ਪਾਇਥਨ ਦੇ ਨਾਲ ਮੈਟਾਲੁਰਜੀਕਲ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਏਆਈ ਦੇ ਫਰੰਟੀਅਰਜ਼

ਲਾਭ:

• ਕੋਡ ਤਿਆਰ ਕਰਨ ਅਤੇ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ ਜੋ AI ਸਮਰਥਨ ਦੇ ਨਾਲ, ਪਾਈਥਨ ਦੇ ਨਾਲ ਧਾਤੂ ਵਿਗਿਆਨਿਕ ਡੇਟਾ ਨੂੰ ਸਾਫ਼, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਜ਼ੁਅਲਾਈਜ਼ ਕਰਦਾ ਹੈ
• ਯੂਨਿਟ ਚੈਕਿੰਗ, ਟੈਸਟ ਕੇਸ ਅਤੇ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਦੇ ਨਾਲ AI-ਉਤਪੰਨ ਕੋਡ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਆਦਤ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ ਏਆਈ ਦੇ ਅੰਤ-ਤੋਂ-ਅੰਤ ਦੀਆਂ ਸੀਮਾਵਾਂ, ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਨੈਤਿਕ ਢਾਂਚੇ ਦੀ ਇੱਕ ਸੰਪੂਰਨ ਸਮਝ

ਧਾਤੂ ਵਿਗਿਆਨ ਦਾ ਕੰਮ ਵੱਧ ਤੋਂ ਵੱਧ ਡੇਟਾ ਨਾਲ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ: ਸੈਂਕੜੇ ਟੈਂਸਿਲ ਟੈਸਟ ਦੇ ਨਤੀਜੇ, ਹਜ਼ਾਰਾਂ ਐਸਪੀਸੀ ਮਾਪ, ਗਰਮੀ ਦੇ ਇਲਾਜ ਦੇ ਭੱਠੀ ਦੇ ਰਿਕਾਰਡ, ਵਿਸ਼ੇਸ਼ਤਾ ਆਉਟਪੁੱਟ। ਐਕਸਲ ਵਿੱਚ ਇਸ ਡੇਟਾ ਦਾ ਹੱਥੀਂ ਪਿੱਛਾ ਕਰਨਾ ਹੌਲੀ ਅਤੇ ਗਲਤੀ-ਸੰਭਾਵੀ ਹੈ; ਪਾਈਥਨ (ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਗਿਆਨਕ ਕੰਪਿਊਟਿੰਗ ਲਈ ਇੱਕ ਆਮ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾ) ਇਸ ਨੂੰ ਦੁਹਰਾਉਣ ਯੋਗ, ਆਡਿਟ ਕਰਨ ਯੋਗ ਅਤੇ ਆਟੋਮੈਟਿਕ ਬਣਾਉਂਦਾ ਹੈ। AI ਪਾਈਥਨ ਕੋਡ ਨੂੰ ਲਿਖਣ, ਡੀਬੱਗ ਕਰਨ ਅਤੇ ਸਮਝਾਉਣ ਵਿੱਚ ਬਹੁਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ - ਪਰ ਇਹ ਜੋ ਕੋਡ ਬਣਾਉਂਦਾ ਹੈ ਉਹ ਸਹੀ ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ ਪਰ ਗਲਤ ਨਤੀਜਾ ਦੇ ਸਕਦਾ ਹੈ: ਯੂਨਿਟ ਦੀ ਗਲਤੀ, ਗਲਤ ਗੁਣਾਂਕ, ਚੁੱਪ ਡਾਟਾ ਨੁਕਸਾਨ। ਇਸ ਅੰਤਿਮ ਇਕਾਈ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਪਾਇਥਨ ਵਿੱਚ AI ਸਹਾਇਤਾ ਨਾਲ ਧਾਤੂ ਵਿਗਿਆਨਕ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਅਤੇ ਹਰੇਕ ਕੋਡ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ, ਫਿਰ ਪੂਰੇ ਮੋਡੀਊਲ ਵਿੱਚ ਕਵਰ ਕੀਤੇ AI ਸੀਮਾਵਾਂ, ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਨੈਤਿਕਤਾ ਦੇ ਢਾਂਚੇ ਨੂੰ ਸੰਪੂਰਨ ਰੂਪ ਵਿੱਚ ਪੂਰਾ ਕਰਨਾ ਹੈ।

ਧਾਤੂ ਵਿਗਿਆਨਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਖਾਸ ਕੰਮ

ਪਾਈਥਨ ਵਿੱਚ AI ਸਹਾਇਤਾ ਨਾਲ ਆਮ ਕੰਮ:

• ਡਾਟਾ ਸਫਾਈ: ਗੁੰਮ ਮੁੱਲ, ਯੂਨਿਟ ਉਲਝਣ (MPa ਬਨਾਮ ksi), ਬਾਹਰੀ ਹਟਾਉਣਾ। ਗੰਦਾ ਡੇਟਾ ਵੀ ਵਧੀਆ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਖਰਾਬ ਕਰ ਦਿੰਦਾ ਹੈ।
• ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ: ਡਰਾਇੰਗ ਟੈਨਸਾਈਲ ਕਰਵ, ਕੰਟਰੋਲ ਚਾਰਟ, ਅਨਾਜ ਦੇ ਆਕਾਰ ਦੀ ਵੰਡ, ਤਾਪਮਾਨ-ਸਮਾਂ ਪ੍ਰੋਫਾਈਲ।
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), ਅਰਹੇਨੀਅਸ (sıcaklık-hız), regresyon, istatistik।
• ਆਟੋਮੇਸ਼ਨ: ਬੈਚ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਫਾਈਲਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਖੇਪ ਟੇਬਲ/ਰਿਪੋਰਟਾਂ ਦਾ ਉਤਪਾਦਨ ਕਰਦਾ ਹੈ।

ਹਾਲ-ਪੈਚ ਰਿਸ਼ਤਾ ਇੱਥੇ ਇੱਕ ਵਧੀਆ ਉਦਾਹਰਣ ਹੈ: ਉਪਜ ਦੀ ਤਾਕਤ ਅਨਾਜ ਦੇ ਵਿਆਸ ਦੇ ਵਰਗ ਮੂਲ ਦੇ ਉਲਟ ਅਨੁਪਾਤ ਵਿੱਚ ਵਧਦੀ ਹੈ। AI ਇਸ ਫਾਰਮੂਲੇ ਨੂੰ ਕੋਡ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰ ਸਕਦਾ ਹੈ; ਪਰ ਭਾਵੇਂ ਤੁਸੀਂ d ਨੂੰ ਮਾਈਕ੍ਰੋਮੀਟਰ ਜਾਂ ਮੀਟਰ ਵਜੋਂ ਵਰਤਦੇ ਹੋ ਅਤੇ k ਗੁਣਾਂਕ ਲਈ ਤੁਸੀਂ ਕਿਹੜੀ ਇਕਾਈ ਵਰਤਦੇ ਹੋ, ਨਤੀਜਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲਦਾ ਹੈ। ਕੋਡ ਦੀ ਸ਼ੁੱਧਤਾ ਫਾਰਮੂਲੇ ਨੂੰ ਯਾਦ ਕਰਨ ਵਿੱਚ ਨਹੀਂ, ਪਰ ਇਕਾਈਆਂ ਅਤੇ ਇੱਕ ਟੈਸਟ ਕੇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਵਿੱਚ ਹੈ।

ਸੁਝਾਅ: AI ਦੁਆਰਾ ਲਿਖੇ ਹਰੇਕ ਖਾਤੇ ਵਿੱਚ ਇੱਕ "ਜਾਣਿਆ ਜਵਾਬ ਟੈਸਟ" ਸ਼ਾਮਲ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ। ਇੱਕ ਛੋਟਾ ਇੰਪੁੱਟ ਦਿਓ ਜਿਸਦਾ ਨਤੀਜਾ ਤੁਸੀਂ ਹੱਥ ਨਾਲ ਜਾਣਦੇ ਹੋ (ਉਦਾਹਰਨ ਲਈ d = 100 µm ਲਈ ਉਮੀਦ ਕੀਤੀ ਤਾਕਤ); ਜੇਕਰ ਕੋਡ ਉਹ ਮੁੱਲ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਇਸ 'ਤੇ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹੋ; ਜੇਕਰ ਅਜਿਹਾ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਗਲਤੀ ਲੁਕ ਜਾਂਦੀ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ: AI ਨਾਲ ਇੱਕ ਸੁਰੱਖਿਅਤ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਵਾਹ

1. ਕੰਮ ਅਤੇ ਡੇਟਾ ਦਾ ਵਰਣਨ ਕਰੋ: ਕਿਹੜੀ ਫਾਈਲ, ਕਿਹੜੇ ਕਾਲਮ, ਕਿਹੜੀਆਂ ਇਕਾਈਆਂ, ਕੀ ਗਿਣਿਆ ਜਾਵੇਗਾ?
2. ਕੋਡ ਪਿੰਜਰ ਦੀ ਬੇਨਤੀ ਕਰੋ: AI ਨੂੰ ਇੱਕ ਟਿੱਪਣੀ, ਕਦਮ-ਵੰਡਿਆ ਪਿੰਜਰ ਲਈ ਪੁੱਛੋ; ਸਿਖਰ 'ਤੇ ਸਪੱਸ਼ਟ ਵੇਰੀਏਬਲ ਦੇ ਨਾਲ ਇਕਾਈਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ।
3. ਛੋਟੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕਰੋ: ਪਹਿਲਾਂ ਕੁਝ ਕਤਾਰਾਂ/ਜਾਣਿਆ ਮੁੱਲਾਂ ਨਾਲ ਚਲਾਓ; ਨਤੀਜੇ ਨੂੰ ਹੱਥੀਂ ਚੈੱਕ ਕਰੋ।
4. ਯੂਨਿਟ ਅਤੇ ਸੀਮਾ ਨਿਯੰਤਰਣ: ਕੀ ਆਉਟਪੁੱਟ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਵਾਜਬ ਹੈ? ਕੀ ਨਕਾਰਾਤਮਕ ਤਾਕਤ, 120% ਦਰ ਵਰਗੀ ਕੋਈ ਬਕਵਾਸ ਹੈ?
5. ਕਲਪਨਾ ਕਰੋ ਅਤੇ ਦੇਖੋ: ਕੀ ਗ੍ਰਾਫ ਸੰਭਾਵਿਤ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ? ਕੀ ਆਊਟਲੀਅਰ ਡੇਟਾ ਦੀਆਂ ਗਲਤੀਆਂ ਹਨ?
6. ਤਸਦੀਕ ਕਰੋ ਅਤੇ ਦਸਤਾਵੇਜ਼: ਨਤੀਜੇ ਦੀ ਤੁਲਨਾ ਇੱਕ ਸੁਤੰਤਰ ਗਣਨਾ/ਸਟੈਂਡਰਡ ਨਾਲ ਕਰੋ; ਕੋਡ ਅਤੇ ਧਾਰਨਾਵਾਂ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ।

AI ਕੋਡ ਪੁਸ਼ਟੀਕਰਨ ਸਾਰਣੀ

ਜੋਖਮ

ਲੱਛਣ

ਨਿਯੰਤਰਣ ਵਿਧੀ

ਯੂਨਿਟ ਗੜਬੜ

ਨਤੀਜਾ 1000x ਵਿਗਾੜ ਹੈ

ਸਪਸ਼ਟ ਵੇਰੀਏਬਲ, ਆਕਾਰ ਨਿਯੰਤਰਣ ਵਿੱਚ ਇਕਾਈਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ

ਗਲਤ ਗੁਣਾਂਕ/ਫਾਰਮੂਲਾ

ਵਾਜਬ ਪਰ ਗਲਤ ਮੁੱਲ

ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬਾਂ ਦੇ ਨਾਲ ਟੈਸਟ ਦ੍ਰਿਸ਼

ਚੁੱਪ ਡਾਟਾ ਨੁਕਸਾਨ

ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਉਮੀਦ ਨਾਲੋਂ ਘੱਟ ਹੈ

ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਦੀਆਂ ਕਤਾਰਾਂ ਦੀ ਗਿਣਤੀ ਛਾਪੋ

ਬਾਹਰੀ ਵਿਗਾੜ

ਔਸਤ ਕਯਾਕ

ਗ੍ਰਾਫ਼ ਨਾਲ ਕਲਪਨਾ ਕਰੋ, ਵੰਡ ਨੂੰ ਦੇਖੋ

ਓਵਰਫਿਟਿੰਗ (ਭਰਮ ਵਾਲੀ ਲਾਇਬ੍ਰੇਰੀ)

ਗੈਰ-ਮੌਜੂਦ ਫੰਕਸ਼ਨ

ਚਲਾਓ, ਗਲਤੀ ਪੜ੍ਹੋ, ਦਸਤਾਵੇਜ਼ ਦੇਖੋ

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਲੁਕਵੀਂ ਵਾਲੀਅਮ ਗਲਤੀ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਹਾਲ-ਪੈਚ ਗਣਨਾ ਲਈ ਏਆਈ ਤੋਂ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰਦਾ ਹੈ; ਕੋਡ ਮੀਟਰਾਂ ਵਿੱਚ ਅਨਾਜ ਦੇ ਵਿਆਸ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ, ਪਰ ਇੰਜੀਨੀਅਰ ਮਾਈਕ੍ਰੋਮੀਟਰਾਂ ਵਿੱਚ ਦਾਖਲ ਹੁੰਦਾ ਹੈ। ਨਤੀਜਾ 1000 ਗੁਣਾ ਉਲਟ ਹੈ, ਪਰ ਇਹ ਪਹਿਲੀ ਨਜ਼ਰ 'ਤੇ ਧਿਆਨ ਦੇਣ ਯੋਗ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ "ਨੰਬਰ" ਵਰਗਾ ਲੱਗਦਾ ਹੈ। Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler। ਪਾਠ: ਜਾਣਿਆ-ਪਛਾਣਿਆ-ਜਵਾਬ ਟੈਸਟਿੰਗ ਸਕਿੰਟਾਂ ਵਿੱਚ ਯੂਨਿਟ ਦੀ ਗਲਤੀ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੀ ਹੈ।

ਕੇਸ 2 - ਚੁੱਪ ਡੇਟਾ ਦਾ ਨੁਕਸਾਨ। ਇੱਕ ਟੀਮ ਏਆਈ-ਲਿਖਤ ਕੋਡ ਨਾਲ 500 ਪੁੱਲ ਟੈਸਟ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸਾਫ਼ ਕਰਦੀ ਹੈ; ਜਦੋਂ ਕਿ ਕੋਡ ਗੁੰਮ ਮੁੱਲਾਂ ਵਾਲੀਆਂ ਕਤਾਰਾਂ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ, ਇਹ ਗਲਤੀ ਨਾਲ 300 ਕਤਾਰਾਂ ਨੂੰ ਛੱਡ ਕੇ ਕੁਝ ਵੈਧ ਕਤਾਰਾਂ ਨੂੰ ਵੀ ਰੱਦ ਕਰ ਦਿੰਦਾ ਹੈ। ਔਸਤ ਤਾਕਤ ਉਮੀਦ ਨਾਲੋਂ ਵੱਧ ਹੈ ਕਿਉਂਕਿ ਘੱਟ ਮੁੱਲ ਵਾਲਾ ਬੈਚ ਖਤਮ ਹੋ ਗਿਆ ਹੈ। ਜਦੋਂ ਟੀਮ ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਦੀ ਹੈ, ਤਾਂ ਉਹ ਦੇਖਦੇ ਹਨ ਕਿ 200 ਕਤਾਰਾਂ ਚੁੱਪਚਾਪ ਗਾਇਬ ਹੋ ਗਈਆਂ ਹਨ ਅਤੇ ਫਿਲਟਰ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ। ਪਾਠ: ਹਰੇਕ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਪੜਾਅ 'ਤੇ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਛਾਪਣ ਨਾਲ ਚੁੱਪ ਨੁਕਸਾਨ ਹੁੰਦਾ ਹੈ।

ਕੇਸ 3 - ਸਹੀ ਵਰਤੋਂ, ਦੁਹਰਾਉਣਯੋਗ ਰਿਪੋਰਟ। ਇੱਕ ਗੁਣਵੱਤਾ ਟੀਮ ਨੂੰ ਦਰਜਨਾਂ ਭੱਠੀ ਦੇ ਰਿਕਾਰਡਾਂ 'ਤੇ ਕਾਰਵਾਈ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਹਰ ਹਫ਼ਤੇ ਸੰਖੇਪ ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕਰਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਇਹ AI ਨੂੰ ਇੱਕ ਟਿੱਪਣੀ ਕੀਤੀ ਸਕ੍ਰਿਪਟ ਲਿਖਣ ਲਈ ਕਹਿੰਦਾ ਹੈ ਜੋ ਫਾਈਲਾਂ ਨੂੰ ਬਲਕ ਵਿੱਚ ਪੜ੍ਹਦਾ ਹੈ ਅਤੇ ਗ੍ਰਾਫ ਅਤੇ ਸੰਖੇਪ ਟੇਬਲ ਬਣਾਉਂਦਾ ਹੈ। ਟੀਮ ਕੁਝ ਜਾਣੀਆਂ ਫਾਈਲਾਂ ਦੇ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ, ਯੂਨਿਟਾਂ ਅਤੇ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ, ਆਉਟਪੁੱਟ ਗ੍ਰਾਫ ਦੀ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਜਾਂਚ ਕਰਦੀ ਹੈ। ਫਿਰ ਸਕ੍ਰਿਪਟ ਹਫਤਾਵਾਰੀ ਵਰਤਦਾ ਹੈ; ਕੰਮ ਦੇ ਘੰਟੇ ਮਿੰਟਾਂ ਵਿੱਚ ਘਟਾ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਹਰ ਹਫ਼ਤੇ ਉਸੇ, ਆਡਿਟ ਯੋਗ ਤਰੀਕੇ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ। ਏਆਈ ਨੇ ਦੁਹਰਾਉਣ ਯੋਗ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾਇਆ, ਟੀਮ ਨੇ ਪੁਸ਼ਟੀ ਕੀਤੀ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਕੋਡ ਸਕੈਲਟਨ ਟੈਂਪਲੇਟ"ਭੂਮਿਕਾ: ਤੁਸੀਂ ਧਾਤੂ ਵਿਗਿਆਨ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕੋਡ ਸਹਾਇਕ ਹੋ। ਕਾਰਜ: [ਉਦਾਹਰਨ ਲਈ CSV ਅਤੇ ਔਸਤ ਉਪਜ ਸ਼ਕਤੀ ਤੋਂ ਡਰਾਇੰਗ ਨਤੀਜੇ ਪੜ੍ਹੋ]। ਡੇਟਾ: [ਫਾਈਲ, ਕਾਲਮ, UNITS]। ਪਾਂਡਾ ਦੇ ਨਾਲ ਇੱਕ ਟਿੱਪਣੀ ਕੀਤੀ ਪਿੰਜਰ ਲਿਖੋ: (1) ਉੱਪਰਲੇ ਡੇਟਾ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ, ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ, 2 ਪ੍ਰਿੰਟ ਕਰੋ (ਉੱਪਰਲੇ ਡੇਟਾ ਦੀ ਗਿਣਤੀ ਕਰੋ) (3) ਵਿੱਚ ਪੜ੍ਹਨਯੋਗ ਇਕਾਈਆਂ ਦੀ ਗਿਣਤੀ ਕਰੋ। ਕਤਾਰ ਨੂੰ ਦੁਬਾਰਾ ਸਾਫ਼ ਕਰੋ ਅਤੇ ਪ੍ਰਿੰਟ ਕਰੋ, (4) ਗਣਨਾ ਕਰੋ, (5) ਨਤੀਜਾ ਛਾਪੋ ਅਤੇ ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਟਿੱਪਣੀਆਂ ਸ਼ਾਮਲ ਕਰੋ ਜਿੱਥੇ ਮੈਨੂੰ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਜਾਣਿਆ ਜਵਾਬ ਟੈਸਟ ਟੈਮਪਲੇਟ "ਹੇਠ ਦਿੱਤੇ ਫੰਕਸ਼ਨ ਲਈ ਇੱਕ 'ਜਾਣਿਆ ਜਵਾਬ ਟੈਸਟ' ਲਿਖੋ: [ਫੰਕਸ਼ਨ]। ਇੱਕ ਛੋਟਾ ਇੰਪੁੱਟ ਚੁਣੋ ਜਿਸਦਾ ਨਤੀਜਾ ਹੱਥੀਂ ਗਿਣਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਉਮੀਦ ਕੀਤੀ ਆਉਟਪੁੱਟ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ, ਅਤੇ ਦਾਅਵੇ ਨਾਲ ਜਾਂਚ ਕਰੋ। ਇਕਾਈ ਦੀ ਇਕਸਾਰਤਾ ਦੀ ਜਾਂਚ ਕਰੋ। ਜੇਕਰ ਟੈਸਟ ਪਾਸ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਸੰਭਾਵਿਤ ਕਾਰਨਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ (ਯੂਨਿਟ, ਗੁਣਾਂਕ, ਫਾਰਮੂਲਾ)।"

ਕੋਡ ਸਮੀਖਿਆ / ਡੀਬੱਗ ਟੈਮਪਲੇਟ "ਹੇਠ ਦਿੱਤੇ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ: [ਕੋਡ]। ਹੇਠਾਂ ਦਿੱਤੇ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਫਲੈਗ ਕਰੋ: (1) ਵੌਲਯੂਮ ਇਕਸਾਰਤਾ, (2) ਚੁੱਪ ਡੇਟਾ ਦੇ ਨੁਕਸਾਨ ਦਾ ਖਤਰਾ, (3) ਬਾਹਰੀ ਪ੍ਰਭਾਵ, (4) ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਆਉਟਪੁੱਟ (ਨਕਾਰਾਤਮਕ ਤਾਕਤ, > 100% ਦਰ)। ਲਿਖੋ ਕਿ ਹਰੇਕ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ 'ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਨਾ ਕਰਨ ਯੋਗ ਜੋਖਮ' ਦੇ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਨਾ ਕਰੋ।"

ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਟੈਮਪਲੇਟ "ਮੈਟਪਲੋਟਲਿਬ ਦੇ ਨਾਲ ਪਲਾਟ [ਟੈਨਸਾਈਲ ਕਰਵ/ਕੰਟਰੋਲ ਪਲਾਟ/ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ]। ਐਕਸਿਸ ਲੇਬਲ, ਸਿਰਲੇਖ ਅਤੇ ਗਰਿੱਡ ਵਿੱਚ UNITS ਜੋੜੋ। ਆਊਟਲੀਅਰਸ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਧਿਆਨ ਦਿਓ ਕਿ ਮੈਨੂੰ ਪਲਾਟ ਦੀ ਵਿਜ਼ੂਅਲ ਜਾਂਚ ਕਰਨ ਅਤੇ ਸੰਭਾਵਿਤ ਰੁਝਾਨ (ਜਿਵੇਂ ਕਿ ਵਧਦੇ ਤਣਾਅ-ਤਣਾਅ) ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਕਿਸੇ ਵੀ ਪੁਆਇੰਟ ਨੂੰ 'ਡਾਟਾ' ਨਾ ਲੁਕਾਓ।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਮੈਨੂੰ ਉਹ ਕੋਡ ਲਿਖੋ ਜੋ ਹਾਲ-ਪੈਚ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।"

ਸਟ੍ਰੋਂਟ ਪ੍ਰੌਮਪਟ:"ਭੂਮਿਕਾ: ਤੁਸੀਂ ਮੈਟਲਰਜੀਕਲ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਕੋਡ ਅਸਿਸਟੈਂਟ ਹੋ। ਹਾਲ-ਪੈਚ (σy = σ0 + k·d^(-1/2)) ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਕ ਪਾਈਥਨ ਫੰਕਸ਼ਨ ਲਿਖੋ। ਇਕਾਈਆਂ: d ਮਾਈਕ੍ਰੋਮੀਟਰ, σ0 ਅਤੇ σy MPa, k MPaµm^(1/2 ਯੂਨਿਟ ਦੇ ਅੰਦਰ ਵੀ ਟਿੱਪਣੀ) ਅਤੇ Turion ਫੰਕਸ਼ਨ = 1/2. 100 µm,σ0 = 50 MPa, k = 300 MPa·µm^0.5 ਲਈ ਸੰਭਾਵਿਤ ਨਤੀਜੇ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਅਸਰਟ ਦੇ ਨਾਲ ਟੈਸਟ ਕਰੋ (σy ਨੂੰ ਟੈਸਟ ਕੀਤੇ ਬਿਨਾਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ)।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ ਕੋਡ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਕੋਈ ਯੂਨਿਟ ਅਤੇ ਟੈਸਟਿੰਗ ਨਹੀਂ ਹੈ ਅਤੇ ਚੁੱਪਚਾਪ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ। ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਇਕਾਈਆਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਪਰਿਵਰਤਨ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬ ਦੀ ਜਾਂਚ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਜਾਂਚ - ਕੋਡ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਬਣਾਉਣਾ।

ਮੋਡੀਊਲ ਦਾ ਸੰਪੂਰਨ ਸੰਖੇਪ: ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ AI ਦੀ ਥਾਂ ਅਤੇ ਸੀਮਾਵਾਂ

ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਇੱਕ ਹੀ ਸਿਧਾਂਤ ਨੂੰ ਦੁਹਰਾਇਆ ਗਿਆ: AI ਇੱਕ ਸਹਾਇਕ ਹੈ, ਇੱਕ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਨਹੀਂ। ਬਾਰ੍ਹਾਂ ਯੂਨਿਟਾਂ ਵਿੱਚ, ਅਸੀਂ ਸਮੱਗਰੀ ਦੀ ਚੋਣ ਤੋਂ ਲੈ ਕੇ ਸੰਪਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਤੱਕ, ਪੜਾਅ ਵਿਸ਼ਲੇਸ਼ਣ ਤੋਂ ਮਾਈਕ੍ਰੋਸਟ੍ਰਕਚਰ ਤੱਕ, ਤਾਪ ਦੇ ਇਲਾਜ ਤੋਂ ਫੈਬਰੀਕੇਸ਼ਨ ਤੱਕ, ਨੁਕਸਾਨ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ, ਮਾਨਕੀਕਰਨ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਪਾਈਥਨ ਵਿਸ਼ਲੇਸ਼ਣ ਤੱਕ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਹਰੇਕ ਯੂਨਿਟ ਵਿੱਚ, AI ਨੇ ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ, ਕਲਪਨਾ ਤਿਆਰ ਕੀਤੀ, ਡਰਾਫਟ ਅਤੇ ਕੋਡ ਲਿਖਿਆ - ਪਰ ਕਿਸੇ ਵੀ ਯੂਨਿਟ ਵਿੱਚ ਇਸ ਨੇ ਇਕੱਲੇ ਫੈਸਲਾ ਨਹੀਂ ਲਿਆ। ਸੀਮਾਵਾਂ ਸਪੱਸ਼ਟ ਸਨ: ਭਰਮ (ਬਣਾਇਆ ਗਿਆ ਨੰਬਰ ਅਤੇ ਮਿਆਰ), ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਜ਼ਿੰਮੇਵਾਰੀ ਦੀ ਗੈਰ-ਸਪੁਰਦਗੀ, ਡੇਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਮਾਪ/ਕੈਲੀਬ੍ਰੇਸ਼ਨ 'ਤੇ ਨਿਰਭਰਤਾ, ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਅਤੇ ਗੁਪਤਤਾ ਦਾ ਜੋਖਮ। ਮਾਨਕ-ਪ੍ਰਯੋਗਸ਼ਾਲਾ-ਖਾਤਾ ਤਿਕੋਣ ਵਿੱਚ ਤਸਦੀਕ ਦਾ ਅਨੁਸ਼ਾਸਨ ਹਮੇਸ਼ਾ ਮਨੁੱਖਾਂ ਕੋਲ ਰਿਹਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬਾਂ ਨਾਲ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਅਸਲੀ ਡੇਟਾ 'ਤੇ ਕੋਡ ਨੂੰ ਲਾਗੂ ਕਰਨਾ।
• ਇਕਾਈਆਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ ਕਰਨਾ; MPa/ksi, µm/m ਉਲਝਣ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹੋਏ।
• ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮਾਂ ਦੇ ਦੌਰਾਨ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਪ੍ਰਿੰਟ ਨਹੀਂ ਕਰਨਾ ਅਤੇ ਚੁੱਪ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਣਾ.
• ਬਾਹਰਲੇ ਲੋਕਾਂ ਦੀ ਕਲਪਨਾ ਕੀਤੇ ਬਿਨਾਂ ਮਤਲਬ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ।
• AI ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਗੈਰ-ਮੌਜੂਦ ਲਾਇਬ੍ਰੇਰੀ/ਫੰਕਸ਼ਨ ਨੂੰ ਇਸ ਨੂੰ ਲਾਗੂ ਕੀਤੇ ਬਿਨਾਂ ਸਵੀਕਾਰ ਕਰਨਾ।
• ਇਹ ਮੰਨਣਾ ਕਿ ਕੋਡ ਸਹੀ ਹੈ ਕਿਉਂਕਿ ਇਹ "ਕੰਮ ਕਰਦਾ ਜਾਪਦਾ ਹੈ"; ਸਰੀਰਕ ਅਨੁਕੂਲਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਵਿੱਚ ਅਸਫਲਤਾ.

ਸੰਖੇਪ ਵਿੱਚ

ਪਾਈਥਨ ਦੇ ਨਾਲ ਮੈਟਲਰਜੀਕਲ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਏਆਈ ਕੋਡਿੰਗ, ਡੀਬੱਗਿੰਗ ਅਤੇ ਆਟੋਮੇਸ਼ਨ ਲਈ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਐਕਸਲੇਟਰ ਹੈ; ਪਰ ਇਹ ਜੋ ਕੋਡ ਬਣਾਉਂਦਾ ਹੈ ਉਸ ਵਿੱਚ ਯੂਨਿਟ ਦੀਆਂ ਗਲਤੀਆਂ, ਗਲਤ ਗੁਣਾਂਕ, ਅਤੇ ਚੁੱਪ ਡਾਟਾ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ। ਜਾਣੇ-ਪਛਾਣੇ-ਜਵਾਬ ਟੈਸਟਿੰਗ, ਯੂਨਿਟ ਚੈਕਿੰਗ, ਲਾਈਨ ਕਾਉਂਟ ਟਰੈਕਿੰਗ, ਅਤੇ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ ਦੇ ਨਾਲ ਹਰੇਕ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਇੱਥੇ, ਜਿਵੇਂ ਕਿ ਪੂਰੇ ਮੋਡੀਊਲ ਵਿੱਚ, AI ਸਹਾਇਕ ਹੈ: ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਗਤੀ ਅਤੇ ਸੰਗਠਨ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਦੁਆਰਾ ਲਈ ਗਈ ਹੈ। ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਧਾਤੂ ਸੰਬੰਧੀ ਫੈਸਲਿਆਂ ਵਿੱਚ, AI ਆਉਟਪੁੱਟ ਕਦੇ ਵੀ ਮਿਆਰਾਂ, ਪ੍ਰਯੋਗਾਂ, ਗਣਨਾਵਾਂ ਅਤੇ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੁੰਦਾ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਧਾਤੂ ਗਣਨਾ ਚੁਣੋ (ਜਿਵੇਂ ਕਿ ਹਾਲ-ਪੈਚ ਜਾਂ ਟੈਂਸਿਲ ਡਾਟਾ ਔਸਤ)। "CODE SKELETON" ਟੈਂਪਲੇਟ ਦੇ ਨਾਲ, AI ਨੂੰ ਇੱਕ ਟਿੱਪਣੀ ਕੀਤੇ ਕੋਡ ਲਈ ਪੁੱਛੋ ਜੋ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਇਕਾਈਆਂ ਦੇ ਨਾਲ ਲਾਈਨਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਦਾ ਹੈ। ਫਿਰ ਇੱਕ ਟੈਸਟ ਦ੍ਰਿਸ਼ ਸ਼ਾਮਲ ਕਰੋ ਜਿੱਥੇ ਤੁਸੀਂ "ਜਾਣਿਆ ਜਵਾਬ ਟੈਸਟ" ਟੈਮਪਲੇਟ ਨਾਲ ਨਤੀਜਾ ਹੱਥੀਂ ਜਾਣਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ ਚਲਾਓ। ਜੇਕਰ ਕੋਡ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਨਹੀਂ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਗਲਤੀ (ਇਕਾਈ, ਗੁਣਾਂਕ, ਡੇਟਾ) ਲੱਭੋ ਅਤੇ ਇਸਨੂੰ ਠੀਕ ਕਰੋ। ਅੰਤ ਵਿੱਚ, AI ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਬਾਰੇ ਲਿਖੋ ਜੋ ਤੁਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਸਿੱਖੀ ਹੈ, ਇਸਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਕਾਰੋਬਾਰ ਲਈ ਤਿੰਨ ਲੇਖਾਂ ਵਿੱਚ ਢਾਲ ਕੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ AI ਨੂੰ ਕਾਰਜ, ਡੇਟਾ ਅਤੇ ਯੂਨਿਟਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਕੋਡ ਦੇ ਸਿਖਰ 'ਤੇ ਸਪੱਸ਼ਟ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਇਕਾਈਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮਾਂ ਵਿੱਚ, ਮੈਂ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਪ੍ਰਿੰਟ ਕੀਤਾ ਅਤੇ ਚੁੱਪ ਦੇ ਨੁਕਸਾਨ ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬ ਦੇ ਨਾਲ ਇੱਕ ਟੈਸਟ ਕੇਸ ਨਾਲ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਆਉਟਪੁੱਟ ਦੀ ਭੌਤਿਕ ਅਨੁਕੂਲਤਾ (ਨਕਾਰਾਤਮਕ/ਬੇਤੁਕੇ ਮੁੱਲ) ਦੀ ਜਾਂਚ ਕੀਤੀ।
• [ ] ਮੈਂ AI ਨੂੰ ਐਕਸਲੇਟਰ ਵਜੋਂ ਵਰਤਿਆ; ਮੈਂ ਇਮਾਨਦਾਰੀ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਕਾਇਮ ਰੱਖਿਆ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਇੱਕ ਸਮੱਗਰੀ ਇੰਜੀਨੀਅਰ ਦੇ ਤੌਰ 'ਤੇ ਇੱਕ AI ਟੂਲ ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ, ਹੇਠ ਲਿਖਿਆਂ ਵਿੱਚੋਂ ਕਿਸ ਲਈ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਮਨੁੱਖੀ (ਕਾਨੂੰਨੀ ਇੰਜੀਨੀਅਰ) ਦੇ ਕੋਲ ਹੀ ਰਹਿਣੀ ਚਾਹੀਦੀ ਹੈ?

• A) ਸੇਵਾ ਲਈ ਕਿਸੇ ਹਿੱਸੇ ਦੀ ਅਨੁਕੂਲਤਾ ਦੀ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਦਸਤਖਤ ✔
• ਅ) ਨੁਕਸਾਨ ਦੀ ਰਿਪੋਰਟ ਦੇ ਪਹਿਲੇ ਖਰੜੇ ਦੀ ਤਿਆਰੀ
• C) ਇੱਕ ਮਾਈਕਰੋਸਟ੍ਰਕਚਰ ਗ੍ਰਾਫ ਦੇ ਧੁਰੇ ਲੇਬਲ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨਾ
• D) ਇੱਕ ਪ੍ਰਸਤੁਤੀ ਲਈ ਧਾਤੂ ਸੰਬੰਧੀ ਸ਼ਬਦਾਂ ਦੀ ਇੱਕ ਸ਼ਬਦਾਵਲੀ ਤਿਆਰ ਕਰਨਾ

ਵਰਣਨ: AI; ਇਹ ਸੰਕਲਪ ਸਪਸ਼ਟੀਕਰਨ, ਰਿਪੋਰਟ ਡਰਾਫਟ, ਪਰਿਕਲਪਨਾ ਸੂਚੀ ਅਤੇ ਕੋਡ ਪਿੰਜਰ ਵਰਗੇ ਕੰਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸੇਵਾ/ਫਲਾਈਟ ਲਈ ਕਿਸੇ ਹਿੱਸੇ ਦੀ ਅਨੁਕੂਲਤਾ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦੇਣਾ ਇੱਕ ਅਜਿਹਾ ਫੈਸਲਾ ਹੈ ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਜੀਵਨ ਅਤੇ ਸੰਪਤੀ ਦੀ ਸੁਰੱਖਿਆ ਹੁੰਦੀ ਹੈ; ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਟੈਸਟਿੰਗ ਅਤੇ ਅਧਿਕ੍ਰਿਤ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਤੋਂ ਬਿਨਾਂ AI ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

2. ਤੁਸੀਂ AI ਨੂੰ AISI 4140 ਸਟੀਲ ਦੇ 200 ਡਿਗਰੀ ਸੈਲਸੀਅਸ ਤਾਪਮਾਨ 'ਤੇ ਬੁਝਾਉਣ ਅਤੇ ਪੈਦਾ ਕਰਨ ਦੀ ਤਾਕਤ ਬਾਰੇ ਪੁੱਛਿਆ, ਅਤੇ ਉਸਨੇ ਜਵਾਬ ਦਿੱਤਾ '1500 MPa ਪੱਕਾ'। ਪਹਿਲੀ ਸਹੀ ਕਾਰਵਾਈ ਕੀ ਹੈ?

• A) ਮੁੱਲ ਨੂੰ ਸਿੱਧਾ ਡਿਜ਼ਾਈਨ ਖਾਤੇ ਵਿੱਚ ਪਾਓ ਕਿਉਂਕਿ AI ਭਰੋਸੇਮੰਦ ਲੱਗਦਾ ਹੈ
• ਅ) ਸਮਗਰੀ ਡੇਟਾ ਸ਼ੀਟ/ਮਿਲ ਸਰਟੀਫਿਕੇਟ ਅਤੇ ਜੇ ਲੋੜ ਹੋਵੇ ਤਾਂ ਟੈਂਸਿਲ ਟੈਸਟ ਨਾਲ ਮੁੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, ਸਿੰਗਲ ਪੁਆਇੰਟ ਮੁੱਲ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰਦੇ ਹੋਏ ✔
• C) ਸੁਰੱਖਿਅਤ ਪਾਸੇ 'ਤੇ ਰਹਿਣ ਲਈ ਬੇਤਰਤੀਬੇ ਮੁੱਲ ਨੂੰ ਘਟਾਉਣਾ
• ਡੀ) ਮੁੱਲ ਨੂੰ ਸਵੀਕਾਰ ਕਰੋ ਅਤੇ ਸਿੱਧੇ ਹੀਟ ਟ੍ਰੀਟਮੈਂਟ ਰੈਸਿਪੀ 'ਤੇ ਜਾਓ

ਵਿਆਖਿਆ: ਭਾਸ਼ਾ ਮਾਡਲ ਯਕੀਨਨ ਤੌਰ 'ਤੇ ਅਸਪਸ਼ਟ ਸੰਖਿਆਵਾਂ (ਭਰਮ) ਬਣਾ ਸਕਦੇ ਹਨ। ਉਪਜ ਦੀ ਤਾਕਤ; ਇਹ ਟੈਂਪਰਿੰਗ ਤਾਪਮਾਨ, ਭਾਗ ਦੀ ਮੋਟਾਈ ਅਤੇ ਕਠੋਰਤਾ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਮਿਆਰ ਦੇ ਅਨੁਸਾਰ ਮਿੱਲ ਸਰਟੀਫਿਕੇਟ ਜਾਂ ਟੈਂਸਿਲ ਟੈਸਟ ਤੋਂ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ, ਅਤੇ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਇੱਕ ਵੀ ਪੁਆਇੰਟ AI ਆਉਟਪੁੱਟ ਸ਼ਾਮਲ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।

3. ਸਟੀਲ ਦੀ ਸੰਪੱਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਇੱਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਦੇ ਨਾਲ, AI ਨੇ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਰਚਨਾ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਇੱਕ ਮਿਸ਼ਰਤ ਖੂਹ ਲਈ ਇੱਕ 'ਸੁਰੱਖਿਅਤ' ਮੁੱਲ ਪੈਦਾ ਕੀਤਾ। ਇਸ ਆਉਟਪੁੱਟ ਨਾਲ ਮੁੱਖ ਸਮੱਸਿਆ ਕੀ ਹੈ?

• ਏ) ਮਾਡਲ ਹਮੇਸ਼ਾ ਪ੍ਰਤੀਸ਼ਤ ਵਿੱਚ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ, MPa ਗਲਤ ਹੈ
• ਅ) ਪੂਰਵ-ਅਨੁਮਾਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਿਖਲਾਈ ਡੇਟਾ ਸੀਮਾ (ਐਕਸਟ੍ਰਾਪੋਲੇਸ਼ਨ) ਤੋਂ ਬਾਹਰ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ✔
• C) ਮਾਡਲ ਸਿਰਫ ਸਟੇਨਲੈੱਸ ਸਟੀਲ ਲਈ ਕੰਮ ਕਰਦਾ ਹੈ
• D) ਮਾਡਲ ਦਾ ਆਉਟਪੁੱਟ ਹਮੇਸ਼ਾ ਅਸਲ ਮੁੱਲ ਤੋਂ ਦੁੱਗਣਾ ਹੁੰਦਾ ਹੈ

ਵਿਆਖਿਆ: ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ (ਇੰਟਰਪੋਲੇਸ਼ਨ) ਦੀ ਸੀਮਾ ਦੇ ਅੰਦਰ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ; ਜਦੋਂ ਇਸ ਰੇਂਜ (ਐਕਸਟ੍ਰਾਪੋਲੇਸ਼ਨ) ਤੋਂ ਬਾਹਰ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਭਵਿੱਖਬਾਣੀਆਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਮਾਡਲ ਅਕਸਰ ਇਹ ਨਹੀਂ ਦਿਖਾਉਂਦੇ ਹਨ। ਸਿਖਲਾਈ ਡੇਟਾ ਵੰਡ ਤੋਂ ਬਾਹਰ ਇੱਕ ਬਿੰਦੂ 'ਤੇ ਤਿਆਰ ਮੁੱਲ ਨੂੰ ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਮਾਣਿਕਤਾ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

4. ਤੁਸੀਂ ਇੱਕ ਦੋ-ਪੜਾਅ ਵਾਲੇ ਮਿਸ਼ਰਤ ਵਿੱਚ ਪੜਾਅ ਅਨੁਪਾਤ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ AI ਲਾਗੂ ਕੀਤਾ ਹੈ। 'ਲੀਵਰ ਨਿਯਮ' ਨੂੰ ਲਾਗੂ ਕਰਨ ਵੇਲੇ AI ਨੂੰ ਕਿਹੜੇ ਇਨਪੁਟ ਦੀ ਸਹੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ?

• ਏ) ਸਿਰਫ ਤਾਪਮਾਨ; ਸੰਜੋਗ ਬੇਲੋੜੇ ਹਨ
• ਅ) ਸਿਰਫ਼ ਮਿਸ਼ਰਤ ਦੀ ਘਣਤਾ
• C) ਸੰਬੰਧਿਤ ਤਾਪਮਾਨ 'ਤੇ ਫੇਜ਼ ਸੀਮਾ ਰਚਨਾਵਾਂ ਦੇ ਨਾਲ ਮਿਸ਼ਰਤ ਮਿਸ਼ਰਣ ਦੀ ਕੁੱਲ ਰਚਨਾ ✔
• ਡੀ) ਸਿਰਫ ਪਿਘਲਣ ਦਾ ਤਾਪਮਾਨ

ਵਿਆਖਿਆ: ਲੀਵਰ ਨਿਯਮ ਫੇਜ਼ ਸੀਮਾ ਰਚਨਾਵਾਂ (ਜਿਵੇਂ ਕਿ ਠੋਸ ਅਤੇ ਤਰਲ ਪੜਾਅ ਦੀਆਂ ਰਚਨਾਵਾਂ) ਅਤੇ ਇੱਕ ਦਿੱਤੇ ਤਾਪਮਾਨ 'ਤੇ ਮਿਸ਼ਰਤ ਮਿਸ਼ਰਣ ਦੀ ਕੁੱਲ ਰਚਨਾ ਵਿਚਕਾਰ ਦੂਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੜਾਅ ਮਾਤਰਾਵਾਂ ਦਿੰਦਾ ਹੈ। ਜੇ ਪੜਾਅ ਸੀਮਾ ਸੰਜੋਗ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਪੜ੍ਹਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਅਨੁਪਾਤ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਹੋਵੇਗਾ; ਇਸ ਲਈ, ਪੜਾਅ ਚਿੱਤਰ ਤੋਂ ਮੁੱਲਾਂ ਦੀ ਪੁਸ਼ਟੀ ਲਾਜ਼ਮੀ ਹੈ.

5. ਤੁਸੀਂ AI-ਸੰਚਾਲਿਤ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਪ੍ਰਵਾਹ ਨਾਲ ਮਾਈਕ੍ਰੋਸਟ੍ਰਕਚਰ ਤੋਂ ਅਨਾਜ ਦਾ ਆਕਾਰ ਮਾਪਿਆ, ਪਰ ਸਕੇਲ ਬਾਰ ਨੂੰ ਪਿਕਸਲ ਤੱਕ ਕੈਲੀਬਰੇਟ ਕਰਨਾ ਭੁੱਲ ਗਏ। ਨਤੀਜਾ ਭਰੋਸੇਯੋਗ ਕਿਉਂ ਨਹੀਂ ਹੈ?

• A) ਸਾਰੇ ਅਯਾਮੀ ਮਾਪ ਗਲਤ ਪੈਮਾਨੇ 'ਤੇ ਹਨ ਕਿਉਂਕਿ ਪਿਕਸਲ-ਲੰਬਾਈ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨਹੀਂ ਕੀਤੀ ਗਈ ਸੀ ✔
• ਅ) ਮਾਪ ਵਿਗੜਿਆ ਹੈ ਕਿਉਂਕਿ ਰੰਗ ਚਿੱਤਰ ਵਰਤਿਆ ਗਿਆ ਹੈ
• C) ਅਨਾਜ ਦਾ ਆਕਾਰ ਸਿਰਫ SEM ਦੁਆਰਾ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਆਪਟੀਕਲ ਮਾਈਕ੍ਰੋਸਕੋਪੀ ਗਲਤ ਹੈ
• ਡੀ) ਮਾਪ ਬੇਲੋੜਾ ਹੈ ਕਿਉਂਕਿ ਚਿੱਤਰ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਉੱਚ ਹੈ

ਵਰਣਨ: ਮਾਤਰਾਤਮਕ ਧਾਤੂ ਵਿਗਿਆਨ ਵਿੱਚ, ਹਰੇਕ ਪਿਕਸਲ ਇੱਕ ਲੰਬਾਈ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ; ਜੇਕਰ ਇਸ ਪਰਿਵਰਤਨ ਨੂੰ ਸਕੇਲ ਪੱਟੀ ਨਾਲ ਕੈਲੀਬਰੇਟ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਾਰੇ ਅਯਾਮੀ ਮਾਪ ਜਿਵੇਂ ਕਿ ਅਨਾਜ ਦਾ ਆਕਾਰ, ਪੜਾਅ ਅਨੁਪਾਤ, ਅਤੇ ਪੋਰੋਸਿਟੀ ਗਲਤ ਪੈਮਾਨੇ 'ਤੇ ਦਿਖਾਈ ਦੇਣਗੇ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਚਿੱਤਰ-ਆਧਾਰਿਤ ਮਾਪ ਦਾ ਪਹਿਲਾ ਅਤੇ ਲਾਜ਼ਮੀ ਕਦਮ ਹੈ।

6. AI ਨੇ ਇੱਕ ਸਟੀਲ ਲਈ ਟੀਚੇ ਦੀ ਕਠੋਰਤਾ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਹੀਟ ਟ੍ਰੀਟਮੈਂਟ ਰੈਸਿਪੀ (ਆਸਟੇਨਟਾਈਜ਼ਿੰਗ + ਕਵੇਚਿੰਗ + ਟੈਂਪਰਿੰਗ) ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ। ਨੁਸਖ਼ੇ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਕਦਮ ਕੀ ਹੈ?

• ਏ) ਵਿਅੰਜਨ ਨੂੰ ਸਿੱਧੇ ਵੱਡੇ ਉਤਪਾਦਨ ਲਈ ਲਾਗੂ ਕਰਨਾ
• ਅ) ਅਜ਼ਮਾਇਸ਼ ਟੁਕੜੇ 'ਤੇ ਵਿਅੰਜਨ ਨੂੰ ਲਾਗੂ ਕਰੋ, ਕਠੋਰਤਾ/ਮਾਈਕਰੋਸਟ੍ਰਕਚਰ ਨੂੰ ਮਾਪੋ ਅਤੇ ਇਸਦੀ ਮਿਆਰੀ ਨਾਲ ਤੁਲਨਾ ਕਰੋ ✔
• C) ਬਸ ਬੇਤਰਤੀਬੇ ਸੁਰੱਖਿਅਤ ਪਾਸੇ 'ਤੇ tempering ਤਾਪਮਾਨ ਨੂੰ ਵਧਾ
• ਡੀ) ਸਿਰਫ਼ ਨੁਸਖ਼ੇ ਦੇ ਸਪੈਲਿੰਗ ਨੂੰ ਠੀਕ ਕਰਨਾ ਅਤੇ ਮਨਜ਼ੂਰੀ ਦੇਣਾ

ਵਰਣਨ: ਗਰਮੀ ਦੇ ਇਲਾਜ ਦੇ ਨਤੀਜੇ ਵਜੋਂ; ਭਾਗ ਭਾਗ ਦੀ ਮੋਟਾਈ, ਕਠੋਰਤਾ (ਜੋਮਿਨੀ) ਭੱਠੀ ਦੀ ਅਸਲੀਅਤ ਅਤੇ ਕੂਲਿੰਗ ਵਾਤਾਵਰਣ ਦੇ ਨਾਲ ਜ਼ੋਰਦਾਰ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੁੰਦੀ ਹੈ। ਏਆਈ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਨੁਸਖ਼ਾ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਅਨੁਮਾਨ ਹੈ; ਇਸ ਨੂੰ ਟ੍ਰਾਇਲ ਪੀਸ 'ਤੇ ਲਾਗੂ ਕਰਕੇ ਅਤੇ ਕਠੋਰਤਾ ਅਤੇ ਮਾਈਕ੍ਰੋਸਟ੍ਰਕਚਰ ਨੂੰ ਮਾਪ ਕੇ ਅਤੇ ਸਟੈਂਡਰਡ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

7. ਤੁਸੀਂ AI ਨੂੰ ਇੱਕ ਸਮੱਗਰੀ ਸੀਮਾ ਮੁੱਲ ਲਈ ਇੱਕ ASTM ਸਟੈਂਡਰਡ ਦੇ 'ਵਿਸ਼ੇਸ਼ ਪਦਾਰਥ ਨੰਬਰ' ਲਈ ਕਿਹਾ ਅਤੇ ਇਸਨੇ ਇੱਕ ਸਹੀ ਮੁੱਲ ਨਾਲ ਜਵਾਬ ਦਿੱਤਾ। ਸਹੀ ਇੰਜਨੀਅਰਿੰਗ ਵਿਵਹਾਰ ਕੀ ਹੈ?

• A) ਮੁੱਲ ਨੂੰ ਸਿੱਧਾ ਰਿਪੋਰਟ ਵਿੱਚ ਲਿਖਣਾ ਕਿਉਂਕਿ AI ਅੱਪ ਟੂ ਡੇਟ ਹੈ
• ਅ) ਸੁਰੱਖਿਅਤ ਪਾਸੇ ਰਹਿਣ ਲਈ ਬੇਤਰਤੀਬੇ ਮੁੱਲ ਨੂੰ ਬਦਲਣਾ
• C) ਅਧਿਕਾਰਤ ਅਤੇ ਮੌਜੂਦਾ ਸਟੈਂਡਰਡ ਟੈਕਸਟ ਤੋਂ ਪਦਾਰਥ ਨੰਬਰ, ਸੰਸਕਰਣ ਅਤੇ ਮੁੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
• ਡੀ) ਆਈਟਮ ਨੰਬਰ ਨੂੰ ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਅਨੁਕੂਲਤਾ ਫਾਈਲ ਵਿੱਚ ਜੋੜਨਾ

ਵਿਆਖਿਆ: ਭਾਵੇਂ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਮਿਆਰੀ ਨਾਮ ਸਹੀ ਢੰਗ ਨਾਲ ਪਤਾ ਹੋਵੇ, ਉਹ ਲੇਖ ਨੰਬਰ, ਸੰਸਕਰਣ, ਅਤੇ ਬ੍ਰੇਕਪੁਆਇੰਟ ਨੂੰ ਗਲਤ ਯਾਦ ਰੱਖ ਸਕਦੇ ਹਨ ਜਾਂ ਬਣਾ ਸਕਦੇ ਹਨ। ASTM/ISO/EN ਵਰਗੇ ਬਾਈਡਿੰਗ ਖੇਤਰਾਂ ਵਿੱਚ, ਹਰੇਕ ਪਦਾਰਥ ਅਤੇ ਮੁੱਲ ਨੂੰ ਅਧਿਕਾਰਤ ਅਤੇ ਮੌਜੂਦਾ ਸਰੋਤ ਤੋਂ ਜ਼ੁਬਾਨੀ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ; AI ਆਉਟਪੁੱਟ ਸਿਰਫ ਇਹ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਕਿੱਥੇ ਦੇਖਣਾ ਹੈ।

8. ਤੁਸੀਂ AI ਨੂੰ ਇੱਕ ਬੋਲਟ ਦੀ ਟੁੱਟੀ ਹੋਈ ਸਤਹ ਦੀ ਫੋਟੋ ਦਿਖਾਈ ਅਤੇ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕੀਤਾ 'ਇਹ ਯਕੀਨੀ ਤੌਰ' ਤੇ ਇੱਕ ਥਕਾਵਟ ਫ੍ਰੈਕਚਰ ਹੈ'। ਮੂਲ ਕਾਰਨ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?

• A) ਨਿਦਾਨ ਨੂੰ ਸਿੱਧਾ ਰਿਪੋਰਟ ਵਿੱਚ ਲਿਖਣਾ ਕਿਉਂਕਿ AI ਬਿਲਕੁਲ ਸਹੀ ਬੋਲਦਾ ਹੈ
• ਅ) ਬਸ ਫੋਟੋ ਦੇ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨੂੰ ਵਧਾਓ ਅਤੇ ਨਿਦਾਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ
• ਸੀ) ਟੁੱਟੀ ਹੋਈ ਸਤ੍ਹਾ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ ਨਵਾਂ ਹਿੱਸਾ ਸਥਾਪਤ ਕਰਨਾ
• D) ਫ੍ਰੈਕਟੋਗ੍ਰਾਫੀ, ਚਾਰਜ ਹਿਸਟਰੀ, ਅਤੇ ਮਾਈਕਰੋਸਟ੍ਰਕਚਰ ਸਬੂਤ ਦੇ ਨਾਲ ਇੱਕ ਪਰਿਕਲਪਨਾ ਦੇ ਰੂਪ ਵਿੱਚ ਨਿਦਾਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔

ਵਰਣਨ: ਟੁੱਟੀ ਸਤਹ ਵਿਆਖਿਆ; ਫ੍ਰੈਕਟੋਗ੍ਰਾਫੀ (ਸਟ੍ਰੀਏਸ਼ਨ, ਬੀਚ ਲਾਈਨਾਂ, SEM ਨਾਲ ਡਿੰਪਲ/ਕਲੀਵੇਜ ਵਿਭਾਜਨ) ਲਈ ਲੋਡ ਇਤਿਹਾਸ, ਵਾਤਾਵਰਣ ਅਤੇ ਮਾਈਕ੍ਰੋਸਟ੍ਰਕਚਰ ਸਬੂਤ ਨੂੰ ਇਕੱਠੇ ਵਿਚਾਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਿਸ਼ਚਤ ਨਿਦਾਨ AI ਇੱਕ ਸਿੰਗਲ ਫੋਟੋ ਤੋਂ ਕਰਦਾ ਹੈ ਇੱਕ ਅਨੁਮਾਨ ਹੈ; ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੀਆਂ ਖੋਜਾਂ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਮੂਲ ਕਾਰਨ ਦਾ ਐਲਾਨ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

9. ਏਆਈ ਨੇ ਇੱਕ XRD (ਐਕਸ-ਰੇ ਵਿਭਾਜਨ) ਪੈਟਰਨ ਵਿੱਚ ਇੱਕ ਖਾਸ ਪੜਾਅ ਲਈ ਇੱਕ ਸਿਖਰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ। ਪੜਾਅ ਪਛਾਣ ਨੂੰ ਭਰੋਸੇਯੋਗ ਬਣਾਉਣ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਤਰੀਕਾ ਕੀ ਹੈ?

• A) ਸੰਦਰਭ ਪੈਟਰਨ ਡੇਟਾਬੇਸ (ਜਿਵੇਂ ਕਿ PDF ਕਾਰਡ) ਨਾਲ ਸਿਖਰ ਦਾ ਮੇਲ ਕਰਨਾ ਅਤੇ ਓਵਰਲੈਪ ਅਤੇ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ✔
• ਅ) ਅਸਾਈਨਮੈਂਟ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰ ਕਰਨਾ ਕਿਉਂਕਿ AI ਪੜਾਅ ਦਾ ਨਾਮ ਕਹਿੰਦਾ ਹੈ
• C) ਸਿਰਫ ਸਭ ਤੋਂ ਉੱਚੀ ਚੋਟੀ ਨੂੰ ਮੰਨਣਾ ਅਤੇ ਬਾਕੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ
• ਡੀ) ਪੈਟਰਨ ਨੂੰ ਰੰਗ ਦਿਓ ਅਤੇ ਇਸ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਸੁੰਦਰ ਬਣਾਓ

ਵਰਣਨ: XRD ਪੜਾਅ ਦੀ ਪਛਾਣ ਜਾਣੇ-ਪਛਾਣੇ ਸੰਦਰਭ ਪੈਟਰਨਾਂ (ਜਿਵੇਂ ਕਿ ICDD/PDF ਕਾਰਡ) ਨਾਲ ਮਾਪੀਆਂ ਗਈਆਂ ਚੋਟੀ ਦੀਆਂ ਸਥਿਤੀਆਂ ਅਤੇ ਤੀਬਰਤਾਵਾਂ ਨੂੰ ਮਿਲਾ ਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਲੱਗ-ਥਲੱਗ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਸਿਖਰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਓਵਰਲੈਪਿੰਗ ਸਿਖਰਾਂ, ਤਰਜੀਹੀ ਸਥਿਤੀ ਅਤੇ ਪਿਛੋਕੜ ਦੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਸੰਦਰਭ ਡੇਟਾਬੇਸ ਨਾਲ ਅਸਾਈਨਮੈਂਟ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

10. AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਨੁਕਸਾਨ/ਨਿਰੀਖਣ ਰਿਪੋਰਟ ਦੇ ਡਰਾਫਟ ਵਿੱਚ ਤਕਨੀਕੀ ਮੁੱਲ ਹਨ ਜੋ ਤਰਲ ਹਨ ਪਰ ਅਣਜਾਣ ਮੂਲ ਦੇ ਹਨ। ਸਹੀ ਵਿਵਹਾਰ ਕੀ ਹੈ?

• A) ਰਿਪੋਰਟ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਕਰਨਾ ਕਿਉਂਕਿ ਟੈਕਸਟ ਪ੍ਰਵਾਹ ਹੈ
• ਅ) ਮੁੱਲਾਂ ਨੂੰ ਗੋਲ ਕਰਨਾ ਅਤੇ ਗਲੋਸ ਕਰਨਾ
• C) ਸਿਰਫ਼ ਕਾਰਜਕਾਰੀ ਸਾਰਾਂਸ਼ ਨੂੰ ਪੜ੍ਹੋ ਅਤੇ ਬਾਕੀ ਨੂੰ ਛੱਡ ਦਿਓ
• D) ਹਰੇਕ ਮੁੱਲ ਨੂੰ ਮੂਲ ਮਾਪ/ਸਰੋਤ ਨਾਲ ਮਿਲਾਓ ਅਤੇ ਅਪ੍ਰਮਾਣਿਤ ✔ ਨੂੰ ਹਟਾਓ

ਵਰਣਨ: ਰਿਪੋਰਟ ਵਿੱਚ ਹਰੇਕ ਤਕਨੀਕੀ ਮੁੱਲ; ਇਹ ਮਾਪ, ਕੈਲੀਬਰੇਟਡ ਡਿਵਾਈਸ ਰਿਕਾਰਡ, ਸਟੈਂਡਰਡ ਜਾਂ ਨਿਰਮਾਤਾ ਡੇਟਾ ਲਈ ਟਰੇਸਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਭਾਵੇਂ ਇਹ ਇੱਕ ਪ੍ਰਵਾਹ ਵਾਕ ਵਿੱਚ ਇੱਕ ਮੁੱਲ ਹੈ, ਕੋਈ ਵੀ ਸੰਖਿਆ ਜਿਸਦਾ ਸਰੋਤ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਰਿਪੋਰਟ ਜਾਂ ਫੈਸਲੇ ਦੇ ਅਧਾਰ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ; ਨਹੀਂ ਤਾਂ, ਇੱਕ ਜਾਅਲੀ ਮੁੱਲ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਦੇਣਦਾਰੀ ਬਣਾਉਂਦਾ ਹੈ।

11. AI ਦੁਆਰਾ ਤਿਆਰ ਪਾਈਥਨ ਗਣਨਾ (ਉਦਾਹਰਨ ਲਈ, ਅਨਾਜ ਦੇ ਆਕਾਰ-ਉਪਜ ਦੀ ਤਾਕਤ ਲਈ ਹਾਲ-ਪੈਚ ਸਬੰਧ) ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਕਦਮ ਕੀ ਹੈ?

• ਏ) ਕੋਡ ਨੂੰ ਸਿੱਧੇ ਅਸਲ ਉਤਪਾਦਨ ਡੇਟਾ ਤੇ ਲਾਗੂ ਕਰਨਾ
• ਅ) ਬਸ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਕਿ ਕੋਡ ਛੋਟਾ ਅਤੇ ਸਾਫ਼-ਸੁਥਰਾ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ
• C) ਕੋਡ ਨੂੰ ਜਾਣੇ-ਪਛਾਣੇ ਨਤੀਜਿਆਂ ਦੇ ਨਾਲ ਇੱਕ ਟੈਸਟ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਚਲਾਓ ਅਤੇ ਯੂਨਿਟਾਂ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
• ਡੀ) ਇਸ ਨੂੰ ਛੋਟਾ ਕਰਨ ਲਈ ਕੋਡ ਦੇ ਹਿੱਸੇ ਨੂੰ ਮਿਟਾਉਣਾ

ਵਿਆਖਿਆ: ਇੱਕ ਕੋਡ ਸਹੀ ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ ਪਰ ਗਲਤ ਨਤੀਜਾ ਦੇ ਸਕਦਾ ਹੈ: ਇੱਕ ਯੂਨਿਟ ਗਲਤੀ, ਗਲਤ ਗੁਣਾਂਕ ਜਾਂ ਫਾਰਮੂਲਾ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਕੋਡ ਨੂੰ ਇੱਕ ਛੋਟੇ ਟੈਸਟ ਕੇਸ ਵਿੱਚ ਚਲਾਉਣਾ ਜਿੱਥੇ ਤੁਸੀਂ ਹੱਥਾਂ ਨਾਲ ਨਤੀਜਾ ਜਾਣਦੇ ਹੋ ਅਤੇ ਇਸਦੀ ਉਮੀਦ ਕੀਤੀ ਆਉਟਪੁੱਟ ਨਾਲ ਤੁਲਨਾ ਕਰਦੇ ਹੋ ਅਤੇ ਯੂਨਿਟਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ ਕਿ ਇਹ ਅਸਲ ਫੈਸਲੇ 'ਤੇ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਗਲਤੀ ਨੂੰ ਫੜ ਲੈਂਦਾ ਹੈ।

12. ਤੁਸੀਂ ਆਪਣੀ ਕੰਪਨੀ ਦੀ ਅਜੇ ਤੱਕ ਪੇਟੈਂਟ ਨਹੀਂ ਕੀਤੀ ਮਿਸ਼ਰਤ ਵਿਅੰਜਨ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ AI ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਬੇਨਤੀ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਸਭ ਤੋਂ ਸਹੀ ਪਹੁੰਚ ਕਿਹੜੀ ਹੈ?

• ਏ) ਵਿਅੰਜਨ ਨੂੰ ਪੇਸਟ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਇਸਨੂੰ ਤੇਜ਼ ਬਣਾਉਣਾ ਹੈ
• ਅ) ਕੰਪਨੀ ਦਾ ਨਾਮ ਮਿਟਾਉਣਾ ਅਤੇ ਬਾਕੀ ਸਾਰੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ ਕਾਫ਼ੀ ਹੈ।
• C) ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ ਅਤੇ ਫਿਰ AI ਨੂੰ ਇਸਨੂੰ ਮਿਟਾਉਣ ਲਈ ਕਹਿਣਾ
• ਡੀ) ਸੰਸਥਾਗਤ ਨੀਤੀ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ ਜਾਂ ਇੱਕ ਸੁਰੱਖਿਅਤ/ਸੰਸਥਾਗਤ ਸਾਧਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔

ਵਰਣਨ: ਅਲੌਏ ਵਿਅੰਜਨ, ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪਦੰਡ ਅਤੇ ਗਾਹਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਪਾਰਕ ਗੁਪਤ ਅਤੇ ਬੌਧਿਕ ਸੰਪੱਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹਨ। ਡਾਟਾ ਸਾਂਝਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਕਾਰਪੋਰੇਟ ਨੀਤੀ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਇਸ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ, ਜਾਂ ਕਿਸੇ ਸੰਸਥਾਗਤ/ਆਨ-ਸਾਈਟ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਬਾਹਰ ਨਹੀਂ ਭੇਜਦਾ।

13. AI-ਪਾਵਰਡ SPC (ਅੰਕੜਾ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ) ਸਿਸਟਮ ਨੇ ਫਲੈਗ ਕੀਤਾ ਕਿ ਇੱਕ ਉਤਪਾਦਨ ਬੈਚ ਵਿੱਚ ਇੱਕ ਨਿਯੰਤਰਣ ਚਾਰਟ ਸੀਮਾ ਨੂੰ ਪਾਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਹੀ ਇੰਜਨੀਅਰਿੰਗ ਵਿਵਹਾਰ ਕੀ ਹੈ?

• ਏ) ਚੇਤਾਵਨੀ ਨੂੰ ਅਣਡਿੱਠ ਕਰੋ ਅਤੇ ਉਤਪਾਦਨ ਜਾਰੀ ਰੱਖੋ
• ਅ) ਨਿਯੰਤਰਣ ਸੀਮਾਵਾਂ ਦਾ ਵਿਸਤਾਰ ਕਰਨਾ ਤਾਂ ਜੋ ਕੋਈ ਚੇਤਾਵਨੀ ਨਾ ਆਵੇ
• C) ਚੇਤਾਵਨੀ ਨੂੰ ਇੱਕ ਟਰਿੱਗਰ ਵਜੋਂ ਵਿਚਾਰੋ, ਮਾਪ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਮੂਲ ਕਾਰਨ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਮਾਪਦੰਡ ਨਾਲ ਫੈਸਲਾ ਕਰੋ ✔
• ਡੀ) ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਪੂਰੇ ਬੈਚ ਨੂੰ ਮਾਪਣ ਤੋਂ ਬਿਨਾਂ ਸਕ੍ਰੈਪ ਕਰਨਾ

ਵਿਆਖਿਆ: ਨਿਯੰਤਰਣ ਚਾਰਟ ਸੀਮਾ ਨੂੰ ਪਾਰ ਕਰਨਾ ਇੱਕ ਚੇਤਾਵਨੀ ਹੈ; ਮੂਲ ਕਾਰਨ ਆਪਣੇ ਆਪ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੁੰਦਾ। ਇਹ ਮਾਪ ਗਲਤੀ, ਨਮੂਨਾ ਲੈਣ ਦਾ ਮੁੱਦਾ, ਜਾਂ ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਡ੍ਰਾਈਫਟ ਹੋ ਸਕਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਚੇਤਾਵਨੀ ਨੂੰ ਇੱਕ ਟਰਿੱਗਰ ਵਜੋਂ ਮੰਨਣਾ, ਮਾਪ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, ਮੂਲ ਕਾਰਨ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਸਵੀਕ੍ਰਿਤੀ ਦੇ ਮਾਪਦੰਡ ਅਤੇ NDT/ਪ੍ਰੀਖਿਆ ਦੇ ਨਤੀਜੇ ਦੇ ਅਧਾਰ 'ਤੇ ਫੈਸਲਾ ਕਰਨਾ ਹੈ।

14. ਕਾਸਟਿੰਗ ਹਿੱਸੇ 'ਤੇ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਚਿੱਤਰ ਮੁਲਾਂਕਣ ਨੇ ਇੱਕ ਜ਼ੋਨ ਨੂੰ 'ਸਵੀਕਾਰਯੋਗ' ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ। ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸੇ ਲਈ ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?

• A) AI ਮੁਢਲੇ ਮੁਲਾਂਕਣ ਨੂੰ ਸਕ੍ਰੀਨਿੰਗ ਟੂਲ ਵਜੋਂ ਮੰਨਣਾ ਅਤੇ ਅੰਤਮ ਸਵੀਕ੍ਰਿਤੀ ਨੂੰ NDT ਨਤੀਜੇ ਅਤੇ ਅਧਿਕਾਰਤ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਜੋੜਨਾ ✔
• ਅ) AI ਮੁਲਾਂਕਣ ਨੂੰ ਅੰਤਿਮ ਸਵੀਕ੍ਰਿਤੀ ਵਜੋਂ ਵਿਚਾਰੋ ਅਤੇ ਹਿੱਸੇ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿਓ
• C) ਭਾਗ ਦਾ ਨਿਰੀਖਣ ਕੀਤੇ ਬਿਨਾਂ ਅਗਲੀ ਪ੍ਰਕਿਰਿਆ ਵੱਲ ਵਧਣਾ
• ਡੀ) ਇਹ ਸਿਰਫ ਹਿੱਸੇ ਦੀ ਸਤਹ ਨੂੰ ਵੇਖਣ ਲਈ ਕਾਫ਼ੀ ਹੈ.

ਵਰਣਨ: ਕਾਸਟਿੰਗ ਅੰਦਰੂਨੀ ਨੁਕਸ (ਪੋਰੋਸਿਟੀ, ਸੁੰਗੜਨ, ਸੰਮਿਲਨ) ਅਕਸਰ ਸਤ੍ਹਾ ਤੋਂ ਅਦਿੱਖ ਹੁੰਦੇ ਹਨ ਅਤੇ ਗੈਰ-ਵਿਨਾਸ਼ਕਾਰੀ ਟੈਸਟਿੰਗ (NDT: ਰੇਡੀਓਗ੍ਰਾਫੀ, ਅਲਟਰਾਸੋਨਿਕ) ਦੁਆਰਾ ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਸ਼ੁਰੂਆਤੀ ਮੁਲਾਂਕਣ ਜੋ ਏਆਈ ਚਿੱਤਰ ਦੁਆਰਾ ਦਿੰਦਾ ਹੈ ਇੱਕ ਸਕ੍ਰੀਨਿੰਗ ਟੂਲ ਹੈ; ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਹਿੱਸੇ ਦੀ ਅੰਤਿਮ ਸਵੀਕ੍ਰਿਤੀ NDT ਨਾਲ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਮਾਨਕ ਦੇ ਅਨੁਸਾਰ ਪ੍ਰਮਾਣਿਤ ਨਿਰੀਖਣ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।