Metalurgical Data Analysis at Frontiers ng AI gamit ang Python

Mga nadagdag:

• Kakayahang gumawa at maunawaan ang code na naglilinis, nagsusuri at nagpapakita ng metalurhikong data gamit ang Python, na may suporta sa AI
• Kakayahang magtatag ng isang ugali ng pagpapatunay ng code na binuo ng AI na may pagsusuri sa yunit, kaso ng pagsubok at pisikal na posibilidad
• Isang holistic na pag-unawa sa end-to-end na mga limitasyon, responsibilidad at etikal na balangkas ng AI sa metalurhiya

Ang gawaing metalurhiko ay lalong ginagawa gamit ang mas maraming data: daan-daang resulta ng tensile test, libu-libong sukat ng SPC, mga talaan ng heat treatment furnace, mga output ng characterization. Ang paghabol sa data na ito nang manu-mano sa Excel ay mabagal at madaling kapitan ng error; Ang Python (isang karaniwang programming language para sa pagsusuri ng data at siyentipikong pag-compute) ay ginagawa itong repeatable, auditable, at awtomatiko. Napakalakas ng AI sa pagsulat, pag-debug, at pagpapaliwanag ng Python code — ngunit ang code na ginagawa nito ay maaaring magmukhang tama ngunit nagbibigay ng maling resulta: error sa unit, maling koepisyent, tahimik na pagkawala ng data. Sa panghuling yunit na ito, matututunan mo kung paano mag-analisa ng data ng metalurhiko gamit ang suporta ng AI sa Python at i-verify ang bawat code, pagkatapos ay i-round up ang mga hangganan, responsibilidad at etika ng AI na saklaw sa buong module.

Mga karaniwang gawain sa pagtatasa ng data ng metalurhiko

Mga karaniwang gawain na may suporta sa AI sa Python:

• Paglilinis ng data: Nawawalang halaga, pagkalito ng unit (MPa vs. ksi), pag-aalis ng outlier. Ang maruming data ay nakakasira kahit na ang pinakamahusay na pagsusuri.
• Visualization: Pagguhit ng tensile curve, control chart, pamamahagi ng laki ng butil, profile ng temperatura-time.
• Hesap ve ilişki: Hall-Petch (tane boyutu-akma dayanımı ilişkisi: σ = σ₀ + k·d^(-1/2)), Arrhenius (sıcaklık-hız), regresyon, istatistik.
• Automation: Batch processing ng malaking bilang ng mga file at paggawa ng summary table/reports.

Ang ugnayang Hall-Petch ay isang magandang halimbawa dito: ang lakas ng ani ay tumataas nang inversely proportional sa square root ng grain diameter. Maaaring isalin ng AI ang formula na ito sa code; Ngunit kung gagamitin mo ang d bilang micrometer o metro at kung anong unit ang iyong ginagamit para sa k coefficient ay ganap na nagbabago ang resulta. Ang kawastuhan ng code ay hindi nakasalalay sa pagsasaulo ng formula, ngunit sa pagpapatunay ng mga yunit at isang kaso ng pagsubok.

Tip: Tiyaking magsama ng “kilalang sagot na pagsusulit” sa bawat account na isinusulat ng AI. Magbigay ng maliit na input na ang resulta ay alam mo sa pamamagitan ng kamay (hal. inaasahang lakas para sa d = 100 µm); Kung ang code ay nagbibigay ng halagang iyon, mapagkakatiwalaan mo ito; kung hindi, nakatago ang error.

Hakbang-hakbang: Isang ligtas na daloy ng pagsusuri sa AI

1. Ilarawan ang gawain at data: Aling file, aling mga haligi, aling mga yunit, ano ang kakalkulahin?
2. Humiling ng code skeleton: Humiling sa AI ng isang nagkomento, step-divided skeleton; Tukuyin ang mga unit na may tahasang mga variable sa itaas.
3. Pagsubok gamit ang maliit na data: Patakbuhin muna gamit ang ilang row/kilalang value; Suriin ang resulta nang manu-mano.
4. Unit at boundary control: Ang output ba ay pisikal na makatwiran? Mayroon bang anumang bagay na walang kapararakan tulad ng negatibong lakas, 120% rate?
5. I-visualize at tingnan: Ipinapakita ba ng graph ang inaasahang trend? Ang mga outlier ba ay mga error sa data?
6. I-verify at idokumento: Ihambing ang resulta sa isang independiyenteng pagkalkula/pamantayan; Ikomento ang code at mga pagpapalagay.

Talaan ng pag-verify ng AI code

Panganib

sintomas

Pamamaraan ng kontrol

Error sa unit

Ang resulta ay 1000x pervert

Tukuyin ang mga unit sa tahasang variable, kontrol sa laki

Maling coefficient/formula

Makatwiran ngunit maling halaga

Pagsubok na senaryo na may alam na mga sagot

Tahimik na pagkawala ng data

Ang bilang ng mga row ay mas mababa kaysa sa inaasahan

I-print ang bilang ng mga row bago/pagkatapos ng pagproseso

outlier pagbaluktot

karaniwang kayak

I-visualize gamit ang isang graph, tingnan ang pamamahagi

Overfitting (hallucinatory library)

hindi umiiral na function

Patakbuhin, basahin ang error, tingnan ang dokumentasyon

tatlong mini case

Case 1 — Nakatagong error sa volume. Ang isang inhinyero ay humihiling ng code mula sa AI para sa pagkalkula ng Hall-Petch; Inaasahan ng code ang diameter ng butil sa mga metro, ngunit ang inhinyero ay pumapasok sa mga micrometer. Ang resulta ay 1000 beses na perverse, ngunit ito ay hindi kapansin-pansin sa unang tingin dahil ito ay tila isang "numero". Mühendis d = 100 µm için elle beklediği ~350 MPa ile kodun verdiği absürt değeri karşılaştırınca hatayı yakalar, birim dönüşümünü koda ekler. Aralin: ang kilalang sagot na pagsubok ay nagpapakita ng error sa unit sa ilang segundo.

Kaso 2 — Tahimik na pagkawala ng data. Nililinis ng isang team ang 500 resulta ng pull test gamit ang AI-written code; Habang binababa ng code ang mga row na may mga nawawalang value, hindi rin nito sinasadyang itinatapon ang ilan sa mga valid na row, na nag-iiwan ng 300 row. Ang average na lakas ay mas mataas kaysa sa inaasahan dahil ang mababang halaga ng batch ay inalis. Kapag na-print ng team ang bilang ng mga row bago/pagkatapos ng pagproseso, nakita nilang 200 row ang tahimik na nawala at inayos ang filter. Aralin: ang pag-print ng bilang ng mga hilera sa bawat hakbang sa pagproseso ng data ay nakakakuha ng tahimik na mga pagkalugi.

Kaso 3 — Tamang paggamit, nauulit na ulat. Ang isang de-kalidad na koponan ay dapat magproseso ng dose-dosenang mga talaan ng furnace at gumawa ng mga buod na ulat bawat linggo. Hinihiling nito sa AI na magsulat ng isang nagkomento na script na nagbabasa ng mga file nang maramihan at gumagawa ng mga graph at mga talahanayan ng buod. Sinusuri ng team ang code gamit ang ilang kilalang file, bini-verify ang bilang ng mga unit at linya, biswal na sinusuri ang output graph. Pagkatapos ay ginagamit ang script linggu-linggo; Ang mga oras ng trabaho ay binabawasan sa mga minuto at nagtatrabaho sa parehong, naa-audit na paraan bawat linggo. Pinagana ng AI ang repeatable automation, kinumpirma ng team.

Nakokopya na mga template ng prompt

CODE SKELETON TEMPLATE"Tungkulin: Ikaw ang code assistant para sa pagtatasa ng data ng metalurhiya.Gawain: [hal. basahin ang mga resulta ng pagguhit mula sa CSV at average na lakas ng ani].Data: [file, columns, UNITS].sumulat ng isang nagkomento na skeleton na may mga pandas: (1) tukuyin ang mga unit sa bukas na variable sa itaas, (2) basahin ang row at i-print ang bilang ng mga hilera at i-print ang bilang ng 3. MULI, (4) gawin ang pagkalkula, (5) i-print ang resulta at isang pagsisiyasat ng posibilidad na magdagdag ng mga komento sa bawat hakbang.

KNOWN ANSWER TEST TEMPLATE"Sumulat ng 'kilalang sagot na pagsusulit' para sa sumusunod na function: [function]. Pumili ng isang maliit na input na ang resulta ay maaaring kalkulahin nang manu-mano, ikomento ang inaasahang output, at suriin ito ng assert. Subukan din ang pagkakapare-pareho ng unit. Kung hindi pumasa ang pagsusulit, ilista ang mga posibleng dahilan (unit, coefficient, formula)."

CODE REVIEW / DEBUG TEMPLATE"Suriin ang sumusunod na code: [code]. Suriin at markahan ang mga sumusunod:(1) volume consistency, (2) risk of silent data loss, (3) outlier impact, (4) physically impossible na output (negatibong lakas, >100% rate). Isulat kung paano i-verify para sa bawat panganib. Huwag kumpirmahin ang code bilang 'gumagana nang walang pagsubok';

VISUALIZATION TEMPLATE"plot [tensile curve / control plot / distribution] na may matplotlib. Magdagdag ng mga UNITS sa mga axis label, ilagay ang pamagat at grid. Markahan ang mga outlier sa ibang paraan. Tandaan na kailangan kong makitang tingnan ang plot at i-verify ang inaasahang trend (hal. pagtaas ng stress-strain). Huwag itago ang anumang puntos upang 'pagandahin' ang data."

Mahinang prompt / Malakas na prompt

WEAK PROMPT: "Isulat mo sa akin ang code na gumagawa ng pagkalkula ng Hall-Petch."

MALAKAS NA PROMPT:"Tungkulin: Ikaw ang katulong ng code para sa pagtatasa ng data ng metalurhiko. Sumulat ng isang Python function para kalkulahin ang Hall-Petch(σy = σ0 + k·d^(-1/2)). Mga Yunit: d micrometer, σ0 at σy MPa, k MPa·µm^(1/2). I-ON ang conversion ng unit sa loob ng function at µ00 na resulta. Kalkulahin din ang σ0 = σ10 na resulta. 50 MPa, k = 300 MPa·µm^0.5 at pagsubok na may pagdaragdag ng physical plausibility check (σy ay hindi maaaring maging negatibo.

Ang mahinang prompt ay gumagawa ng code na walang unit at pagsubok at maaaring tahimik na magkamali. Malinaw na tinutukoy ng malalakas na prompt ang mga unit, nagpapatupad ng conversion, nangangailangan ng alam na sagot na pagsubok, at pagsuri sa pagiging totoo — ginagawang nabe-verify ang code.

Holistic na buod ng module: Ang lugar at mga limitasyon ng AI sa metalurhiya

Isang prinsipyo ang inulit sa buong modyul na ito: Ang AI ay isang katulong, hindi isang gumagawa ng desisyon. Sa kabuuan ng labindalawang unit, ginamit namin ang AI end-to-end, mula sa pagpili ng materyal hanggang sa hula ng property, phase analysis hanggang microstructure, heat treatment hanggang fabrication, quality control hanggang damage analysis, characterization hanggang standardization at Python analysis. Sa bawat yunit, ipinaliwanag ng AI ang mga konsepto, nakabuo ng mga hypotheses, nagsulat ng mga draft at code - ngunit sa walang yunit ay nag-iisa itong gumawa ng desisyon. Ang mga limitasyon ay malinaw: guni-guni (ginawa na numero at pamantayan), hindi delegabilidad ng kritikal na responsibilidad sa kaligtasan, pag-asa sa kalidad ng data at pagsukat/pag-calibrate, panganib ng extrapolation at pagiging kumpidensyal. Ang disiplina ng pag-verify ay palaging nananatili sa mga tao sa standard-laboratory-account triangle.

Mga karaniwang pagkakamali

• Paglalapat ng code sa totoong data nang walang pagsubok sa mga kilalang sagot.
• Hindi malinaw na tinukoy ang mga yunit; Tinatanaw ang MPa/ksi, µm/m pagkalito.
• Hindi nagpi-print ng bilang ng mga hilera sa panahon ng mga hakbang sa pagpoproseso ng data at hindi napapansin ang tahimik na pagkawala.
• Umaasa sa ibig sabihin nang hindi nakikita ang mga outlier.
• Pagtanggap sa hindi umiiral na library/function na binubuo ng AI nang hindi ito isinasagawa.
• Ipagpalagay na ang code ay tama dahil ito ay "tila gumagana"; kabiguang suriin ang pisikal na katumpakan.

Sa buod

Ang AI sa pagtatasa ng data ng metalurhiko kasama ang Python ay isang malakas na accelerator para sa coding, pag-debug, at automation; ngunit ang code na ginagawa nito ay maaaring magdala ng mga error sa unit, maling coefficient, at tahimik na pagkawala ng data. I-verify ang bawat code gamit ang alam na sagot na pagsubok, pagsuri sa unit, pagsubaybay sa bilang ng linya, at pisikal na posibilidad. Dito, tulad ng sa buong module, ang AI ang katulong: tinitiyak nito na ang bilis at organisasyon, katumpakan at responsibilidad ay kinuha ng awtorisadong engineer. Sa mga desisyong metalurhiko na kritikal sa kaligtasan, ang output ng AI ay hindi kailanman kapalit para sa mga pamantayan, eksperimento, kalkulasyon at karampatang pag-apruba ng engineer.

Gawain ng aplikasyon

Pumili ng pagkalkula ng metalurhiko (hal. Hall-Petch o isang average ng tensile data). Gamit ang template na "CODE SKELETON", humingi sa AI ng isang nagkomento na code na nagpi-print ng bilang ng mga linya na may tahasang mga unit. Pagkatapos ay magdagdag ng senaryo ng pagsubok kung saan alam mo nang manu-mano ang resulta gamit ang template na "KNOWN ANSWER TEST" at patakbuhin ito. Kung ang code ay hindi nagbibigay ng inaasahang halaga, hanapin ang error (unit, coefficient, data) at ayusin ito. Panghuli, isulat ang tungkol sa disiplina sa pagpapatunay ng AI na natutunan mo sa modyul na ito sa pamamagitan ng pag-angkop nito sa sarili mong negosyo sa tatlong artikulo.

checklist

• [ ] Malinaw kong tinukoy ang gawain, data at mga yunit sa AI.
• [ ] Tinukoy ko ang mga unit na may tahasang mga variable sa tuktok ng code.
• [ ] Sa mga hakbang sa pagproseso ng data, na-print ko ang bilang ng mga hilera at sinuri ang tahimik na pagkawala.
• [ ] Na-verify ko ang code gamit ang isang test case na may alam na sagot.
• [ ] Sinuri ko ang pisikal na posibilidad (negatibo/walang katotohanan na halaga) ng output.
• [ ] Ginamit ko ang AI bilang isang accelerator; Napanatili ko ang integridad at responsibilidad.

Pagsusulit sa Module

1. Kapag nagtatrabaho sa isang tool ng AI bilang isang inhinyero ng mga materyales, ang sukdulang pananagutan para sa alin sa mga sumusunod ang dapat palaging manatili sa tao (legal na inhinyero)?

• A) Pag-apruba at pagpirma ng kaangkupan ng isang bahagi para sa serbisyo ✔
• B) Paghahanda ng unang draft ng ulat ng pinsala
• C) Pag-edit ng mga label ng axis ng isang microstructure graph
• D) Paghahanda ng glossary ng mga terminong metalurhiko para sa isang presentasyon

Paglalarawan: AI; Mapapabilis nito ang mga gawain tulad ng paglilinaw ng konsepto, pagbalangkas ng ulat, listahan ng hypothesis at code skeleton. Gayunpaman, ang pag-apruba sa pagiging angkop ng isang bahagi para sa serbisyo/paglipad ay isang desisyon na nagreresulta sa kaligtasan ng buhay at ari-arian; hindi maaaring ilipat sa AI nang walang accredited na pagsubok at awtorisadong pag-apruba ng engineer.

2. Tinanong mo ang AI tungkol sa yield strength ng AISI 4140 steel kapag na-quench at na-temper sa 200 °C, at sumagot siya ng '1500 MPa for sure'. Ano ang unang tamang aksyon na dapat gawin?

• A) Ilagay ang value nang direkta sa design account dahil mukhang confident ang AI
• B) Pag-verify ng halaga gamit ang materyal na data sheet/sertipiko ng mill at tensile test kung kinakailangan, hindi umaasa sa single point value ✔
• C) Random na pagpapababa ng halaga upang manatili sa ligtas na bahagi
• D) Tanggapin ang halaga at direktang lumipat sa recipe ng heat treatment

Paliwanag: Ang mga modelo ng wika ay maaaring nakakumbinsi na gumawa ng mga numerong hindi napatunayan (hallucination). lakas ng ani; Nag-iiba ito sa isang malawak na hanay depende sa temperatura ng tempering, kapal ng seksyon at hardenability. Kinakailangang makuha ang halaga mula sa sertipiko ng mill o ang tensile test alinsunod sa pamantayan, at hindi isama ang isang solong point AI output sa disenyo.

3. Sa isang modelo ng pag-aaral ng makina na hinuhulaan ang pag-aari ng isang bakal, gumawa ang AI ng isang 'ligtas' na halaga para sa isang haluang metal na nasa labas ng hanay ng komposisyon sa data ng pagsasanay. Ano ang pangunahing problema sa output na ito?

• A) Ang modelo ay palaging nagbibigay ng mga resulta sa porsyento, ang MPa ay mali
• B) Hindi mapagkakatiwalaan ang hula dahil ginawa ito sa labas ng hanay ng data ng pagsasanay (extrapolation) at dapat ma-verify sa pamamagitan ng eksperimento ✔
• C) Gumagana lamang ang modelo para sa mga hindi kinakalawang na asero
• D) Ang output ng modelo ay palaging eksaktong doble ng aktwal na halaga

Paliwanag: Makatwirang gumagana ang mga modelo ng machine learning sa loob ng hanay ng data ng pagsasanay (interpolation); Kapag nasa labas ng saklaw na ito (extrapolation), nagiging hindi maaasahan ang mga hula at kadalasang hindi ito ipinapakita ng modelo. Ang halaga na nabuo sa isang punto sa labas ng pamamahagi ng data ng pagsasanay ay hindi maaaring gamitin nang walang eksperimental na pagpapatunay.

4. Inilapat mo ang AI upang kalkulahin ang phase ratio sa isang two-phase alloy. Anong input ang dapat gamitin ng AI nang tama kapag inilalapat ang 'lever rule'?

• A) Temperatura lamang; ang mga kumbinasyon ay hindi kailangan
• B) Tanging ang density ng haluang metal
• C) Kabuuang komposisyon ng haluang metal na may mga komposisyon sa hangganan ng bahagi sa kaugnay na temperatura ✔
• D) Tanging ang temperatura ng pagkatunaw

Paliwanag: Ang panuntunan ng lever ay nagbibigay ng mga dami ng bahagi gamit ang mga distansya sa pagitan ng mga komposisyon ng hangganan ng bahagi (hal. ang mga komposisyon ng solid at likidong bahagi) at ang kabuuang komposisyon ng haluang metal sa isang partikular na temperatura. Kung ang mga kumbinasyon ng hangganan ng bahagi ay nabasa nang hindi tama, ang ratio ay magiging ganap na mali; Samakatuwid, ang pagkumpirma ng mga halaga mula sa phase diagram ay sapilitan.

5. Sinukat mo ang laki ng butil mula sa microstructure gamit ang daloy ng pagproseso ng imahe na pinapagana ng AI, ngunit nakalimutan mong i-calibrate ang scale bar sa pixel. Bakit hindi maaasahan ang resulta?

• A) Ang lahat ng mga sukat na sukat ay nasa maling sukat dahil hindi isinagawa ang pag-calibrate sa haba ng pixel ✔
• B) Ang pagsukat ay baluktot dahil ang kulay na imahe ay ginagamit
• C) Ang laki ng butil ay masusukat lamang ng SEM, hindi tumpak ang optical microscopy
• D) Hindi kailangan ang pagsukat dahil mataas ang resolution ng imahe

Paglalarawan: Sa quantitative metallography, ang bawat pixel ay tumutugma sa isang haba; Kung hindi na-calibrate ang pagbabagong ito gamit ang scale bar, lalabas ang lahat ng dimensyon na sukat gaya ng laki ng butil, phase ratio, at porosity sa maling sukat. Ang pagkakalibrate ay ang una at ipinag-uutos na hakbang ng pagsukat na batay sa imahe.

6. Iminungkahi ng AI ang isang recipe ng heat treatment (austenitizing + quenching + tempering) upang makamit ang target na tigas para sa isang bakal. Ano ang pinakamagandang hakbang bago ilapat ang reseta?

• A) Direktang paglalapat ng recipe sa mass production
• B) Ilapat ang recipe sa pagsubok na piraso, sukatin ang tigas/microstructure at ihambing ito sa pamantayan ✔
• C) Random lamang na taasan ang temperatura ng tempering sa ligtas na bahagi
• D) Pagwawasto at pag-apruba lamang ng ispeling ng reseta

Paglalarawan: Bilang resulta ng paggamot sa init; Ang kapal ng bahagi ng seksyon, ang hardenability (Jominy) ay malakas na nag-iiba sa realidad ng furnace at cooling environment. Ang reseta na ibinigay ng AI ay isang paunang hypothesis; Dapat itong ma-verify sa pamamagitan ng paglalapat nito sa pagsubok na piraso at pagsukat ng katigasan at microstructure at paghahambing nito sa pamantayan.

7. Humingi ka sa AI ng isang 'specific substance number' ng isang pamantayan ng ASTM para sa halaga ng materyal na limitasyon at tumugon ito nang may eksaktong halaga. Ano ang tamang pag-uugali sa engineering?

• A) Direktang pagsusulat ng halaga sa ulat dahil napapanahon ang AI
• B) Pagbabago ng halaga nang random upang manatili sa ligtas na bahagi
• C) I-verify ang substance number, bersyon at halaga mula sa opisyal at kasalukuyang karaniwang text ✔
• D) Pagdaragdag ng numero ng item sa conformity file nang hindi ito sinusuri

Paliwanag: Kahit na alam ng mga modelo ng wika ang karaniwang pangalan nang tama, maaari nilang maalala o mabuo ang numero ng artikulo, bersyon, at breakpoint. Sa mga nagbibigkis na field gaya ng ASTM/ISO/EN, ang bawat substance at value ay dapat na ma-verify na verbatim mula sa opisyal at kasalukuyang pinagmulan; Ipinapakita lamang ng output ng AI kung saan titingin.

8. Ipinakita mo sa AI ang larawan ng sirang ibabaw ng bolt at natanggap mo ang sagot na 'ito ay tiyak na isang nakakapagod na bali'. Ano ang tamang diskarte sa pagsusuri ng sanhi ng ugat?

• A) Direktang pagsusulat ng diagnosis sa ulat dahil tumpak na nagsasalita ang AI
• B) Dagdagan lamang ang resolusyon ng larawan at kumpirmahin ang diagnosis
• C) Pag-install ng bagong bahagi nang hindi sinusuri ang sirang ibabaw
• D) Kumpirmahin ang diagnosis bilang hypothesis na may fractography, kasaysayan ng pagsingil, at microstructure na ebidensya ✔

Paglalarawan: Sirang ibabaw na interpretasyon; Ang fractography (striation, beach lines, dimple/cleavage separation sa SEM) ay nangangailangan ng pagsasaalang-alang sa kasaysayan ng pagkarga, kapaligiran at microstructure na ebidensya nang magkasama. Ang tiyak na diagnosis na ginagawa ng AI mula sa isang larawan ay isang hypothesis; Ang ugat na sanhi ay hindi maaaring ideklara nang walang kumpirmasyon ng mga natuklasan sa laboratoryo.

9. Nagtalaga ang AI ng peak sa isang partikular na yugto sa isang XRD (X-ray diffraction) pattern. Ano ang pinakaangkop na paraan upang gawing maaasahan ang pagkakakilanlan ng bahagi?

• A) Pagtutugma ng peak sa reference pattern database (hal. PDF card) at pagsuri para sa overlap at artifact ✔
• B) Direktang pagtanggap sa assignment dahil sinasabi ng AI ang pangalan ng phase
• C) Isinasaalang-alang lamang ang pinakamataas na rurok at binabalewala ang natitira
• D) Kulayan ang pattern at gawin itong maganda sa paningin

Paglalarawan: Ginagawa ang XRD phase identification sa pamamagitan ng pagtutugma ng mga sinusukat na peak position at intensity sa mga kilalang reference pattern (hal. ICDD/PDF card). Ang pagtatalaga ng isang peak sa paghihiwalay ay nakaliligaw; Ang mga magkakapatong na taluktok, kagustuhang oryentasyon at mga artifact sa background ay dapat isaalang-alang at ang pagtatalaga ay nakumpirma sa reference database.

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

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

Paglalarawan: Ang bawat teknikal na halaga sa ulat; Dapat itong ma-trace sa pagsukat, naka-calibrate na record ng device, standard o data ng manufacturer. Kahit na ito ay isang halaga sa isang matatas na pangungusap, walang numero na ang pinagmulan ay hindi pa nabe-verify ang dapat isama sa ulat o batayan ng desisyon; Kung hindi, ang isang kathang-isip na halaga ay ililipat sa dokumentong lumilikha ng pananagutan.

11. Ano ang pinakamahusay na hakbang bago gumamit ng kalkulasyon ng Python na binuo ng AI (hal., Hall-Petch na relasyon para sa lakas ng ani ng laki ng butil)?

• A) Direktang paglalapat ng code sa aktwal na data ng produksyon
• B) Siguraduhin lamang na ang code ay mukhang maikli at maayos
• C) Patakbuhin ang code sa isang test scenario na may mga kilalang resulta at i-verify ang mga unit at output ✔
• D) Pagtanggal ng bahagi ng code upang paikliin ito

Paliwanag: Maaaring mukhang tama ang isang code ngunit nagbibigay ng maling resulta: maaaring mayroong error sa unit, maling coefficient o error sa formula. Ang pagpapatakbo ng code sa isang maliit na kaso ng pagsubok kung saan alam mo ang kinalabasan sa pamamagitan ng kamay at paghahambing nito sa inaasahang output at pagsuri sa mga yunit ay nakakakuha ng error bago ito dalhin sa aktwal na desisyon.

12. Gusto mong i-paste ang hindi pa patentadong recipe ng haluang metal at mga parameter ng proseso ng iyong kumpanya sa isang magagamit na pampublikong tool ng AI at pagsusuri ng kahilingan. Alin ang pinaka tamang diskarte?

• A) I-paste ang recipe para mas mabilis
• B) Ito ay sapat na upang tanggalin lamang ang pangalan ng kumpanya at ibahagi ang lahat ng natitirang mga parameter.
• 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 ✔

Paglalarawan: Ang recipe ng haluang metal, mga parameter ng proseso at mga detalye ng customer ay lihim sa kalakalan at sensitibo sa intelektwal na ari-arian. Bago magbahagi ng data, kinakailangang suriin ang patakaran ng kumpanya, i-anonymize ito, o gumamit ng isang institusyonal/on-site na tool na hindi nagpapadala ng data.

13. Na-flag ng AI-powered SPC (statistical process control) system na nalampasan ang limitasyon ng control chart sa isang production batch. Ano ang tamang pag-uugali sa engineering?

• A) Huwag pansinin ang babala at ipagpatuloy ang produksyon
• B) Pagpapalawak ng mga limitasyon sa kontrol upang walang babala na mangyari
• C) Isaalang-alang ang babala bilang trigger, kumpirmahin ang pagsukat, imbestigahan ang ugat na sanhi at magpasya nang may pamantayan sa pagtanggap ✔
• D) Direktang i-scrap ang buong batch nang hindi sinusukat

Paliwanag: Ang paglampas sa limitasyon sa control chart ay isang babala; Ang ugat na sanhi ay hindi awtomatikong halata. Maaaring ito ay error sa pagsukat, isyu sa sampling, o aktwal na proseso ng drift. Ang tamang diskarte ay isaalang-alang ang babala bilang trigger, kumpirmahin ang pagsukat, imbestigahan ang ugat na sanhi at gumawa ng desisyon batay sa pamantayan sa pagtanggap at resulta ng NDT/pagsusuri.

14. AI-assisted image assessment sa isang casting part na minarkahan ang isang zone bilang 'katanggap-tanggap'. Ano ang tamang diskarte para sa isang bahaging kritikal sa kaligtasan?

• A) Isinasaalang-alang ang paunang pagsusuri ng AI bilang isang tool sa pag-screen at pag-uugnay sa huling pagtanggap sa resulta ng NDT at awtorisadong pag-apruba ✔
• B) Isaalang-alang ang pagsusuri ng AI bilang huling pagtanggap at aprubahan ang bahagi
• C) Lumipat sa susunod na proseso nang hindi sinisiyasat ang bahagi
• D) Sapat na makita lamang ang ibabaw ng bahagi.

Paglalarawan: Ang paghahagis ng mga panloob na depekto (porosity, shrinkage, inclusions) ay kadalasang hindi nakikita mula sa ibabaw at sinusuri ng hindi mapanirang pagsubok (NDT: radiography, ultrasonic). Ang paunang pagsusuri na ibinibigay ng AI sa pamamagitan ng larawan ay isang tool sa screening; Ang panghuling pagtanggap sa bahaging kritikal sa kaligtasan ay ibinibigay kasama ng NDT at awtorisadong pag-apruba sa inspeksyon alinsunod sa pamantayan.