Security-Critical Affairs, Etika, Privacy at Pananagutan

Mga nadagdag:

• Kakayahang suriin ang mga limitasyon at kinakailangan sa pag-verify ng AI sa gawaing inhinyero na kritikal sa seguridad
• Kakayahang pamahalaan ang privacy, patakaran ng data at mga panganib sa intelektwal na ari-arian sa kumpidensyal na disenyo/pagbabahagi ng data
• Kakayahang halos magtaltalan na hindi mapapalitan ng output ng AI ang pag-apruba ng engineer at responsibilidad sa lagda

Sa mechanical engineering, ang ilan sa mga output ay hindi isang aesthetic na pagpipilian ngunit isang bagay ng buhay ng tao at kaligtasan ng ari-arian: isang elevator brake, isang pressure vessel, isang piraso ng lifting equipment, isang bahagi ng automotive suspension. Sa mga gawaing ito na kritikal sa kaligtasan, ang mga pagkakamali ay maaaring magresulta sa pinsala o kamatayan. Ang artificial intelligence (AI) ay isang accelerator din sa mga lugar na ito; ngunit ang mga hangganan nito ay lilitaw nang mas matindi dito. Ang yunit na ito ay ang etikal at pananagutan na backbone ng module at nakasentro sa iisang prinsipyo: Ang AI output ay hindi pamalit sa pag-verify, pag-apruba at lagda ng isang karampatang engineer sa anumang gawaing kritikal sa kaligtasan. Ang AI ay maaaring isang blueprint, isang input, isang pangalawang mata; ngunit hindi siya maaaring kumuha ng responsibilidad, dahil ang legal at etikal na responsibilidad ay pagmamay-ari ng engineer na pumirma. Bukod dito, dapat pangasiwaan ang dalawang iba pang pangunahing panganib: pagiging kumpidensyal (mga disenyo ng kumpanya, data ng customer, mga ideyang hindi naka-patent) at katumpakan (hallucination). Sa unit na ito, malalaman mo ang mga limitasyon ng AI sa gawaing kritikal sa seguridad, mga panganib sa pagkapribado at intelektwal na ari-arian, at kung bakit hindi delegado ang pananagutan.

Kritikal sa Seguridad Narito ang Lugar at Limitasyon ng AI

Kung ang isang trabaho ay "safety-critical" o hindi ay tinutukoy ng kalubhaan ng resulta kung sakaling magkamali. Sa sukat na ito, ang papel ng AI ay nagpapaliit: pagbuo ng mga ideya, pagbalangkas, paggawa ng mga checklist, oo; ngunit ang pag-apruba sa huling account, ang pagpapasya na "ligtas" o pagpapahintulot sa produksyon ay isang hindi-hindi. Ang sumusunod na pagkakaiba ay gumagawa ng kongkreto na ito:

uri ng negosyo

Angkop na papel ng AI

Ang hindi maiaalis na tungkulin ng inhinyero

Routine, mababang panganib

Draft, automation, unang account

pagsusuri

katamtamang panganib

Alternatibong, checklist, paunang pagsusuri

Pagpapatunay at pagpapasya

Kritikal sa seguridad

Draft/second eye lang

Pagsusuri, pagsubok, pag-apruba, lagda, responsibilidad

Kritikal na prinsipyo: Gaano man kakumbinsi ang output ng AI, isa itong hypothesis at blueprint. Ang isang kalkulasyon na kritikal sa kaligtasan ay independiyenteng ginawa, siniyasat sa pamantayan, sinusuri kung kinakailangan at nilagdaan ng karampatang inhinyero. Ang ibig sabihin ng lagda ay "Nakumpirma ko na ito at inaako ko ang responsibilidad para dito"; hindi maaaring gawin ng isang modelo ng wika ang pahayag na ito.

Tip: Itanong sa iyong sarili ang tanong na ito sa bawat output ng AI: "Kung mali ito, sino ang masasaktan at sino ang mananagot?" Kung ang sagot ay "nasasaktan ang mga tao, ako ang may pananagutan", ang output na iyon ay hindi napupunta nang hindi pumasa sa pinakamataas na pamantayan ng pag-verify.

Halucination at ang Overconfidence Trap

Ang pinaka-mapanganib na tampok ng AI ay ang pagpapakita nito ng maling impormasyon na may parehong kumpiyansa sa tamang impormasyon. Maaari siyang gumawa ng isang karaniwang item, magbigay ng hindi tamang materyal na halaga, maglapat ng formula nang hindi tama, at isulat ang lahat ng ito sa isang matatas, propesyonal na wika. Kapag idinagdag dito ang labis na kumpiyansa na bias (pagkiling ng automation; ang pagkahilig ng tao na magtiwala sa output ng isang awtomatikong sistema), lumalaki ang panganib: maaaring tanggapin ng inhinyero ang output na mukhang maganda sa screen nang hindi ito sinusuri. Ang pagiging depensiba ay isang kultural na ugali: ang pagtingin sa output ng AI bilang "nagdududa hanggang sa napatunayan kung hindi" sa halip na "marahil totoo."

Pag-iingat: Ang "AI ay tila tiwala" ay hindi isang pagtatanggol. "Iyan ang sinabi ng AI" ay walang dahilan sa isang aksidenteng pagsisiyasat, pag-audit, o demanda; Ang responsibilidad ay nananatili sa pag-apruba ng inhinyero. Isipin ang AI na parang isang intern na hindi nakikibahagi sa responsibilidad ngunit kung minsan ay nagkakamali: kunin mo ang kanyang opinyon, hindi mo pinipirmahan ang kanyang trabaho nang hindi ito sinusuri.

Privacy, Intellectual Property at Patakaran sa Data

Ang pangalawang pinakamalaking panganib ay ang privacy. Pag-upload ng hindi naka-patent na disenyo ng kumpanya, data ng customer, o isang mapagkumpitensyang sensitibong solusyon sa isang pampublikong AI tool na ang patakaran sa data ay hindi alam; maaaring magresulta sa pagkawala ng intelektwal na ari-arian, paglabag sa pagiging kumpidensyal at paglabag sa kontrata. Maaaring gamitin ng ilang tool ang mga input upang sanayin ang modelo; Ang lihim na geometry na iyong ina-upload ay maaaring malantad sa ibang tao. Ang tamang diskarte: pagsunod sa patakaran sa data ng kumpanya, pag-anonymize ng sensitibong data (pag-aalis ng impormasyon sa pagkakakilanlan at paglalagay nito sa pampublikong format), o paggamit ng enterprise/nakahiwalay na tool kung saan hindi umaalis ang data.

Hakbang sa Hakbang: Paggamit ng Ligtas at Etikal na AI

1. Uriin ang panganib. Ito ba ay kritikal sa seguridad sa trabaho, ano ang mga kahihinatnan kung sakaling magkamali?
2. Isaalang-alang ang privacy. Maaari bang lumabas ang data na ito; Ano ang sinasabi ng patakaran?
3. Anonymize o gumamit ng mga nakahiwalay na tool. Alisin ang sensitibong impormasyon.
4. Gamitin ang AI bilang draft/second eye. Hindi ito pag-apruba, ito ay input.
5. Malayang i-verify. Pagpaparami, pamantayan, pagsubok.
6. Inaprubahan at pinirmahan ng karampatang inhinyero. Hindi maaaring italaga ang responsibilidad; Ang isang traceability record ay itinatago.

Prompt ng pagtatasa ng panganib at privacy

Tungkulin: Etika sa engineering at consultant sa pamamahala ng peligro.Gawain: Suriin ang sumusunod na trabaho sa mga tuntunin ng seguridad-kritikal at pagiging kumpidensyal. Trabaho: [paglalarawan sa trabaho; posibleng resulta sa kaso ng pagkakamali; uri ng data na ibabahagi].Output:- Risk class (routine / medium / security-critical) at katwiran- ANO ang maaari kong ipagawa sa AI sa trabahong ito, ANO ang hindi ko magagawa- Mayroon bang panganib sa privacy; dapat ang data ay hindi nagpapakilala; Kailangan ba ng nakahiwalay na sasakyan? Panuntunan: Bigyang-diin na ang huling pag-apruba at responsibilidad ay nananatili sa karampatang inhinyero.

Prompt ng anonymization

Tatanungin ko ang AI ng problema sa disenyo, ngunit ayaw kong magbahagi ng impormasyon ng kumpanya. I-ANONYMIZE ang sumusunod na konteksto: alisin ang pangalan ng kumpanya, pangalan ng produkto, customer at mapaglarawang sukatan; Isulat muli ang problema sa pangkalahatang mga termino ng engineering upang hindi ma-leak ang sensitibong impormasyon ngunit mapangalagaan ang teknikal na core. Konteksto: [teksto]

Prompt ng pagdidisiplina sa pag-verify

Suriin ang account na kritikal sa seguridad na ito bilang isang independiyenteng tagasuri, HUWAG sumama sa akin. Formula ng tanong, yunit, palagay at karaniwang pagsunod. I-reproduce ang resulta sa pamamagitan ng isang malayang pamamaraan at ipakita ang pagkakaiba. Para sa bawat paghahanap, isulat ang "paano ko patunayan/susubok ito?" Panuntunan: HINDI mo makumpirma; alisin lamang ang mga puntos na susuriin.[account]

Prompt sa pagpaparehistro ng responsibilidad

Sumulat ng draft na traceability/decision record para sa desisyong ito sa disenyo. Mga Patlang: desisyon, batayan (pagkalkula/pamantayan/pagsusulit), kontribusyon ng AI (draft?), independiyenteng paraan ng pag-verify, pag-apruba ng engineer, petsa, field ng lagda. Panuntunan: Malinaw na lagyan ng label ang kontribusyon ng AI bilang "draft/assist"; Iwanang blangko ang field ng kumpirmasyon.

Mahina Prompt / Malakas na Prompt

Mahinang prompt:

Ligtas ba itong disenyo ng elevator brake, kumpirmahin.

Ang AI ay hindi maaaring at hindi dapat magbigay ng security clearance; Kung sasabihin niyang "ligtas" ito ay nakaliligaw at mapanganib dahil hindi niya kayang pasanin ang responsibilidad.

Napakahusay na prompt:

Suriin ang pagkalkula ng preno na ito bilang isang independiyenteng tagasuri; Pakikilahok, mga kahinaan at mga pagpapalagay na kailangang ma-verify. I-reproduce ang resulta nang nakapag-iisa at ipakita ang pagkakaiba. Alamin na mayroon akong pag-apruba at responsibilidad; ilista mo lang ang mga checkpoint.

Ang pangalawang prompt ay nagpoposisyon sa AI bilang isang tool ng kritikal na kontrol, hindi isang awtoridad ng pag-apruba; pinanatili ang responsibilidad sa engineer.

Tatlong Mini Case (Ayon sa Mga Numero)

Kaso 1 - Pananagutan ng lumagda. Ang isang engineer ay gagamit ng pagkalkula ng lifting hook na inihanda ng AI sa loob ng 2 oras. Ang kawit ay magtataas ng 2 tonelada; ang pagkalagot ay magiging nakamamatay. Inuulit ng engineer ang pagkalkula nang nakapag-iisa, itinatama ang safety factor na ≥ 4 na kinakailangan ng pamantayan sa halip na 1.8 na ibinigay ng AI, at pinalaki ang geometry. "Mukhang makatwiran" ang numero ng AI ngunit hindi naabot ang limitasyon na kritikal sa kaligtasan. Pumirma lang siya pagkatapos ng verification. Aralin: hindi maililipat ang desisyon sa pag-apruba at salik ng kaligtasan.

Case 2 - Leak na disenyo. Ang isang intern ay nag-load ng bago, hindi patentadong mekanismo mula sa kumpanya sa isang pampublikong magagamit na tool ng AI at nagsasabing "i-optimize." Iniimbak ng patakaran sa data ng tool ang mga input at maaaring magamit sa pagsasanay. Kapag napagtanto ito ng kumpanya, pumasok ang legal na pangkat; Ang diskarte sa patent ay naghihirap dahil sa panganib sa intelektwal na ari-arian. Ang tamang paraan ay i-anonymize ang mekanismo o gumamit ng corporate isolation. Aralin: lihim na patakaran sa disenyo huwag pumasok sa hindi kilalang sasakyan.

Case 3 - Nai-save ang anonymization. Nais ng isang engineer na talakayin ang isang partikular na problema sa reducer para sa isang customer na may AI, ngunit ang customer at ang produkto ay kumpidensyal. Ina-anonymize nito ang konteksto: inaalis ang pangalan ng kumpanya/produkto, mga mapaglarawang dimensyon at muling isinulat ang problema bilang "isang pangkalahatang reducer para sa isang partikular na gear ratio at torque." Ginagamit nito ang AI nang hindi naglalabas ng sensitibong impormasyon, na pinapanatili ang teknikal na kakanyahan. Aralin: ang anonymization ay ang ligtas na landas sa pagitan ng privacy at kahusayan.

Mga karaniwang pagkakamali

• Pagbibigay ng awtoridad sa pag-apruba sa AI: Pagsasabi ng "Ligtas ba, aprubahan" at sinusubukang italaga ang responsibilidad.
• Overconfidence (automation bias): Pagtanggap ng mapanghikayat na output nang hindi sinusuri ito.
• Pag-upload ng kumpidensyal na data sa pampublikong tool: Pagbabahagi ng data ng disenyo/customer nang hindi nalalaman ang patakaran.
• Pag-bypass sa anonymization: Pagtatanong sa sensitibong problema nang hindi inaalis ang nakakapagpakilalang impormasyon.
• Hindi nag-iingat ng mga talaan ng traceability: Hindi nagdodokumento ng kontribusyon at pagpapatunay ng AI.
• Pagmamaliit sa kadahilanan ng kaligtasan: Paglampas sa kritikal na kaligtasan na threshold na may mababang halaga na ibinigay ng AI.

Sa buod

• Sa gawaing kritikal sa seguridad, ang AI ay maaaring isang blueprint at pangalawang mata; Ang pag-apruba, lagda at responsibilidad ay pag-aari ng karampatang inhinyero.
• Ang AI ay nagpapakita ng mali bilang nakakumbinsi bilang tama; Ang isang "suspect until proven otherwise" na saloobin ay mahalaga laban sa labis na kumpiyansa bias.
• Ang "AI ay tila tiwala" ay hindi isang legal o etikal na pagtatanggol; Ang responsibilidad ay nananatili sa approver.
• Ang kumpidensyal na disenyo, data ng customer at hindi patented na mga ideya ay hindi ina-upload sa hindi kilalang mga sasakyan; anonymize o gumamit ng mga nakahiwalay na tool.
• Ang account na kritikal sa seguridad ay independiyenteng muling ginawa, siniyasat ayon sa pamantayan, at ang pananagutan ay inaako sa pamamagitan ng pagpirma.

Gawain ng aplikasyon

Pumili ng trabahong maaaring kritikal sa kaligtasan (elemento ng pag-angat, bahagi ng presyon, preno o istrukturang sumusuporta). Unang uriin ang trabaho sa mga tuntunin ng panganib at privacy: ano ang kahihinatnan sa kaso ng error, aling data ang sensitibo? Ipasuri sa AI ang trabahong ito at gumawa ng listahan ng "ano ang maaari kong gawin at ano ang hindi ko magagawa?" I-anonymize ang isang kontekstong ibabahagi mo (alisin ang impormasyon ng kumpanya/produkto/customer). Pagkatapos ay ipa-audit ang isang account, gamit lang ang AI bilang isang kritikal na tool sa pagsusuri, ngunit kopyahin ang resulta sa pamamagitan ng isang independiyenteng pamamaraan at ihambing ang kadahilanan ng kaligtasan sa nauugnay na pamantayan. Panghuli, mag-draft ng traceability/decision record; Lagyan ng label ang kontribusyon ng AI bilang "draft/helper" at ipaubaya ang larangan ng pag-apruba sa kwalipikadong engineer.

checklist

• [ ] Sinuri ang trabaho ayon sa klase ng peligro (routine/medium/safety-critical).
• [ ] Nasuri ang pagiging kompidensyal; Ang sensitibong data ay hindi nagpapakilala o ginagamit ang nakahiwalay na tool.
• [ ] Ginamit ang AI bilang draft/second eye, hindi ang awtoridad sa pag-apruba.
• [ ] Ang pagkalkula ng kritikal sa seguridad ay independiyenteng ginawa at na-audit laban sa pamantayan.
• [ ] Inihambing ang koepisyent ng kaligtasan sa threshold ng nauugnay na pamantayan.
• [ ] Naitago ang rekord ng kakayahang masubaybayan/pagpasya; Ang pag-apruba, lagda at responsibilidad ay ipinaubaya sa karampatang inhinyero.

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pinaka-makatotohanan at ligtas na tungkulin para sa AI sa CAD at daloy ng trabaho sa disenyo?

• A) Pagsuporta sa mga tungkulin tulad ng pagmumungkahi ng mga alternatibo sa disenyo at paggawa ng mga parametric na script/macros ✔
• B) Awtomatikong static at pag-apruba ng lakas
• C) Direktang pagpapadala ng disenyo sa produksyon nang walang pag-apruba ng engineer
• D) Pagkuha ng pirma at awtoridad sa pag-apruba mula sa inhinyero

Paglalarawan: Malakas ang AI sa mga pantulong na gawain gaya ng pagmumungkahi ng mga alternatibong disenyo, pagbuo ng mga parametric na script/macros, pag-draft ng mga materyales at metadata (divergent na pag-iisip). Ang huling geometry, tolerance, pag-apruba ng lakas at desisyon na ipadala sa produksyon (convergent decision) ay nananatili sa engineer.

2. Nagbigay ang AI ng halaga ng 'lakas ng ani 250 MPa' para sa isang materyal. Ano ang dapat mong gawin bago gamitin ang halagang ito bilang batayan para sa disenyo?

• A) Direktang paglalagay ng value sa account dahil napapanahon ang AI
• B) I-verify ang halaga mula sa data sheet ng tagagawa o pamantayan ng materyal ✔
• C) Pag-round up sa halaga at ipagpalagay na ito ay nasa ligtas na bahagi
• D) Magdagdag ng random na safety factor at pumasa

Paglalarawan: Maaaring tantiyahin, tantiyahin, o ganap na pekeng (hallucinate) na mga katangian ng materyal ang AI; Nag-iiba ang halaga nito depende sa kondisyon ng temper/heat treatment ng parehong materyal. Ang halaga ay hindi dapat isama sa disenyo nang walang pag-verify mula sa datasheet ng gumawa o ang nauugnay na pamantayan ng materyal.

3. Saan pangunahing ginagamit ang mga diagram ng Ashby (pagpili ng materyal)?

• A) Upang kalkulahin ang eksaktong halaga ng produksyon ng bahagi
• B) Upang lumikha ng listahan ng presyo ng tagapagtustos
• C) Upang ihambing ang mga materyal na katangian (hal. strength-density) at pumili ng mga kandidato ✔
• D) Upang matukoy ang mga pagpapaubaya ng bahagi

Paglalarawan: Ang mga diagram ng Ashby ay naghahambing ng mga materyales sa pamamagitan ng paglalagay ng dalawang materyal na katangian (hal. strength-density, modulus-of-elasticity) sa mga axes at ilarawan ang pinaka-angkop na hanay ng mga kandidato batay sa isang performance index. Hindi ito nilayon upang matukoy ang eksaktong gastos, pagpapaubaya o presyo ng supply.

4. Nagbigay ang AI ng pagkalkula ng stress ngunit hindi ka sigurado sa pagkakapare-pareho ng unit. Ano ang pangunahing kinukuha ng pagsusuri ng dimensional (unit)?

• A) Mga pagkakamali sa pagbabaybay sa teksto
• B) Mga error sa kulay sa mga graphics
• C) Sukat ng output file
• D) Unit inconsistency at conversion errors ng dalawang panig ng equation ✔

Paglalarawan: Sinusuri ng pagsusuri ng dimensyon (unit) na pare-pareho ang mga unit ng magkabilang panig ng equation; Halimbawa, para sa stress, ang resulta ay dapat N/m² = Pa. Kung hindi tumugma ang mga unit, may error sa formula o conversion. Hindi ito tungkol sa uri, kulay o laki ng file.

5. Sa isang thermal calculation, sinabi ng AI na ang isang 5 kW heater ay nagpapainit ng 1 litro ng tubig ng 20°C sa loob ng 2 segundo. Ano ang pinakamahusay na unang tugon?

• A) Sinusuri at tinatanggihan ang resulta nang may pagtitipid ng enerhiya at pagkakasunud-sunod ng magnitude ✔
• B) Pagsusulat ng resulta na may mas maraming decimal na lugar at tinatanggap ito
• C) Tanungin ang AI 'sigurado ka ba?' at masiyahan sa sagot na 'oo'
• D) Tanggalin ang tanong, itanong ito mula sa simula at makuha ang unang sagot

Paglalarawan: Ang mabilis na pag-verify ay ginawa gamit ang sanity check at pagtitipid ng enerhiya: Tumatagal ng humigit-kumulang 84 kJ upang magpainit ng 1 kg ng tubig hanggang 20°C; Sa 5 kW ito ay tumatagal ng ~17 segundo, hindi 2 segundo. Ang resulta ay hindi pisikal at hindi maaaring tanggapin nang walang pag-verify.

6. Ano ang pinakamahalagang pagsusuri na dapat gawin bago magtiwala sa resulta ng stress na binibigyang kahulugan ng AI sa isang pagsusuri sa FEA?

• A) Ang may kulay na mapa ng stress ay mukhang 'maganda' sa paningin
• B) Pag-verify sa pamamagitan ng mesh independence, kondisyon ng hangganan at analytical na paghahambing ✔
• C) Pagkumpleto ng solusyon sa maikling panahon
• D) AI na nagsasabing 'ang resulta ay ligtas'

Paglalarawan: Ang resulta ng FEA ay depende sa densidad ng mesh, kundisyon ng hangganan at kahulugan ng materyal. Konklusyon; Ang pagsasarili ng mesh (ang resulta ay hindi nagbabago kapag ang mesh ay hinihigpitan) ay dapat na ma-verify sa pamamagitan ng paghahambing nito sa katumpakan ng kondisyon ng hangganan at, kung maaari, sa isang analytical na diskarte.

7. Sa FEA, habang ang mesh ay nagiging mas siksik sa isang matalim na panloob na sulok, ang halaga ng stress ay patuloy na tumataas. Ano ang kadalasang ipinahihiwatig ng sitwasyong ito?

• A) Ang materyal ay tiyak na may sira
• B) Mayroong error sa pagsukat ng sensor
• C) Artipisyal (isahan) na konsentrasyon ng stress sa matalim na sulok; dapat i-modelo ang radius ng sulok ✔
• D) Ang solusyon ay palaging nasa ligtas na bahagi

Paliwanag: Ang perpektong matalas (zero radius) na panloob na sulok ay isang singular na punto sa nababanat na teorya; Habang ang mesh ay nagiging mas siksik, ang pag-igting ay may posibilidad na infinity. Ito ay isang artipisyal na resulta. Sa aktwal na bahagi, ang radius ng sulok ay dapat na imodelo o bigyang-kahulugan sa pamamagitan ng notch factor/lokal na pagsusuri.

8. Nakita ng AI ang 'possible inner ring failure' sa data ng vibration ng isang bearing. Alin ang pinaka tamang diskarte?

• A) Ganap na i-scrap ang makina nang hindi nagtatanong
• B) Huwag pansinin ang komento at magpatuloy sa paggawa
• C) ganap na hindi pagpapagana ng sensor
• D) I-verify ang interpretasyon ayon sa katangiang dalas ng fault, pagkakalibrate at field inspection ✔

Paliwanag: Ang interpretasyon ng AI ng anomalya/kabiguan ay isang hypothesis. Ang mga katangiang frequency ng fault sa vibration spectrum (hal. inner ring transition frequency BPFI), sensor calibration at posibleng mga error sa data ay dapat suriin; Ang komento ay hindi dapat gawing desisyon sa pagpapanatili nang walang pag-verify sa pamamagitan ng field inspection at physical failure mechanism.

9. Anong aspeto ng output ang nangangailangan ng higit na pansin kapag sinusuri ang pagiging manufacturability (DFM) ng isang bahagi na may AI?

• A) Pagsunod sa mga rekomendasyon sa aktwal na mga limitasyon ng makina, tool at proseso ✔
• B) Tanging ang aesthetic na anyo ng piraso
• C) Laki ng file ng modelong CAD
• D) Mga pagpipilian sa kulay at patong

Paglalarawan: AI; Maaari nitong ipalagay ang mga limitasyon ng makina, kasangkapan, amag at proseso nang walang mga hadlang sa pagawaan. Halimbawa, maaari itong magmungkahi ng hindi maabot na radius sa loob ng sulok o isang imposibleng pagpapaubaya. Ang mga rekomendasyon ng DFM ay dapat mapatunayan laban sa mga kasalukuyang kagamitan at aktwal na mga limitasyon sa proseso.

10. Ano ang dapat gawin bago magpadala ng AI-generated drawing tolerance/GD&T note sa produksyon?

• A) Pagproseso ng mga tala nang direkta sa pagguhit habang bumubuo ang AI
• B) Suriin at aprubahan ang mga marka ayon sa pamantayan at kinakailangan sa pagganap ✔
• C) Paliitin ang mga pagpapaubaya nang sapalaran at iniisip na ito ay ligtas
• D) Pagbabago ng mga simbolo upang gawin itong hindi malilimutan

Paglalarawan: AI; maaaring makabuo ng hindi tama o hindi karaniwang mga halaga ng pagpapaubaya, mga simbolo ng GD&T (geometric dimensioning at pagpapaubaya), o mga pagtatalaga ng surface finish. Dapat i-audit ang mga tala laban sa nauugnay na pamantayan (hal. ISO/ASME GD&T) at kinakailangan sa paggana; Ang pagkakapare-pareho ng mga pagpapaubaya sa mga tuntunin ng pagpupulong at pag-andar ay dapat kumpirmahin ng inhinyero.

11. Sinabi ng AI na ang isang disenyo ay 'sumusunod sa EN 13445 clause 7.4.2'. Alin ang pinaka tamang pag-uugali?

• A) Direktang sumulat sa ulat dahil nagbibigay ang AI ng attribution
• B) Umaasa sa isang komento sa isang forum sa internet
• C) Pag-verify ng substance number at content mula sa opisyal/kasalukuyang standard text ✔
• D) Pagpapalit ng numero ng item upang ito ay maalala

Paglalarawan: Maaaring gumawa ang AI ng hindi tama o hallucinated na karaniwang mga numero ng item at breakpoint. Ang tinutukoy na sangkap at halaga ay hindi dapat gawing batayan para sa disenyo o ulat nang walang pag-verify mula sa opisyal at kasalukuyang karaniwang teksto.

12. Alin ang ipinag-uutos bago gumamit ng script ng pagkalkula ng inhinyero ng AI na binuo ng AI?

• A) Direktang pagtitiwala sa code dahil gumagana ito nang walang mga error
• B) Paikliin ang mga pangalan ng variable at tanggalin ang mga linya ng komento
• C) Isulat ang script nang mas mahaba at ipagpalagay na ito ay ligtas
• D) Pagpapatunay gamit ang mga pagsusulit na may alam na mga resulta, pagsusuri ng unit, at mga edge case ✔

Komento: Maaaring maglaman ang AI code ng maling conversion ng unit, maling formula, o sa mga edge na kaso maling resulta, at maaaring makalkula nang hindi tama kahit na gumagana ito nang walang mga error. Code; Ang mga input ng pagsubok na may mga kilalang resulta ay dapat ma-validate gamit ang unit (size) checking at edge case.

13. Alin ang tama sa mga tuntunin ng pananagutan sa pagsasagawa ng kalkulasyon na kritikal sa kaligtasan sa AI sa mechanical engineering?

• A) Ang responsibilidad ay nananatili sa karampatang inhinyero na nag-aapruba; Ang AI ay hindi kapalit ng pag-apruba ✔
• B) Ang inhinyero ay walang pananagutan kung inaprubahan ng AI
• C) Pinapalitan ng AI output ang pirma ng engineer
• D) Ang pagpapatunay ng tao ay hindi kailangan sa isang account na kritikal sa seguridad

Paglalarawan: Ang karampatang inhinyero ay may pananagutan para sa katumpakan at pag-apruba/pagpirma ng output ng engineering; Hindi maaaring tanggapin ng AI ang responsibilidad na ito. Para sa mga kalkulasyon at disenyong kritikal sa kaligtasan, ang AI ay isang draft/input at hindi ito pamalit para sa pag-apruba at pag-verify ng engineer.

14. Ano ang pinakamahusay na paraan ng pagkilos kapag sinusubukang suriin ang kumpidensyal na disenyo ng produkto ng kumpanya gamit ang pampublikong AI tool?

• A) Pag-install ng stealth na disenyo sa pampublikong sasakyan para sa bilis
• B) Pagsunod sa patakaran sa data, pag-anonymize ng sensitibong data o paggamit ng corporate/hiwalay na mga tool ✔
• C) Ang pagbabahagi ng data ng customer ay palaging kinakailangan para sa bilis
• D) Ang isyu sa privacy ay walang kaugnayan sa paggamit ng AI

Pagbubunyag: Hindi dapat i-upload ang kumpidensyal na disenyo, data ng customer o hindi patentadong ideya sa mga pampublikong tool na hindi alam ang patakaran sa data; Nagdudulot ito ng panganib ng intelektwal na ari-arian at paglabag sa privacy. Dapat sundin ang patakaran sa data ng kumpanya, dapat na anonymize ang sensitibong data o dapat gumamit ng corporate/nakahiwalay na tool.