮਿਆਰੀ ਪਦਾਰਥ ਅਤੇ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲਿਆਂ ਵਿੱਚ ਭਰਮ ਦਾ ਜੋਖਮ ਰੱਖਦਾ ਹੈ। ਜੋਖਮ ਪੱਧਰ ਦੁਆਰਾ ਕਾਰਜਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ, ਸਟੈਂਡਰਡ-ਲੈਬ-ਖਾਤਾ ਤਿਕੋਣ ਵਿੱਚ ਹਰੇਕ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਗੁਪਤਤਾ ਬਣਾਈ ਰੱਖੋ ਅਤੇ ਹਮੇਸ਼ਾਂ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਨਾਲ ਜ਼ਿੰਮੇਵਾਰੀ ਰੱਖੋ। ਬਾਕੀ ਮੋਡੀਊਲ ਇਸ ਸਿਧਾਂਤ ਨੂੰ ਹਰੇਕ ਠੋਸ ਕੰਮ ਲਈ ਲਾਗੂ ਕਰਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਖੁਦ ਦੇ ਕੰਮ (ਜਾਂ ਇੱਕ ਨਮੂਨਾ ਪ੍ਰੋਜੈਕਟ) ਵਿੱਚੋਂ ਪੰਜ ਖਾਸ ਕਾਰਜਾਂ ਦੀ ਚੋਣ ਕਰੋ: ਉਦਾਹਰਨ ਲਈ, "ਸਮੱਗਰੀ ਦੀ ਚੋਣ", "ਨੁਕਸਾਨ ਦੀ ਰਿਪੋਰਟ ਲਿਖਣਾ", "ਮਾਨਕ ਪੁੱਛਗਿੱਛ", "ਮਾਈਕਰੋਸਟ੍ਰਕਚਰ ਵਿਆਖਿਆ", "ਗਣਨਾ ਸਕ੍ਰਿਪਟ"। ਉਪਰੋਕਤ ਜੋਖਮ ਸਾਰਣੀ ਦੇ ਅਨੁਸਾਰ ਹਰੇਕ ਨੂੰ ਘੱਟ/ਮੱਧਮ/ਉੱਚ/ਨਾਜ਼ੁਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ ਅਤੇ ਇੱਕ ਵਾਕ ਵਿੱਚ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਹਰੇਕ ਲਈ AI ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕਰੋਗੇ (ਕਿਹੜਾ ਮਿਆਰ, ਕਿਹੜਾ ਟੈਸਟ, ਕਿਸ ਦੀ ਪ੍ਰਵਾਨਗੀ)। ਫਿਰ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਇੱਕ ਕਾਰਜ ਲਈ "ਰੋਲ ਅਤੇ ਸੀਮਾ" ਟੈਮਪਲੇਟ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- ਮੈਂ ਮਿਸ਼ਨ ਨੂੰ ਜੋਖਮ ਪੱਧਰ (ਘੱਟ/ਮੱਧਮ/ਉੱਚ/ਨਾਜ਼ੁਕ) ਦੁਆਰਾ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ AI ਨੂੰ ਭੂਮਿਕਾ, ਰੁਕਾਵਟ, ਅਤੇ “ਸਹੀ ਨੰਬਰ/ਸਰੋਤ ਦਿਓ” ਹਿਦਾਇਤ ਦਿੱਤੀ।
- [ ] ਮੈਂ ਸੁਤੰਤਰ ਸਰੋਤਾਂ ਤੋਂ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਅਤੇ ਮਿਆਰੀ ਆਈਟਮ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਕਿਸੇ ਬਾਹਰੀ ਸੇਵਾ ਵਿੱਚ ਗੁਪਤ/ਨਿੱਜੀ ਡੇਟਾ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਹੈ ਜਾਂ ਇਸਨੂੰ ਅਗਿਆਤ ਨਹੀਂ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਮਾਪ ਅਤੇ ਸਟੈਂਡਰਡ 'ਤੇ ਅੰਤਮ ਫੈਸਲੇ 'ਤੇ ਅਧਾਰਤ ਹਾਂ, AI ਦੀ ਵਰਤੋਂ ਜਾਇਜ਼ਤਾ ਵਜੋਂ ਨਹੀਂ ਕੀਤੀ।
- ਮੈਂ ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਦਸਤਖਤ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ 'ਤੇ ਛੱਡ ਦਿੱਤੇ ਹਨ।