ਲਾਭ:
- ਤੇਲ ਅਤੇ ਗੈਸ ਕਾਨੂੰਨ (EMRA, PRMS/SEC ਰਿਜ਼ਰਵ ਰਿਪੋਰਟਿੰਗ, API ਮਿਆਰ) ਦੇ ਸੰਦਰਭ ਵਿੱਚ AI ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਸਮਝਣ ਦੀ ਸਮਰੱਥਾ
- ਵਪਾਰਕ ਗੁਪਤਤਾ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਡਾਟਾ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਨੂੰ ਸੰਚਾਲਨ ਗੁਪਤਤਾ ਨਿਯਮਾਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ
- ਅੰਤ-ਤੋਂ-ਅੰਤ ਤਸਦੀਕ ਅਤੇ ਸ਼ਾਸਨ ਅਨੁਸ਼ਾਸਨ ਦੇ ਨਾਲ ਤੇਲ ਅਤੇ ਗੈਸ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਕਾਇਮ ਰੱਖਣ ਦੀ ਸਮਰੱਥਾ
ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ
1. ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਹੈ ਜੋ ਤੇਲ ਅਤੇ ਗੈਸ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ AI ਆਉਟਪੁੱਟ ਦੇ ਜੋਖਮ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ?
- A) ਇੱਕ ਆਉਟਪੁੱਟ ਦਾ ਖਤਰਾ ਉਸ ਨੁਕਸਾਨ ਦੇ ਬਰਾਬਰ ਹੈ ਜੇਕਰ ਇਹ ਆਉਟਪੁੱਟ ਨੁਕਸਦਾਰ ਸੀ; ਉਸ ਅਨੁਸਾਰ ਪ੍ਰਮਾਣਿਕਤਾ ਸਕੇਲ ✔
- B) AI ਆਉਟਪੁੱਟ ਆਮ ਤੌਰ 'ਤੇ ਸੁਰੱਖਿਅਤ ਹੁੰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਤੇ ਭਰੋਸੇ ਨਾਲ ਲਿਖੀ ਜਾਂਦੀ ਹੈ
- C) ਪ੍ਰਮਾਣਿਕਤਾ ਬੇਲੋੜੀ ਹੈ ਜਦੋਂ ਸਭ ਤੋਂ ਮੌਜੂਦਾ ਮਾਡਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ
- D) ਜੇਕਰ ਆਉਟਪੁੱਟ ਇੱਕ ਮਿਆਰ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਤਾਂ ਕੋਈ ਵਾਧੂ ਨਿਯੰਤਰਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ
ਵਿਆਖਿਆ: ਇੱਕ ਆਉਟਪੁੱਟ ਦਾ ਜੋਖਮ ਉਸ ਨੁਕਸਾਨ ਦੇ ਬਰਾਬਰ ਹੁੰਦਾ ਹੈ ਜਿਸਦਾ ਕਾਰਨ ਇਹ ਹੋਵੇਗਾ ਜੇਕਰ ਉਹ ਆਉਟਪੁੱਟ ਨੁਕਸਦਾਰ ਹੈ। ਹਾਲਾਂਕਿ ਸਾਹਿਤ ਦੇ ਸੰਖੇਪ ਵਿੱਚ ਇੱਕ ਮਾਮੂਲੀ ਗਲਤੀ ਨੁਕਸਾਨਦੇਹ ਹੋ ਸਕਦੀ ਹੈ, ਇੱਕ ਚੰਗੀ ਪ੍ਰੈਸ਼ਰ ਸੀਮਾ, ਲੀਕ ਅਲਾਰਮ ਥ੍ਰੈਸ਼ਹੋਲਡ, ਜਾਂ ਰਿਜ਼ਰਵ ਰਿਪੋਰਟ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਇੱਕ ਵਿਸਫੋਟ, ਵਾਤਾਵਰਣ ਤਬਾਹੀ, ਜਾਂ ਵੱਡੇ ਵਿੱਤੀ ਨੁਕਸਾਨ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀ ਹੈ; ਇਸ ਲਈ ਸੰਭਾਵੀ ਨੁਕਸਾਨ ਦੇ ਨਾਲ ਤਸਦੀਕ ਤੀਬਰਤਾ ਸਕੇਲ.
2. ਭੂਚਾਲ ਦੇ ਉਲਟ ਵਿੱਚ 'ਗੈਰ-ਵਿਲੱਖਣਤਾ' ਦੀ ਸਮੱਸਿਆ AI ਦੀ ਵਰਤੋਂ ਦੀ ਕੀ ਲੋੜ ਹੈ?
- ਏ) ਮਾਡਲ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੀ ਪਹਿਲੀ ਵਿਆਖਿਆ ਦੀ ਸਿੱਧੀ ਸਵੀਕ੍ਰਿਤੀ
- ਅ) ਵੈਲ ਲੌਗ, ਵੈੱਲ ਟਾਈ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਰੁਕਾਵਟਾਂ ਨਾਲ ਜੋੜ ਕੇ ਵਿਆਖਿਆ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨਾ ✔
- C) ਸਿਰਫ਼ ਉੱਚਤਮ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲਾ ਟੁਕੜਾ ਚੁਣੋ।
- ਡੀ) ਭੂਚਾਲ ਸੰਬੰਧੀ ਡੇਟਾ ਦਾ ਪੂਰਾ ਤਿਆਗ
ਵਿਆਖਿਆ: ਇੱਕੋ ਭੂਚਾਲ ਦੇ ਪ੍ਰਤੀਬਿੰਬ ਡੇਟਾ ਨੂੰ ਇੱਕ ਤੋਂ ਵੱਧ ਵੱਖੋ-ਵੱਖਰੇ ਉਪ ਸਤਹ ਮਾਡਲਾਂ (ਇੰਪੇਡੈਂਸ, ਲਿਥੋਲੋਜੀ, ਤਰਲ ਵੰਡ) ਦੁਆਰਾ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਗਈ ਵਿਆਖਿਆ ਹੀ ਸਹੀ ਨਹੀਂ ਹੈ; ਖੂਹ ਦੇ ਲਾਗ ਨੂੰ ਸੁਤੰਤਰ ਰੁਕਾਵਟਾਂ ਜਿਵੇਂ ਕਿ ਖੂਹ ਟਾਈ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭਾਂ ਨਾਲ ਜੋੜ ਕੇ ਸੰਕੁਚਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
3. ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਖੂਹ ਦੇ ਲੌਗ ਤੋਂ ਪਾਰਦਰਸ਼ੀਤਾ (ਪਾਰਗਮਯੋਗਤਾ) ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵੇਲੇ ਕਿਹੜੀ ਸੀਮਾ ਨੂੰ ਖਾਸ ਤੌਰ 'ਤੇ ਧਿਆਨ ਵਿੱਚ ਰੱਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ?
- ਏ) ਮਾਡਲ ਹਰ ਖੇਤਰ ਅਤੇ ਹਰ ਲਿਥੋਲੋਜੀ ਵਿੱਚ ਆਪਣੇ ਆਪ ਪ੍ਰਮਾਣਿਤ ਹੁੰਦਾ ਹੈ
- ਅ) ਸਿੱਖਿਆ ਗਿਆ ਸਬੰਧ ਵਿਦਿਅਕ ਸਥਿਤੀਆਂ ਲਈ ਖਾਸ ਹੈ; ✔ ਵੱਖ-ਵੱਖ ਸਾਈਟਾਂ 'ਤੇ ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਜੋਖਮ ਰੱਖਦਾ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਕੋਰ/ਵੈਲ ਟੈਸਟਿੰਗ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
- C) ਲੌਗਸ ਤੋਂ ਪਾਰਗਮਤਾ ਦਾ ਸਿੱਧਾ ਅਤੇ ਗਲਤੀ-ਮੁਕਤ ਮਾਪ
- ਡੀ) ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰਿਪੋਰਟ ਬਿਲਕੁਲ ਨਹੀਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ।
ਵਿਆਖਿਆ: ਪਾਰਦਰਸ਼ੀਤਾ ਨੂੰ ਸਿੱਧੇ ਲੌਗਸ ਤੋਂ ਨਹੀਂ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ; ਮਾਡਲ ਦੁਆਰਾ ਸਿੱਖਿਆ ਗਿਆ ਸਬੰਧ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਚਿਹਰੇ ਅਤੇ ਦਬਾਅ ਦੀਆਂ ਸਥਿਤੀਆਂ ਲਈ ਖਾਸ ਹੈ। ਕਿਸੇ ਵੱਖਰੀ ਸਾਈਟ ਜਾਂ ਅਣਜਾਣ ਲਿਥੋਲੋਜੀ 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਲਾਗੂ ਕਰਨਾ (ਐਕਸਟ੍ਰਾਪੋਲੇਸ਼ਨ) ਵੱਡੀ ਗਲਤੀ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਨੂੰ ਕੋਰ ਮਾਪ ਅਤੇ ਚੰਗੀ ਜਾਂਚ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
4. ਕੀ ਹੁੰਦਾ ਹੈ ਜੇਕਰ ਆਰਪਸ ਹਾਈਪਰਬੋਲਿਕ ਮਾਡਲ ਦੇ 'b' ਐਕਸਪੋਨੈਂਟ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ (ਉਦਾਹਰਨ ਲਈ b>1) ਅਤੇ ਡਰਾਅਡਾਊਨ ਕਰਵ ਵਿਸ਼ਲੇਸ਼ਣ (DCA) ਵਿੱਚ ਲੰਬੇ ਸਮੇਂ ਲਈ ਐਕਸਟਰਾਪੋਲੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ?
- A) EUR ਇਸ ਤੋਂ ਘੱਟ ਹੋ ਜਾਂਦਾ ਹੈ ਅਤੇ ਰਿਜ਼ਰਵ ਲੁਕ ਜਾਂਦਾ ਹੈ
- ਅ) ਗਿਰਾਵਟ ਅਵਿਸ਼ਵਾਸੀ ਤੌਰ 'ਤੇ ਹੌਲੀ ਹੋ ਜਾਂਦੀ ਹੈ ਅਤੇ EUR ਬਹੁਤ ਜ਼ਿਆਦਾ, ਆਸ਼ਾਵਾਦੀ ਬਣ ਜਾਂਦਾ ਹੈ ✔
- C) ਉਤਪਾਦਨ ਡੇਟਾ ਆਪਣੇ ਆਪ ਸਾਫ਼ ਹੋ ਜਾਂਦਾ ਹੈ
- ਡੀ) ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਬਾਅ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਵਧਦਾ ਹੈ
ਵਿਆਖਿਆ: ਆਰਪਸ ਹਾਈਪਰਬੋਲਿਕ ਮਾਡਲ ਵਿੱਚ, ਪ੍ਰਾਈਮ b ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ ਗਿਰਾਵਟ ਦੀ ਦਰ ਕਿੰਨੀ ਹੌਲੀ ਹੋ ਜਾਂਦੀ ਹੈ। b>1 ਨੂੰ ਲੈ ਕੇ ਅਤੇ ਇਸ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਲਈ ਐਕਸਟਰਾਪੋਲੇਟ ਕਰਨ ਨਾਲ ਗਿਰਾਵਟ ਅਵਿਸ਼ਵਾਸੀ ਤੌਰ 'ਤੇ ਹੌਲੀ ਹੋ ਜਾਵੇਗੀ ਅਤੇ EUR (ਅੰਤਿਮ ਅਨੁਮਾਨਿਤ ਉਤਪਾਦਨ) ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋ ਜਾਵੇਗਾ। ਇਸ ਲਈ, ਦੇਰ ਦੀ ਮਿਆਦ ਵਿੱਚ, ਘਾਤਕ ਗਿਰਾਵਟ ਜਾਂ ਇੱਕ ਘੱਟੋ ਘੱਟ ਡਰਾਡਾਊਨ ਸੀਮਾ ਵਿੱਚ ਤਬਦੀਲੀ ਲਾਗੂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਨਤੀਜੇ ਦੀ ਸਮੱਗਰੀ ਸੰਤੁਲਨ ਨਾਲ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
5. ਪੋਰੋਸਿਟੀ ਅਤੇ ਵਾਟਰ ਸੰਤ੍ਰਿਪਤਾ ਲਈ ਆਰਚੀ ਸਮੀਕਰਨ ਪੈਟ੍ਰੋਫਿਜ਼ੀਕਲ ਵਿਆਖਿਆ ਵਿੱਚ ਇੱਕ AI ਆਉਟਪੁੱਟ ਦਾ ਪ੍ਰਮਾਣਿਕਤਾ ਐਂਕਰ ਕਿਉਂ ਹੈ?
- ਏ) ਕਿਉਂਕਿ ਇਹ ਸਿਰਫ ਚੰਗੀ ਕੀਮਤ ਦਿਖਾਉਂਦਾ ਹੈ
- ਅ) ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਤੀਰੋਧ, ਪੋਰੋਸਿਟੀ ਅਤੇ ਪਾਣੀ ਦੀ ਸੰਤ੍ਰਿਪਤਾ ਵਿਚਕਾਰ ਸਰੀਰਕ ਸਬੰਧ ਸਥਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ ✔
- C) ਬਸ ਕਿਉਂਕਿ ਇਹ ਲੌਗ ਦੇ ਰੰਗ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ
- ਡੀ) ਕਿਉਂਕਿ ਇਹ ਕੇਵਲ ਇੱਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਸੈਟਿੰਗ ਵਿੱਚ ਅਰਥਪੂਰਨ ਹੈ
ਵਰਣਨ: ਆਰਚੀ ਸਮੀਕਰਨ ਲੌਗ ਪ੍ਰਤੀਰੋਧਕਤਾ ਅਤੇ ਪਾਣੀ ਦੀ ਸੰਤ੍ਰਿਪਤਾ ਵਿਚਕਾਰ ਭੌਤਿਕ ਸਬੰਧ ਸਥਾਪਤ ਕਰਦਾ ਹੈ। ਏਆਈ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਪਾਣੀ ਦੀ ਸੰਤ੍ਰਿਪਤਾ ਮੁੱਲ ਨੂੰ ਪੋਰੋਸਿਟੀ ਅਤੇ ਪ੍ਰਤੀਰੋਧਕਤਾ ਇਨਪੁਟਸ ਦੇ ਨਾਲ ਆਰਚੀ ਸਮੀਕਰਨ ਵਿੱਚ ਪਾ ਕੇ ਅਤੇ ਸਥਾਨਕ ਗਠਨ ਗੁਣਾਂਕ ਨਾਲ ਇਸਦੀ ਤੁਲਨਾ ਕਰਕੇ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਨਤੀਜਾ 0-1 ਦੀ ਰੇਂਜ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਕੋਰ ਦੇ ਨਾਲ ਇਕਸਾਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।
6. ਪਾਈਪਲਾਈਨ ਲੀਕ ਖੋਜ ਵਿੱਚ ਇੱਕ 'ਗਲਤ ਨਕਾਰਾਤਮਕ' (ਮਿਸ) ਖਾਸ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
- A) ਕਿਉਂਕਿ ਇਹ ਅਸਲ ਲੀਕ ਨੂੰ 'ਕੋਈ ਨਹੀਂ' ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ ਅਤੇ ਦਖਲਅੰਦਾਜ਼ੀ ਵਿੱਚ ਦੇਰੀ ਕਰਦਾ ਹੈ ਅਤੇ ਵਾਤਾਵਰਣ/ਜੀਵਨ ਲਈ ਖਤਰਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ✔
- ਅ) ਕਿਉਂਕਿ ਇਹ ਸਿਰਫ SCADA ਸਕ੍ਰੀਨ ਦਾ ਰੰਗ ਬਦਲਦਾ ਹੈ
- C) ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿਉਂਕਿ ਇਹ ਰਿਪੋਰਟ ਦੇ ਪੰਨਿਆਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਂਦਾ ਹੈ
- ਡੀ) ਕਿਉਂਕਿ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਹਮੇਸ਼ਾ ਨੁਕਸਾਨਦੇਹ ਹੁੰਦੇ ਹਨ
ਵਿਆਖਿਆ: ਇੱਕ ਝੂਠਾ ਨਕਾਰਾਤਮਕ ਇੱਕ ਲੀਕ ਲਈ 'ਗੈਰਹਾਜ਼ਰ' ਦਾ ਇੱਕ ਵਰਗੀਕਰਨ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਹੈ; ਇਸ ਸਥਿਤੀ ਵਿੱਚ, ਦਖਲਅੰਦਾਜ਼ੀ ਵਿੱਚ ਦੇਰੀ ਹੁੰਦੀ ਹੈ ਅਤੇ ਵਾਤਾਵਰਣ ਦੀ ਤਬਾਹੀ, ਅੱਗ/ਵਿਸਫੋਟ ਅਤੇ ਜਾਨੀ ਨੁਕਸਾਨ ਦਾ ਖਤਰਾ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਗਲਤ ਸਕਾਰਾਤਮਕ ਨਤੀਜੇ ਬੇਲੋੜੀ ਰੋਕਣ ਦੇ ਖਰਚੇ ਵਿੱਚ. ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ, ਝੂਠੇ ਨੈਗੇਟਿਵ ਨੂੰ ਘੱਟ ਕਰਨ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਸਾਵਧਾਨੀ ਨਾਲ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਫੀਲਡ ਪੁਸ਼ਟੀ ਦੁਆਰਾ ਸਮਰਥਿਤ ਹੁੰਦਾ ਹੈ।
7. ਪੂਰਵ-ਅਨੁਮਾਨਤ ਰੱਖ-ਰਖਾਅ ਵਿੱਚ, ਇੱਕ ਕੰਪ੍ਰੈਸਰ ਦੇ ਵਾਈਬ੍ਰੇਸ਼ਨ ਡੇਟਾ ਤੋਂ 'ਬਾਕੀ ਲਾਭਦਾਇਕ ਜੀਵਨ' (ਆਰਯੂਐਲ) ਅਨੁਮਾਨ ਪੈਦਾ ਕਰਨ ਵੇਲੇ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਵਰਤੋਂ ਕੀ ਹੈ?
- A) ਇੱਕ ਅੰਦਾਜ਼ਨ ਸਹੀ ਅਸਫਲਤਾ ਦੀ ਮਿਤੀ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਅਤੇ ਉਸ ਦਿਨ ਤੱਕ ਕੋਈ ਵੀ ਜਾਂਚ ਨਾ ਕਰਨਾ।
- ਅ) ਅਨੁਮਾਨਿਤ ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਰੇਂਜ ਨੂੰ ਫੈਸਲੇ ਦੇ ਸਮਰਥਨ ਵਜੋਂ ਲੈਣਾ ਅਤੇ ਫੀਲਡ ਨਿਰੀਖਣ ਅਤੇ ਮੂਲ ਕਾਰਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਾਲ ਨਾਜ਼ੁਕ ਉਪਕਰਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔
- C) ਵਾਈਬ੍ਰੇਸ਼ਨ ਵਧਣ 'ਤੇ ਅਲਾਰਮ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਯੋਗ ਕਰਨਾ
- D) ਜੇਕਰ RUL ਘੱਟ ਹੈ, ਤਾਂ ਬਿਨਾਂ ਕਿਸੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਸਾਜ਼-ਸਾਮਾਨ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਚਲਾਓ।
ਵਰਣਨ: RUL (ਬਾਕੀ ਉਪਯੋਗੀ ਜੀਵਨ) ਅਨੁਮਾਨ ਇੱਕ ਸੰਭਾਵੀ ਅਨੁਮਾਨ ਹੈ, ਇੱਕ ਸਹੀ ਤਾਰੀਖ ਨਹੀਂ। ਸਹੀ ਵਰਤੋਂ ਇਸਦੀ ਅਨਿਸ਼ਚਿਤਤਾ ਸੀਮਾ ਦੇ ਨਾਲ ਅੰਦਾਜ਼ੇ ਨੂੰ ਲੈਣਾ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਦੀ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਫੈਸਲੇ ਦੇ ਸਮਰਥਨ ਵਜੋਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ; ਨਾਜ਼ੁਕ ਉਪਕਰਣਾਂ ਵਿੱਚ, ਇਸਦੀ ਫੀਲਡ ਨਿਰੀਖਣ ਅਤੇ ਵਾਈਬ੍ਰੇਸ਼ਨ ਸਪੈਕਟ੍ਰਮ ਮੂਲ ਕਾਰਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅੰਨ੍ਹੇਵਾਹ ਮਿਤੀ ਦੇ ਆਧਾਰ 'ਤੇ ਸਾਜ਼-ਸਾਮਾਨ ਨੂੰ ਚਲਾਉਣਾ ਜਾਰੀ ਰੱਖਣਾ ਖ਼ਤਰਨਾਕ ਹੈ।
8. ਕਿਹੜਾ ਸਿਧਾਂਤ ਜ਼ਰੂਰੀ ਹੈ ਜੇਕਰ AI-ਅਧਾਰਤ ਗੈਸ ਖੋਜ ਦੀ ਵਰਤੋਂ ਜ਼ਹਿਰੀਲੀਆਂ ਗੈਸਾਂ ਜਿਵੇਂ ਕਿ H2S (ਹਾਈਡ੍ਰੋਜਨ ਸਲਫਾਈਡ) ਦੇ ਜੋਖਮ ਵਾਲੀ ਸਾਈਟ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ?
- A) ਪ੍ਰਮਾਣਿਤ ਭੌਤਿਕ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਬਦਲ ਕੇ, AI ਖੋਜ ਸੁਰੱਖਿਆ ਦੀ ਇੱਕੋ ਇੱਕ ਪਰਤ ਹੋ ਸਕਦੀ ਹੈ
- ਬੀ) ਏਆਈ ਇੱਕ ਸਹਾਇਕ ਪਰਤ ਹੈ; ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਡਿਟੈਕਟਰਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਕੋਈ ਬਦਲ ਨਹੀਂ, ਬਹੁ-ਪੱਧਰੀ ਸੁਰੱਖਿਆ ਜ਼ਰੂਰੀ ✔
- C) ਜੇਕਰ ਮਾਡਲ ਭਰੋਸੇ ਦਾ ਸਕੋਰ ਉੱਚਾ ਹੈ, ਤਾਂ ਭੌਤਿਕ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਬੰਦ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
- D) H2S ਦਾ ਪਤਾ ਸਿਰਫ਼ ਦਫ਼ਤਰ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ ਹੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
ਵਰਣਨ: H2S ਜੀਵਨ ਸੁਰੱਖਿਆ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਇੱਕ ਘਾਤਕ ਗੈਸ ਹੈ; AI ਖੋਜ ਇੱਕ ਮਦਦਗਾਰ ਪਰਤ ਹੋ ਸਕਦੀ ਹੈ, ਪਰ ਇਹ ਇੱਕਲੇ, ਪ੍ਰਮਾਣਿਤ ਭੌਤਿਕ ਗੈਸ ਡਿਟੈਕਟਰਾਂ ਅਤੇ ਨਿਕਾਸੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਨਹੀਂ ਬਦਲ ਸਕਦੀ। ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੰਕਸ਼ਨ ਇੱਕ ਸਿੰਗਲ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਾਡਲ 'ਤੇ ਅਧਾਰਤ ਨਹੀਂ ਹੋਣੇ ਚਾਹੀਦੇ, ਪਰ ਬਹੁ-ਪੱਧਰੀ ਅਤੇ ਸੁਤੰਤਰ ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀਆਂ (ਡੂੰਘਾਈ ਵਿੱਚ ਰੱਖਿਆ) 'ਤੇ ਅਧਾਰਤ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।
9. ਏਆਈ ਦੇ ਨਾਲ ਇੱਕ ਮੁਫਤ ਟੈਕਸਟ ਡਰਿਲਿੰਗ ਲੌਗ ਰਿਪੋਰਟ ('ਆਰਓਪੀ ਪੂਰੀ ਸ਼ਿਫਟ ਵਿੱਚ ਡਿੱਗਿਆ, ਟਾਰਕ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ, ਸੰਭਵ ਮਿੱਟੀ ਦੀ ਸੋਜ') ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਸਮੇਂ ਮੁੱਖ ਉਦੇਸ਼ ਕੀ ਹੈ?
- A) ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਰਿਪੋਰਟ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣਾ
- ਅ) ਆਟੋਮੈਟਿਕਲੀ ਡ੍ਰਿਲਿੰਗ ਡੂੰਘਾਈ ਵਧਾਓ
- C) ਮਿਆਰੀ ਖੇਤਰਾਂ ਵਿੱਚ ਅਸੰਗਤ ਮੁਫਤ ਟੈਕਸਟ ਦਾ ਅਨੁਵਾਦ ਕਰਕੇ ਡੇਟਾ ਨੂੰ ਪੁੱਛਗਿੱਛਯੋਗ ਬਣਾਉਣਾ; ਇੰਜਨੀਅਰ ਨੂੰ 'ਸੰਭਵ' ਟੈਗ ਨਾਲ ਟਿੱਪਣੀ ਛੱਡੋ ✔
- ਡੀ) ਖੂਹ ਨੂੰ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਦੁਬਾਰਾ ਨੰਬਰ ਦੇਣਾ
ਵਰਣਨ: AI ਅਸੰਗਤ ਫ੍ਰੀ-ਟੈਕਸਟ ਸੰਚਾਲਨ ਰਿਪੋਰਟਾਂ ਨੂੰ ਮਿਆਰੀ ਖੇਤਰਾਂ (ਘਟਨਾ ਦੀ ਕਿਸਮ, ਡੂੰਘਾਈ, ਸੰਕੇਤਕ ਤਬਦੀਲੀ, ਸੰਭਾਵੀ ਕਾਰਨ, ਕਾਰਵਾਈ) ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਡੇਟਾ ਨੂੰ ਪੁੱਛਗਿੱਛਯੋਗ ਅਤੇ ਤੁਲਨਾਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਮੂਲ ਕਾਰਨ ਅਤੇ ਕਾਰਜਸ਼ੀਲ ਫੈਸਲੇ ਦੀ ਡਿਰਲ ਇੰਜੀਨੀਅਰ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਮਾਡਲ ਨੂੰ 'ਸੰਭਵ' ਲੇਬਲ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ।
10. ਇੱਕ ਆਮ AI ਟੂਲ ਵਿੱਚ ਸਾਈਟ-ਵਿਸ਼ੇਸ਼ ਖੂਹ ਲੌਗ, ਉਤਪਾਦਨ ਅਤੇ ਰਿਜ਼ਰਵ ਡੇਟਾ ਦਾਖਲ ਕਰਨ ਵੇਲੇ ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?
- ਏ) ਅਸਲ ਕੋਆਰਡੀਨੇਟਸ ਅਤੇ ਉਤਪਾਦਨ ਮੁੱਲਾਂ ਨੂੰ ਬਿਲਕੁਲ ਦਾਖਲ ਕਰਨਾ ਅਤੇ ਸਭ ਤੋਂ ਤੇਜ਼ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨਾ
- ਅ) ਪਛਾਣਾਂ ਅਤੇ ਮੁੱਲਾਂ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ, ਪ੍ਰਤੀਨਿਧੀ ਮੁੱਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨਾ ਅਤੇ ਕੇਵਲ ਪ੍ਰਵਾਨਿਤ/ਨਿਯੰਤਰਿਤ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔
- C) ਪੂਰੇ ਫੀਲਡ ਡੇਟਾਬੇਸ ਨੂੰ ਲੋਡ ਕਰਨਾ ਅਤੇ ਮਾਡਲ ਨੂੰ ਸਿੱਖਣ ਦੀ ਆਗਿਆ ਦੇਣਾ
- ਡੀ) ਨੋਟ ਕਰੋ ਕਿ ਡੇਟਾ ਗੁਪਤ ਹੈ ਅਤੇ ਇਸਨੂੰ ਜਿਵੇਂ ਹੈ ਸਾਂਝਾ ਕਰੋ।
ਵਰਣਨ: ਵਧੀਆ ਤਾਲਮੇਲ, ਉਤਪਾਦਨ ਦੇ ਪ੍ਰਵਾਹ ਅਤੇ ਰਿਜ਼ਰਵ ਜਾਣਕਾਰੀ ਵਪਾਰਕ ਤੌਰ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਵੇਦਨਸ਼ੀਲ ਅਤੇ ਲਾਇਸੈਂਸ ਧਾਰਕ/ਭਾਈਵਾਲੀ ਨਾਲ ਸਬੰਧਤ ਅਕਸਰ ਗੁਪਤ ਡੇਟਾ ਹਨ; ਇਹ ਕੁਝ ਦੇਸ਼ਾਂ ਵਿੱਚ ਜਨਤਕ ਨਿਯਮ ਦੇ ਅਧੀਨ ਹੈ। ਇੱਕ ਬੇਕਾਬੂ ਬਾਹਰੀ ਸੇਵਾ ਵਿੱਚ ਦਾਖਲ ਹੋਣਾ ਮੁਕਾਬਲਾ, ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਕਾਨੂੰਨੀ ਜੋਖਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਪਛਾਣ/ਤਾਲਮੇਲ/ਅਸਲ ਮੁੱਲਾਂ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ ਜਾਂ ਪ੍ਰਤੀਨਿਧੀ ਮੁੱਲਾਂ ਨਾਲ ਕੰਮ ਕਰਨਾ ਅਤੇ ਕੇਵਲ ਪ੍ਰਵਾਨਿਤ, ਸੰਸਥਾ-ਨਿਯੰਤਰਿਤ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ।
11. ਏਆਈ ਦੇ ਨਾਲ ਇੱਕ ਇੰਜੀਨੀਅਰਿੰਗ ਗਣਨਾ ਵਿੱਚ 'ਆਰਡਰ ਆਫ਼ ਮੈਗਨਿਟਿਊਡ ਕੰਟਰੋਲ' ਦਾ ਕੀ ਮਤਲਬ ਹੈ?
- A) ਨਤੀਜੇ ਦੇ ਦਸ਼ਮਲਵ ਸਥਾਨਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਵਧਾਉਣਾ
- ਅ) ਇੱਕ ਤੇਜ਼ ਹੱਥ ਦੀ ਗਣਨਾ ਨਾਲ ਜਾਂਚ ਕਰਨਾ ਕਿ ਕੀ ਨਤੀਜਾ ਲਗਭਗ 10 ਰੇਂਜ ਦੀ ਸੰਭਾਵਿਤ ਸ਼ਕਤੀ ਦੇ ਅੰਦਰ ਹੈ ✔
- C) ਨਤੀਜੇ ਦੇ ਗ੍ਰਾਫਿਕ ਰੈਜ਼ੋਲੂਸ਼ਨ ਨੂੰ ਮਾਪਣਾ
- ਡੀ) ਨਤੀਜੇ ਦੇ ਰੰਗ ਨੂੰ ਮਾਨਕੀਕਰਨ
ਵਰਣਨ: ਤੀਬਰਤਾ ਦੀ ਜਾਂਚ ਦਾ ਕ੍ਰਮ ਤੁਰੰਤ ਹੱਥ ਦੀ ਗਣਨਾ ਦੁਆਰਾ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ ਕਿ ਕੀ ਨਤੀਜਾ ਲਗਭਗ 10 ਸੀਮਾ ਦੀ ਉਮੀਦ ਕੀਤੀ ਸ਼ਕਤੀ ਦੇ ਅੰਦਰ ਹੈ ਜਾਂ ਨਹੀਂ। ਉਦਾਹਰਨ ਲਈ, ਰੇਤ ਦੇ ਭੰਡਾਰ ਦੀ ਪਾਰਦਰਸ਼ੀਤਾ ਮਿਲਿਡਰਸੀ ਰੇਂਜ ਵਿੱਚ ਹੋਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਪਰ ਡਾਰਸੀਸ ਦੀ ਬਜਾਏ ਹਜ਼ਾਰਾਂ ਡਾਰਸੀਜ਼ ਦੀ ਮੌਜੂਦਗੀ ਵੇਰਵੇ ਵਿੱਚ ਜਾਣ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਇਕਾਈ ਜਾਂ ਸੰਪਾਦਨ ਗਲਤੀ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੀ ਹੈ।
12. ਪਾਈਥਨ ਦੇ ਨਾਲ AI ਵਿੱਚ ਉਤਪਾਦਨ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਨੂੰ ਛਾਪਣ ਵੇਲੇ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਤਰੀਕਾ ਕੀ ਹੈ?
- A) ਜੇਕਰ ਕੋਡ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਗਲਤੀ ਨਹੀਂ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਨਤੀਜੇ ਨੂੰ ਸਹੀ ਮੰਨੋ।
- ਅ) ਯੂਨਿਟ ਟੈਸਟਿੰਗ, ਭੌਤਿਕ ਸੀਮਾ ਜਾਂਚ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਸੁਤੰਤਰ ਢੰਗ ਨਾਲ ਤੁਲਨਾ ਕਰਨਾ ✔
- C) ਕੋਡ ਦੀਆਂ ਲਾਈਨਾਂ ਦੀ ਵੱਡੀ ਗਿਣਤੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
- ਡੀ) ਜਾਂਚ ਕਰਨਾ ਕਿ ਕੀ ਗ੍ਰਾਫਿਕ ਆਉਟਪੁੱਟ ਰੰਗੀਨ ਹੈ
ਵਿਆਖਿਆ: ਹਾਲਾਂਕਿ ਤਿਆਰ ਕੀਤਾ ਕੋਡ ਨਿਰਵਿਘਨ ਅਤੇ ਸਹੀ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਇਸ ਵਿੱਚ ਲੁਕੀਆਂ ਹੋਈਆਂ ਗਲਤੀਆਂ (ਗਲਤ ਯੂਨਿਟ, ਸ਼ਿਫਟ ਕੀਤੀ ਮਿਤੀ, ਲੀਕ ਡੇਟਾ, ਗਲਤ ਸੰਗ੍ਰਹਿ) ਹੋ ਸਕਦੀਆਂ ਹਨ। ਸਭ ਤੋਂ ਮਜਬੂਤ ਤਸਦੀਕ ਇੱਕ ਛੋਟੇ ਜਾਣੇ-ਪਛਾਣੇ ਨਮੂਨੇ 'ਤੇ ਸੰਭਾਵਿਤ ਆਉਟਪੁੱਟ ਦੀ ਦਸਤੀ ਗਣਨਾ ਕਰਨਾ, ਕੋਡ (ਯੂਨਿਟ ਟੈਸਟਿੰਗ) ਵਿੱਚ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, ਭੌਤਿਕ ਸੀਮਾਵਾਂ (ਜਿਵੇਂ ਕਿ ਕੋਈ ਨਕਾਰਾਤਮਕ ਵਹਾਅ ਦਰ ਨਹੀਂ) ਦੇ ਵਿਰੁੱਧ ਵਿਚਕਾਰਲੇ ਨਤੀਜਿਆਂ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਇੱਕ ਸੁਤੰਤਰ ਵਿਧੀ ਨਾਲ ਤੁਲਨਾ ਕਰਨਾ ਹੈ।
13. ਰਿਜ਼ਰਵ ਰਿਪੋਰਟਿੰਗ (ਉਦਾਹਰਨ ਲਈ PRMS/SEC) ਵਿੱਚ AI-ਜਨਰੇਟ ਕੀਤੇ EUR ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਸਹੀ ਬਿਆਨ ਕੀ ਹੈ?
- A) ਮੁਲਾਂਕਣਕਰਤਾ ਦੀ ਮਨਜ਼ੂਰੀ ਬੇਲੋੜੀ ਹੈ ਕਿਉਂਕਿ AI ਆਉਟਪੁੱਟ ਆਪਣੇ ਆਪ ਵੈਧ ਹੈ
- ਅ) AI ਮਦਦਗਾਰ ਹੈ; ਵਿਧੀ, ਇਨਪੁਟ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਯੋਗ, ਦਸਤਾਵੇਜ਼ੀ ਅਤੇ ਸਮਰੱਥ ਮੁਲਾਂਕਣਕਰਤਾ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ✔
- C) ਉੱਚਤਮ EUR ਮੁੱਲ ਵਾਲੇ ਮਾਡਲ ਨੂੰ ਹਮੇਸ਼ਾ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
- ਡੀ) ਰਿਜ਼ਰਵ ਘੋਸ਼ਣਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਵੈਚਲਿਤ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਮਨੁੱਖੀ ਨਿਯੰਤਰਣ ਨੂੰ ਹਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ
ਵਿਆਖਿਆ: ਰਿਜ਼ਰਵ ਰਿਪੋਰਟਾਂ ਆਡਿਟ ਹੋਣ ਯੋਗ ਦਸਤਾਵੇਜ਼ ਹਨ ਜੋ ਨਿਵੇਸ਼ਕ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਫੈਸਲਿਆਂ ਲਈ ਆਧਾਰ ਹਨ ਅਤੇ ਯੋਗ ਰਿਜ਼ਰਵ ਮੁਲਾਂਕਣਕਰਤਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਧੀਨ ਹਨ। AI ਡਾਟਾ ਕਲੀਨਿੰਗ, ਡ੍ਰੀਮ ਫਿਟਿੰਗ, ਅਤੇ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਅੰਕੜਿਆਂ ਦੀ ਵਿਧੀ, ਇਨਪੁਟਸ, ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਯੋਗ ਤਰੀਕੇ ਨਾਲ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਅਧਿਕਾਰਤ ਮੁਲਾਂਕਣਕਰਤਾ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਕੱਲੀ AI ਰਿਜ਼ਰਵ ਦਾ ਐਲਾਨ ਨਹੀਂ ਕਰ ਸਕਦੀ।
14. ਤੇਲ ਅਤੇ ਗੈਸ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਲਈ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਬਾਰੇ ਕਿਹੜਾ ਕਥਨ ਸਭ ਤੋਂ ਸਹੀ ਹੈ?
- A) ਕਿਉਂਕਿ AI ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਜ਼ਿੰਮੇਵਾਰੀ ਸਾਫਟਵੇਅਰ ਕੰਪਨੀ ਨੂੰ ਜਾਂਦੀ ਹੈ
- ਅ) AI ਸਹਾਇਤਾ ਅਤੇ ਪ੍ਰਵੇਗ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ; ਫੈਸਲੇ ਅਤੇ ਰਿਪੋਰਟ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ ਕੋਲ ਰਹਿੰਦੀ ਹੈ, ਆਉਟਪੁੱਟ ਪ੍ਰਮਾਣਿਤ ਅਤੇ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਿਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ ✔
- C) ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ ਬੇਲੋੜੀ ਹੈ ਕਿਉਂਕਿ AI ਆਉਟਪੁੱਟ ਆਪਣੇ ਆਪ ਹੀ ਵੈਧ ਹੈ
- ਡੀ) ਜ਼ਿੰਮੇਵਾਰੀ ਸਿਰਫ ਫੀਲਡ ਟੀਮ ਦੀ ਹੈ, ਇਸ ਨਾਲ ਦਫਤਰ ਦੇ ਇੰਜੀਨੀਅਰ ਦੀ ਕੋਈ ਚਿੰਤਾ ਨਹੀਂ ਹੈ
ਵਰਣਨ: AI ਸਹਾਇਤਾ ਕਾਰਜਾਂ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਹੈ ਜਿਵੇਂ ਕਿ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ, ਡਰਾਫਟਿੰਗ, ਖੋਜ ਅਤੇ ਅਨੁਕੂਲਤਾ ਪ੍ਰਵੇਗ; ਹਾਲਾਂਕਿ, ਹਸਤਾਖਰਿਤ ਰਿਪੋਰਟ, ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲੇ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਈਨ ਅਤੇ ਰਿਜ਼ਰਵ ਘੋਸ਼ਣਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਧਿਕਾਰਤ ਇੰਜੀਨੀਅਰ/ਮੁਲਾਂਕਣਕਰਤਾ ਦੀ ਰਹਿੰਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਆਡਿਟ ਕਰਨ ਯੋਗ, ਪ੍ਰਮਾਣਿਤ ਅਤੇ ਮਨੁੱਖੀ-ਪ੍ਰਵਾਨਿਤ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।