Mga yunit
1. Panimula sa Artificial Intelligence at Verification Discipline sa Naval at Marine Engineering 2. AI sa Hull Form Design at Hydrodynamic Analysis 3. AI sa Structural Analysis, Finite Elements at Material Selection 4. AI sa Propulsion Systems, Main Engines at Energy Efficiency 5. Predictive Maintenance at Pagsubaybay sa Kondisyon ng Kuwarto ng Engine 6. Pag-optimize ng Biyahe, Pagruruta ng Air at Pag-trim 7. Efficiency ng Fuel, Emisyon at Pagsunod sa Pangkapaligiran (EEXI, CII, MARPOL) 8. Mga Autonomous na Barko, Kaligtasan sa Pag-navigate at Pag-iwas sa Pagbangga 9. AI sa Shipyard, Production, Resource at Project Management 10. Mga Panuntunan sa Klase, Survey, Lehislasyon at Teknikal na Dokumentasyon 11. AI sa Fleet Management, Logistics at Port Operations 12. Mga Hangganan ng AI sa Maritime: Seguridad, Panganib sa Cyber, Etika at Pananagutan
Yunit 12 / 12

Mga Hangganan ng AI sa Maritime: Seguridad, Panganib sa Cyber, Etika at Pananagutan

Mga nadagdag:

  • Kakayahang kilalanin na ang AI ay maaaring gumawa ng mga kathang-isip na coefficient, mga sugnay ng panuntunan at mga teknikal na halaga at ilapat ang pag-verify sa konteksto ng kaligtasan ng buhay/pag-aari
  • Kakayahang pamahalaan ang cyber security, data privacy at mga limitasyon sa regulasyon sa barko at OT (operational technology) system
  • Ang pag-unawa na ang sukdulang responsibilidad para sa pag-apruba ng klase, kaligtasan sa pag-navigate at etika ay nakasalalay sa inhinyero at sa kapitan.

Sa kabuuan ng module na ito, gumamit kami ng artificial intelligence (AI) bilang accelerator sa bawat yugto ng ship at marine engineering: mula sa disenyo ng form hanggang sa pagsusuri sa istruktura, predictive na pagpapanatili hanggang sa pag-optimize ng paglalakbay, pagsunod sa mga emisyon hanggang sa paggawa ng shipyard. Sa huling yunit na ito, umatras tayo at tinitingnan ang buong larawan: ano ang mga pangunahing limitasyon ng AI sa maritime, anong mga panganib (hallucination, cybersecurity, data privacy, bias) ang nasa palaging alerto at sino ang may pananagutan? Dahil ang kinakailangan para sa ligtas na paggamit ng sasakyan ay ang malaman kung saan ito maaaring magkamali.

Ang sumusunod na thesis ng module ay nalalapat dito at namamahala sa lahat ng iba pa: sa gawaing maritime na kritikal sa kaligtasan, ang output ng AI ay hindi kapalit ng pag-apruba ng karampatang inhinyero, master o class surveyor. Ang AI ay nagmumungkahi, nag-draft, nagkalkula at nagpapaalala; Ngunit ang may-ari ng desisyon na tumutukoy sa kaligtasan ng buhay, ari-arian at kapaligiran ay ang taong pumirma sa desisyong iyon at may pananagutan sa batas.

Mga Konsepto: Hallucination: AI na gumagawa ng halaga, panuntunan, o mapagkukunan na hindi umiiral. Seguridad ng OT: Cyber ​​​​protection ng operational technology (machine at cruise control system). Pagkalason ng data: Sinadyang katiwalian ang pagsasanay/pag-input ng data upang iligaw ang isang modelo. Model bias: Ang sistematiko at hindi patas na bias ng modelo na nagmumula sa data kung saan ito sinanay. Chain of responsibility: Ang legal at teknikal na pagmamay-ari ng isang desisyon ay malinaw na nakikita.

Mga Permanenteng Limitasyon ng AI

Ang AI ay may apat na permanenteng hangganan sa pagpapadala, at ang mga ito ay hindi mawawala kahit na sa pag-unlad ng teknolohiya. Una, guni-guni: pinupunan ng modelo ang puwang ng "malamang" na mga pahayag kapag wala itong tiyak na data; Ito ay lumalabas na isang ginawang sugnay ng klase, isang imposibleng halaga ng katatagan, o isang hindi umiiral na koepisyent. Pangalawa, out-of-deployment behavior: nagiging hindi maaasahan ang modelo sa labas ng mga sitwasyon kung saan ito sinanay at nasubok (hindi pangkaraniwang uri ng barko, hindi pangkaraniwang malfunction, hindi nakikitang trapiko). Pangatlo, kawalan ng pag-unawa sa pisika: Ang AI ay nagpoproseso ng mga pattern ng salita, hindi "naiintindihan" ang pagtitipid ng enerhiya o ang mga batas ni Newton; Maaari itong makagawa ng output na tila makatwiran ngunit pisikal na imposible. Ikaapat, pagiging napapanahon: batas, pagbabago ng presyo at teknolohiya; Ang impormasyon ng modelo ay nagyelo sa isang petsa.

Ang mga limitasyong ito ay nagpapaliwanag kung bakit ang disiplina sa pag-verify na natutunan namin sa buong module ay kailangang-kailangan: order-of-magnitude control, unit consistency, independent reproduction, at source verification. Lalo na kapag nagsasagawa ng mga kalkulasyon ang AI (hal. isang script ng Python/Excel na nabuo para sa isang ballast/stability moment o isang kalkulasyon ng kuryente), kahit na ang code ay mukhang tuluy-tuloy at gumagana, ang logic, input at edge na mga kaso nito ay hindi isinasalin sa isang desisyon sa kaligtasan nang walang independiyenteng pagsubok. Dahil lang sa "gumagana" ang isang account code ay hindi ito nangangahulugang "tama."

Babala: Maaaring gumana nang walang error ang isang accounting code na binuo ng AI, ngunit maaaring maglaman ng maling formula, maling unit, o hindi napapansin na edge case. Bago tanggapin ang code, subukan ito gamit ang kilalang input (isang halimbawang alam mo mismo ang sagot), subukan para sa mga edge case, at i-verify ang resulta sa isang malayang paraan. Sa mga kalkulasyon na kritikal sa kaligtasan tulad ng katatagan, ang isang aprubadong pag-load ng computer at kumpirmasyon ng engineer ay mahalaga.

Cyber ​​​​Security at Data Privacy

Ang modernong barko ay isang lumulutang na network ng computer: ang mga sistema ng nabigasyon, kontrol ng makinarya, pamamahala ng kargamento at pagkakakonekta ng satellite ay magkakaugnay. Nangangahulugan ito ng cyber attack surface. Ang mga AI system ay nagdaragdag ng dalawang bagong panganib sa larawang ito. Una, kaligtasan ng OT (operational technology): isang AI component na nakatali sa navigation at machine control ay nagdudulot ng direktang panganib sa kaligtasan kung inaatake; kaya ang mga kritikal na OT system ay nakahiwalay, ang output ng AI ay hindi dapat mag-trigger ng isang kontrol na aksyon nang mag-isa, ang pag-apruba ng tao at ang ligtas na default na pag-uugali ay dapat mapanatili. Pangalawa, ang data privacy: hull form, performance curves, shipowner-yard contracts at operational telemetry ay mga trade secret at intelektwal na ari-arian; Ang pagpasok ng data na ito sa hindi naaprubahang panlabas na mga serbisyo ng AI ay isang hindi maibabalik na pagkawala.

Bukod pa rito, ang mga panganib sa pagmamanipula gaya ng data poisoning (panlilinlang sa modelo gamit ang malisyosong input) at panggagaya ng data gaya ng AIS ay nangangailangan na huwag bulag-bulagan na magtiwala sa mga input ng AI. Panuntunan: ang kritikal na data ay hindi nakikilala o hindi talaga ibinabahagi, ang mga inaprubahan at kumpidensyal na tool lamang ang ginagamit, ang mga kritikal na input ay cross-verify para sa pagiging tunay.

Panganib

Paano ito nangyayari?

pag-iingat

guni-guni

Ginawang panuntunan/halaga/pinagmulan

Kumpirmasyon mula sa pinagmulan, kontrol sa ranggo

OT cyber attack

Pagpasok ng control system

Paghihiwalay, pag-apruba ng tao, secure na default

data leak

Pagpasok ng kumpidensyal na data sa panlabas na tool

Anonymization, inaprubahang tool

Pagkalason/panggagaya ng data

Sinadyang sira ang input

Pagpapatunay ng input, cross-checking

Bias ng modelo

Hindi balanseng data ng pagsasanay

Pagsusuri ng resulta sa paghatol ng tao

Etika at Kadena ng Pananagutan

Ang legal at teknikal na pagmamay-ari ng isang desisyon sa maritime ay dapat na malinaw: ang kapitan ay may pananagutan para sa kaligtasan sa paglalayag, ang punong inhinyero ay may pananagutan sa makinarya, ang inhinyero na namamahala ay may pananagutan sa disenyo at pagkalkula, at ang class surveyor ay may pananagutan sa pagsunod sa panuntunan. Ang AI ay hindi dapat magpasok ng "liability gap" sa chain na ito. "Iminungkahi ito ng AI" ay hindi isang dahilan; Ang tao na gumagamit ng AI at tumatanggap ng output nito ay may pananagutan. Samakatuwid, ang paggamit ng AI ay dapat na transparent (dapat itong itala kung aling desisyon ang sinusuportahan nito, kung anong pag-verify ang naranasan nito) at ang panghuling desisyon ay dapat na nasa isang pinirmahang tao.

Kasama rin sa etikal na dimensyon ang kaligtasan ng mga tripulante at ang kapaligiran: kung ang isang panukala sa pagtitipid ng gasolina ay naglalagay sa mga tripulante sa panganib, kung ang isang solusyon sa automation ay nagpapaliit sa margin ng kaligtasan, kung ang panandaliang pakinabang ay nagtatakip ng pangmatagalang panganib, ang etika ng engineering ay nangangailangan ng pagsasabi ng "hindi". Ang AI ay isang makapangyarihang tool para sa pagiging produktibo; Ngunit ang kahusayan ay hindi kailanman darating bago ang buhay, ang kapaligiran at ang tapat na paghuhusga sa engineering.

Mga Mini Case

Case 1 — “sabi ng AI” excuse. Sa isang ulat, ginagamit ang isang limitasyong halaga bilang ibinigay ng AI, nang walang pag-verify, at lumalabas na hindi tama ang halaga. Sinusubukan ng responsableng tao na ipagtanggol ang kanyang sarili sa pamamagitan ng pagsasabing "Iminungkahi ito ng AI." Hindi ito kinikilala ng batas ng klase o pananagutan: ang inhinyero na tumatanggap ng output ay may pananagutan. Aralin: Ang AI ay hindi isang dahilan; Ang responsibilidad ay nakasalalay sa taong gumagamit nito.

Kaso 2 — Paglabas ng kumpidensyal na data. Ipina-paste ng isang team ang aktwal na performance ng isang may-ari ng barko at data ng gasolina sa isang tool na AI na magagamit ng publiko at humihiling ng pagsusuri. Ang data na ito ay wala na sa kontrol; lihim ng kalakalan at paglabag sa kontrata ay lumitaw. Walang panganib kung nagtatrabaho sa mga hindi kilalang halaga ng kinatawan o isang naaprubahang tool. Aralin: ang tunay/kumpidensyal na data ay hindi kailanman inilalagay sa isang hindi naaprubahang panlabas na tool.

Kaso 3 — Gumagana ngunit maling code. Bumubuo ang AI ng script ng Python para sa isang sandali ng katatagan; ang code ay tumatakbo nang walang mga error at nagbabalik ng isang makatwirang numero. Kapag sinubukan ito ng inhinyero gamit ang isang kilalang kaso ng paglo-load (ang sagot na alam sa pamamagitan ng kamay), nalaman niyang ang code ay tumatagal ng isang arm's length term na may maling sign. Ang script ay "gumagana" ngunit ang resulta ay mali. Aralin: ang pagpapatakbo ng account code ay hindi isang garantiya ng kawastuhan; Ang pagsubok na may alam na input at independiyenteng pag-verify ay mahalaga.

Nakokopyang Prompt Template

Template 1 — Limitahan at ipagsapalaran ang pagtatasa sa sarili:

Tungkulin: Isa kang reviewer na nag-audit sa AI output na ginagamit ko.Konteksto: [gawain/output].Gawain:1) Saan mataas ang panganib ng hallucination sa output na ito?2) Mayroon bang anumang bagay na kaduda-dudang in terms of physical plausibility?3) Anong mga value na nangangailangan ng timeliness (legislasyon/presyo) ang dapat ma-verify?4) Chance of this output being an out-of-everyable questioning point? ito.

Template 2 — Iskedyul sa pag-verify ng code ng account:

Bumuo ng plano sa pag-verify bago gamitin ang sumusunod na AI-generated accounting code (Python/Excel):[paste code/logic]1) Magmungkahi ng test input kung saan alam ko kaagad ang sagot.2) Ilista ang mga edge case na kailangang masuri (zero, negatibo, extreme).3) Paano ko susuriin ang unit consistency?4) Sa pamamagitan ng anong independent na paraan ko kinukumpirma ang resulta ng ApprovedConstrainteng: account na kritikal sa kaligtasan.

Template 3 — Filter sa privacy ng data:

Suriin ng privacy ang sumusunod na konteksto na ibibigay ko sa isang AI tool:[text to share]1) Mayroon bang trade secret / confidential / contract data dito?2) Anong mga value ang dapat i-anonymize o i-extract?3) Nangangailangan ba ang gawaing ito ng aprubadong panloob na tool?Constraint: Ang aktwal na data ng barko/pagganap/kontrata ay hindi napupunta sa external na tool.

Template 4 — Accountability at transparency note:

Bumuo ng isang transparency memo para idokumento ang sumusunod na desisyong pinapagana ng AI:[desisyon]. Nilalaman: (1) sa anong yugto ginamit ang AI, (2) anong mga pag-verify ang pinagdaanan nito, (3) kung sinong tao ang nag-apruba nito, (4) kung anong mga source ang na-verify.Paghihigpit: Gawing malinaw na ang huling responsibilidad ay nakasalalay sa pagpirma ng tao.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Ilalagay ko itong AI analysis sa report, ok lang ba?

Napakahusay na prompt:

Tungkulin: Ikaw ang independiyenteng tagasuri na nag-a-audit sa output ng AI. Konteksto: [pagsusuri/output at kung saan gagamitin].Gawain:1) I-flag ang panganib ng guni-guni, pisikal na katumpakan, at pagiging maagap.2) Mayroon bang data na hindi dapat ibahagi para sa pagiging kumpidensyal?3) Anong mga hakbang ang kakailanganin ng isang tao para ma-verify ang output na ito? Paghadlang: Hindi ka gagawa ng "naaangkop na desisyon"; Sabihin ang mga hakbang sa pag-verify at ang responsibilidad ay nakasalalay sa pumirmang engineer.

Humihingi ng kumpirmasyon ang mahinang prompt; Inilalantad ng malakas na prompt ang mga panganib, privacy at chain ng pag-verify ng tao.

Mga karaniwang pagkakamali

  • Nangangahulugan ito na "sabi ng AI." Ang responsibilidad ay nakasalalay sa taong tumatanggap ng output; Ang AI ay walang dahilan.
  • Pagpasok ng kumpidensyal na data sa panlabas na tool. Trade secret at paglabag sa kontrata; Kapag ang na-leak na data ay hindi na mababawi.
  • Iniisip na tama ang gumaganang code. Ang isang script na gumagana nang walang mga error ay maaaring maglaman ng maling formula/unit; Ang pagsubok at independiyenteng kumpirmasyon ay mahalaga.
  • Iniiwan ang OT system sa AI. Ang pagkilos na kontrol ay hindi kailanman na-trigger ng AI lamang; Pinapanatili ang pag-apruba ng tao at ligtas na default.
  • Inuna ang kahusayan bago ang kaligtasan. Ang buhay, kapaligiran at tapat na paghuhusga sa engineering ay hindi isinakripisyo para sa anumang pagtitipid.

Sa buod

Ang pangmatagalang limitasyon (hallucination, out-of-distribution behavior, kawalan ng kaalaman sa physics, out-of-dateness) at mga panganib (cyber/OT security, data privacy, poisoning, bias) ng AI sa maritime ay naglalarawan kung bakit ang disiplina sa pag-verify na natutunan sa buong module ay kailangang-kailangan. Sa mga desisyong kritikal sa kaligtasan, ang output ng AI ay hindi kapalit ng karampatang pag-apruba ng tao; Ang kadena ng pananagutan ay malinaw at ang "sabi ng AI" ay hindi isang dahilan. Ang AI ay isang malakas na accelerator; Ngunit ang buhay, kapaligiran at matapat na paghuhusga sa inhinyero ay laging nauuna.

Gawain ng aplikasyon

Pumili ng isang output ng AI (isang account, draft ng ulat, o isang code) na ginawa mo sa module na ito. I-flag ang mga panganib ng guni-guni, pisikal na kapani-paniwala, at aktuwalidad gamit ang template na "limitasyon at panganib sa pagtatasa sa sarili". Kung ito ay isang account code, subukan ito gamit ang isang kilalang input gamit ang template na "plano sa pag-verify ng code ng account" at i-verify nang hiwalay. Maglapat ng "filter sa privacy ng data" at i-filter ang data na hindi dapat ibahagi. Panghuli, magsulat ng transparency memo na nagdodokumento ng desisyon at nilinaw kung sino ang may sukdulang responsibilidad.

checklist

  • [ ] Sinuri ko ang mga panganib sa hallucination, physics, at actuality ng output ng AI.
  • [ ] Sinubukan ko at independyenteng na-verify ang account code na may alam na input.
  • [ ] Hindi ako naglagay ng kumpidensyal/contracted na data sa panlabas na tool; Ini-anonymize ko ito.
  • [ ] Napanatili ko ang pag-apruba ng tao at secure ang default sa OT/control system.
  • [ ] Malinaw kong naidokumento ang paggamit ng AI at nilinaw kung sino ang may pananagutan.
  • [ ] Hindi ko kailanman inuna ang kahusayan bago ang buhay, kapaligiran at etika sa engineering.

Pagsusulit sa Module

1. Kapag nagtatrabaho sa isang tool ng AI bilang isang marine engineer, ang sukdulang responsibilidad para sa alin sa mga sumusunod ang dapat palaging manatili sa tao (engineer/classman)?

  • A) Pag-apruba at paglagda sa pagsunod ng isang elemento ng istruktura sa tuntunin ng klase ✔
  • B) Paggawa ng unang draft ng isang ulat ng pagtutol
  • C) Pag-edit ng mga label ng axis ng isang tsart
  • D) Paghahanda ng isang glossary ng mga termino para sa isang teknikal na ulat

Paglalarawan: AI; Maaari nitong pabilisin ang mga gawain tulad ng paunang pagkalkula ng paglaban, pagbalangkas ng ulat, at buod ng data. Gayunpaman, ang pag-apruba sa pagsunod ng isang elemento ng istruktura sa tuntunin ng klase at pagpapakita nito bilang isang lagda sa teknikal na file ay isang desisyon na lumilikha ng kaligtasan sa buhay at ari-arian; hindi maaaring ilipat sa AI nang walang independiyenteng pag-verify at awtorisadong pag-apruba.

2. Pinakalkula mo sa AI ang paglaban ng isang bangka at binawasan nito ang resulta ng 20% ​​gamit ang isang 'empirical correction factor' na wala sa eksperimento ng modelo. Ano ang unang tamang aksyon na dapat gawin?

  • A) Ang pagtanggap sa resulta kung ano ito dahil ang AI ay tila tiwala
  • B) Tanungin ang pinagmulan ng koepisyent, tanggihan ang walang batayan na pagwawasto at muling kalkulahin ito gamit ang kinikilalang pamamaraan ✔
  • C) Ang pagtaas ng koepisyent nang higit pa at pananatili sa ligtas na bahagi
  • D) Lumipat sa pagpili ng propeller nang hindi binabago ang resulta

Paliwanag: Ang mga modelo ng wika ay maaaring makakumbinsi na gumawa ng mga walang batayan na coefficient at numero (hallucination). Sa isang kalkulasyon na direktang nakakaapekto sa propulsion power at fuel, tulad ng resistance, kinakailangang tanungin ang pinagmulan ng bawat coefficient na ginamit (paraan, pagsubok ng modelo, pamantayan) at tanggihan ang hindi sinusuportahang coefficient.

3. Sa halip na gamitin ang dami ng kargamento bilang denominator sa pagkalkula ng CII (Carbon Intensity Indicator) ng isang barko, ang AI ay gumamit lamang ng distansya. Ano ang pangunahing problema sa output na ito?

  • A) Ang CII ay kinakalkula lamang para sa mga tanker, ito ay hindi kailangan sa board
  • B) Ang resulta ng CII ay palaging dumating bilang isang porsyento, ang decimal ay mali
  • C) Ang CII denominator ay dapat hindi lamang distansya, ngunit ang carrying capacity (deadweight) na pinarami ng distansya ✔
  • D) Ang data ng bilis ay ipinag-uutos para sa pagkalkula ng CII, nawawala ito

Paglalarawan: Sinusukat ng CII ang mga carbon emissions sa bawat trabahong dinadala at nakabatay sa inaalok na payload na pinarami ng distansya (hal. deadweight x distance). Ang pag-iwan sa term na load/capacity ay ganap na mali ang kalkulasyon sa indicator. Ang una at ipinag-uutos na hakbang ay para sa bawat termino sa mga indicator ng produktibidad upang ganap na sumunod sa kahulugan ng IMO.

4. Ano ang pinakamahalagang output ng isang predictive maintenance system na pinapagana ng AI sa silid ng makina?

  • A) Ibuod ang average na halaga ng nakaraang maintenance sa isang linya
  • B) Pagbabago ng lahat ng data ng sensor sa isang mas makulay na graph
  • C) Kulay at ilista ang mga trend ng vibration/temperatura
  • D) Pre-marking ang time window kapag ang isang bearing o turbocharger ay mas malamang na masira ✔

Deskripsyon: Ang layunin ng predictive na pagpapanatili ay upang makita ang tendensya para sa kagamitan na lumala bago ito mabigo at planuhin ang pagpapanatili sa isang napapanahong paraan. Kaya, ang panganib ng hindi inaasahang mga malfunctions at stoppages ay nabawasan. Mahalaga hindi lamang ang pagbubuod ng nakaraan kundi upang makagawa din ng maagang mga babala tungkol sa hinaharap.

5. Inihambing ng AI ang resulta ng stress sa isang modelo ng FEA (finite element analysis) sa pinapahintulutang stress sa class code at idineklara na 'angkop'. Alin ang pinaka tamang diskarte?

  • A) Pag-verify sa setup ng modelo (mesh, kundisyon ng hangganan, pag-load) at pagkumpirma ng pinapayagang stress mula sa text ng panuntunan ng klase ✔
  • B) Direktang kinukumpirma ang resulta dahil sinabi ng AI na 'magkasya'
  • C) Random na pagpapababa ng pinapahintulutang stress upang manatili sa ligtas na bahagi
  • D) Ang pagpapalit lamang ng sukat ng kulay nang hindi hinihigpitan ang network

Paglalarawan: Resulta ng FEA; Ito ay ganap na nakasalalay sa kalidad ng mesh, mga kondisyon ng hangganan, kahulugan ng pagkarga at mga katangian ng materyal. Bukod pa rito, maaaring hindi tama ang pinahihintulutang halaga ng stress na ginagamit ng AI. Bago tanggapin ang resulta, kinakailangang i-verify ang setup ng modelo at kumpirmahin ang value ng panuntunan ng klase mula sa text.

6. Gumawa ka ng ruta na nagpapaliit ng gasolina sa pamamagitan ng pagsasagawa ng weather routing gamit ang AI. Aling pagsasaalang-alang ang pinakamahalaga sa kakayahang magamit ng resulta?

  • A) Ang ruta ay dapat na ligtas sa mga tuntunin ng kaligtasan sa paglalayag (alon, panahon, mga paghihigpit sa barko) at dapat aprubahan ng kapitan ✔
  • B) Ang pinakamaikling hitsura ng ruta sa mapa
  • C) Kasama sa ruta ang pinakamaraming port call
  • D) Pinaliit ng ruta ang ETA anuman ang kontrata

Paliwanag: Gaano man ka-optimal sa gasolina ang panukala sa ruta, ang kaligtasan sa pag-navigate at ang awtoridad ng kapitan ang uunahin. Kung ang bagyo, taas ng alon at mga paghihigpit sa barko ay lumampas sa limitasyon sa kaligtasan, walang saysay ang pakinabang ng gasolina. Ang huling desisyon sa ruta ay dapat na salain sa pamamagitan ng mga hadlang sa kaligtasan at aprubahan ng kapitan.

7. Humingi ka sa AI ng isang kinakailangan sa SOLAS at nagbigay ito ng eksaktong halaga na may sanggunian sa isang partikular na 'Chapter/Rule number'. Ano ang tamang pag-uugali sa engineering?

  • A) Direktang paglalapat ng halaga dahil napapanahon ang AI
  • B) Random na pagtaas ng halaga upang manatili sa ligtas na bahagi
  • C) I-verify ang numero at halaga ng item mula sa opisyal, up-to-date na SOLAS/class source ✔
  • D) Pagdaragdag sa file nang hindi sinusuri ang numero ng item

Paglalarawan: Ang mga modelo ng wika ay maaaring maling maalala o gumawa ng mga numero at halaga ng sugnay ng kontrata/panuntunan. Sa mga umiiral na field gaya ng SOLAS, MARPOL at mga panuntunan ng klase, ang bawat item at value ay dapat na ma-verify sa salita mula sa opisyal, kasalukuyang pinagmulan (IMO text, class rule, management circular); Ipinapakita lamang ng output ng AI kung saan titingin.

8. Sa isang autonomous o decision-assisted navigation system, nagmungkahi ang AI ng isang maniobra batay sa radar at data ng AIS. Alin ang tamang pagtatasa sa mga tuntunin ng COLREG (pag-iwas sa salungatan)?

  • A) Awtomatikong isagawa ang maniobra habang ina-access ng AI ang kasalukuyang data
  • B) Ipadala ang mungkahi sa kabilang barko sa pamamagitan ng VHF at hintayin ang pag-apruba nito
  • C) I-off ang radar at umaasa lamang sa AIS
  • D) Isaalang-alang ang mungkahi bilang isang suporta sa desisyon at ipaubaya ang COLREG at panghuling desisyon sa maniobra sa opisyal ng relo/kapitan.

Paliwanag: Alinsunod sa mga tuntunin ng COLREG at mahusay na kasanayan sa maritime, ang responsibilidad sa pag-iwas sa banggaan at ang panghuling desisyon ng maniobra ay nakasalalay sa awtoridad sa tulay (kapitan/opisyal ng relo). Ang rekomendasyon ng AI ay isang suporta sa desisyon; Ang mga blind spot, error sa sensor, at interpretasyon ng panuntunan ay nangangailangan ng pangangasiwa ng tao.

9. Nakabuo ka ng rekomendasyon sa ekonomiya ng gasolina mula sa pangunahing kurba ng SFOC (specific fuel consumption) ng makina na may AI. Ano ang pinakaangkop na paraan upang masuri ang pagiging makatwiran?

  • A) Ilapat ang rekomendasyon sa data ng nakaraang biyahe at ihambing sa aktwal na pagkonsumo ng gasolina ✔
  • B) Tanggapin ang mungkahi kung ano ito at isulat ito sa badyet bilang pagtitipid.
  • C) Ang pagkuha ng pinaka-optimistikong porsyento ng pagtitipid bilang ang tanging tunay na halaga
  • D) Pagandahin lang ang graph ng SFOC curve

Paliwanag: Ang claim sa pagtitipid na ginawa ng AI ay dapat na masuri sa pamamagitan ng paghahambing nito sa aktwal na data ng paglalakbay ng barko (naitala na pagkonsumo ng gasolina, pagkarga, bilis, lagay ng panahon). Ang paglalapat nito nang retrospektibo sa nakaraang data ng paglalakbay at paghahambing nito sa aktwal na pagkonsumo ay nagpapakita kung gaano katotoo ang rekomendasyon.

10. Ang isang draft na survey/teknikal na ulat na inihanda ng AI ay naglalaman ng mga teknikal na halaga na tuluy-tuloy ngunit hindi tiyak ang pinagmulan. Ano ang tamang pag-uugali?

  • A) Paglalahad ng ulat kung ano ito dahil ang teksto ay matatas
  • B) Itugma ang bawat halaga sa orihinal na sukat/pinagmulan at alisin ang hindi kumpirmadong ✔
  • C) Rounding at glossing ang mga halaga
  • D) Basahin lamang ang executive summary at laktawan ang iba pa

Paglalarawan: Ang bawat teknikal na halaga sa ulat ay dapat na masusubaybayan sa orihinal na pinagmulan nito (pagsukat, naka-calibrate na tala ng device, panuntunan ng klase, data ng manufacturer). Walang numero ang dapat isumite sa klase o pamamahala nang walang pag-verify ng pinagmulan nito, kahit na ito ay isang halaga sa isang matatas na pangungusap; Kung hindi, ang isang kathang-isip na halaga ay papasok sa base ng desisyon.

11. Ano ang pinakamahusay na hakbang bago gumamit ng AI-generated na Excel/Python na pagkalkula (hal. ballast condition at moment of stability)?

  • A) Direktang paglalapat ng kalkulasyon sa aktwal na plano sa pag-load
  • B) Tinitingnan lamang ang haba at layout ng code
  • C) Pagsubok sa mga edge case sa pamamagitan ng paghahambing ng kalkulasyon sa isang kilalang senaryo ng pagsubok at isang aprubadong tool sa paglo-load ✔
  • D) Pagtanggal ng bahagi ng code upang paikliin ito

Paliwanag: Ang mga kalkulasyon ng katatagan at pagkarga ay maaaring mukhang tama ngunit nagbibigay ng mga maling resulta. Ang pagpapatakbo ng kalkulasyon sa isang maliit na senaryo ng pagsubok kung saan alam mo ang kinalabasan, alinman sa manu-mano o sa isang sertipikadong computer sa paglo-load, paghahambing nito sa inaasahang output, at pagsubok ng mga kaso ng limitasyon/edge load ay makakahuli ng error bago ito dalhin sa aktwal na desisyon sa pag-load.

12. Gusto mong i-paste ang hindi nakabahaging disenyo at data ng pagganap ng iyong barko sa isang pampublikong AI tool at pagsusuri ng kahilingan. Alin ang pinaka tamang diskarte?

  • A) Pag-paste ng data bilang para sa bilis
  • B) Sapat na tanggalin lamang ang pangalan ng barko at ibahagi ang lahat ng natitirang data
  • C) Pagbabahagi ng data at pagkatapos ay hilingin sa AI na tanggalin ito
  • D) Pagsuri sa patakarang institusyonal at pag-anonymize ng data o paggamit ng secure/institusyonal na tool ✔

Pagbubunyag: Ang anyo ng katawan ng barko, mga kurba ng pagganap at data ng kontrata ng may-ari ng barko/bakuran ay lihim sa kalakalan at sensitibo sa intelektwal na pag-aari; Bukod pa rito, ang kritikal na imprastraktura at impormasyon ng OT system ay nagdadala ng panganib sa cyber. Bago magbahagi ng data, kinakailangang suriin ang patakaran ng kumpanya, i-anonymize ito o gumamit ng tool ng kumpanya na hindi nagbabahagi ng data.

13. Na-flag ng AI-powered quality control sa isang shipyard block assembly ang isang weld seam bilang 'katanggap-tanggap'. Ano ang tamang pag-uugali sa engineering?

  • A) Isaalang-alang ang pagsusuri ng AI bilang huling pagtanggap at aprubahan ang pananahi
  • B) Isinasaalang-alang ang paunang pagsusuri ng AI bilang isang tool sa screening at pag-uugnay sa huling pagtanggap sa resulta ng NDT at pag-apruba ng klase ✔
  • C) Paglipat sa susunod na bloke nang hindi sinusuri ang tahi
  • D) Ito ay sapat na upang biswal na suriin ang hitsura ng tahi

Paglalarawan: Ang kalidad ng welding ay isang lugar na kritikal sa kaligtasan na nangangailangan ng mga resulta ng non-destructive testing (NDT) at pag-apruba ng klase. Ang paunang pagtatasa ng AI sa pamamagitan ng mga larawan o data ay nagbibigay ng patnubay, ngunit ang huling pagtanggap ay ibinibigay sa pamamagitan ng kwalipikadong inspeksyon at pag-apruba ng surveyor ng klase.

14. Sa pamamahala ng fleet, gumawa ang AI ng isang tiyak na rekomendasyon para sa isang ekspedisyon na nagsasabing 'ang bunker port na ito at ang bilis na ito ay talagang ang pinaka kumikita'. Alin ang tamang pagtatasa?

  • A) Direktang pagpapatupad ng rekomendasyon habang ina-access ng AI ang up-to-date na data
  • B) Upang ihatid ang panukala sa may-ari ng barko bilang isang matatag na pangako
  • C) Pag-lock ng buong plano ng ekspedisyon batay sa nag-iisang output na ito
  • D) Isinasaalang-alang ang tiyak na alok bilang hindi maaasahan at itinuturing ito bilang isang senaryo na maaaring ma-verify gamit ang kasalukuyang presyo, kondisyon ng charter at kaligtasan ✔

Paliwanag: Ang presyo ng Bunker, mga kondisyon ng charter, panahon at pagkaantala sa port ay mabilis na nagbabago at hindi tiyak na mga variable; Hindi magagarantiya ng AI ang ganap na kakayahang kumita. Ang panukala ay dapat ituring bilang isang scenario output na dapat ma-verify gamit ang kasalukuyang presyo, mga tuntunin ng charter party at mga hadlang sa kaligtasan.

Nakaraang Kumpletuhin ang modyul