Zyski:
- Możliwość rozróżnienia, gdzie sztuczna inteligencja oszczędza czas rzeczywisty w procesie metalurgicznym i materiałowym, a gdzie odpowiedzialność za bezpieczeństwo powinna pozostać inżynierem, w oparciu o poziom ryzyka
- Możliwość wdrożenia trójwarstwowej dyscypliny walidacji, która testuje każdy wynik AI pod kątem standardowych, niezależnych obliczeń i eksperymentów laboratoryjnych
- Możliwość anonimizacji kontekstu i bezpieczny wybór narzędzi w celu ochrony poufnej receptury stopu, parametrów procesu i danych klienta
Podczas gdy łopatka turbiny silnika lotniczego obraca się setki razy na sekundę w temperaturze 1400°C, to Ty decydujesz, z jakiego nadstopu (specjalnego stopu zachowującego swoją wytrzymałość w wysokich temperaturach) zostanie wykonana ta łopatka, jakiej obróbce cieplnej zostanie poddana i ile tysięcy godzin będzie trwać: inżynier metalurgiczny lub materiałowy. Każda decyzja, którą podejmiesz w tym zawodzie, decyduje o przetrwaniu konstrukcji lub jej zniszczeniu. Sztuczna inteligencja (w skrócie AI: systemy oprogramowania przetwarzające tekst, liczby i obrazy oraz generujące sugestie) może przyspieszyć te decyzje; ale on nigdy nie będzie mógł wziąć za ciebie odpowiedzialności. W tej części dowiesz się, gdzie bezpiecznie stosować sztuczną inteligencję w metalurgii i materiałach, gdzie jest to niebezpieczne i dlaczego należy weryfikować każdy wynik sztucznej inteligencji za pomocą laboratorium, standardu i eksperymentu.
Główną zasadą, którą będziesz stosować w tym module, jest: AI jest asystentem, a nie decydentem. Właściwość materiału, wartość graniczna, standardowy przedmiot lub przepis na obróbkę cieplną nie stają się prawdą tylko dlatego, że „sztuczna tak powiedziała”; Jest to jedynie hipoteza, dopóki nie zostanie zweryfikowana poprzez pomiary, odniesienie i ocenę techniczną. You will see this sentence again in every unit of the module, because in metallurgy, a wrong number often means a broken part.
Co to jest LLM i co robi w metalurgii?
LLM (Large Language Model) to oprogramowanie, które uczy się wzorców z bardzo dużych fragmentów tekstu i przewiduje „następne słowo” na podstawie prawdopodobieństwa. Jest to silnik narzędzi takich jak ChatGPT, Claude, Gemini. Rzecz w tym, że LLM to „estymator języka”, a nie „baza wiedzy”. Biegle posługuje się terminologią metalurgiczną, ale nie mierzy liczb; generuje liczbę, która wygląda na najbardziej prawdopodobną. Dlatego może udzielać pewnych, ale błędnych odpowiedzi na temat granicy plastyczności, temperatury topnienia lub numeru pozycji normy. Nazywa się to halucynacją (fabrykacją). Halucynacje nie są awarią, ale nieodłączną cechą tej technologii; Dlatego weryfikacja nie jest „dodatkowym krokiem”, ale integralną częścią pracy.
Zadania, w których sztuczna inteligencja jest silna w metalurgii:
- Wyjaśnienie koncepcji i nauczanie: czym jest przemiana martenzytu, dlaczego jest twardy i kruchy; Jaka jest różnica między eutektyką a eutektoidą?
- Generowanie listy hipotez: Tworzenie systematycznej listy przyczyn powstawania porowatości (pustki gazowe lub powstałe wskutek skurczu) w odlewie.
- Text production: damage analysis report draft, WPS (welding procedure specification) draft, presentation, email.
- Kodowanie: czyszczenie danych, grafika, proste skrypty obliczeniowe (Python).
- Podsumowanie danych i organizacja tabeli: przekształcanie nieuporządkowanych wyników testów w uporządkowaną tabelę.
- Burza mózgów: potencjalne elementy, eksperymentalne pomysły na matryce do projektowania stopów.
Gdzie sztuczna inteligencja jest słaba i ryzykowna:
- Podanie dokładnej wartości liczbowej (właściwość, wartość graniczna, skład chemiczny).
- Informacje o aktualnej/konkretnej klauzuli standardowej i wersji.
- Diagnostyka bez rzeczywistych danych pomiarowych Twojego obiektu.
- Decyzja krytyczna dla bezpieczeństwa: zdatność do lotu/użyteczność części.
Klasyfikacja oparta na ryzyku: filtr przed użyciem AI
Nie każde zadanie wiąże się z tym samym poziomem ryzyka. Przed użyciem sztucznej inteligencji sklasyfikowaj zadanie według poziomu ryzyka. Poniższa tabela przedstawia ramy decyzyjne, z których będziesz korzystać w całym module.
Poziom ryzyka
przykładowe zadanie
Rola sztucznej inteligencji
Obowiązkowa weryfikacja
niski
Wyjaśnienie koncepcji, tekst roboczy, szkielet kodu
bezpłatne korzystanie
Recenzja wystarczy
średni
Konfiguracja obliczeń, lista hipotez, streszczenie literatury
Projekt/współautor
Sterowanie ręczne + potwierdzenie źródła
wysoki
Dobór materiału, receptura obróbki cieplnej, wartość graniczna
generator pomysłów
Norma + badanie laboratoryjne
krytyczny
Użyteczność/zdatność do lotu, pierwotna przyczyna uszkodzenia, certyfikacja
Tylko wersja robocza
Akredytowane badania + zatwierdzenie autoryzowanego inżyniera
Wskazówka: jeśli oznaczysz zadanie jako „krytyczne”, wynik sztucznej inteligencji nigdy nie będzie ostatecznym dokumentem. Może to być co najwyżej wstępny projekt lub lista kontrolna; Autoryzowany inżynier przejmuje podpis i odpowiedzialność.
Przepływ od początku do końca: osadzanie sztucznej inteligencji w przepływie pracy
Typowy cykl rozwiązywania problemów w branży metalurgicznej wygląda mniej więcej tak, gdzie sztuczna inteligencja wchodzi na każdy etap, ale żadnego z nich nie zamyka samodzielnie:
- Zdefiniuj problem: co się zepsuło, jaka funkcja jest celem, jakie istnieją ograniczenia? (AI: pomaga wyjaśnić pytanie.)
- Zbieraj dane: analiza składu, badania mechaniczne, mikrostruktura, dane terenowe. (AI: wyświetla listę wymaganych testów.)
- Generuj hipotezy: możliwe przyczyny/rozwiązania. (AI: potężna — tworzy systematyczne listy.)
- Analiza: Obliczenia, model, obróbka obrazu. (AI: generuje kod i fikcję obliczeniową.)
- Zatwierdź: Standard, laboratorium, powtórz test. (AI: tutaj na uboczu; decyduje człowiek i urządzenie.)
- Zgłoś i podejmij decyzję: Inżynier bierze na siebie odpowiedzialność. (AI: autor projektu.)
Pamiętaj o tych sześciu krokach; Pozostała część modułu pokazuje, jak wykorzystać sztuczną inteligencję do konkretnych zadań na każdym z tych etapów.
trzy mini etui
Przypadek 1 – Dopasowana granica plastyczności. Stażysta pyta AI o granicę plastyczności stali AISI 4140 hartowanej i odpuszczanej w temperaturze 200°C; AI mówi „około 1500 MPa”. Stażysta uwzględnia to bezpośrednio w obliczeniach projektu wrzeciona. Jednak rzeczywista wartość waha się w przybliżeniu w granicach 900–1600 MPa, w zależności od parametrów obróbki cieplnej i grubości przekroju; Wartość wzięta w cienkiej próbce nie sprawdza się w grubym przekroju. Wynik: współczynnik bezpieczeństwa okazuje się niższy niż oczekiwano. Prawidłowym podejściem jest przyjęcie wartości z karty katalogowej materiału (certyfikatu huty) oraz, jeśli to konieczne, z próby rozciągania zgodnie z normą ISO 6892.
Przypadek 2 – Nieistniejąca klauzula standardowa. Inżynier pyta AI o limit włączenia stali nierdzewnej. AI mówi „maks. 2,5 zgodnie z ASTM E45 sekcja 7.3”. Inżynier pisze odpowiedni raport. Podczas kontroli klienta okazuje się, że numer artykułu jest fałszywy, a norma nie zawiera takiej klauzuli. Prawidłowym podejściem jest otwarcie aktualnej wersji standardu z oficjalnego źródła i potwierdzenie artykułu. Sztuczna inteligencja może halucynować numer przedmiotu, nawet jeśli poprawnie zna standardową nazwę.
Przypadek 3 – Prawidłowe użycie. Zespół analizy uszkodzeń bada fotografię pękniętej powierzchni złamanej śruby M20. Proszą sztuczną inteligencję o „wypisanie typowych różnic w powierzchni pęknięcia pęknięcia zmęczeniowego i pęknięcia kruchego i powiedz mi, czego powinienem szukać w skaningowym mikroskopie elektronowym (SEM) w przypadku każdego z nich”. Sztuczna inteligencja systematycznie wyjaśnia ślady plażowe, rozstępy (linie zmęczenia) i rozróżnienie wgłębień/dekoltu. Zespół wyszukuje te ślady za pomocą SEM, znajduje rozstępy i stawia diagnozę na podstawie obrazu urządzenia. Tutaj sztuczną inteligencję zastosowano prawidłowo: uporządkowano informacje, laboratorium podjęło decyzję.
Kopiowalne szablony podpowiedzi
Poniższe szablony możesz wykorzystać dostosowując je do własnego biznesu. W każdym z nich zawarta jest świadoma instrukcja „podania dokładnej liczby, wskazania źródła, wyjaśnienia niepewności”.
ROLA I SZABLON GRANIC "Rola: Jesteś doświadczonym pomocnikiem inżyniera hutnika. Zadanie: [wpisz temat]. Zasady: Podając dokładną wartość liczbową, podaj ŹRÓDŁO; jeśli nie jesteś pewien, powiedz "trzeba zweryfikować". Jeśli podajesz standardową pozycję, podaj ją z wersją, ale pamiętaj, że powinno to być potwierdzone z oficjalnego źródła. Na końcu odpowiedzi napisz pozycja po pozycji "co wymaga sprawdzenia eksperymentalnie".
SZABLON GENEROWANIA HIPOTEZ „Stwórz systematyczną listę możliwych pierwotnych przyczyn następującego problemu: [opisz problem; materiał, proces, obserwację]. Dla każdej hipotezy: (1) jakie dowody ją potwierdzają, (2) jaki test należy przeprowadzić, aby ją potwierdzić/obalić. NIE STAWIAJ ostatecznej diagnozy; po prostu przedstaw plan badań.”
SZABLON LISTY KONTROLNEJ WERYFIKACJI „Wymień KAŻDĄ wartość liczbową i KAŻDE odniesienie do normy w projekcie wyniku/raportu poniżej. Dla każdego z nich wskaż, z jakiego źródła (certyfikat huty, tekst standardowy, raport z testów) należy go zweryfikować. Zbierz te o niepewnym pochodzeniu w osobnym nagłówku „niedostępne do czasu zweryfikowania”. Tekst: [wklej].”
SZABLON KONTROLI WSTĘPNEJ ANONIMIZACJI „Przed przesłaniem następującego tekstu do narzędzia AI, oznacz części zawierające tajemnice handlowe lub dane osobowe: proporcje receptury stopu, imię i nazwisko klienta, poufne parametry temperatury/czasu procesu, nazwiska personelu. Zasugeruj, w jaki sposób mogę je zanonimizować. Tekst: [wklej].”
Słaba zachęta/silna zachęta
Zadawanie tego samego pytania na dwa sposoby przyniesie bardzo różne wyniki.
SŁABY PODPIS: „Powiedz mi, jakie są właściwości stali 4140”.
WAŻNA WSKAZÓWKA: „Rola: jesteś asystentem inżyniera obróbki cieplnej. Wyjaśnij CO wpływa na granicę plastyczności podczas hartowania + odpuszczania dla stali AISI 4140 (temperatura odpuszczania, grubość przekroju/hartowność, temperatura austenityzacji). Nie podawaj jednej DOKŁADNEJ liczby; zamiast tego w jakim zakresie wartość może się zmieniać i jakie badanie powinienem wykonać według jakiej normy (np. próba rozciągania ISO 6892), aby uzyskać prawidłową wartość. Proszę wyraźnie określić. gdzie nie jesteś pewien.”
Słaby monit zwykle zwraca bezużyteczną, powierzchowną listę i prawdopodobnie wymyślone liczby. Potężny monit; przypisuje rolę, wyznacza granice („podaje dokładną liczbę”), wymaga środków weryfikacji i obnaża niepewność. W całym tym module zobaczysz wzór „silnego monitu” zastosowany do każdej jednostki.
Etyka, prywatność i odpowiedzialność
Dane metalurgiczne są często poufne: receptury stopów klientów, opatentowane parametry procesu, wyniki analizy uszkodzeń, specyfikacje przemysłu obronnego. Wklejenie ich do publicznej usługi AI może stanowić tajemnicę handlową i naruszenie umowy; Istnieje również ryzyko, że dane będą zakłócać szkolenie modelu.
- Nie wprowadzaj kompozycji, receptur i rysunków firmy/klienta do serwisu zewnętrznego bez uzyskania zgody.
- Anonimizuj zapisy zawierające dane osobowe (nazwy operatorów, numery rejestracyjne).
- Przestrzegaj zasad korporacyjnych i wszelkich lokalnych lub zakontraktowanych narzędzi sztucznej inteligencji dla przedsiębiorstw.
- W przejrzysty sposób oświadcz w raporcie, że korzystasz ze sztucznej inteligencji; Wyjaśnij, że ostateczna decyzja opiera się na Twojej ocenie inżynierskiej.
- Podpis i odpowiedzialność zawsze pozostają po stronie upoważnionego inżyniera; Wyniki AI nie są uzasadnieniem.
Uwaga: „To właśnie powiedziała sztuczna inteligencja” nie jest uzasadnieniem inżynierskim. W przypadku protokołu szkody, wyboru materiału lub decyzji o zgodności podstawą powinny być normy, badania i obliczenia; Sztuczna inteligencja jest narzędziem, które co najwyżej je organizuje. W przypadku prac o znaczeniu krytycznym dla bezpieczeństwa wyjście AI nie zastępuje zgody wykwalifikowanego inżyniera.
Typowe błędy
- Używanie wartości liczbowej (cechy, limitu, składu) podanej przez sztuczną inteligencję bez eksperymentowania i odniesienia.
- Wpisanie do raportu standardowych numerów pozycji bez ich potwierdzania.
- Wprowadzanie poufnych danych klientów/firm do publicznej sztucznej inteligencji.
- Zapytanie AI „na czym polega usterka” bez podawania danych placówki i pomylenie ogólnej odpowiedzi z diagnozą.
- Wykorzystywanie wyników sztucznej inteligencji jako ostatecznego dokumentu przy podejmowaniu kluczowych decyzji z pominięciem zgody inżyniera.
- Ignorowanie niepewności: mylenie pewnego tonu sztucznej inteligencji z dokładnością.
Podsumowując
AI jest potężnym akceleratorem w metalurgii i inżynierii materiałowej: wyjaśnia koncepcje, generuje hipotezy, szkicuje i pisze kod. Jednak wartość liczbowa niesie ryzyko halucynacji w przypadku standardowych kwestii i decyzji krytycznych dla bezpieczeństwa. Klasyfikuj zadania według poziomu ryzyka, sprawdzaj każdy wynik w trójkącie standardowego konta laboratoryjnego, zachowuj poufność i zawsze powierzaj odpowiedzialność autoryzowanemu inżynierowi. W pozostałej części modułu stosuje się tę zasadę do każdego konkretnego zadania.
Zadanie aplikacji
Wybierz pięć typowych zadań z własnej pracy (lub przykładowego projektu): na przykład „wybór materiału”, „pisanie protokołu uszkodzeń”, „zapytanie o normy”, „interpretacja mikrostruktury”, „skrypt obliczeniowy”. Sklasyfikuj każde z nich jako Niskie/Średnie/Wysokie/Krytyczne zgodnie z powyższą tabelą ryzyka i napisz w jednym zdaniu, w jaki sposób zweryfikujesz wyniki sztucznej inteligencji dla każdego z nich (jaki standard, który test, czyja akceptacja). Następnie spróbuj dostosować szablon „ROLA I GRANICA” do jednego z tych zadań.
lista kontrolna
- [ ] Sklasyfikowałem misję według poziomu ryzyka (niski/średni/wysoki/krytyczny).
- [ ] Dałem AI rolę, ograniczenie i instrukcję „podaj dokładną liczbę/określ źródło”.
- [ ] Sprawdziłem każdą wartość liczbową i standardową pozycję z niezależnych źródeł.
- [ ] Nie wprowadziłem danych poufnych/osobowych do zewnętrznego serwisu ani nie dokonałem ich anonimizacji.
- [ ] Ostateczną decyzję oparłem na pomiarze i standardzie, nie podając sztucznej inteligencji jako uzasadnienia.
- [ ] Odpowiedzialność i podpis pozostawiłem autoryzowanemu inżynierowi.