บทนำและขีดจำกัดของ AI ในวิศวกรรมไฟฟ้าและอิเล็กทรอนิกส์

กำไร:

• ความสามารถในการแยกแยะว่า AI กำลังเร่งความเร็วตรงไหน และตรงไหนที่มีความเสี่ยงในการทำงานด้านวงจร กำลังไฟฟ้า และระบบฝังตัว
• ความสามารถในการอธิบายว่าทำไมต้องมีการตรวจสอบและการอนุมัติจากวิศวกรในงานไฟฟ้าที่เกี่ยวข้องกับความปลอดภัยในชีวิตและทรัพย์สิน
• ความสามารถในการวางตำแหน่งเอาต์พุต AI ให้เป็นอินพุตแบบร่างที่ต้องตรวจสอบ แทนที่จะใช้แทนการตัดสินทางวิศวกรรม

เมื่อคุณดูวันวิศวกรไฟฟ้าและอิเล็กทรอนิกส์ รูปภาพที่เกิดขึ้นจะคล้ายกันในทีมส่วนใหญ่: การอ่านเอกสารข้อมูล การกรอกสเปรดชีต การเขียนและแก้ไขโค้ด การเขียนแบบแผน การค้นหามาตรฐาน การเตรียมรายงานการทดสอบ อีเมล และการประชุม กล่าวอีกนัยหนึ่ง เวลาที่ทุ่มเทให้กับส่วน "วิศวกรรม" ที่แท้จริง ซึ่งก็คือการตัดสินใจในการออกแบบระบบอย่างปลอดภัยและแม่นยำ จะถูกบดขยี้ภายใต้การทำงานซ้ำๆ นี่คือจุดที่ปัญญาประดิษฐ์เข้ามามีบทบาท AI ไม่ได้ออกแบบให้คุณ โดยจะเตรียมคุณสำหรับการออกแบบ สร้างแบบร่าง เร่งความเร็วการคำนวณ และนำข้อมูลที่ประมวลผลมาไว้ข้างหน้าคุณเพื่อการตัดสินใจ ในบทนี้ เราจะชี้แจงว่าขั้นตอนใดของเวิร์กโฟลว์ไฟฟ้า-อิเล็กทรอนิกส์ที่ AI เพิ่มมูลค่าที่แท้จริง การตัดสินใจใดควรคงอยู่กับวิศวกร และวินัยด้านความปลอดภัยที่คุณต้องปฏิบัติตามเมื่อทำเช่นนี้ เป้าหมายชัดเจน: การวางตำแหน่ง AI ไม่ใช่ "นักออกแบบอัตโนมัติ" แต่เป็นผู้ช่วยที่มีระเบียบวินัยซึ่งมีการตรวจสอบผลลัพธ์ทุกครั้ง

AI Accelerator ในธุรกิจใดบ้าง ธุรกิจใดบ้างที่มีความเสี่ยง?

งานไฟฟ้าและอิเล็กทรอนิกส์ตั้งอยู่บนสเปกตรัมสองแฉกในแง่ของผลลัพธ์ ด้านหนึ่งเป็นงานในสำนักงานที่มีความเสี่ยงต่ำและเพิกถอนได้ ในอีกด้านหนึ่ง มีการตัดสินใจที่ไม่สามารถย้อนกลับได้ซึ่งส่งผลโดยตรงต่อความปลอดภัยของชีวิตและทรัพย์สิน คุณค่าของ AI จะแตกต่างกันไปขึ้นอยู่กับจุดยืนของคุณบนสเปกตรัมนี้

ประเภทธุรกิจ

การมีส่วนร่วมของ AI

บทบาทของวิศวกร

เอกสารข้อมูล/สรุปมาตรฐาน

ลบรายการที่เกี่ยวข้องออกจากเอกสารขนาดยาว

ตรวจสอบค่าจากแหล่งที่มาอย่างเป็นทางการ

ร่างโค้ด (MCU, Python)

การสร้างโครงกระดูกและการทำงาน

ลงทะเบียน กำหนดเวลา ตรวจสอบการทดสอบ

งานบัญชีเบื้องต้น

การตั้งสูตรเลขตัวแรก

หน่วย อันดับ และการควบคุมมาตรฐาน

เอกสารประกอบ

รายงาน/BOM/ร่างขั้นตอนการทดสอบ

ความถูกต้องทางเทคนิคและคำศัพท์เฉพาะทาง

การประสานงานการป้องกัน

ข้อเสนอแนะ, สถานการณ์

การคัดเลือกและการอนุมัติขั้นสุดท้าย

การว่าจ้าง

ร่างรายการตรวจสอบ

การวัดและลายเซ็นในสนาม

กฎง่ายๆ ก็คือ ความเสี่ยงของเอาท์พุต AI เท่ากับความเสียหายที่เอาท์พุตจะเกิดขึ้นหากเกิดข้อผิดพลาด การสะกดป้ายกำกับแกนผิดนั้นไม่เป็นอันตราย การคำนวณการตั้งค่าปัจจุบันของเบรกเกอร์ผิดอาจส่งผลให้เกิดเพลิงไหม้ได้ ดังนั้นคำถามแรกที่ถามก่อนใช้เอาต์พุตคือ "จะเกิดอะไรขึ้นหากสิ่งนี้ผิดและใครจะเป็นผู้สังเกตเห็น"

ข้อควรสนใจ: AI สร้างข้อความที่คล่องแคล่วและมั่นใจ ความคล่องแคล่วไม่รับประกันความถูกต้อง โมเดลภาษาสามารถ "ผสม" (ภาพหลอน) สูตรที่น่าเชื่อถือ หมายเลขรายการ และค่าเอกสารข้อมูลได้ แม้ว่าจะไม่มีข้อมูลจริงก็ตาม ในด้านไฟฟ้าสิ่งนี้จะไม่คงอยู่บนกระดาษ เกิดการทำงานผิดปกติ เสียหาย หรือเกิดอุบัติเหตุในสนาม

การตัดสินใจที่ควรตกเป็นของวิศวกร

การตัดสินใจบางอย่างไม่ควรเป็นแบบอัตโนมัติทั้งหมด สิ่งเหล่านี้ก่อให้เกิดความเสี่ยงด้านเทคนิค กฎหมาย และจริยธรรม:

• ตัวเลือกที่มีความสำคัญต่อความปลอดภัย: ระดับเบรกเกอร์/ฟิวส์ การประสานงานการป้องกัน การต่อสายดิน และระดับฉนวน
• การทดสอบการใช้งานและการจ่ายไฟ: การตัดสินใจจ่ายแรงดันไฟฟ้าให้กับบอร์ด มอเตอร์ หรือสายไฟของบอร์ดเป็นครั้งแรก
• การประกาศความสอดคล้องมาตรฐาน: ข้อความ "การออกแบบนี้สอดคล้องกับมาตรฐานที่เกี่ยวข้อง" ต้องมีลายเซ็นของวิศวกร
• ค่าเมื่อสัมผัสกับมนุษย์: เกณฑ์การป้องกันกระแสตกค้าง, แรงดันไฟฟ้าสัมผัส, ขีดจำกัด EMC/EMF

คำเตือน: แม้ว่าการคำนวณที่สร้างโดย AI จะให้ผลลัพธ์ประมาณว่า "เบรกเกอร์ 50 A ก็เพียงพอแล้ว" แต่ก็ไม่สามารถนำไปใช้ได้โดยไม่ต้องให้วิศวกรตรวจสอบด้วยกระแสไฟฟ้าลัดวงจร การเลือกสรร และความแข็งแรงของสายเคเบิล เอาต์พุตที่มีความสำคัญต่อความปลอดภัยแต่ละรายการจะต้องได้รับการตรวจสอบและรับรองโดยวิศวกรที่ได้รับอนุญาตอย่างเป็นอิสระก่อนนำไปใช้งาน

วินัยในการตรวจสอบ: การควบคุมสามชั้น

หากต้องการใช้เอาต์พุต AI กับสายตาของบรรณาธิการและผู้ตรวจสอบแทนที่จะสุ่มสี่สุ่มห้า ให้ใช้การควบคุมสามชั้น:

1. หน่วยและยศ (ตรวจสอบสติ): หน่วยของผลลัพธ์ถูกต้องหรือไม่? ขนาดเหมาะสมกับร่างกายหรือไม่? หากมีการสูญเสีย 500 kW ในหม้อแปลงขนาด 100 kVA แสดงว่ามีข้อผิดพลาดอยู่ที่ไหนสักแห่ง
2. การทำสำเนาโดยอิสระ: สร้างการคำนวณซ้ำด้วยตนเอง โดยใช้เครื่องคิดเลข หรือใช้ Python/SPICE สั้นๆ หากสองวิธีที่ต่างกันให้ผลลัพธ์เหมือนกัน ความไว้วางใจก็จะเพิ่มขึ้น
3. การตรวจสอบมาตรฐานและแหล่งที่มา: ทุกหมายเลขรายการ ค่าเอกสารข้อมูล และขีดจำกัดที่กำหนดโดย AI จะต้องได้รับการยืนยันคำต่อคำจากแหล่งที่มาอย่างเป็นทางการ

พร้อมท์การยืนยัน (ช่วยให้ตรวจสอบผลลัพธ์ได้ง่ายขึ้น): "แสดงรายการสมมติฐาน สูตร และหน่วยทั้งหมดที่คุณใช้ในการคำนวณต่อไปนี้อย่างชัดเจน แสดงขั้นตอนกลางแต่ละขั้นตอนในบรรทัดแยกกัน ทำเครื่องหมายค่ามาตรฐานหรือหมายเลขแผ่นข้อมูลที่คุณใช้ด้วยแท็ก 'ต้องใช้แหล่งที่มา' อย่าสร้างตัวเลขใดๆ ที่คุณไม่ทราบแน่ชัด"

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

อ่อนแอ:"บอกฉันหน่อยว่าหน้าตัดของสายเคเบิลเหมาะสำหรับมอเตอร์นี้อย่างไร" (ผลลัพธ์: เป็นตัวเลขตัวเดียวโดยไม่มีบริบท ไม่ชัดเจนว่าจะใช้กระแสไฟ ความยาว วิธีการติดตั้ง และขีดจำกัดแรงดันตกคร่อมใด) แข็งแกร่ง:"คำนวณหน้าตัดของสายเคเบิลทองแดงในเบื้องต้นสำหรับเงื่อนไขต่อไปนี้และแสดงขั้นตอน:- มอเตอร์: 15 kW, 400 V, 3 เฟส, cosφ 0.85, ประสิทธิภาพ 0.90- ความยาวสายเคเบิล: 60 ม., ท่อร้อยสาย การติดตั้ง อุณหภูมิโดยรอบ 35 °C- แรงดันไฟฟ้าตกที่ยอมรับได้: 3% คำนวณกระแสไฟฟ้า แรงดันไฟฟ้าตก และความสามารถในการรองรับกระแสไฟฟ้าความร้อนแยกกัน จดบันทึกความจำเป็นในการตรวจสอบผลลัพธ์ด้วยตารางมาตรฐานที่เกี่ยวข้อง

ความแตกต่างก็คือ พรอมต์ที่ชัดเจนจะให้ทั้งอินพุตจริงและขอบเขต (ไม่ต้องประกาศ แสดงขั้นตอน) ให้กับโมเดล ทำให้สามารถตรวจสอบเอาต์พุตได้

มินิเคส

วิศวกรระบบสมองกลฝังตัว Deniz พิมพ์โค้ดอ่าน ADC สำหรับการ์ดวัดอุณหภูมิไปยัง AI AI สร้างสูตรโดยสมมติว่าแรงดันอ้างอิงสำหรับ ADC 12 บิตคือ 5 V เดนิซจะเปิดเอกสารข้อมูลของการ์ด การอ้างอิงคือ 3.3 V จริง ๆ แล้วสมมติฐานของ AI ที่ 5 V จะให้แต่ละการวัดอ่านโดยมีอคติประมาณ 50% ทะเลแก้ไขข้อมูลอ้างอิง อัปโหลดโค้ดไปยังการ์ด และเปรียบเทียบการอ่านกับเทอร์โมมิเตอร์จริงที่อุณหภูมิที่ทราบ AI ให้ความเร็ว; ทะเลเพิ่มความน่าเชื่อถือด้วยการตรวจสอบสมมติฐานและยืนยันด้วยการวัด หาก AI ได้รับความไว้วางใจอย่างสุ่มสี่สุ่มห้า ข้อผิดพลาดก็จะถูกส่งไปที่สนาม

ข้อผิดพลาดทั่วไป

• ยอมรับสมมติฐานของ AI (แรงดันอ้างอิง อุณหภูมิ ประเภทตัวนำ) โดยไม่ต้องตั้งคำถาม
• การใช้ค่าที่มีความสำคัญด้านความปลอดภัย (เบรกเกอร์ การป้องกัน การต่อสายดิน) โดยไม่ต้องตรวจสอบ
• ไม่เห็นหมายเลขแผ่นข้อมูลที่สร้างขึ้นและหมายเลขรายการมาตรฐาน
• สมมติว่าโค้ด "ใช้งานได้" โดยไม่ต้องวัดในฮาร์ดแวร์
• ข้ามการควบคุมระดับเสียง มองข้ามความสับสนของ V, A, W, VA, VAR
• ทดแทนเอาต์พุต AI เพื่อการอนุมัติทางวิศวกรรม

เคล็ดลับ: ถามเอาต์พุต AI แต่ละรายการด้วยคำถามสามข้อนี้: (1) สมมติฐานใดที่ทำให้ได้ข้อสรุปนั้น และสมมติฐานนั้นถูกต้องหรือไม่ (2) ฉันทำซ้ำสิ่งนี้ด้วยวิธีอิสระหรือไม่? (3) สิ่งนี้มีความสำคัญต่อความปลอดภัยหรือไม่ และหากเป็นเช่นนั้น ฉันได้รับการยืนยันและอนุมัติที่เชื่อถือได้หรือไม่ หากทั้งสามชัดเจนแล้วให้ดำเนินการต่อ

โดยสรุป

• AI เพิ่มความเร็วและขนาดในขั้นตอนการเตรียม การคำนวณ การเขียนโค้ดและเอกสารของงานไฟฟ้าและอิเล็กทรอนิกส์ แต่เขาไม่ใช่ผู้มีอำนาจตัดสินใจ
• ความเสี่ยงของผลลัพธ์จะเท่ากับความเสียหายที่จะเกิดขึ้นหากเกิดข้อผิดพลาด งานที่มีความสำคัญด้านความปลอดภัยต้องมีการตรวจสอบโดยอิสระและการอนุมัติจากวิศวกร
• ข้อความของเหลวไม่ใช่ข้อความที่ถูกต้อง ทุกสมมติฐาน ตัวเลข และค่ามาตรฐานจะต้องได้รับการตรวจสอบ
• การควบคุมสามชั้น (หน่วย/อันดับ การสร้างซ้ำอย่างอิสระ การตรวจสอบแหล่งที่มา) ทำให้เอาต์พุตมีความน่าเชื่อถือ
• พรอมต์อันทรงพลังให้ข้อมูลอินพุตจริงและขอบเขตร่วมกันกับโมเดล
• วางตำแหน่ง AI ให้เป็น “ผู้ช่วยที่รวดเร็วซึ่งทุกเอาต์พุตได้รับการตรวจสอบ”

งานสมัคร

ให้ AI ​​แก้ไขการคำนวณที่คุณเพิ่งทำ (หน้าตัดของสายเคเบิล การเลือกตัวต้านทาน การสูญเสียพลังงาน ฯลฯ) ตั้งแต่เริ่มต้น จากนั้นแยกแต่ละสมมติฐานและตัวเลขในเอาต์พุตออกเป็นรายการ ตัดสินใจว่า "ตรวจสอบแล้ว / ต้องใช้ทรัพยากร / ผิดพลาด" สำหรับแต่ละรายการ สร้างการคำนวณซ้ำด้วยตนเองหรือโดยใช้ Python ระยะสั้น แล้วเปรียบเทียบผลลัพธ์ทั้งสอง หากแตกต่าง ให้ค้นหาสาเหตุ แบบฝึกหัดนี้สร้างนิสัยในการใช้ AI โดยมีระเบียบวินัยของผู้ตรวจสอบ