میری ٹائم میں AI کے فرنٹیئرز: سیکیورٹی، سائبر رسک، اخلاقیات اور احتساب

فائدہ:

• یہ تسلیم کرنے کی اہلیت کہ AI فرضی گتانک، اصول کی شقیں اور تکنیکی اقدار پیدا کر سکتا ہے اور زندگی/جائیداد کی حفاظت کے تناظر میں تصدیق کا اطلاق کر سکتا ہے۔
• جہاز اور OT (آپریشنل ٹیکنالوجی) سسٹمز میں سائبر سیکیورٹی، ڈیٹا پرائیویسی اور ریگولیٹری حدود کا انتظام کرنے کی صلاحیت
• یہ سمجھنا کہ کلاس کی منظوری، نیویگیشنل سیفٹی اور اخلاقیات کی حتمی ذمہ داری انجینئر اور کپتان پر عائد ہوتی ہے۔

اس پورے ماڈیول کے دوران، ہم نے مصنوعی ذہانت (AI) کو جہاز اور میرین انجینئرنگ کے ہر مرحلے پر ایک ایکسلریٹر کے طور پر استعمال کیا: فارم ڈیزائن سے لے کر ساختی تجزیہ تک، پیشین گوئی کی دیکھ بھال سے سفر کی اصلاح تک، اخراج کی تعمیل شپ یارڈ کی پیداوار تک۔ اس آخری یونٹ میں ہم پیچھے ہٹتے ہیں اور پوری تصویر دیکھتے ہیں: سمندری میں AI کی کلیدی حدود کیا ہیں، کون سے خطرات ( فریب کاری، سائبرسیکیوریٹی، ڈیٹا پرائیویسی، تعصب) مسلسل چوکنا ہیں اور کون ذمہ داری اٹھاتا ہے؟ کیونکہ گاڑی کو محفوظ طریقے سے استعمال کرنے کی شرط یہ جاننا ہے کہ اس میں کہاں غلطی ہوسکتی ہے۔

ماڈیول کا مستقل مقالہ یہاں لاگو ہوتا ہے اور باقی تمام چیزوں پر حکمرانی کرتا ہے: حفاظت کے لیے اہم سمندری کام میں، AI آؤٹ پٹ قابل انجینئر، ماسٹر یا کلاس سرویئر کی منظوری کا متبادل نہیں ہے۔ AI تجویز کرتا ہے، ڈرافٹ کرتا ہے، حساب لگاتا ہے اور یاد دلاتا ہے۔ لیکن اس فیصلے کا مالک جو جان، مال اور ماحول کی حفاظت کا تعین کرتا ہے وہ شخص ہے جو اس فیصلے پر دستخط کرتا ہے اور قانونی طور پر ذمہ دار ہے۔

تصورات: ہیلوسینیشن: AI ایسی قدر، اصول، یا وسائل کو گھڑتا ہے جو موجود نہیں ہے۔ OT سیکورٹی: آپریشنل ٹیکنالوجی کا سائبر تحفظ (مشین اور کروز کنٹرول سسٹم)۔ ڈیٹا پوائزننگ: کسی ماڈل کو گمراہ کرنے کے لیے ٹریننگ/ان پٹ ڈیٹا کی جان بوجھ کر بدعنوانی۔ ماڈل تعصب: ماڈل کا منظم اور غیر منصفانہ تعصب جو اس ڈیٹا سے آتا ہے جس پر اسے تربیت دی جاتی ہے۔ ذمہ داری کا سلسلہ: فیصلے کی قانونی اور تکنیکی ملکیت واضح طور پر ظاہر ہوتی ہے۔

AI کی مستقل حدود

AI کی شپنگ میں چار مستقل سرحدیں ہیں، اور یہ ٹیکنالوجی کی ترقی کے باوجود غائب نہیں ہوں گی۔ سب سے پہلے، فریب نظر: جب اس کے پاس قطعی ڈیٹا نہیں ہوتا ہے تو ماڈل "زیادہ تر ممکنہ" بیانات سے خلا کو پُر کرتا ہے۔ یہ ایک بنی ہوئی کلاس شق، ایک ناممکن استحکام کی قدر، یا ایک غیر موجود گتانک نکلا۔ دوسرا، تعیناتی سے باہر کا رویہ: ماڈل ان حالات سے باہر ناقابل اعتبار ہو جاتا ہے جن کے لیے اسے تربیت دی گئی تھی اور اس کا تجربہ کیا گیا تھا (جہاز کی غیر معمولی قسم، غیر معمولی خرابی، نظر نہ آنے والی ٹریفک)۔ تیسرا، فزکس کی سمجھ کا فقدان: AI الفاظ کے نمونوں پر عمل کرتا ہے، توانائی کے تحفظ یا نیوٹن کے قوانین کو "سمجھتا" نہیں ہے۔ یہ ایسی پیداوار پیدا کر سکتا ہے جو مناسب لگتا ہے لیکن جسمانی طور پر ناممکن ہے۔ چوتھا، بروقت: قانون سازی، قیمت اور ٹیکنالوجی میں تبدیلی؛ ماڈل کی معلومات کو ایک تاریخ میں منجمد کر دیا گیا ہے۔

یہ حدود اس بات کی وضاحت کرتی ہیں کہ ہم نے پورے ماڈیول میں جو توثیقی ڈسپلن سیکھا ہے وہ ناگزیر کیوں ہے: آرڈر آف میگنیٹیوڈ کنٹرول، یونٹ کی مستقل مزاجی، آزادانہ تولید، اور ماخذ کی تصدیق۔ خاص طور پر جب AI کا حساب کتاب ہو (مثال کے طور پر ایک Python/Excel اسکرپٹ جو بیلسٹ/استحکام کے لمحے یا پاور کیلکولیشن کے لیے تیار کیا گیا ہو)، یہاں تک کہ اگر کوڈ فلوڈ اور کام کر رہا ہو، اس کی منطق، ان پٹ اور ایج کیسز کو آزاد جانچ کے بغیر حفاظتی فیصلے میں ترجمہ نہیں کیا جاتا ہے۔ صرف اس لیے کہ اکاؤنٹ کوڈ "کام کرتا ہے" کا مطلب یہ نہیں ہے کہ یہ "درست" ہے۔

احتیاط: AI سے تیار کردہ اکاؤنٹنگ کوڈ غلطیوں کے بغیر کام کر سکتا ہے، لیکن اس میں غلط فارمولہ، غلط یونٹ، یا نظر انداز کیا گیا ایج کیس ہو سکتا ہے۔ کوڈ کو قبول کرنے سے پہلے، معلوم ان پٹ کے ساتھ اس کی جانچ کریں (ایک مثال جس کا جواب آپ خود جانتے ہیں)، ایج کیسز کی جانچ کریں، اور آزادانہ طریقے سے نتیجہ کی تصدیق کریں۔ حفاظت کے اہم حسابات جیسے کہ استحکام میں، ایک منظور شدہ لوڈنگ کمپیوٹر اور انجینئر کی تصدیق ضروری ہے۔

سائبر سیکیورٹی اور ڈیٹا پرائیویسی

جدید جہاز ایک تیرتا ہوا کمپیوٹر نیٹ ورک ہے: نیویگیشن سسٹم، مشینری کنٹرول، کارگو مینجمنٹ اور سیٹلائٹ کنیکٹیویٹی ایک دوسرے سے جڑے ہوئے ہیں۔ اس کا مطلب ہے سائبر حملے کی سطح۔ اے آئی سسٹم اس تصویر میں دو نئے خطرات کا اضافہ کرتے ہیں۔ سب سے پہلے، OT (آپریشنل ٹکنالوجی) کی حفاظت: نیویگیشن اور مشین کنٹرول سے منسلک ایک AI جزو اگر حملہ ہوتا ہے تو براہ راست حفاظتی خطرہ لاحق ہوتا ہے۔ لہذا اہم OT سسٹم الگ تھلگ ہیں، AI آؤٹ پٹ کو کبھی بھی اپنے طور پر کنٹرول ایکشن کو متحرک نہیں کرنا چاہیے، انسانی منظوری اور محفوظ طے شدہ رویے کو برقرار رکھا جانا چاہیے۔ دوسرا، ڈیٹا کی رازداری: ہل کی شکل، کارکردگی کے منحنی خطوط، جہاز کے مالک کے یارڈ کے معاہدے اور آپریشنل ٹیلی میٹری تجارتی راز اور دانشورانہ املاک ہیں۔ اس ڈیٹا کو غیر منظور شدہ بیرونی AI سروسز میں داخل کرنا ایک ناقابل تلافی نقصان ہے۔

مزید برآں، ہیرا پھیری کے خطرات جیسے ڈیٹا پوائزننگ (نقصان پر مبنی ان پٹ کے ساتھ ماڈل کو گمراہ کرنا) اور ڈیٹا کی جعل سازی جیسے کہ AIS کے لیے AI کے ان پٹس پر اندھا اعتماد کرنے کی ضرورت نہیں ہے۔ اصول: اہم ڈیٹا کو گمنام کیا جاتا ہے یا اس کا اشتراک بالکل نہیں کیا جاتا ہے، صرف منظور شدہ اور رازداری کی یقین دہانی والے ٹولز استعمال کیے جاتے ہیں، صداقت کے لیے اہم معلومات کی تصدیق کی جاتی ہے۔

خطرہ

یہ کیسے ہوتا ہے؟

احتیاط

فریب

تشکیل شدہ اصول/قدر/ذریعہ

ذریعہ سے تصدیق، رینک کنٹرول

OT سائبر حملہ

کنٹرول سسٹم کی دراندازی

تنہائی، انسانی منظوری، محفوظ ڈیفالٹ

ڈیٹا لیک

بیرونی ٹول میں خفیہ ڈیٹا داخل کرنا

گمنامی، منظور شدہ ٹول

ڈیٹا پوائزننگ/ سپوفنگ

جان بوجھ کر خراب ان پٹ

ان پٹ کی توثیق، کراس چیکنگ

ماڈل کا تعصب

غیر متوازن تربیتی ڈیٹا

انسانی فیصلے کے ساتھ نتیجہ کا جائزہ لینا

اخلاقیات اور ذمہ داری کا سلسلہ

میری ٹائم میں کسی فیصلے کی قانونی اور تکنیکی ملکیت واضح ہونی چاہیے: بحری حفاظت کا کپتان ذمہ دار ہے، چیف انجینئر مشینری کا ذمہ دار ہے، انچارج انجینئر ڈیزائن اور حساب کتاب کا ذمہ دار ہے، اور کلاس سرویئر اصول کی تعمیل کا ذمہ دار ہے۔ AI کو اس سلسلہ میں "ذمہ داری کا فرق" متعارف نہیں کرانا چاہیے۔ "AI نے یہ تجویز کیا" کوئی بہانہ نہیں ہے۔ وہ انسان جو AI کو استعمال کرتا ہے اور اس کی پیداوار کو قبول کرتا ہے وہ ذمہ دار ہے۔ اس لیے، AI کا استعمال شفاف ہونا چاہیے (یہ ریکارڈ ہونا چاہیے کہ یہ کس فیصلے کی حمایت کرتا ہے، اس کی کیا تصدیق ہوئی ہے) اور حتمی فیصلہ ایک دستخط شدہ انسان پر منحصر ہونا چاہیے۔

اخلاقی جہت میں عملے کی حفاظت اور ماحول بھی شامل ہے: اگر ایندھن کی بچت کی تجویز عملے کو خطرے میں ڈالتی ہے، اگر آٹومیشن حل حفاظتی مارجن کو کم کرتا ہے، اگر قلیل مدتی فائدہ طویل مدتی خطرے کو روکتا ہے، انجینئرنگ اخلاقیات کو "نہیں" کہنے کی ضرورت ہے۔ AI پیداواری صلاحیت کے لیے ایک طاقتور ٹول ہے۔ لیکن کارکردگی زندگی، ماحول اور انجینئرنگ کے ایماندار فیصلے سے پہلے کبھی نہیں آسکتی ہے۔

چھوٹے کیسز

کیس 1 - "AI نے ایسا کہا" عذر۔ ایک رپورٹ میں، بغیر تصدیق کے، AI کی طرف سے دی گئی حد کی قدر کا استعمال کیا جاتا ہے، اور قیمت غلط نکلتی ہے۔ ذمہ دار شخص یہ کہہ کر اپنا دفاع کرنے کی کوشش کرتا ہے کہ "AI نے یہ تجویز کیا ہے۔" نہ ہی کلاس اور نہ ہی ذمہ داری کا قانون اس کو تسلیم کرتا ہے: انجینئر جو آؤٹ پٹ کو قبول کرتا ہے وہ ذمہ دار ہے۔ سبق: AI کوئی بہانہ نہیں ہے۔ ذمہ داری اس شخص پر عائد ہوتی ہے جو اسے استعمال کرتا ہے۔

کیس 2 - خفیہ ڈیٹا کا لیک ہونا۔ ایک ٹیم جہاز کے مالک کی اصل کارکردگی اور ایندھن کے ڈیٹا کو عوامی طور پر دستیاب AI ٹول میں چسپاں کرتی ہے اور تجزیہ کی درخواست کرتی ہے۔ یہ ڈیٹا اب قابو سے باہر ہے۔ تجارتی راز اور معاہدے کی خلاف ورزی پیدا ہوتی ہے۔ گمنام نمائندہ اقدار یا منظور شدہ ٹول کے ساتھ کام کرنے پر کوئی خطرہ نہیں ہوگا۔ سبق: اصلی/خفیہ ڈیٹا کبھی بھی غیر منظور شدہ بیرونی ٹول میں داخل نہیں ہوتا ہے۔

کیس 3 - کام کر رہا ہے لیکن غلط کوڈ۔ AI استحکام کے ایک لمحے کے لیے ایک Python اسکرپٹ تیار کرتا ہے۔ کوڈ غلطیوں کے بغیر چلتا ہے اور ایک معقول نمبر دیتا ہے۔ جب انجینئر اسے معلوم لوڈنگ کیس (جس کا جواب ہاتھ سے معلوم ہوتا ہے) کے ساتھ جانچتا ہے، تو اسے معلوم ہوتا ہے کہ کوڈ غلط نشان کے ساتھ ایک بازو کی لمبائی کی مدت لیتا ہے۔ اسکرپٹ "کام" کر رہا تھا لیکن نتیجہ غلط نکلا۔ سبق: اکاؤنٹ کوڈ کا عمل درست ہونے کی ضمانت نہیں ہے۔ معلوم ان پٹ اور آزاد تصدیق کے ساتھ جانچ ضروری ہے۔

کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس

ٹیمپلیٹ 1 - حد اور خطرے کی خود تشخیص:

کردار: آپ ایک جائزہ لینے والے ہیں جو میں AI آؤٹ پٹ کا استعمال کرتا ہوں۔ کیس؟ہر قابل اعتراض پوائنٹ کی فہرست بنائیں اور اس کی تصدیق کیسے کریں۔

ٹیمپلیٹ 2 — اکاؤنٹ کوڈ کی تصدیق کا شیڈول:

درج ذیل AI سے تیار کردہ اکاؤنٹنگ کوڈ (Python/Excel) استعمال کرنے سے پہلے ایک تصدیقی منصوبہ تیار کریں:[paste code/logic]1) ایک ٹیسٹ ان پٹ تجویز کریں جس کے لیے میں جواب سے واقف ہوں۔ 2) کناروں کے ان کیسز کی فہرست بنائیں جن کی جانچ کی ضرورت ہے (صفر، منفی، انتہائی)۔3) میں یونٹ کی مستقل مزاجی کو کیسے چیک کروں؟ حفاظتی اہم اکاؤنٹ پر تصدیق کی ضرورت ہے۔

ٹیمپلیٹ 3 — ڈیٹا پرائیویسی فلٹر:

پرائیویسی مندرجہ ذیل سیاق و سباق کو چیک کریں جو میں ایک AI ٹول کو دوں گا:[text to share]1) کیا اس میں تجارتی راز/خفیہ/معاہدے کا ڈیٹا ہے؟ 2) کن اقدار کو گمنام یا نکالا جانا چاہیے؟

سانچہ 4 — احتساب اور شفافیت نوٹ:

مندرجہ ذیل AI سے چلنے والے فیصلے کو دستاویز کرنے کے لیے ایک شفافیت میمو تیار کریں:[فیصلہ]۔ مواد: (1) AI کس مرحلے پر استعمال کیا گیا، (2) کن تصدیقوں سے گزرا، (3) کن لوگوں نے اسے منظور کیا، (4) کن ذرائع سے تصدیق کی گئی۔ رکاوٹ: یہ واضح کریں کہ حتمی ذمہ داری انسانی دستخط پر عائد ہوتی ہے۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

میں اس AI تجزیہ کو رپورٹ میں ڈالوں گا، کیا یہ ٹھیک ہے؟

طاقتور اشارہ:

کردار: آپ ایک آزاد جائزہ لینے والے ہیں جو AI آؤٹ پٹ کا آڈٹ کرتے ہیں۔ سیاق و سباق: [تجزیہ/آؤٹ پٹ اور کہاں استعمال کرنا ہے]۔ ٹاسک: 1) فریب کا خطرہ، فزیکل پلیزیبلٹی، اور بروقت۔2) کیا کوئی ایسا ڈیٹا ہے جسے رازداری کے لیے شیئر نہیں کیا جانا چاہیے؟ "مناسب/نامناسب" فیصلہ؛ تصدیقی اقدامات بیان کریں اور یہ کہ ذمہ داری دستخط کرنے والے انجینئر کی ہے۔

کمزور پرامپٹ تصدیق کے لیے کہتا ہے۔ مضبوط پرامپٹ خطرات، رازداری اور انسانی تصدیقی سلسلہ کو بے نقاب کرتا ہے۔

عام غلطیاں

• اس کا مطلب ہے "AI نے ایسا کہا۔" ذمہ داری اس شخص پر عائد ہوتی ہے جو آؤٹ پٹ کو قبول کرتا ہے۔ AI کوئی عذر نہیں ہے۔
• بیرونی ٹول میں خفیہ ڈیٹا داخل کرنا۔ تجارتی راز اور معاہدے کی خلاف ورزی؛ ایک بار لیک ہونے والا ڈیٹا دوبارہ حاصل نہیں کیا جا سکتا۔
• یہ سوچ کر کہ ورکنگ کوڈ درست ہے۔ ایک اسکرپٹ جو غلطیوں کے بغیر کام کرتا ہے اس میں غلط فارمولا/یونٹ ہو سکتا ہے۔ جانچ اور آزاد تصدیق ضروری ہے۔
• OT سسٹم کو AI پر چھوڑنا۔ کنٹرول ایکشن کبھی بھی اکیلے AI سے متحرک نہیں ہوتا ہے۔ انسانی منظوری اور محفوظ ڈیفالٹ برقرار ہے۔
• حفاظت سے پہلے کارکردگی ڈالنا۔ زندگی، ماحولیات اور دیانت دار انجینئرنگ فیصلے کو کسی بچت کے لیے قربان نہیں کیا جاتا۔

خلاصہ میں

بحری حدود میں AI کی پائیدار حدود (فریب، تقسیم سے باہر رویہ، طبیعیات کی گرفت کی کمی، پرانی تاریخ) اور خطرات (سائبر/OT سیکیورٹی، ڈیٹا پرائیویسی، زہر، تعصب) اس بات کی وضاحت کرتے ہیں کہ پورے ماڈیول میں سیکھا جانے والا تصدیقی نظم و ضبط کیوں ناگزیر ہے۔ حفاظت کے لیے اہم فیصلوں میں، AI آؤٹ پٹ قابل انسانی منظوری کا متبادل نہیں ہے۔ ذمہ داری کا سلسلہ واضح ہے اور "AI نے ایسا کہا" کوئی بہانہ نہیں ہے۔ AI ایک طاقتور ایکسلریٹر ہے۔ لیکن زندگی، ماحول اور انجینئرنگ کا ایماندار فیصلہ ہمیشہ پہلے آتا ہے۔

درخواست کا کام

ایک AI آؤٹ پٹ (ایک اکاؤنٹ، ایک رپورٹ ڈرافٹ، یا ایک کوڈ) منتخب کریں جو آپ نے اس ماڈیول میں تیار کیا ہے۔ "حد اور خطرے کی خود تشخیص" ٹیمپلیٹ کے ساتھ ہیلوسینیشن کے خطرات، جسمانی قابلیت، اور حقیقت کو جھنڈا لگائیں۔ اگر یہ ایک اکاؤنٹ کوڈ ہے، تو اسے "اکاؤنٹ کوڈ تصدیقی منصوبہ" ٹیمپلیٹ کا استعمال کرتے ہوئے معلوم ان پٹ کے ساتھ جانچیں اور آزادانہ طور پر تصدیق کریں۔ "ڈیٹا پرائیویسی فلٹر" لگائیں اور ایسے ڈیٹا کو فلٹر کریں جسے شیئر نہیں کیا جانا چاہیے۔ آخر میں، ایک شفافیت میمو لکھیں جس میں فیصلے کو دستاویز کیا جائے اور یہ واضح کریں کہ حتمی ذمہ داری کس کی ہے۔

چیک لسٹ

• [ ] میں نے AI آؤٹ پٹ کے فریب کاری، طبیعیات اور حقیقت کے خطرات کو چیک کیا۔
• میں نے معلوم ان پٹ کے ساتھ اکاؤنٹ کوڈ کی جانچ اور آزادانہ طور پر تصدیق کی ہے۔
• میں نے بیرونی ٹول میں خفیہ/معاہدہ شدہ ڈیٹا داخل نہیں کیا؛ میں نے اسے گمنام کیا۔
• میں نے OT/کنٹرول سسٹمز میں انسانی منظوری اور محفوظ ڈیفالٹ کو برقرار رکھا۔
• میں نے شفاف طریقے سے AI کے استعمال کی دستاویز کی اور واضح کیا کہ کون ذمہ دار ہے۔
• میں نے زندگی، ماحولیات اور انجینئرنگ کی اخلاقیات سے پہلے کارکردگی کو کبھی نہیں رکھا۔

ماڈیول امتحان

1. ایک میرین انجینئر کے طور پر ایک AI ٹول کے ساتھ کام کرتے وقت، مندرجہ ذیل میں سے کس کی حتمی ذمہ داری ہمیشہ انسان (انجینئر/کلاس مین) کے پاس رہنی چاہیے؟

• A) طبقاتی اصول کے ساتھ ساختی عنصر کی تعمیل کی منظوری اور دستخط ✔
• ب) مزاحمتی رپورٹ کا پہلا مسودہ تیار کرنا
• C) چارٹ کے محور لیبلز میں ترمیم کرنا
• D) تکنیکی رپورٹ کے لیے اصطلاحات کی لغت تیار کرنا

تفصیل: AI؛ یہ کاموں کو تیز کر سکتا ہے جیسے کہ مزاحمت کا تخمینہ لگانا، رپورٹ کا مسودہ تیار کرنا، اور ڈیٹا کا خلاصہ۔ تاہم، طبقاتی اصول کے ساتھ ساختی عنصر کی تعمیل کی منظوری دینا اور اسے تکنیکی فائل پر دستخط کے طور پر ظاہر کرنا ایک ایسا فیصلہ ہے جس سے جان و مال کی حفاظت ہوتی ہے۔ آزاد تصدیق اور مجاز منظوری کے بغیر AI کو منتقل نہیں کیا جا سکتا۔

2. آپ کے پاس AI نے ایک کشتی کی مزاحمت کا حساب لگایا تھا اور اس نے 'تجرباتی اصلاحی عنصر' کے ساتھ نتیجہ میں 20 فیصد کمی کی جو ماڈل کے تجربے میں نہیں تھی۔ پہلا صحیح اقدام کیا ہے؟

• A) نتیجہ کو قبول کرنا جیسا کہ یہ ہے کیونکہ AI پراعتماد لگتا ہے۔
• ب) گتانک کے ماخذ پر سوال اٹھائیں، بے بنیاد تصحیح کو مسترد کریں اور اسے تسلیم شدہ طریقہ سے دوبارہ شمار کریں ✔
• C) گتانک کو اور بھی بڑھانا اور محفوظ طرف رہنا
• D) نتیجہ تبدیل کیے بغیر پروپیلر کے انتخاب پر سوئچ کرنا

وضاحت: زبان کے ماڈل قائل طور پر بے بنیاد گتانک اور اعداد (فریب) بنا سکتے ہیں۔ ایک ایسے حساب میں جو پروپلشن پاور اور ایندھن کو براہ راست متاثر کرتا ہے، جیسے کہ مزاحمت، یہ ضروری ہے کہ استعمال ہونے والے ہر گتانک کے ماخذ (طریقہ، ماڈل ٹیسٹ، معیاری) پر سوال کیا جائے اور غیر تعاون یافتہ عدد کو مسترد کیا جائے۔

3. جہاز کے CII (کاربن کی شدت کے اشارے) کا حساب لگانے کے لیے سامان لے جانے والے سامان کی مقدار کو استعمال کرنے کے بجائے، AI نے صرف فاصلہ استعمال کیا۔ اس آؤٹ پٹ کے ساتھ بنیادی مسئلہ کیا ہے؟

• A) CII کا حساب صرف ٹینکرز کے لیے کیا جاتا ہے، یہ بورڈ پر غیر ضروری ہے۔
• B) CII نتیجہ ہمیشہ فیصد کے طور پر آتا ہے، اعشاریہ غلط ہے۔
• C) CII ڈینومینیٹر نہ صرف فاصلہ ہونا چاہیے، بلکہ لے جانے کی صلاحیت (ڈیڈ ویٹ) کو فاصلے سے ضرب کیا جانا چاہیے ✔
• D) CII کیلکولیشن کے لیے سپیڈ ڈیٹا لازمی ہے، یہ غائب ہے۔

تفصیل: CII فی کام کی جانے والی کاربن کے اخراج کی پیمائش کرتا ہے اور پیش کردہ پے لوڈ کو فاصلہ (جیسے ڈیڈ ویٹ x فاصلہ) سے ضرب پر مبنی ہے۔ لوڈ/کیپیسٹی کی اصطلاح کو چھوڑنا اشارے کو مکمل طور پر غلط حساب دیتا ہے۔ پہلا اور لازمی مرحلہ پیداواری اشاریوں میں ہر اصطلاح کے لیے IMO تعریف کی مکمل تعمیل کرنا ہے۔

4. انجن روم میں AI سے چلنے والے پیشن گوئی کے دیکھ بھال کے نظام کی سب سے قیمتی پیداوار کیا ہے؟

• A) ایک لائن میں ماضی کی دیکھ بھال کی اوسط لاگت کا خلاصہ کریں۔
• ب) تمام سینسر ڈیٹا کو زیادہ رنگین گراف میں تبدیل کرنا
• C) رنگ اور فہرست کمپن/درجہ حرارت کے رجحانات
• D) ٹائم ونڈو کو پہلے سے نشان زد کرنا جب بیئرنگ یا ٹربو چارجر کے فیل ہونے کا زیادہ امکان ہو ✔

تفصیل: پیشن گوئی کی دیکھ بھال کا مقصد آلات کے خراب ہونے کے رجحان کا پتہ لگانا ہے اس سے پہلے کہ وہ ناکام ہو جائے اور بروقت دیکھ بھال کا منصوبہ بنایا جائے۔ اس طرح، غیر متوقع خرابی اور رکنے کا خطرہ کم ہو جاتا ہے۔ یہ نہ صرف ماضی کا خلاصہ کرنا بلکہ مستقبل کے بارے میں ابتدائی انتباہات پیش کرنے کے لیے بھی قیمتی ہے۔

5. AI نے FEA (محدود عنصر تجزیہ) ماڈل میں تناؤ کے نتیجے کا موازنہ کلاس کوڈ میں قابل اجازت تناؤ سے کیا اور 'مناسب' قرار دیا۔ سب سے صحیح طریقہ کون سا ہے؟

• A) ماڈل سیٹ اپ (میش، باؤنڈری کنڈیشن، لوڈ) کی تصدیق کرنا اور کلاس رول ٹیکسٹ سے قابل اجازت تناؤ کی تصدیق کرنا ✔
• ب) براہ راست نتیجہ کی تصدیق کرنا کیونکہ AI نے کہا 'فٹ'
• C) تصادفی طور پر محفوظ طرف رہنے کے لیے قابل اجازت تناؤ کو کم کرنا
• D) نیٹ ورک کو سخت کیے بغیر صرف رنگ کے پیمانے کو تبدیل کرنا

تفصیل: FEA نتیجہ؛ یہ مکمل طور پر میش کے معیار، حدود کے حالات، بوجھ کی تعریف اور مادی خصوصیات پر منحصر ہے۔ مزید برآں، AI کے ذریعے استعمال ہونے والی قابل اجازت تناؤ کی قدر غلط ہو سکتی ہے۔ نتیجہ قبول کرنے سے پہلے، ماڈل سیٹ اپ کی تصدیق کرنا اور متن سے کلاس رول ویلیو کی تصدیق کرنا ضروری ہے۔

6. آپ نے ایک ایسا راستہ بنایا ہے جو AI کے ساتھ موسم کی روٹنگ کو انجام دے کر ایندھن کو کم کرتا ہے۔ نتیجہ کے استعمال کے لیے کون سا خیال سب سے اہم ہے؟

• A) بحری حفاظت (لہر، موسم، جہاز کی پابندیاں) کے لحاظ سے راستہ محفوظ ہونا چاہیے اور کپتان سے منظور شدہ ہونا چاہیے ✔
• ب) نقشے پر راستے کی مختصر ترین شکل
• C) راستے میں سب سے زیادہ پورٹ کالز شامل ہیں۔
• D) معاہدہ سے قطع نظر راستہ ETA کو کم کرتا ہے۔

وضاحت: اس بات سے کوئی فرق نہیں پڑتا ہے کہ راستے کی تجویز کتنی ہی ایندھن کے لیے بہترین ہے، بحری حفاظت اور کپتان کے اختیار کو ترجیح دی جاتی ہے۔ اگر طوفان، لہر کی اونچائی اور جہاز کی پابندیاں حفاظتی حد سے تجاوز کر جائیں تو ایندھن کا فائدہ بے معنی ہے۔ حتمی راستے کے فیصلے کو حفاظتی رکاوٹوں کے ذریعے فلٹر کیا جانا چاہیے اور کپتان کی طرف سے منظور کیا جانا چاہیے۔

7. آپ نے AI سے SOLAS کی ضرورت پوچھی اور اس نے ایک مخصوص 'باب/قاعدہ نمبر' کے حوالے سے ایک درست قدر بتائی۔ انجینئرنگ کا صحیح رویہ کیا ہے؟

• A) قدر کو براہ راست لاگو کرنا کیونکہ AI اپ ٹو ڈیٹ ہے۔
• ب) محفوظ طرف رہنے کے لیے قدر کو تصادفی طور پر بڑھانا
• C) آفیشل، اپ ٹو ڈیٹ SOLAS/کلاس سورس سے آئٹم نمبر اور ویلیو کی تصدیق کریں ✔
• D) آئٹم نمبر کو چیک کیے بغیر فائل میں شامل کرنا

تفصیل: زبان کے ماڈلز غلط یاد رکھ سکتے ہیں یا معاہدہ/قاعدہ کی شق نمبر اور اقدار بنا سکتے ہیں۔ پابند فیلڈز جیسے SOLAS، MARPOL اور کلاس رولز میں، ہر آئٹم اور ویلیو کو آفیشل، موجودہ سورس (IMO ٹیکسٹ، کلاس رول، مینجمنٹ سرکلر) سے لفظ بہ لفظ تصدیق کرنی چاہیے۔ AI آؤٹ پٹ صرف یہ دکھاتا ہے کہ کہاں دیکھنا ہے۔

8. ایک خود مختار یا فیصلے کی مدد سے چلنے والے نیویگیشن سسٹم میں، AI نے ریڈار اور AIS ڈیٹا کی بنیاد پر ایک تدبیر تجویز کی۔ COLREG (تصادم سے بچنے) کے لحاظ سے صحیح تشخیص کیا ہے؟

• A) خودکار طور پر پینتریبازی کو انجام دیں کیونکہ AI موجودہ ڈیٹا تک رسائی حاصل کرتا ہے۔
• ب) تجویز کو دوسرے جہاز کو VHF کے ذریعے منتقل کریں اور اس کی منظوری کا انتظار کریں۔
• C) ریڈار کو بند کرنا اور صرف AIS پر انحصار کرنا
• D) تجویز کو فیصلے کی حمایت کے طور پر غور کریں اور COLREG اور حتمی تدبیر کا فیصلہ واچ کے افسر/کپتان پر چھوڑ دیں۔

وضاحت: COLREG کے قوانین اور اچھی بحری مشق کے مطابق، تصادم سے بچنے کی ذمہ داری اور حتمی تدبیر کا فیصلہ پل پر موجود اتھارٹی (کیپٹن/آفیسر آف دی واچ) پر ہے۔ AI کی سفارش فیصلے کی حمایت ہے۔ اندھے دھبے، سینسر کی خرابی، اور اصول کی تشریح کے لیے انسانی نگرانی کی ضرورت ہوتی ہے۔

9. آپ نے AI کے ساتھ مین انجن SFOC (مخصوص ایندھن کی کھپت) وکر سے ایندھن کی معیشت کی سفارش تیار کی ہے۔ معقولیت کو جانچنے کا سب سے مناسب طریقہ کیا ہے؟

• A) سفارشات کو ماضی کے ٹرپ ڈیٹا پر لاگو کریں اور ایندھن کے حقیقی استعمال سے موازنہ کریں ✔
• ب) تجویز کو جیسا کہ ہے قبول کریں اور اسے بجٹ میں بطور بچت لکھیں۔
• C) سب سے زیادہ پر امید بچت فیصد کو واحد حقیقی قدر کے طور پر لینا
• D) صرف SFOC وکر کے گراف کو خوبصورت بنائیں

وضاحت: AI کے ذریعہ تیار کردہ بچت کے دعوے کو جہاز کے اصل سفری ڈیٹا (ریکارڈ شدہ ایندھن کی کھپت، بوجھ، رفتار، موسم) کے ساتھ موازنہ کرکے جانچا جانا چاہیے۔ ماضی کے سفر کے اعداد و شمار پر اس کا اطلاق کرنا اور اس کا حقیقی استعمال سے موازنہ کرنا ظاہر کرتا ہے کہ سفارش کتنی حقیقت پسندانہ ہے۔

10. AI کے ذریعہ تیار کردہ ایک ڈرافٹ سروے/تکنیکی رپورٹ میں تکنیکی قدریں شامل ہیں جو سیال ہیں لیکن غیر یقینی اصل کی ہیں۔ صحیح طرز عمل کیا ہے؟

• ا) رپورٹ کو پیش کرنا جیسا کہ یہ ہے کیونکہ متن روانی ہے۔
• ب) ہر قدر کو اصل پیمائش/ذریعہ سے ملا دیں اور غیر تصدیق شدہ ✔ کو ہٹا دیں۔
• C) قدروں کو گول کرنا اور چمکانا
• D) صرف ایگزیکٹو خلاصہ پڑھیں اور باقی کو چھوڑ دیں۔

تفصیل: رپورٹ میں ہر تکنیکی قدر اس کے اصل ماخذ (پیمائش، کیلیبریٹڈ ڈیوائس ریکارڈ، کلاس رول، مینوفیکچرر ڈیٹا) کے لیے قابل شناخت ہونی چاہیے۔ کوئی نمبر کلاس یا انتظامیہ کو اس کے ماخذ کی تصدیق کے بغیر پیش نہیں کیا جانا چاہئے، چاہے وہ روانی سے جملے میں قدر ہی کیوں نہ ہو۔ بصورت دیگر، ایک فرضی قدر فیصلے کی بنیاد میں داخل ہو جاتی ہے۔

11. AI سے تیار کردہ Excel/Python کیلکولیشن (مثلاً بیلسٹ کی حالت اور استحکام کا لمحہ) استعمال کرنے سے پہلے کون سا بہترین قدم ہے؟

• A) حساب کتاب کو براہ راست اصل لوڈنگ پلان پر لاگو کرنا
• ب) صرف کوڈ کی لمبائی اور ترتیب کو دیکھ کر
• C) ایک معلوم ٹیسٹ منظر نامے اور منظور شدہ لوڈنگ ٹول کے ساتھ حساب کتاب کا موازنہ کرکے ایج کیسز کو آزمانا ✔
• D) کوڈ کے کچھ حصے کو چھوٹا کرنے کے لیے اسے حذف کرنا

وضاحت: استحکام اور بوجھ کا حساب درست ظاہر ہو سکتا ہے لیکن غلط نتائج دیتے ہیں۔ حساب کتاب کو ایک چھوٹے سے امتحانی منظر نامے پر چلانا جہاں آپ کو نتیجہ معلوم ہو، یا تو دستی طور پر یا کسی تصدیق شدہ لوڈنگ کمپیوٹر کے ساتھ، اس کا متوقع آؤٹ پٹ سے موازنہ کرنا، اور حد/ایج لوڈ کیسز کو آزمانے سے غلطی کا پتہ چل جائے گا اس سے پہلے کہ یہ اصل لوڈنگ کے فیصلے تک پہنچ جائے۔

12. آپ اپنے جہاز کے غیر اشتراک کردہ ڈیزائن اور کارکردگی کے ڈیٹا کو عوامی AI ٹول میں چسپاں کرنا چاہتے ہیں اور تجزیہ کی درخواست کرنا چاہتے ہیں۔ سب سے صحیح طریقہ کون سا ہے؟

• A) ڈیٹا کو پیسٹ کرنا جیسا کہ رفتار کے لیے ہے۔
• ب) صرف جہاز کا نام حذف کرنا اور باقی تمام ڈیٹا شیئر کرنا کافی ہے۔
• C) ڈیٹا کا اشتراک کرنا اور پھر AI سے اسے حذف کرنے کے لیے کہنا
• D) ادارہ جاتی پالیسی کو چیک کرنا اور ڈیٹا کو گمنام کرنا یا ایک محفوظ/ادارہاتی ٹول استعمال کرنا ✔

انکشاف: ہل کی شکل، کارکردگی کے منحنی خطوط اور جہاز کے مالک/یارڈ کے معاہدے کے اعداد و شمار تجارتی راز اور دانشورانہ املاک کے لیے حساس ہیں۔ مزید برآں، اہم انفراسٹرکچر اور OT سسٹم کی معلومات سائبر رسک لے کر جاتی ہیں۔ ڈیٹا شیئر کرنے سے پہلے، کارپوریٹ پالیسی کو چیک کرنا، اسے گمنام کرنا یا کسی ایسے کارپوریٹ ٹول کا استعمال کرنا ضروری ہے جو ڈیٹا شیئر نہ کرے۔

13. شپ یارڈ بلاک اسمبلی میں AI سے چلنے والے کوالٹی کنٹرول نے ویلڈ سیون کو 'قابل قبول' قرار دیا۔ انجینئرنگ کا صحیح رویہ کیا ہے؟

• A) AI تشخیص کو حتمی قبولیت کے طور پر غور کریں اور سلائی کو منظور کریں۔
• ب) AI کی ابتدائی تشخیص کو اسکریننگ ٹول کے طور پر غور کرنا اور حتمی قبولیت کو NDT نتیجہ اور کلاس کی منظوری سے جوڑنا ✔
• ج) سیون کی بالکل جانچ کیے بغیر اگلے بلاک میں جانا
• D) سیون کی ظاہری شکل کو صرف بصری طور پر چیک کرنا کافی ہے۔

تفصیل: ویلڈنگ کا معیار ایک حفاظتی لحاظ سے اہم علاقہ ہے جس کے لیے غیر تباہ کن جانچ (NDT) کے نتائج اور کلاس کی منظوری درکار ہوتی ہے۔ تصاویر یا ڈیٹا کے ذریعے AI کا ابتدائی جائزہ رہنمائی فراہم کرتا ہے، لیکن حتمی منظوری کلاس سرویئر کی طرف سے اہل معائنہ اور منظوری کے ذریعے دی جاتی ہے۔

14. بحری بیڑے کے انتظام میں، AI نے ایک مہم کے لیے ایک حتمی تجویز پیش کی جس میں کہا گیا کہ 'یہ بنکر بندرگاہ اور یہ رفتار یقینی طور پر سب سے زیادہ منافع بخش ہیں'۔ صحیح تشخیص کون سا ہے؟

• A) سفارش کو براہ راست لاگو کرنا کیونکہ AI اپ ٹو ڈیٹ ڈیٹا تک رسائی حاصل کرتا ہے۔
• ب) ایک پختہ عزم کے طور پر جہاز کے مالک تک تجویز پہنچانا
• C) اس واحد آؤٹ پٹ کی بنیاد پر پورے مہم کے منصوبے کو لاک کرنا
• D) حتمی پیشکش کو ناقابل اعتبار سمجھنا اور اسے ایک ایسے منظر نامے کے طور پر دیکھنا جس کی تصدیق موجودہ قیمت، چارٹر کی شرط اور حفاظت سے کی جا سکے ✔

وضاحت: بنکر کی قیمت، چارٹر کے حالات، موسم اور بندرگاہ میں تاخیر تیزی سے بدل رہی ہے اور غیر یقینی متغیرات؛ AI مطلق منافع کی ضمانت نہیں دے سکتا۔ تجویز کو ایک منظر نامے کی پیداوار کے طور پر سمجھا جانا چاہیے جس کی موجودہ قیمت، چارٹر پارٹی کی شرائط اور حفاظتی پابندیوں کے ساتھ تصدیق ہونی چاہیے۔