Moduł 1. AI w technicznej działalności laboratorium

• Czym jest generatywna AI i do jakich zadań technicznych laboratorium może być wykorzystywana.
• AI jako narzędzie wspierające analizę danych, dokumentacji technicznej i rozwiązywanie problemów, a nie zastępujące kompetencje i decyzje personelu.
• Ograniczenia modeli: halucynacje, błędy obliczeniowe, niewłaściwy dobór metody, nadinterpretacje i odpowiedzi formułowane mimo braku wystarczających danych.
• Różnica między poprawnym obliczeniem, poprawną metodą analizy i poprawnym wnioskiem technicznym.
• Zasada rozdzielania: dane/dowód – analiza AI – weryfikacja – interpretacja – decyzja człowieka.
• Analiza celowo błędnej odpowiedzi AI dotyczącej problemu technicznego i identyfikacja błędów oraz nieuprawnionych wniosków.

Moduł 2. Bezpieczna i skuteczna praca z AI w zadaniach technicznych

• Bezpieczne wykorzystanie danych laboratoryjnych, wyników badań, danych klientów oraz dokumentacji technicznej w narzędziach AI.
• Anonimizacja i przygotowanie materiałów do analizy przez AI.
• Definiowanie problemu technicznego, celu analizy i kontekstu.
• Budowa promptu w strukturze CRTOF (Context, Role, Task, Obstacles, Format).
• Określanie danych wejściowych, kryteriów, ograniczeń i oczekiwanego formatu wyniku.
• Jak wymagać od AI wskazywania brakujących informacji, przyjętych założeń i podstaw przedstawianych wniosków.
• Model pracy: problem – kontekst – dane – zadanie – kryteria – wynik – weryfikacja – iteracja.

Moduł 3. AI w pracy z normami i metodami technicznymi

• Analiza norm, metod badawczych, specyfikacji i innych dokumentów technicznych.
• Wydobywanie i strukturyzowanie wymagań technicznych z dokumentów źródłowych.
• Porównywanie metod, dokumentów i ich wersji oraz identyfikowanie istotnych różnic.
• Tworzenie matryc wymagań i porządkowanie informacji potrzebnych do realizacji metody.
• Identyfikowanie informacji brakujących do przeprowadzenia analizy lub podjęcia decyzji.
• Wymaganie od AI wskazywania podstawy źródłowej dla przedstawianych wniosków.
• Weryfikacja odpowiedzi AI bezpośrednio w dokumentach źródłowych.

Moduł 4. AI w walidacji i weryfikacji metod

• Wykorzystanie AI do wsparcia planowania walidacji i weryfikacji metod.
• Określanie danych potrzebnych do oceny wybranych parametrów metody.
• Dobór sposobu analizy i metod statystycznych odpowiednich do badanego problemu.
• Wykorzystanie AI do wykonywania i wyjaśniania obliczeń statystycznych.
• Analiza danych dotyczących wybranych parametrów walidacyjnych, w tym m.in. precyzji, obciążenia/odzysku, liniowości i funkcji kalibracji.
• Interpretacja wyników względem przyjętych kryteriów akceptacji.
• Identyfikowanie brakujących danych, błędów metodologicznych i nieuprawnionych wniosków AI.
• Niezależna weryfikacja obliczeń wykonanych przez AI oraz ocena poprawności zastosowanej metody analizy.

Moduł 5. AI w szacowaniu niepewności pomiaru

• Identyfikowanie potencjalnych źródeł niepewności na podstawie informacji o metodzie i procesie pomiarowym.
• Wsparcie analizy modelu pomiaru i struktury budżetu niepewności.
• Krytyczna analiza kompletności istniejącego budżetu i identyfikowanie potencjalnie pominiętych składowych.
• Wykorzystanie AI do obliczeń związanych z szacowaniem niepewności.
• Analiza udziału poszczególnych składowych w niepewności wyniku.
• Analiza wrażliwości i scenariuszy „co jeśli?”.
• Identyfikowanie założeń przyjętych przez AI bez wystarczającej podstawy technicznej.
• Niezależna weryfikacja modelu, założeń i obliczeń wykonanych z wykorzystaniem AI.
• Wykorzystanie wyniku i niepewności pomiaru w ocenie zgodności z wymaganiem, z uwzględnieniem przyjętej reguły decyzyjnej.

Moduł 6. AI w nadzorze nad wyposażeniem i spójnością pomiarową

• Analiza świadectw wzorcowania i innych dokumentów dotyczących wyposażenia.
• Wydobywanie i porządkowanie danych potrzebnych do oceny przydatności wyposażenia do zamierzonego zastosowania.
• Analiza wyników wzorcowań względem określonych wymagań i kryteriów.
• Wykorzystanie AI do analizy dowodów dotyczących zapewnienia spójności pomiarowej oraz identyfikowania brakujących informacji.
• Analiza wyników sprawdzeń pośrednich oraz identyfikowanie trendów i zmian w czasie.
• Łączenie informacji ze wzorcowań, sprawdzeń, awarii, napraw, regulacji i danych kontroli jakości.
• Identyfikowanie potencjalnych sygnałów pogarszania się właściwości metrologicznych wyposażenia.
• Wsparcie oceny potencjalnego wpływu problemów z wyposażeniem na wcześniej uzyskane wyniki.
• Weryfikacja źródłowa, obliczeniowa i techniczna analiz wykonanych przez AI.

Moduł 7. AI w zapewnieniu ważności wyników badań i wzorcowań

• Analiza danych z kontroli jakości, materiałów kontrolnych, materiałów odniesienia i innych działań służących monitorowaniu ważności wyników.
• Analiza szeregów danych i wyników przedstawianych na kartach kontrolnych.
• Wykrywanie trendów, zmian poziomu, obserwacji nietypowych i innych sygnałów wymagających dalszej analizy.
• Wykorzystanie AI do eksploracyjnej analizy danych i identyfikowania zależności, których wcześniej nie poszukiwano.
• Rozróżnianie sygnału wykrytego w danych od technicznego wniosku dotyczącego ważności wyników.
• Formułowanie hipotez dotyczących przyczyn obserwowanych zjawisk oraz określanie danych potrzebnych do ich sprawdzenia.
• Analiza raportów z badań biegłości i porównań międzylaboratoryjnych (PT/ILC).
• Wykorzystanie AI do obliczeń i interpretacji statystyk stosowanych w PT/ILC zgodnie z zasadami danego programu.
• Niezależna weryfikacja obliczeń, zastosowanych kryteriów i interpretacji przedstawionej przez AI.

Moduł 8. AI w diagnostyce problemów technicznych laboratorium

• Wykorzystanie AI do analizy problemów wymagających połączenia informacji z różnych obszarów działalności technicznej laboratorium.
• Oddzielenie faktów i dostępnych dowodów od hipotez dotyczących możliwych przyczyn problemu.
• Generowanie alternatywnych hipotez oraz określanie informacji potrzebnych do ich potwierdzenia lub odrzucenia.
• Łączenie danych dotyczących metody, walidacji, kontroli jakości, PT/ILC, wyposażenia, wzorcowań i warunków środowiskowych.
• Określanie kolejności działań diagnostycznych i sposobu sprawdzania poszczególnych hipotez.
• Aktualizowanie analizy wraz z pojawianiem się nowych danych i dowodów.
• Wsparcie oceny zakresu potencjalnego problemu oraz jego możliwego wpływu na wcześniej uzyskane wyniki.
• Wykorzystanie AI w analizie technicznych aspektów pracy niezgodnej z wymaganiami.
• Zasada: hipoteza AI – dowód – sprawdzenie – wynik – aktualizacja hipotezy – decyzja człowieka.