ਲਾਭ:
- ਲੈਂਡਸਲਾਈਡ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਮੈਪਿੰਗ, ਭੂਚਾਲ ਦੇ ਖਤਰੇ ਅਤੇ ਤਰਲ ਮੁਲਾਂਕਣ ਵਿੱਚ AI ਦੇ ਉਪਯੋਗਾਂ ਨੂੰ ਸਮਝੋ।
- ਮਲਟੀਵੈਰੀਏਟ ਹੈਜ਼ਰਡ ਡੇਟਾ ਤੋਂ ਜੋਖਮ ਵਰਗੀਕਰਣ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਵਰਕਫਲੋ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ
- ਜੀਵਨ ਸੁਰੱਖਿਆ ਦੇਣਦਾਰੀ, ਗਲਤ ਅਲਾਰਮ ਸੰਤੁਲਨ ਅਤੇ ਫੀਲਡ ਸਬੂਤ ਦੇ ਨਾਲ ਖਤਰੇ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਇਸ ਯੂਨਿਟ ਦਾ ਵਿਸ਼ਾ ਭੂ-ਵਿਗਿਆਨਕ ਇੰਜੀਨੀਅਰਿੰਗ ਦਾ ਸਭ ਤੋਂ ਜ਼ਿੰਮੇਵਾਰ ਖੇਤਰ ਹੈ: ਕੁਦਰਤੀ ਆਫ਼ਤ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਖਤਰੇ ਦਾ ਮੁਲਾਂਕਣ। ਇੱਥੇ ਇੱਕ ਗਲਤੀ ਦੀ ਕੀਮਤ ਪੈਸਾ ਨਹੀਂ, ਬਲਕਿ ਮਨੁੱਖੀ ਜੀਵਨ ਹੈ। ਜੇਕਰ ਜ਼ਮੀਨ ਖਿਸਕਣ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦਾ ਨਕਸ਼ਾ ਗਲਤ ਢੰਗ ਨਾਲ ਕਿਸੇ ਗੁਆਂਢ ਨੂੰ "ਸੁਰੱਖਿਅਤ" ਵਜੋਂ ਦਰਸਾਉਂਦਾ ਹੈ, ਤਾਂ ਕੋਈ ਕਾਰਵਾਈ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ; ਜੇਕਰ ਇੱਕ ਤਰਲ ਮੁਲਾਂਕਣ ਇੱਕ ਹਸਪਤਾਲ ਦੇ ਹੇਠਾਂ ਜ਼ਮੀਨ ਨੂੰ ਗਲਤ ਸਮਝਦਾ ਹੈ, ਤਾਂ ਭੂਚਾਲ ਦੇ ਦੌਰਾਨ ਢਾਂਚਾ ਡੁੱਬ ਸਕਦਾ ਹੈ। ਇਸ ਖੇਤਰ ਵਿੱਚ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਲਟੀਵੈਰੀਏਟ ਡੇਟਾ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ, ਪੈਟਰਨਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਸੰਕੇਤਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਵਿੱਚ ਅਸਲ ਮੁੱਲ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਪਰ ਇਹ ਇਸ ਖੇਤਰ ਵਿੱਚ ਬਿਲਕੁਲ ਸਹੀ ਹੈ ਕਿ ਤਸਦੀਕ ਸਭ ਤੋਂ ਸਖ਼ਤ, ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ ਸਭ ਤੋਂ ਪੂਰਨ, ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪ੍ਰਬੰਧਨ ਸਭ ਤੋਂ ਸਟੀਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਉਂਕਿ ਗਲਤ ਆਉਟਪੁੱਟ ਦੀ ਕੀਮਤ ਸਭ ਤੋਂ ਵੱਧ ਹੈ।
ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਲੈਂਸ ਦੁਆਰਾ ਤਿੰਨ ਕਿਸਮਾਂ ਦੇ ਖ਼ਤਰਿਆਂ 'ਤੇ ਵਿਚਾਰ ਕਰਾਂਗੇ: ਲੈਂਡਸਲਾਈਡ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਮੈਪਿੰਗ (ਬਹੁ-ਵਿਭਿੰਨ ਡੇਟਾ ਤੋਂ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਕਿ ਕਿਹੜੀਆਂ ਢਲਾਣਾਂ ਦੇ ਖਿਸਕਣ ਦਾ ਖਤਰਾ ਹੈ), ਭੂਚਾਲ ਦਾ ਖਤਰਾ (ਭੂਚਾਲ ਦੀ ਜ਼ਮੀਨੀ ਗਤੀ ਦੀ ਸੰਭਾਵਿਤ ਤੀਬਰਤਾ), ਅਤੇ ਤਰਲਤਾ (ਜਦੋਂ ਸੰਤ੍ਰਿਪਤ ਢਿੱਲੀ ਰੇਤ ਦੇ ਕਿਰਿਆਵਾਂ ਦੌਰਾਨ ਇਸਦੀ ਢਿੱਲੀ ਰੇਤ ਦੀ ਸਮਰੱਥਾ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ)। ਸਾਡਾ ਸਾਂਝਾ ਵਿਸ਼ਾ ਇਹ ਹੈ ਕਿ ਖਤਰੇ ਦੇ ਆਉਟਪੁੱਟ (ਅਸਲ ਵਿੱਚ ਖਤਰਨਾਕ ਖੇਤਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ) 'ਤੇ ਗਲਤ ਨਕਾਰਾਤਮਕ ਕਿਉਂ ਘਾਤਕ ਹੈ ਅਤੇ ਜੀਵਨ ਸੁਰੱਖਿਆ ਦੇ ਪੱਖ ਵਿੱਚ ਥ੍ਰੈਸ਼ਹੋਲਡ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ।
ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਦਾ ਸੰਤੁਲਨ
ਖਤਰੇ ਦੇ ਵਰਗੀਕਰਨ ਵਿੱਚ ਦੋ ਤਰ੍ਹਾਂ ਦੀਆਂ ਤਰੁੱਟੀਆਂ ਹਨ। ਇੱਕ ਗਲਤ ਸਕਾਰਾਤਮਕ ਇੱਕ ਸੁਰੱਖਿਅਤ ਖੇਤਰ ਨੂੰ ਖਤਰਨਾਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰ ਰਿਹਾ ਹੈ; ਨਤੀਜਾ ਬੇਲੋੜੀ ਲਾਗਤ, ਵਾਧੂ ਪੜਤਾਲ, ਸ਼ਾਇਦ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਦੇਰੀ - ਇਹ ਜੀਵਨ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਪਾਸੇ ਹੈ। ਇੱਕ ਗਲਤ ਨਕਾਰਾਤਮਕ ਇੱਕ ਖਤਰਨਾਕ ਖੇਤਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰ ਰਿਹਾ ਹੈ; ਨਤੀਜਾ ਸਾਵਧਾਨੀ ਵਰਤਣ ਵਿੱਚ ਅਸਫਲਤਾ ਅਤੇ ਜਾਨ/ਜਾਇਦਾਦ ਦਾ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਹੁੰਦਾ ਹੈ। ਇਹ ਦੋਵੇਂ ਗਲਤੀਆਂ ਬਰਾਬਰ ਨਹੀਂ ਹਨ। ਜੀਵਨ ਸੁਰੱਖਿਆ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ, ਝੂਠੇ ਨੈਗੇਟਿਵ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਸਾਵਧਾਨੀ ਨਾਲ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ; ਭਾਵ, ਜਦੋਂ ਸ਼ੱਕ ਹੁੰਦਾ ਹੈ, ਇਹ ਖਤਰਨਾਕ ਪਾਸੇ ਵੱਲ ਜਾਂਦਾ ਹੈ ਅਤੇ ਫੀਲਡ ਪੁਸ਼ਟੀ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ.
AI ਮਾਡਲ ਆਮ ਤੌਰ 'ਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਚੁਣਦੇ ਹਨ ਜੋ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨਗੇ। ਪਰ ਖਤਰੇ ਦੇ ਵਿਗਿਆਨ ਵਿੱਚ, ਟੀਚਾ ਪੂਰੀ ਸ਼ੁੱਧਤਾ ਨਹੀਂ ਹੈ ਪਰ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਨੂੰ ਘੱਟ ਰੱਖਣਾ ਹੈ। ਇਸ ਲਈ, ਮਾਡਲ ਦਾ ਆਉਟਪੁੱਟ ਇੱਕ ਕੈਲੀਬਰੇਟਿਡ ਪ੍ਰੋਬੇਬਿਲਟੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਨਾ ਕਿ "ਸ਼੍ਰੇਣੀ", ਅਤੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਖਤਰੇ ਦੇ ਮਾਹਰ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਤੀਜਿਆਂ ਨੂੰ ਜਾਣਦੇ ਹੋਏ। ਇੱਕ ਲੈਂਡਸਲਾਈਡ ਮਾਡਲ ਦੀ 92% ਸ਼ੁੱਧਤਾ ਬੇਕਾਰ ਹੈ ਜੇਕਰ ਇਹ ਅਸਲ ਲੈਂਡਸਲਾਈਡਾਂ ਦੇ ਅੱਧੇ ਤੋਂ ਖੁੰਝ ਜਾਂਦੀ ਹੈ।
ਸਾਵਧਾਨ: ਖ਼ਤਰੇ ਵਾਲੇ ਮਾਡਲ ਦੀ ਉੱਚ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ ਦੁਆਰਾ ਧੋਖਾ ਨਾ ਖਾਓ। ਦੁਰਲੱਭ ਪਰ ਘਾਤਕ ਘਟਨਾਵਾਂ (ਜ਼ਮੀਨ ਖਿਸਕਣ, ਤਰਲਤਾ) ਲਈ ਮਿਸ ਰੇਟ (ਗਲਤ ਨਕਾਰਾਤਮਕ) ਦੇਖੋ। ਜੀਵਨ ਸੁਰੱਖਿਆ ਦਾ ਮਾਪਦੰਡ ਔਸਤਨ ਸਹੀ ਹੋਣਾ ਨਹੀਂ ਹੈ, ਪਰ ਖਤਰਨਾਕ ਨੂੰ ਛੱਡਣਾ ਨਹੀਂ ਹੈ।
ਲੈਂਡਸਲਾਈਡ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਮੈਪਿੰਗ
ਜ਼ਮੀਨ ਖਿਸਕਣ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, "ਕੀ ਇਹ ਸਥਾਨ ਸਲਾਈਡ ਹੋਵੇਗਾ ਜਦੋਂ ਸਾਰੀਆਂ ਸ਼ਰਤਾਂ ਪੂਰੀਆਂ ਹੋ ਜਾਣਗੀਆਂ?" ਭੂ-ਵਿਗਿਆਨਕ ਅਤੇ ਟੌਪੋਗ੍ਰਾਫਿਕ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਇਨਪੁਟਸ ਆਮ ਤੌਰ 'ਤੇ ਹੁੰਦੇ ਹਨ: ਢਲਾਨ, ਪਹਿਲੂ, ਲਿਥੋਲੋਜੀ, ਡਿਸਕੰਟੀਨਿਊਟੀ ਓਰੀਐਂਟੇਸ਼ਨ, ਜ਼ਮੀਨ ਦੀ ਵਰਤੋਂ, ਵਰਖਾ, ਇਤਿਹਾਸਕ ਲੈਂਡਸਲਾਈਡ ਵਸਤੂ ਸੂਚੀ, ਅਤੇ ਭੂਮੀਗਤ ਪਾਣੀ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਹਨਾਂ ਪਰਤਾਂ ਨੂੰ ਫਿਊਜ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਪਿਛਲੇ ਭੂਚਾਲ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਪੈਟਰਨ ਨੂੰ ਸਿੱਖ ਕੇ ਇੱਕ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਦੀ ਹੈ।
ਦੋ ਨਾਜ਼ੁਕ ਬਿੰਦੂ ਹਨ. ਪਹਿਲਾਂ, ਮਾਡਲ ਪਿਛਲੀ ਲੈਂਡਸਲਾਈਡ ਵਸਤੂ ਸੂਚੀ ਤੋਂ ਸਿੱਖਦਾ ਹੈ; ਜੇਕਰ ਵਸਤੂ ਸੂਚੀ ਅਧੂਰੀ ਹੈ (ਬਹੁਤ ਸਾਰੇ ਜ਼ਮੀਨ ਖਿਸਕਣ ਨੂੰ ਰਿਕਾਰਡ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ) ਤਾਂ ਮਾਡਲ ਉਹਨਾਂ ਪੈਟਰਨਾਂ ਨੂੰ ਬਿਲਕੁਲ ਨਹੀਂ ਦੇਖ ਸਕਦਾ ਹੈ ਅਤੇ ਗਲਤ ਨਕਾਰਾਤਮਕ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਦੂਸਰਾ, ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਟਰਿੱਗਰ (ਕਦੋਂ ਸ਼ਿਫਟ ਕਰਨਾ ਹੈ) ਨਹੀਂ ਸਗੋਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ (ਜੇ ਹਾਲਾਤ ਪੈਦਾ ਹੁੰਦੇ ਹਨ ਕਿੱਥੇ ਸ਼ਿਫਟ ਕਰਨਾ ਹੈ) ਦਿੰਦਾ ਹੈ; ਦੋਹਾਂ ਨੂੰ ਉਲਝਾਉਣਾ ਖਤਰਨਾਕ ਹੈ। ਨਕਸ਼ੇ ਨੂੰ ਫੀਲਡ ਭੂ-ਵਿਗਿਆਨੀ ਦੇ ਆਉਟਕ੍ਰੌਪ ਨਿਰੀਖਣ, ਵਿਘਨ ਮਾਪ ਅਤੇ ਪਿਛਲੀ ਗਤੀ ਦੇ ਨਿਸ਼ਾਨਾਂ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ ਫੈਸਲੇ ਲਈ ਆਧਾਰ ਵਜੋਂ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ।
ਭੂਚਾਲ ਦਾ ਖਤਰਾ ਅਤੇ ਤਰਲਤਾ
ਭੂਚਾਲ ਦੇ ਖਤਰੇ ਦਾ ਮੁਲਾਂਕਣ ਜ਼ਮੀਨੀ ਗਤੀ (ਪ੍ਰਵੇਗ) ਦਾ ਇੱਕ ਸੰਭਾਵੀ ਅੰਦਾਜ਼ਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਕਿਸੇ ਸਾਈਟ 'ਤੇ ਦਿੱਤੇ ਸਮੇਂ ਵਿੱਚ ਵੱਧ ਜਾਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰਿਕਾਰਡ ਡੇਟਾਬੇਸ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਨ, ਜ਼ਮੀਨੀ ਗਤੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਸਬੰਧਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਅਤੇ ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਨੁਕਸ ਸਰੋਤਾਂ ਦੀ ਪਰਿਭਾਸ਼ਾ, ਆਵਰਤੀ ਅੰਤਰਾਲ ਅਤੇ ਜ਼ਮੀਨੀ ਐਂਪਲੀਫਿਕੇਸ਼ਨ ਲਈ ਭੂ-ਵਿਗਿਆਨਕ-ਭੂਚਾਲ ਸੰਬੰਧੀ ਮਹਾਰਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਮਾਡਲ ਉਹਨਾਂ ਨੂੰ ਫਿੱਟ ਨਹੀਂ ਕਰ ਸਕਦਾ।
ਤਰਲਤਾ ਮੁਲਾਂਕਣ ਭੂਚਾਲ ਦੇ ਵਾਈਬ੍ਰੇਸ਼ਨ ਦੁਆਰਾ ਸੰਤ੍ਰਿਪਤ ਢਿੱਲੀ ਰੇਤ ਦੀ ਆਪਣੀ ਸਹਿਣ ਸਮਰੱਥਾ ਨੂੰ ਗੁਆਉਣ ਦੇ ਜੋਖਮ ਨੂੰ ਮਾਪਦਾ ਹੈ। ਕਲਾਸੀਕਲ ਵਿਧੀ SPT-N (ਜਾਂ CPT) ਮੁੱਲ ਦੀ ਭੂਚਾਲ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਵੋਲਟੇਜ ਚੱਕਰ ਦਰ ਨਾਲ ਤੁਲਨਾ ਕਰਨਾ ਅਤੇ ਇੱਕ ਸੁਰੱਖਿਆ ਕਾਰਕ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ। AI ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਮਲਟੀ-ਵੈਲ ਫੀਲਡ ਵਿੱਚ ਤਰਲ ਸਮਰੱਥਾ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਸਕੈਨ ਕਰਦਾ ਹੈ; ਪਰ ਨਤੀਜਾ ਮਿਆਰੀ ਵਿਧੀ (ਜਿਵੇਂ ਕਿ ਸਥਾਨਕ ਭੂਚਾਲ ਕੋਡ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਥੀਂ ਗਣਨਾ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਥੇ ਇੱਕ ਗਲਤ ਨਕਾਰਾਤਮਕ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਭੂਚਾਲ ਦੇ ਦੌਰਾਨ ਇੱਕ ਢਾਂਚਾ ਜ਼ਮੀਨ ਵਿੱਚ ਡੁੱਬ ਜਾਂਦਾ ਹੈ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 - ਗੁੰਮ ਵਸਤੂਆਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨਾ। ਕਾਉਂਟੀ ਲੈਂਡਸਲਾਈਡ ਨਕਸ਼ੇ 'ਤੇ, ਮਾਡਲ 89% ਸ਼ੁੱਧਤਾ ਨਾਲ "ਚੰਗਾ" ਦਿਖਾਈ ਦਿੰਦਾ ਸੀ; ਪਰ ਫੀਲਡ ਭੂ-ਵਿਗਿਆਨੀ ਨੂੰ ਘਾਟੀ ਦੀ ਢਲਾਨ 'ਤੇ ਜ਼ਮੀਨ ਖਿਸਕਣ ਦੇ ਤਿੰਨ ਪੁਰਾਣੇ ਨਿਸ਼ਾਨ (ਗੈਰ-ਰਿਕਾਰਡ ਕੀਤੇ) ਮਿਲੇ ਜੋ ਨਕਸ਼ੇ ਨੇ ਸੁਰੱਖਿਅਤ ਦਿਖਾਇਆ। ਮਾਡਲ ਇਸ ਪੈਟਰਨ ਨੂੰ ਨਹੀਂ ਸਿੱਖ ਸਕਿਆ ਕਿਉਂਕਿ ਵਸਤੂ ਸੂਚੀ ਅਧੂਰੀ ਸੀ। ਜਦੋਂ ਵਸਤੂ ਸੂਚੀ ਨੂੰ ਅੱਪਡੇਟ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਨਕਸ਼ੇ ਦਾ ਨਵੀਨੀਕਰਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਉਹ ਢਲਾਨ ਉੱਚ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿੱਚ ਬਦਲ ਗਿਆ। 89% ਸਟੀਕਤਾ ਸਭ ਤੋਂ ਨਾਜ਼ੁਕ ਖੇਤਰ ਨੂੰ ਗਾਇਬ ਹੈ।
ਕੇਸ 2 — ਤਰਲਤਾ ਥ੍ਰੈਸ਼ਹੋਲਡ। ਇੱਕ ਬੀਚ ਫਿਲ ਸਾਈਟ 'ਤੇ, ਮਾਡਲ ਨੇ ਸਭ ਤੋਂ ਉੱਚੀ ਔਸਤ ਸ਼ੁੱਧਤਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਨਾਲ 42 ਵਿੱਚੋਂ 6 ਡ੍ਰਿਲੰਗਾਂ ਨੂੰ "ਤਰਲੀਕਰਨ ਜੋਖਮ" ਵਜੋਂ ਫਲੈਗ ਕੀਤਾ। ਜਦੋਂ ਮਾਹਰ ਨੇ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਨੂੰ ਘਟਾਉਣ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਰੂੜ੍ਹੀਵਾਦੀ ਪਾਸੇ ਵੱਲ ਵਧਾਇਆ, ਤਾਂ 11 ਆਵਾਜ਼ਾਂ ਨੂੰ ਫਲੈਗ ਕੀਤਾ ਗਿਆ ਸੀ; ਸਟੈਂਡਰਡ ਹੈਂਡ ਕੈਲਕੂਲੇਸ਼ਨ ਦੁਆਰਾ ਇੱਕ ਵਾਧੂ ਪੰਜ ਸੱਚਮੁੱਚ ਜੋਖਮ ਭਰੇ ਹੋਣ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ। ਰੂੜੀਵਾਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੇ ਪੰਜ ਸੰਭਾਵੀ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਬਚਾਏ; ਜੀਵਨ ਲਈ ਸੰਭਾਵੀ ਖਤਰੇ ਦੇ ਮੁਕਾਬਲੇ ਲਾਗਤ ਵਿੱਚ ਵਾਧਾ ਮਾਮੂਲੀ ਸੀ।
ਕੇਸ 3 - ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਸੰਕੇਤ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਪ੍ਰੋਸੈਸਿੰਗ ਰਾਡਾਰ ਅਤੇ ਇੱਕ ਓਪਨ-ਪਿਟ ਢਲਾਨ 'ਤੇ ਢਲਾਣ ਸੈਂਸਰ ਡੇਟਾ ਨੇ ਵਿਗਾੜ ਦਰ ਵਿੱਚ ਇੱਕ ਹੌਲੀ ਪ੍ਰਵੇਗ ਨੂੰ ਫਲੈਗ ਕੀਤਾ ਅਤੇ ਇੱਕ ਅਲਾਰਮ ਵਧਾਇਆ। ਟੀਮ ਨੇ ਇਲਾਕਾ ਖਾਲੀ ਕਰਵਾਇਆ; 40 ਘੰਟਿਆਂ ਬਾਅਦ, ਢਲਾਨ 'ਤੇ ਇੱਕ ਵੱਡੀ ਸਲਾਈਡ ਆਈ, ਪਰ ਕਿਸੇ ਨੂੰ ਸੱਟ ਨਹੀਂ ਲੱਗੀ। ਮਾਡਲ ਨੇ ਸਹੀ ਦਿਨ/ਸਮਾਂ ਨਹੀਂ ਦੱਸਿਆ; ਇਸ ਨੇ ਗਤੀਸ਼ੀਲ ਗਤੀ ਨੂੰ ਦ੍ਰਿਸ਼ਮਾਨ ਬਣਾਇਆ ਅਤੇ ਮਨੁੱਖੀ ਫੈਸਲੇ ਲੈਣ ਲਈ ਸਮਾਂ ਦਿੱਤਾ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਕੀ ਇਸ ਖੇਤਰ ਵਿੱਚ ਜ਼ਮੀਨ ਖਿਸਕਣ ਦਾ ਖਤਰਾ ਹੈ? ਡਾਟਾ ਦੇਖੋ ਅਤੇ ਦੱਸੋ ਕਿ ਇਹ ਸੁਰੱਖਿਅਤ ਹੈ ਜਾਂ ਖਤਰਨਾਕ।[ਪਰਤ ਡੇਟਾ]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਹਾਇਕ ਕੁਦਰਤੀ ਖਤਰਾ ਭੂ-ਵਿਗਿਆਨੀ। ਨਿਮਨਲਿਖਤ ਵੇਰੀਏਬਲਾਂ ਦੇ ਨਾਲ ਸਹੀ "ਸੁਰੱਖਿਅਤ/ਖਤਰਨਾਕ" ਲੇਬਲ ਦੇਣਾ। ਇਸਦੀ ਬਜਾਏ: 1) ਉਹਨਾਂ ਕਾਰਕਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਜੋ ਭਾਵਨਾਵਾਂ ਅਤੇ ਹਰੇਕ ਦੀ ਦਿਸ਼ਾ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੇ ਹਨ। 2) ਸ਼੍ਰੇਣੀ ਦੀ ਬਜਾਏ ਕੈਲੀਬਰੇਟਿਡ ਪ੍ਰੋਬੇਬਿਲਟੀ ਤਰਕ ਸਥਾਪਤ ਕਰੋ; ਦੱਸੋ ਕਿ ਝੂਠੇ ਨੈਗੇਟਿਵ ਨੂੰ ਘਟਾਉਣ ਲਈ ਜੀਵਨ ਸੁਰੱਖਿਆ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਸਾਵਧਾਨੀ ਨਾਲ ਕਿਉਂ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। 3) ਲਿਖੋ ਕਿ ਜੇਕਰ ਇਤਿਹਾਸਕ ਲੈਂਡਸਲਾਈਡ ਵਸਤੂ ਸੂਚੀ ਅਧੂਰੀ ਹੈ ਤਾਂ ਆਉਟਪੁੱਟ ਕਿਵੇਂ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦੀ ਹੈ। 4) 4 ਬਿੰਦੂਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਦੀ ਫੀਲਡ ਵਿੱਚ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਅੰਤਿਮ ਮੁਲਾਂਕਣ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਡੇਟਾ ਅਗਿਆਤ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਖ਼ਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਬਜਾਏ ਸੰਭਾਵਨਾ ਦੀ ਬੇਨਤੀ ਕਰਨਾ:
ਖਤਰੇ ਦੇ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਤਿੱਖੀ ਸ਼੍ਰੇਣੀ ਦੀ ਬਜਾਏ ਇੱਕ ਕੈਲੀਬਰੇਟਿਡ ਸੰਭਾਵਨਾ ਵਜੋਂ ਵਿਆਖਿਆ ਕਰੋ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਜਾਇਜ਼ ਠਹਿਰਾਓ ਕਿ ਜੀਵਨ ਸੁਰੱਖਿਆ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਕਿਸ ਤਰੀਕੇ ਨਾਲ ਬਦਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
2) ਵਸਤੂਆਂ ਦੀ ਘਾਟ ਆਡਿਟ:
ਕਿਸੇ ਵੀ ਸੰਕੇਤਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰੋ ਕਿ ਵਸਤੂ ਸੂਚੀ ਜਿਸ 'ਤੇ ਲੈਂਡਸਲਾਈਡ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਧੂਰੀ ਹੋ ਸਕਦੀ ਹੈ (ਰਿਕਾਰਡ ਸਾਲ, ਕਵਰ ਕੀਤਾ ਖੇਤਰ, ਡੇਟਾ ਗੈਪ)। ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਕਿਹੜੇ ਖੇਤਰਾਂ ਵਿੱਚ ਇਹ ਕਮੀ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਹੋਣ ਦੇ ਜੋਖਮ ਨੂੰ ਵਧਾਏਗੀ।
3) ਤਰਲ ਸਕ੍ਰੀਨਿੰਗ ਸਕੈਚ:
ਮਲਟੀ-ਡਰਿੱਲ ਸਾਈਟ ਵਿੱਚ ਤਰਲ ਸੰਭਾਵੀ ਲਈ: ਇੱਕ ਸਕ੍ਰੀਨਿੰਗ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰੋ ਜਿਸ ਵਿੱਚ ਬੋਰਹੋਲ ਵਿੱਚ ਸੰਤ੍ਰਿਪਤ ਢਿੱਲੀ ਰੇਤ ਹੁੰਦੀ ਹੈ ਅਤੇ ਪ੍ਰਾਇਮਰੀ ਹੈਂਡ ਕੈਲਕੂਲੇਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਿਸ਼ਚਿਤ ਕਰੋ ਕਿ ਇਹ ਮਿਆਰੀ ਵਿਧੀ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ; ਇੱਕ ਸਹੀ ਸੁਰੱਖਿਆ ਗੁਣਾਂਕ ਨਾ ਦਿਓ।
4) ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਸੰਕੇਤ ਦੀ ਵਿਆਖਿਆ:
ਵਿਗਾੜ ਨਿਗਰਾਨੀ ਲੜੀ (ਢਲਾਨ/ਰਾਡਾਰ) ਵਿੱਚ ਗਤੀ ਅਤੇ ਪ੍ਰਵੇਗ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਲਈ; ਕੀ ਪ੍ਰਵੇਗ ਦਾ ਕੋਈ ਚਿੰਤਾਜਨਕ ਪੈਟਰਨ ਹੈ? ਸਹੀ ਸਮੇਂ ਦਾ ਅੰਦਾਜ਼ਾ ਦੇਣਾ; ਨਿਰਧਾਰਿਤ ਕਰੋ ਕਿ ਮਨੁੱਖੀ ਨਿਰਣੇ ਲਈ ਕਦੋਂ/ਡਾਟੇ ਦੀ ਲੋੜ ਹੈ।
ਖਤਰੇ ਦੀ ਕਿਸਮ, ਗਲਤ ਨਕਾਰਾਤਮਕ, ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ
ਖ਼ਤਰਾ
AI ਯੋਗਦਾਨ
ਗਲਤ ਨਕਾਰਾਤਮਕ ਦਾ ਨਤੀਜਾ
ਲਾਜ਼ਮੀ ਪੁਸ਼ਟੀਕਰਨ
ਜ਼ਮੀਨ ਖਿਸਕਣ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ
ਲੇਅਰ ਫਿਊਜ਼ਨ, ਪੈਟਰਨ
ਇਹ ਸੋਚਣਾ ਕਿ ਫਲੋਟਿੰਗ ਖੇਤਰ ਸੁਰੱਖਿਅਤ ਹੈ
ਫੀਲਡ + ਮੌਜੂਦਾ ਵਸਤੂ ਸੂਚੀ
ਭੂਚਾਲ ਦਾ ਖ਼ਤਰਾ
ਡਾਟਾਬੇਸ/ਸੀਨਾਰੀਓ
ਜ਼ਮੀਨੀ ਗਤੀ ਨੂੰ ਘੱਟ ਸਮਝਣਾ
ਭੂਚਾਲ ਮਾਹਰ + ਮਿਆਰੀ
ਤਰਲਤਾ
ਮਲਟੀ-ਵੈਲ ਸਕੈਨਿੰਗ
ਜ਼ਮੀਨ ਵਿੱਚ ਧਸ ਰਹੀ ਇਮਾਰਤ
SPT/CPT ਹੈਂਡ ਕੈਲਕੂਲੇਸ਼ਨ + ਰੈਗੂਲੇਸ਼ਨ
ਢਲਾਣ ਦੀ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ
ਟਰੇਸ ਸਿਗਨਲ ਫਿਲਟਰਿੰਗ
ਦੇਰੀ ejaculation
ਮਨੁੱਖੀ ਨਿਰਣਾ + ਖੇਤਰ ਪੁਸ਼ਟੀ
ਸੰਕੇਤ: ਹਮੇਸ਼ਾ "ਕੀ ਇਸ ਨੂੰ ਗਲਤ ਅਲਾਰਮ ਜਾਂ ਮਿਸ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ?" ਸਵਾਲ ਦੇ ਨਾਲ ਪ੍ਰੇਸ਼ਾਨੀ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰੋ. ਸਵਾਲ ਦੇ ਨਾਲ ਪੜ੍ਹੋ. ਜੀਵਨ ਸੁਰੱਖਿਆ ਵਿੱਚ, ਇੱਕ ਖੁੰਝੇ ਹੋਏ ਖਤਰੇ ਨਾਲੋਂ ਕੁਝ ਝੂਠੇ ਅਲਾਰਮਾਂ ਨੂੰ ਸਹਿਣਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਵੀਕਾਰਯੋਗ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਆਮ ਸੱਚ ਦੁਆਰਾ ਧੋਖਾ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ. ਉੱਚ ਸ਼ੁੱਧਤਾ ਦੁਰਲੱਭ ਘਾਤਕ ਘਟਨਾਵਾਂ ਨੂੰ ਖੁੰਝ ਸਕਦੀ ਹੈ; ਅਸਲ ਮੈਟ੍ਰਿਕ ਝੂਠੀ ਨਕਾਰਾਤਮਕ ਦਰ ਹੈ।
- ਮਾਡਲ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਛੱਡ ਕੇ. ਜੀਵਨ ਸੁਰੱਖਿਆ ਥ੍ਰੈਸ਼ਹੋਲਡ ਉਸ ਮਾਹਰ ਦੁਆਰਾ ਸਾਵਧਾਨੀ ਨਾਲ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਨਤੀਜਿਆਂ ਨੂੰ ਜਾਣਦਾ ਹੈ; ਇੱਕ ਆਟੋਮੈਟਿਕ "ਵਧੀਆ" ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਹੀਂ ਹੈ।
- ਗੁੰਮ ਵਸਤੂ ਸੂਚੀ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਮਾਡਲ ਉਸ ਪੈਟਰਨ ਨੂੰ ਨਹੀਂ ਦੇਖ ਸਕਦਾ ਜੋ ਉਸਨੇ ਨਹੀਂ ਸਿੱਖਿਆ ਹੈ; ਜੇ ਵਸਤੂ ਸੂਚੀ ਗੁੰਮ ਹੈ, ਤਾਂ ਨਕਸ਼ਾ ਸੁਰੱਖਿਅਤ ਪਾਸੇ ਨੂੰ ਮੂਰਖ ਬਣਾ ਦੇਵੇਗਾ।
- ਟਰਿੱਗਰ ਦੇ ਨਾਲ ਉਲਝਣ ਵਾਲੀ ਪ੍ਰਵਿਰਤੀ। ਸੰਵੇਦਨਸ਼ੀਲਤਾ "ਕਿੱਥੇ" ਦਾ ਸਵਾਲ ਹੈ, ਟਰਿੱਗਰ "ਕਦੋਂ" ਦਾ ਸਵਾਲ ਹੈ; ਦੋਵਾਂ ਲਈ ਵੱਖਰੀ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- ਇੱਕ ਨਿਸ਼ਚਤ ਭਵਿੱਖਬਾਣੀ ਵਜੋਂ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਸਿਸਟਮ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ; ਬਾਹਰ ਕੱਢਣ ਦਾ ਫੈਸਲਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਵਿਅਕਤੀ ਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
- ਕੁਦਰਤੀ ਖਤਰਾ ਭੂ-ਵਿਗਿਆਨਕ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਦਾ ਸਭ ਤੋਂ ਭਾਰੀ ਖੇਤਰ ਹੈ; ਗਲਤ ਆਉਟਪੁੱਟ ਦੀ ਕੀਮਤ ਜੀਵਨ ਹੋ ਸਕਦੀ ਹੈ।
- ਗਲਤ ਨਕਾਰਾਤਮਕ (ਸੁਰੱਖਿਅਤ ਲਈ ਖਤਰਨਾਕ ਸਮਝਣਾ) ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੰਭੀਰ ਹੈ; ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਸਾਵਧਾਨੀ ਨਾਲ ਚੁਣਿਆ ਗਿਆ ਹੈ, ਜੀਵਨ ਦੇ ਹੱਕ ਵਿੱਚ.
- ਆਮ ਸ਼ੁੱਧਤਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ; ਮਾਪਦੰਡ ਦੁਰਲੱਭ ਘਾਤਕ ਘਟਨਾਵਾਂ ਦੇ ਗੁੰਮ ਹੋਣ ਦੀ ਦਰ ਹੈ; ਆਉਟਪੁੱਟ ਕੈਲੀਬਰੇਟ ਕੀਤੀ ਸੰਭਾਵਨਾ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਨਾ ਕਿ ਕਲਾਸ।
- ਲੈਂਡਸਲਾਈਡ ਮਾਡਲ ਅਧੂਰੀ ਵਸਤੂ ਸੂਚੀ ਤੋਂ ਨਹੀਂ ਸਿੱਖ ਸਕਦਾ; ਹਰੇਕ ਖਤਰੇ ਦੇ ਨਕਸ਼ੇ ਦੀ ਫੀਲਡ ਅਤੇ ਮਾਹਰ ਤਸਦੀਕ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਸਮਾਂ ਬਚਾਉਂਦੀ ਹੈ ਪਰ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਹੈ; ਖਾਲੀ ਕਰਨ ਅਤੇ ਸਾਵਧਾਨੀ ਵਰਤਣ ਦਾ ਫੈਸਲਾ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਅਤੇ ਅਧਿਕਾਰੀ ਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਅਗਿਆਤ ਖਤਰੇ ਦੇ ਦ੍ਰਿਸ਼ ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰੋ (ਲੈਂਡਸਲਾਈਡ ਪਰਤਾਂ ਜਾਂ ਤਰਲ ਬੋਰਹੋਲ; ਪ੍ਰਤੀਨਿਧੀ ਡੇਟਾ)। ਮਾਡਲ ਨੂੰ ਕਠੋਰ ਲੇਬਲ ਦੇਣ ਤੋਂ ਰੋਕੋ ਅਤੇ ਇਸਨੂੰ "ਖਤਰੇ ਦੀ ਸ਼੍ਰੇਣੀ ਦੀ ਬਜਾਏ ਸੰਭਾਵਨਾ ਲਈ ਪੁੱਛੋ" ਟੈਮਪਲੇਟ ਨਾਲ ਗਲਤ ਨਕਾਰਾਤਮਕ/ਸਕਾਰਾਤਮਕ ਸੰਤੁਲਨ ਬਾਰੇ ਚਰਚਾ ਕਰੋ। ਫਿਰ ਇਹ ਪਤਾ ਕਰਨ ਲਈ ਕਿ ਪ੍ਰਿੰਟਆਉਟ ਕਿੱਥੇ ਗੁੰਮਰਾਹਕੁੰਨ ਹੋ ਸਕਦਾ ਹੈ, "ਸੂਚੀ ਦੀ ਘਾਟ ਆਡਿਟ" ਟੈਂਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਤਿੰਨ ਬਿੰਦੂਆਂ ਦੀ ਸੂਚੀ ਲਿਖੋ ਜਿਨ੍ਹਾਂ ਲਈ ਫੀਲਡ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਵਿਚਕਾਰ ਅੰਤਰ ਅਤੇ ਜੀਵਨ ਸੁਰੱਖਿਆ ਵਿੱਚ ਇਸਦੀ ਮਹੱਤਤਾ ਨੂੰ ਸਮਝਿਆ।
- [ ] ਮੈਂ ਸਮੁੱਚੀ ਸ਼ੁੱਧਤਾ ਦੀ ਬਜਾਏ ਖੁੰਝੀ ਦਰ ਦੁਆਰਾ ਖਤਰੇ ਦੇ ਆਉਟਪੁੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਇੱਕ ਮਾਹਰ ਦੁਆਰਾ ਸਾਵਧਾਨੀ ਨਾਲ ਅਤੇ ਜੀਵਨ ਦੇ ਹੱਕ ਵਿੱਚ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.
- [ ] ਮੈਂ ਸਮਝਦਾ/ਸਮਝਦੀ ਹਾਂ ਕਿ ਲੈਂਡਸਲਾਈਡ ਮਾਡਲ ਅਧੂਰੀ ਵਸਤੂ ਸੂਚੀ ਤੋਂ ਨਹੀਂ ਸਿੱਖ ਸਕਦਾ ਅਤੇ ਫੀਲਡ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- [ ] ਮੈਂ ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਪ੍ਰਣਾਲੀ ਦੀ ਵਰਤੋਂ ਭਵਿੱਖਬਾਣੀ ਵਜੋਂ ਨਹੀਂ, ਪਰ ਇੱਕ ਸਾਧਨ ਵਜੋਂ ਕਰਦਾ ਹਾਂ ਜੋ ਮਨੁੱਖੀ ਫੈਸਲਿਆਂ ਲਈ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ।