Usalama-Masuala Muhimu, Maadili, Faragha na Uwajibikaji

Faida:

• Uwezo wa kutathmini mipaka na mahitaji ya uthibitishaji wa AI katika kazi muhimu ya uhandisi ya usalama
• Uwezo wa kudhibiti faragha, sera ya data na hatari za uvumbuzi katika muundo wa siri/kushiriki data
• Uwezo wa kubishana kivitendo kwamba pato la AI haliwezi kuchukua nafasi ya idhini ya mhandisi na jukumu la saini

Katika uhandisi wa mitambo, baadhi ya matokeo sio chaguo la urembo bali ni suala la maisha ya binadamu na usalama wa mali: breki ya lifti, chombo cha shinikizo, kipande cha vifaa vya kuinua, sehemu ya kusimamishwa kwa magari. Katika kazi hizi muhimu kwa usalama, makosa yanaweza kusababisha jeraha au kifo. Artificial intelligence (AI) ni accelerator katika maeneo haya pia; lakini mipaka yake inaonekana kwa kasi zaidi hapa. Kitengo hiki ni uti wa mgongo wa kimaadili na uwajibikaji wa moduli na huzingatia kanuni moja: AI ya matokeo si mbadala wa uthibitishaji, uidhinishaji na saini ya mhandisi stadi katika kazi yoyote muhimu ya usalama. AI inaweza kuwa ramani, pembejeo, jicho la pili; lakini hawezi kuwajibika, kwa sababu wajibu wa kisheria na kimaadili ni wa mhandisi aliyetia sahihi. Kando na hili, hatari nyingine kuu mbili lazima zidhibitiwe: usiri (miundo ya kampuni, data ya wateja, mawazo yasiyo na hati miliki) na usahihi (hallucination). Katika kitengo hiki, utajifunza vikomo vya AI katika kazi muhimu kwa usalama, hatari za faragha na mali miliki, na kwa nini dhima haiwezi kukabidhiwa.

Usalama-Muhimu Hapa ni Mahali na Kikomo cha AI

Ikiwa kazi ni "muhimu wa usalama" au la inabainishwa na ukali wa matokeo katika kesi ya makosa. Kwa kiwango hiki, jukumu la AI hupungua: kuzalisha mawazo, kuandaa, kutengeneza orodha, ndiyo; lakini kuidhinisha akaunti ya mwisho, kutawala "salama" au kuidhinisha uzalishaji ni hapana-hapana. Tofauti ifuatayo hufanya saruji hii:

aina ya biashara

Jukumu linalofaa la AI

Jukumu lisiloweza kutengwa la mhandisi

Kawaida, hatari ndogo

Rasimu, otomatiki, akaunti ya kwanza

hakiki

hatari ya kati

Mbadala, orodha ya ukaguzi, uchambuzi wa awali

Uthibitishaji na uamuzi

Usalama-muhimu

Rasimu/jicho la pili pekee

Uchambuzi, upimaji, idhini, saini, jukumu

Kanuni muhimu: Haijalishi jinsi matokeo ya AI yanavyoshawishi, ni dhana na mwongozo. Hesabu muhimu ya usalama inatolewa tena kwa kujitegemea, inakaguliwa kwa kiwango, kujaribiwa ikiwa ni lazima na kutiwa saini na mhandisi anayefaa. Sahihi inamaanisha "nimethibitisha hili na ninawajibika kwa hilo"; modeli ya lugha haiwezi kutoa kauli hii.

Kidokezo: Jiulize swali hili kwa kila pato la AI: "Ikiwa hii sio sawa, ni nani anayeumia na ni nani anayewajibika?" Ikiwa jibu ni "watu wanaumia, ninawajibika", matokeo hayo hayaendi popote bila kupita kiwango cha juu zaidi cha uthibitishaji.

Kujiamini na Mtego wa Kujiamini Kupindukia

Kipengele hatari zaidi cha AI ni kwamba inatoa habari za uwongo kwa ujasiri sawa na habari sahihi. Anaweza kutengeneza kipengee cha kawaida, kutoa thamani ya nyenzo isiyo sahihi, kutumia fomula kimakosa, na kuandika yote kwa lugha fasaha na ya kitaalamu. Wakati upendeleo wa kujiamini kupita kiasi (upendeleo wa otomatiki; tabia ya kibinadamu ya kuamini pato la mfumo wa kiotomatiki sana) huongezwa kwa hili, hatari inakua: mhandisi anaweza kukubali pato ambalo linaonekana vizuri kwenye skrini bila kukiangalia. Kujilinda ni tabia ya kitamaduni: kutazama matokeo ya AI kama "ya shaka hadi ithibitishwe vinginevyo" badala ya "labda kweli."

Tahadhari: "AI ilionekana kujiamini" sio utetezi. "Hivyo ndivyo AI ilisema" sio kisingizio katika uchunguzi wa ajali, ukaguzi, au kesi; Jukumu linabaki kwa mhandisi anayeidhinisha. Fikiria AI kama mwanafunzi wa ndani ambaye hashiriki wajibu kamwe lakini wakati mwingine anakosea sana: unachukua maoni yake, hautawahi kusaini kazi yake bila kuiangalia.

Sera ya Faragha, Miliki na Data

Hatari kubwa ya pili ni faragha. Kupakia muundo usio na hati miliki wa kampuni, data ya mteja, au suluhisho nyeti kwa ushindani kwenye zana ya umma ya AI ambayo sera yake ya data haijulikani; inaweza kusababisha upotezaji wa haki miliki, uvunjaji wa usiri na uvunjaji wa mkataba. Baadhi ya zana zinaweza kutumia pembejeo kufunza modeli; Jiometri ya siri unayopakia inaweza kufichuliwa na mtu mwingine. Mbinu sahihi: kutii sera ya data ya kampuni, kuficha utambulisho wa data nyeti (kuondoa taarifa zinazotambulisha na kuziweka katika muundo wa umma), au kutumia zana ya biashara/iliyotengwa ambapo data haiondoki.

Hatua kwa Hatua: Kutumia Salama na Maadili AI

1. Kuainisha hatari. Je, kazi hii ni ya kiusalama, ni nini matokeo yake endapo kutakuwa na makosa?
2. Zingatia faragha. Je, data hizi zinaweza kutoka; Je, sera inasemaje?
3. Usijulishe au utumie zana zilizotengwa. Ondoa taarifa nyeti.
4. Tumia AI kama rasimu/jicho la pili. Sio kibali, ni pembejeo.
5. Thibitisha kwa kujitegemea. Uzazi, kiwango, kupima.
6. Mhandisi mwenye uwezo anaidhinisha na kutia saini. Wajibu hauwezi kukabidhiwa; Rekodi ya ufuatiliaji huhifadhiwa.

Arifa na tathmini ya faragha haraka

Jukumu: Mshauri wa maadili ya uhandisi na usimamizi wa hatari.Kazi: Tathmini kazi ifuatayo kwa kuzingatia umuhimu wa usalama na usiri.Ayubu: [maelezo ya kazi; matokeo iwezekanavyo katika kesi ya makosa; aina ya data ya kushirikiwa].Pato:- Darasa la hatari (kawaida / kati / kiusalama-muhimu) na uhalali- NINI ninaweza kupata AI ya kufanya katika kazi hii, NINI siwezi kufanya- Je, kuna hatari ya faragha; data lazima isijulikane; Je, gari la pekee linahitajika? Kanuni: Sisitiza kwamba idhini ya mwisho na wajibu unabaki kwa mhandisi stadi.

Kidokezo cha kutokutambulisha

Nitauliza AI tatizo la muundo, lakini sitaki kushiriki maelezo ya kampuni. USITAJI muktadha ufuatao: acha jina la kampuni, jina la bidhaa, mteja na vipimo vya maelezo; Andika upya tatizo katika masharti ya jumla ya uhandisi ili taarifa nyeti zisivujishwe lakini msingi wa kiufundi uhifadhiwe.Muktadha: [maandishi]

Adhabu ya uthibitishaji haraka

Angalia akaunti hii muhimu kwa usalama kama mkaguzi huru, KAMWE usijiunge nami. Fomula ya swali, kitengo, dhana na uzingatiaji wa kawaida. Toa matokeo kwa njia ya kujitegemea na uonyeshe tofauti. Kwa kila matokeo, andika "nitawezaje kuthibitisha/kujaribu hili?" Kanuni: HUWEZI kuthibitisha; ondoa pointi zitakazoangaliwa pekee.[akaunti]

Agizo la usajili wa uwajibikaji

Andika rasimu ya rekodi ya ufuatiliaji/uamuzi wa uamuzi huu wa muundo.Nyumba: uamuzi, msingi (hesabu/kawaida/jaribio), mchango wa AI (rasimu?),njia huru ya uthibitishaji, mhandisi anayeidhinisha, tarehe, sehemu ya sahihi.Kanuni: Weka bayana mchango wa AI kama "rasimu/msaada"; Acha uga wa uthibitishaji wazi.

Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu

Agizo dhaifu:

Je, muundo huu wa breki wa lifti ni salama, thibitisha.

AI haiwezi na haipaswi kutoa kibali cha usalama; Akisema "salama" ni upotoshaji na hatari kwa sababu hawezi kubeba jukumu.

Agizo lenye nguvu:

Kagua hesabu hii ya breki kama mhakiki huru; Ushiriki, udhaifu na mawazo yanayohitaji kuthibitishwa. Kuzalisha matokeo kwa kujitegemea na kuonyesha tofauti. Jua kwamba nina kibali na wajibu; unaorodhesha tu vituo vya ukaguzi.

Pili haraka nafasi AI kama chombo cha udhibiti muhimu, si mamlaka ya idhini; huweka jukumu kwa mhandisi.

Kesi Tatu Ndogo (Kwa Nambari)

Kesi ya 1 - Dhima ya Mtia saini. Mhandisi atatumia hesabu ya ndoano ya kuinua ambayo AI ilitayarisha katika masaa 2. Ndoano itainua tani 2; kupasuka itakuwa mbaya. Mhandisi hufanya hesabu upya kwa kujitegemea, hurekebisha kipengele cha usalama kuwa ≥ 4 kinachohitajika na kiwango badala ya 1.8 iliyotolewa na AI, na kupanua jiometri. Nambari ya AI "ilionekana kuwa sawa" lakini haikufikia kiwango muhimu cha usalama. Anatia saini tu baada ya kuthibitishwa. Somo: Uamuzi wa idhini na sababu ya usalama hauwezi kuhamishwa.

Kesi 2 - Muundo uliovuja. Mwanafunzi anapakia utaratibu mpya, usio na hati miliki kutoka kwa kampuni hadi kwenye zana ya AI inayopatikana kwa umma na kusema "boresha." Sera ya data ya zana huhifadhi pembejeo na inaweza kutumika katika mafunzo. Wakati kampuni inatambua hili, timu ya kisheria huingia; Mkakati wa hataza unateseka kutokana na hatari ya mali miliki. Njia sahihi ilikuwa kuficha utambulisho wa utaratibu au kutumia kutengwa kwa kampuni. Somo: sera ya siri ya kubuni usiingie gari lisilojulikana.

Kesi ya 3 - Hifadhi ya kutokutambulisha. Mhandisi anataka kujadili tatizo mahususi la kipunguzi kwa mteja na AI, lakini mteja na bidhaa ni siri. Huondoa utambulisho wa muktadha: huondoa jina la kampuni/bidhaa, vipimo vya maelezo na kuandika tatizo upya kama "kipunguzaji cha jumla cha uwiano wa gia na torque". Inaongeza AI bila kuvuja habari nyeti, kuhifadhi kiini cha kiufundi. Somo: kutokutambulisha ni njia salama kati ya faragha na ufanisi.

Makosa ya kawaida

• Kutoa mamlaka ya idhini kwa AI: Kusema "Je, ni salama, idhinisha" na kujaribu kukabidhi jukumu.
• Kujiamini kupita kiasi (upendeleo wa kiotomatiki): Kukubali matokeo ya ushawishi bila kuiangalia.
• Kupakia data ya siri kwa zana ya umma: Kushiriki data ya muundo/mteja bila kujua sera.
• Kukwepa kutokutambulisha: Kuuliza tatizo nyeti bila kuondoa taarifa ya kutambua.
• Kutotunza rekodi za ufuatiliaji: Kutohifadhi mchango na uthibitishaji wa AI.
• Kupuuza kipengele cha usalama: Kuvuka kizingiti muhimu cha usalama kwa thamani ya chini iliyotolewa na AI.

Kwa muhtasari

• Katika kazi muhimu ya usalama, AI inaweza kuwa ramani na jicho la pili; Uidhinishaji, saini na wajibu ni wa mhandisi mwenye uwezo.
• AI inatoa makosa kama kushawishi kama haki; Mtazamo wa "mtuhumiwa hadi ithibitishwe vinginevyo" ni muhimu dhidi ya upendeleo wa kujiamini kupita kiasi.
• "AI ilionekana kujiamini" sio utetezi wa kisheria au wa kimaadili; Jukumu linabaki kwa aliyeidhinisha.
• Muundo wa siri, data ya mteja na mawazo yasiyo na hati miliki hayajapakiwa kwa magari yasiyojulikana; ficha jina au tumia zana zilizotengwa.
• Akaunti muhimu ya usalama inatolewa tena kwa kujitegemea, inakaguliwa kulingana na kiwango, na jukumu linachukuliwa kwa kutia saini.

Jukumu la maombi

Chagua kazi ambayo inaweza kuwa muhimu kwa usalama (kipengele cha kuinua, sehemu ya shinikizo, breki au muundo unaounga mkono). Kwanza ainisha kazi kulingana na hatari na faragha: ni nini matokeo ya hitilafu, ni data gani ambayo ni nyeti? Je, AI itathmini kazi hii na kutengeneza orodha ya "ni nini ninaweza kufanya na siwezi kufanya nini?" Ondoa utambulisho wa muktadha utakaoshiriki (ondoa maelezo ya kampuni/bidhaa/mteja). Kisha fanya ukaguzi wa akaunti, ukitumia AI tu kama zana muhimu ya kukagua, lakini toa matokeo mwenyewe kwa njia huru na ulinganishe kipengele cha usalama na kiwango kinachofaa. Hatimaye, andika rekodi ya ufuatiliaji/maamuzi; Andika mchango wa AI kama "rasimu/msaidizi" na umwachie mhandisi aliyehitimu uga wa idhini.

orodha ya ukaguzi

• [ ] Kazi ilitathminiwa kulingana na darasa la hatari (kawaida/kati/usalama-muhimu).
• [ ] Usiri umetathminiwa; Data nyeti haijatambulishwa au zana iliyotengwa hutumiwa.
• [ ] AI ilitumika kama rasimu/jicho la pili, si mamlaka ya uidhinishaji.
• [ ] Hesabu muhimu kwa usalama imetolewa tena na kukaguliwa kwa kujitegemea dhidi ya kiwango.
• [ ] Kigezo cha usalama kililinganishwa na kiwango cha juu cha kiwango husika.
• [ ] Rekodi ya ufuatiliaji/maamuzi iliyohifadhiwa; Uidhinishaji, saini na wajibu viliachiwa mhandisi mwenye uwezo.

Mtihani wa Moduli

1. Ni lipi kati ya yafuatayo ambalo ni jukumu la kweli na salama zaidi kwa AI katika CAD na mtiririko wa kazi wa kubuni?

• A) Majukumu ya kuunga mkono kama vile kupendekeza njia mbadala za muundo na kutoa hati za parametric/makros ✔
• B) Uidhinishaji wa tuli na nguvu otomatiki
• C) Kutuma muundo moja kwa moja kwa uzalishaji bila idhini ya mhandisi
• D) Kuchukua saini na mamlaka ya idhini kutoka kwa mhandisi

Maelezo: AI ina nguvu katika kazi za ziada kama vile kupendekeza njia mbadala za muundo, kuzalisha hati/makro vigezo, nyenzo za kuandaa na metadata (fikra tofauti). Jiometri ya mwisho, uvumilivu, idhini ya nguvu na uamuzi wa kutuma kwa uzalishaji (uamuzi wa kubadilishana) unabaki kwa mhandisi.

2. AI ilitoa thamani ya 'nguvu ya mavuno MPa 250' kwa nyenzo. Unapaswa kufanya nini kabla ya kutumia thamani hii kama msingi wa muundo?

• A) Kuweka thamani moja kwa moja kwenye akaunti kwa sababu AI imesasishwa
• B) Thibitisha thamani kutoka kwa karatasi ya data ya mtengenezaji au kiwango cha nyenzo ✔
• C) Kuzungusha thamani juu na kudhani iko upande salama
• D) Ongeza kipengele cha usalama bila mpangilio na upitishe

Maelezo: AI inaweza kukadiria, kukadiria, au bandia kabisa (hallucinate) mali ya nyenzo; Thamani yake inatofautiana kulingana na hali ya matibabu ya hasira / joto ya nyenzo sawa. Thamani haipaswi kujumuishwa katika muundo bila uthibitishaji kutoka kwa hifadhidata ya mtengenezaji au kiwango cha nyenzo husika.

3. Michoro ya Ashby (uteuzi wa nyenzo) inatumika kwa nini hasa?

• A) Kuhesabu gharama halisi ya uzalishaji wa sehemu
• B) Kuunda orodha ya bei ya wasambazaji
• C) Ili kulinganisha sifa za nyenzo (k.m. uzito-wiani) na uchague wahusika ✔
• D) Kuamua uvumilivu wa sehemu

Maelezo: Michoro ya Ashby inalinganisha nyenzo kwa kuweka sifa mbili za nyenzo (k.m. uzito-wiani, modulus-of-elasticity) kwenye shoka na kuibua taswira ya seti inayofaa zaidi ya watahiniwa kulingana na faharasa ya utendakazi. Haikusudiwi kuamua gharama halisi, uvumilivu au bei ya usambazaji.

4. AI ilitoa hesabu ya mkazo lakini huna uhakika wa uthabiti wa kitengo. Uchambuzi wa vipimo (kitengo) unanasa nini kimsingi?

• A) Makosa ya tahajia katika maandishi
• B) Makosa ya rangi katika michoro
• C) Ukubwa wa faili towe
• D) Utofauti wa kipimo na makosa ya ubadilishaji wa pande mbili za mlingano ✔

Maelezo: Uchanganuzi wa vipimo (kitengo) hukagua kuwa vitengo vya pande zote mbili za mlinganyo vinalingana; Kwa mfano, kwa mkazo, matokeo yanapaswa kuwa N/m² = Pa. Ikiwa vitengo havilingani, kuna hitilafu katika fomula au ubadilishaji. Sio juu ya aina, rangi au saizi ya faili.

5. Katika hesabu ya joto, AI ilisema kuwa heater 5 kW inapokanzwa lita 1 ya maji kwa 20 ° C katika sekunde 2. Jibu la kwanza bora ni lipi?

• A) Kuangalia na kukataa matokeo na uhifadhi wa nishati na utaratibu wa ukubwa ✔
• B) Kuandika matokeo na maeneo zaidi ya desimali na kuyakubali
• C) Uliza AI 'una uhakika?' na kuridhika na jibu la 'ndio'
• D) Futa swali, liulize tangu mwanzo na upate jibu la kwanza

Maelezo: Uthibitishaji wa haraka unafanywa kwa kuangalia usafi na uhifadhi wa nishati: Inachukua takriban 84 kJ kupasha kilo 1 ya maji hadi 20°C; Kwa kW 5 hii inachukua ~ sekunde 17, sio sekunde 2. Matokeo yake si ya kimwili na hayawezi kukubalika bila uthibitishaji.

6. Ni ukaguzi gani muhimu zaidi wa kufanya kabla ya kuamini matokeo ya mkazo yaliyofasiriwa na AI katika uchanganuzi wa FEA?

• A) Ramani ya mkazo ya rangi inaonekana 'nzuri' kimwonekano
• B) Uthibitishaji kwa uhuru wa matundu, hali ya mipaka na kulinganisha kwa uchambuzi ✔
• C) Kukamilisha suluhisho kwa muda mfupi
• D) AI ikisema 'matokeo ni salama'

Maelezo: Matokeo ya FEA inategemea msongamano wa matundu, hali ya mipaka na ufafanuzi wa nyenzo. Hitimisho; Uhuru wa mesh (matokeo hayabadilika wakati mesh imeimarishwa) inapaswa kuthibitishwa kwa kulinganisha na usahihi wa hali ya mpaka na, ikiwa inawezekana, na mbinu ya uchambuzi.

7. Katika FEA, mesh inapozidi kuwa mnene katika kona ya ndani yenye makali, thamani ya mkazo huongezeka kila mara. Je, hali hii inaashiria nini zaidi?

• A) Nyenzo hakika ina kasoro
• B) Kuna hitilafu ya kipimo cha sensor
• C) Mkazo wa dhiki ya bandia (umoja) kwenye kona kali; kipenyo cha kona lazima kiigwa ✔
• D) Suluhisho daima liko upande salama

Ufafanuzi: Kona ya ndani yenye ncha kali (zero radius) ni sehemu ya umoja katika nadharia ya elastic; Kadiri matundu yanavyozidi kuwa mnene, mvutano huelekea kutokuwa na mwisho. Hii ni matokeo ya bandia. Katika sehemu halisi, kipenyo cha kona lazima kiigwa au kufasiriwa na kipengele cha notch/tathmini ya ndani.

8. AI iligundua 'kushindwa kunawezekana kwa pete ya ndani' katika data ya mtetemo wa fani. Ni ipi njia sahihi zaidi?

• A) Kufuta mashine kabisa bila kuuliza
• B) Puuza maoni na uendelee kufanya kazi
• C) Kuzima sensor kabisa
• D) Thibitisha tafsiri kwa frequency ya makosa ya tabia, urekebishaji na ukaguzi wa uwanja ✔

Ufafanuzi: Tafsiri ya AI ya upotovu/kutofaulu ni dhana. Masafa ya hitilafu ya tabia katika wigo wa mtetemo (k.m. masafa ya mpito wa pete ya ndani BPFI), urekebishaji wa vitambuzi na hitilafu zinazowezekana za data zinapaswa kuangaliwa; Maoni hayapaswi kubadilishwa kuwa uamuzi wa matengenezo bila kuthibitishwa na ukaguzi wa shamba na utaratibu wa kutofaulu.

9. Ni kipengele gani cha pato kinachohitaji kuangaliwa zaidi wakati wa kutathmini utengezaji (DFM) wa sehemu iliyo na AI?

• A) Kuzingatia mapendekezo ya mashine halisi, zana na mipaka ya mchakato ✔
• B) Tu kuonekana kwa uzuri wa kipande
• C) Saizi ya faili ya modeli ya CAD
• D) Chaguzi za rangi na mipako

Maelezo: AI; Inaweza kuchukua mashine, zana, ukungu na mipaka ya mchakato bila vikwazo halisi vya warsha. Kwa mfano, inaweza kupendekeza eneo la ndani lisiloweza kufikiwa au uvumilivu usiowezekana. Mapendekezo ya DFM yanapaswa kuthibitishwa dhidi ya vifaa vilivyopo na mipaka halisi ya mchakato.

10. Nini kifanyike kabla ya kutuma kidokezo cha AI cha uvumilivu wa kuchora/GD&T kwa uzalishaji?

• A) Inachakata madokezo moja kwa moja kwenye kuchora kama AI inazalisha
• B) Angalia na uidhinishe alama kulingana na mahitaji ya kawaida na ya utendaji ✔
• C) Kupunguza uvumilivu kwa nasibu na kufikiria ni salama
• D) Kubadilisha alama ili kuzifanya zikumbukwe

Maelezo: AI; inaweza kutoa viwango vya ustahimilivu visivyo sahihi au visivyo vya kawaida, alama za GD&T (kipimo cha kijiometri na kuvumilia), au alama za umaliziaji wa uso. Madokezo yanapaswa kukaguliwa kulingana na kiwango husika (k.m. ISO/ASME GD&T) na mahitaji ya utendaji; Msimamo wa uvumilivu katika suala la mkusanyiko na kazi lazima idhibitishwe na mhandisi.

11. AI ilisema kuwa muundo 'unalingana na EN 13445 kifungu cha 7.4.2'. Ni tabia ipi iliyo sahihi zaidi?

• A) Andika moja kwa moja kwa ripoti kwa sababu AI inatoa maelezo
• B) Kutegemea maoni kwenye jukwaa la mtandao
• C) Kuthibitisha nambari ya dutu na maudhui kutoka kwa maandishi rasmi/ya sasa ya kawaida ✔
• D) Kubadilisha nambari ya kitu ili ikumbukwe

Maelezo: AI inaweza kutoa nambari za kipengee za kawaida zisizo sahihi au zilizoonyeshwa na vizuizi. Kipengele kilichorejelewa na thamani haipaswi kuchukuliwa kama msingi wa muundo au ripoti bila uthibitishaji kutoka kwa maandishi rasmi na ya sasa ya kawaida.

12. Ni nini kinachohitajika kabla ya kutumia hati ya hesabu ya uhandisi ya Python inayozalishwa na AI?

• A) Kuamini nambari moja kwa moja kwa sababu inafanya kazi bila makosa
• B) Futa majina tofauti na ufute mistari ya maoni
• C) Andika maandishi kwa muda mrefu na ufikirie kuwa ni salama
• D) Kuthibitisha kwa majaribio yenye matokeo yanayojulikana, ukaguzi wa vipimo na visa vya ukingo ✔

Maoni: Msimbo wa AI unaweza kuwa na ubadilishaji usio sahihi wa kitengo, fomula isiyo sahihi, au katika hali mbaya matokeo yasiyo sahihi, na inaweza kuhesabu vibaya hata ikiwa inafanya kazi bila makosa. Kanuni; Ingizo za majaribio zenye matokeo yanayojulikana zinapaswa kuthibitishwa na ukaguzi wa kipimo (ukubwa) na kesi za ukingo.

13. Ni ipi sahihi katika suala la dhima katika kufanya hesabu muhimu ya usalama na AI katika uhandisi wa mitambo?

• A) Wajibu unabaki kwa mhandisi stadi anayeidhinisha; AI si kibadala cha uidhinishaji ✔
• B) Mhandisi ameondolewa dhima ikiwa AI imeidhinishwa
• C) Pato la AI linachukua nafasi ya saini ya mhandisi
• D) Uthibitishaji wa kibinadamu hauhitajiki kwenye akaunti muhimu ya usalama

Maelezo: Mhandisi mwenye uwezo anawajibika kwa usahihi na idhini / utiaji saini wa matokeo ya uhandisi; AI haiwezi kuchukua jukumu hili. Kwa hesabu na miundo muhimu kwa usalama, AI ni rasimu/ingizo na si mbadala wa idhini na uthibitishaji wa mhandisi.

14. Ni hatua gani bora zaidi unapojaribu kuchanganua muundo wa siri wa bidhaa wa kampuni kwa zana ya umma ya AI?

• A) Kuweka muundo wa siri kwenye gari la umma kama kwa kasi
• B) Kutii sera ya data, kuficha utambulisho wa data nyeti au kutumia zana za shirika/zilizotengwa ✔
• C) Kushiriki data ya mteja daima ni muhimu kwa kasi
• D) Suala la faragha halihusiani na matumizi ya AI

Ufumbuzi: Muundo wa siri, data ya mteja au mawazo yasiyo na hati miliki hayafai kupakiwa hivyo kwa zana za umma ambazo sera yake ya data haijulikani; Hii inaleta hatari ya mali miliki na ukiukaji wa faragha. Sera ya data ya kampuni lazima ifuatwe, data nyeti lazima isijulikane au zana ya shirika/iliyotengwa lazima itumike.