അഡ്വാൻസ്ഡ് HXG10 മനുഷ്യ യന്ത്രം

ഉൽപ്പന്ന വിവരം

സ്പെസിഫിക്കേഷനുകൾ

• FCC ഐഡി: GCYHXG10
• ഐസി ഐഡി: 20156-HXG10
• വർഗ്ഗീകരണം: EAR99
• പാലിക്കൽ: FCC ഭാഗം 15
• പ്രവർത്തന വ്യവസ്ഥകൾ: അനിയന്ത്രിതമായ പരിസ്ഥിതി
• ആർ‌എഫ് എക്‌സ്‌പോഷർ മാർഗ്ഗനിർദ്ദേശങ്ങൾ: എഫ്‌സിസി അനുസൃതം - ശരീരത്തിൽ നിന്ന് 20 സെന്റിമീറ്ററോ അതിൽ കൂടുതലോ ദൂരം.

ഉൽപ്പന്ന ഉപയോഗ നിർദ്ദേശങ്ങൾ

പ്രധാനപ്പെട്ട കുറിപ്പുകൾ
ഉൽപ്പന്നം ഉപയോഗിക്കുന്നതിന് മുമ്പ്, ഉപയോക്തൃ മാനുവലിൽ നൽകിയിരിക്കുന്ന എല്ലാ സുരക്ഷാ നിർദ്ദേശങ്ങളും മാർഗ്ഗനിർദ്ദേശങ്ങളും വായിച്ച് മനസ്സിലാക്കുക.

ഇൻസ്റ്റലേഷൻ

1. FCC RF എക്സ്പോഷർ മാർഗ്ഗനിർദ്ദേശങ്ങൾ പാലിക്കുന്നതിന് ഉപകരണം ശരീരത്തിൽ നിന്ന് കുറഞ്ഞത് 20cm അകലെ സ്ഥാപിച്ചിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക.
2. മറ്റേതെങ്കിലും ആന്റിന അല്ലെങ്കിൽ ട്രാൻസ്മിറ്റർ ഉപയോഗിച്ച് ട്രാൻസ്മിറ്റർ സഹ-ലൊക്കേഷൻ അല്ലെങ്കിൽ പ്രവർത്തിപ്പിക്കുന്നത് ഒഴിവാക്കുക.

ഓപ്പറേഷൻ

1. മറ്റ് ഉപകരണങ്ങളിൽ ദോഷകരമായ ഇടപെടലുകൾ ഉപകരണം ഉണ്ടാക്കുന്നില്ലെന്ന് ഉറപ്പാക്കുക.
2. പ്രവർത്തന സമയത്ത് ലഭിക്കുന്ന ഏതൊരു ഇടപെടലും ഉപകരണം സ്വീകരിക്കണം.

മെയിൻ്റനൻസ്
ഉപകരണത്തിന് എന്തെങ്കിലും ശാരീരിക കേടുപാടുകൾ സംഭവിച്ചിട്ടുണ്ടോ എന്ന് പതിവായി പരിശോധിച്ച് ശരിയായ പ്രവർത്തനം ഉറപ്പാക്കുക.

പതിവുചോദ്യങ്ങൾ 

• ചോദ്യം: എന്റെ ശരീരത്തിന് വളരെ അടുത്തായി ഈ ഉപകരണം പ്രവർത്തിപ്പിക്കാൻ കഴിയുമോ?
  A: ഇല്ല, FCC മാർഗ്ഗനിർദ്ദേശങ്ങൾ പാലിക്കുന്നതിന്, ഉപകരണത്തിനും നിങ്ങളുടെ ശരീരത്തിനും ഇടയിൽ കുറഞ്ഞത് 20cm അകലം പാലിക്കുക.
• ചോദ്യം: ഇടപെടൽ പ്രശ്നങ്ങൾ നേരിടുകയാണെങ്കിൽ ഞാൻ എന്തുചെയ്യണം?
  A: നൽകിയിരിക്കുന്ന മാർഗ്ഗനിർദ്ദേശങ്ങൾക്കനുസൃതമായാണ് ഉപകരണം പ്രവർത്തിക്കുന്നതെന്ന് ഉറപ്പാക്കുക. പ്രശ്നങ്ങൾ നിലനിൽക്കുകയാണെങ്കിൽ, സഹായത്തിനായി ഉപഭോക്തൃ പിന്തുണയുമായി ബന്ധപ്പെടുക.
• ചോദ്യം: ഉപകരണം പരിഷ്‌ക്കരിക്കുന്നത് സുരക്ഷിതമാണോ?
  A: ഇല്ല, അംഗീകരിക്കാത്ത ഏതെങ്കിലും മാറ്റങ്ങളോ പരിഷ്കരണങ്ങളോ ഉപകരണം പ്രവർത്തിപ്പിക്കാനുള്ള ഉപയോക്താവിന്റെ അധികാരത്തെ അസാധുവാക്കിയേക്കാം.

അംഗീകാരങ്ങൾ
UNIDIR-ന്റെ പ്രധാന ഫണ്ടർമാരുടെ പിന്തുണയാണ് ഇൻസ്റ്റിറ്റ്യൂട്ടിന്റെ എല്ലാ പ്രവർത്തനങ്ങൾക്കും അടിസ്ഥാനം നൽകുന്നത്. ജർമ്മനി, നെതർലാൻഡ്‌സ്, സ്വിറ്റ്‌സർലൻഡ് എന്നീ സർക്കാരുകളും മൈക്രോസോഫ്റ്റും ധനസഹായം നൽകുന്ന സെക്യൂരിറ്റി ആൻഡ് ടെക്‌നോളജി പ്രോഗ്രാമാണ് ഈ പഠനം നടത്തിയത്. ഈ പ്രബന്ധത്തിലെ വിലമതിക്കാനാവാത്ത ഉപദേശത്തിനും സഹായത്തിനും താഴെപ്പറയുന്ന വ്യക്തികൾക്ക് രചയിതാവ് നന്ദി പറയുന്നു: ഡോ. ജിയാക്കോമോ പെർസി പാവോളി (UNIDIR), സാറാ ഗ്രാൻഡ്-ക്ലെമെന്റ് (UNIDIR); ഇനിപ്പറയുന്ന വിദഗ്ധർ ഇന്റർ...viewഈ പ്രോജക്റ്റിനായുള്ള എഡിറ്റർമാർ: ഡോ. മെന്നാറ്റാല എൽ-അസാഡി, ഡോ. മൈക്ക എൻഡ്‌സ്‌ലി, പാരിഷ് ഹന്ന, ഡോ. മിംഗ് ഹൗ, ഡോ. മാത്യു ജോൺസൺ, മറ്റ് മൂന്ന് അജ്ഞാത വിദഗ്ധർ; കൂടാതെ ഇനിപ്പറയുന്ന ബാഹ്യ റിപ്പോർട്ടുകളുംviewഈ പഠനത്തിൻ്റെ ഉപാധികൾ: ഡോ. ജൂറിയൻ വാൻ ഡിഗ്ഗെലെൻ, ഡോ. മാർസെൽ ബാൾട്ട്സർ, ഡോ. എലിസബത്ത് ഹോഫ്ബെർഗർ-പിപ്പൻ, പ്രൊഫ. ഡങ്കൻ ബ്രംബി.

യൂണിഡിറിനെ കുറിച്ച്
ഐക്യരാഷ്ട്രസഭയിലെ സ്വമേധയാ ധനസഹായം നൽകുന്ന, സ്വയംഭരണ സ്ഥാപനമാണ് യുണൈറ്റഡ് നേഷൻസ് ഇൻസ്റ്റിറ്റ്യൂട്ട് ഫോർ ഡിസാർമമെന്റ് റിസർച്ച് (UNIDIR). നിരായുധീകരണത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ലോകമെമ്പാടുമുള്ള ചുരുക്കം ചില നയ സ്ഥാപനങ്ങളിൽ ഒന്നായ UNIDIR, നിരായുധീകരണത്തെയും സുരക്ഷയെയും കുറിച്ചുള്ള അറിവ് സൃഷ്ടിക്കുകയും സംഭാഷണവും പ്രവർത്തനവും പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യുന്നു. ജനീവ ആസ്ഥാനമായുള്ള UNIDIR, നിർണായക സുരക്ഷാ പ്രശ്‌നങ്ങൾക്ക് പരിഹാരം കണ്ടെത്തുന്നതിന് ആവശ്യമായ പ്രായോഗികവും നൂതനവുമായ ആശയങ്ങൾ വികസിപ്പിക്കുന്നതിന് അന്താരാഷ്ട്ര സമൂഹത്തെ സഹായിക്കുന്നു.

കുറിപ്പ്
ഈ പ്രസിദ്ധീകരണത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന പദവികളും ഉള്ളടക്കത്തിന്റെ അവതരണവും ഏതെങ്കിലും രാജ്യത്തിന്റെയോ, പ്രദേശത്തിന്റെയോ, നഗരത്തിന്റെയോ, പ്രദേശത്തിന്റെയോ, അതിന്റെ അധികാരികളുടെയോ നിയമപരമായ നിലയെക്കുറിച്ചോ, അതിന്റെ അതിർത്തികളുടെയോ അതിർത്തികളുടെയോ അതിർത്തി നിർണ്ണയത്തെക്കുറിച്ചോ ഐക്യരാഷ്ട്രസഭയുടെ സെക്രട്ടേറിയറ്റിന്റെ ഭാഗത്തുനിന്ന് ഏതെങ്കിലും തരത്തിലുള്ള അഭിപ്രായ പ്രകടനത്തെ സൂചിപ്പിക്കുന്നില്ല. viewഈ പ്രസിദ്ധീകരണത്തിൽ പ്രകടിപ്പിച്ചിരിക്കുന്ന കാര്യങ്ങൾ രചയിതാവിന്റെ പൂർണ്ണ ഉത്തരവാദിത്തമാണ്. അവ അവശ്യം പ്രതിഫലിപ്പിക്കുന്നില്ല. viewഐക്യരാഷ്ട്രസഭ, UNIDIR, അതിന്റെ മറ്റ് സ്റ്റാഫ് അംഗങ്ങൾ അല്ലെങ്കിൽ സ്പോൺസർമാരുടെ അഭിപ്രായങ്ങൾ.

രചയിതാവിനെ കുറിച്ച്
UNIDIR-ലെ സെക്യൂരിറ്റി ആൻഡ് ടെക്നോളജി പ്രോഗ്രാമിൽ AI-യിലെ ഗവേഷകയാണ് അയോണ പുസ്കാസ്.

ചുരുക്കെഴുത്തുകളും ചുരുക്കെഴുത്തുകളും

എക്സിക്യൂട്ടീവ് സമ്മറി

2017 മുതൽ കൺവെൻഷൻ ഓൺ സെർട്ടൈൻ കൺവെൻഷണൽ വെപ്പൺസിന്റെ (CCW) ചട്ടക്കൂടിൽ ഔപചാരികമായി യോഗം ചേർന്ന ഗ്രൂപ്പ് ഓഫ് ഗവൺമെന്റൽ എക്സ്പെർട്ട്സ് ഓൺ ലെത്തൽ ഓട്ടോണമസ് വെപ്പൺസ് സിസ്റ്റംസ് (GGE on LAWS) ചർച്ചകളിൽ ഓട്ടോണമസ് വെപ്പൺ സിസ്റ്റങ്ങളുടെ (AWS) മനുഷ്യ നിയന്ത്രണം ഒരു പ്രധാന വിഷയമാണ്.
ഗ്രൂപ്പിന്റെ ചർച്ചകളിൽ ഏറ്റവും വിവാദപരമായ വിഷയങ്ങളിൽ ഒന്നാണ് നിയന്ത്രണത്തിന്റെ അർത്ഥവും പ്രവർത്തനപരതയും. സമീപ വർഷങ്ങളിൽ മൂന്ന് പ്രധാന നിയന്ത്രണ രീതികൾ ഉയർന്നുവന്നിട്ടുണ്ട്, ഇപ്പോൾ അവ AWS-ൽ പ്രായോഗിക പരിധികൾ ഏർപ്പെടുത്തുന്നതായി വ്യാപകമായി കണക്കാക്കപ്പെടുന്നു: ആയുധ പാരാമീറ്ററുകളിലെ നിയന്ത്രണം, ഉപയോഗ പരിസ്ഥിതിയിലെ നിയന്ത്രണം, ഉപയോഗ സമയത്ത് മനുഷ്യ-യന്ത്ര ഇടപെടലിലൂടെയുള്ള നിയന്ത്രണം.
ഓപ്പറേറ്റർമാരും AWS-ഉം തമ്മിലുള്ള ഭൗതിക ബന്ധമായ മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകൾ മനുഷ്യ നിയന്ത്രണത്തിൽ നിർണായക പങ്ക് വഹിക്കുന്നു, കൂടാതെ നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യിലും വിവിധ ദേശീയ നയ രേഖകളിലും അവയുടെ പങ്ക് എടുത്തുകാണിച്ചിട്ടുണ്ട്. സാഹചര്യ അവബോധത്തിന്റെ വികസനത്തിനും നിലനിർത്തലിനും നിയന്ത്രണത്തിന്റെ വാസ്തുവിദ്യയ്ക്കും മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകൾ പ്രധാനമാണ്: ഒരു സിസ്റ്റം നിരീക്ഷിക്കാനും ആവശ്യമെങ്കിൽ അത് നിർജ്ജീവമാക്കാനോ അസാധുവാക്കാനോ ഓപ്പറേറ്റർമാരെ അനുവദിക്കുന്നു.
This report highlights several important dimensions of the role of interfaces in human control over AWS. It focuses in particular on the challenges, both present and anticipated, brought about by an increasing use of artificial intelligence (AI) and machine learning (ML) in such systems. The report draws, in several cases, on exampവാഹന വ്യവസായത്തിലെ ഓട്ടോമേഷനിൽ നിന്നുള്ള നേട്ടങ്ങൾ, നിയന്ത്രണക്ഷമതയുടെയും സിസ്റ്റം രൂപകൽപ്പനയുടെയും കാര്യത്തിൽ ഇത് കാര്യമായ പാഠങ്ങൾ നൽകും.

ഈ പഠനത്തിന്റെ പ്രധാന കണ്ടെത്തലുകളും നിഗമനങ്ങളും ഇപ്രകാരമാണ്:

• ഒന്നാമതായി, സ്വയംഭരണ സംവിധാനങ്ങളിലെ മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ പശ്ചാത്തലത്തിൽ ഇന്റർഫേസിന്റെ പങ്കിനെക്കുറിച്ചുള്ള ചർച്ച സ്ഥാപിക്കേണ്ടത് പ്രധാനമാണ്, ഇത് മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് കാര്യമായ പ്രകടന ആവശ്യകതകൾ ചുമത്തുന്നു, കൂടാതെ സാങ്കേതികവിദ്യയിൽ അമിത വിശ്വാസം അല്ലെങ്കിൽ അവിശ്വാസം പോലുള്ള അന്തർലീനമായ അപകടസാധ്യതകളുമായി ഇത് വരുന്നു, ഇത് AI/ML ഉപയോഗം വഴി കൂടുതൽ വഷളാക്കുന്നു.
• • ഒരു ഇന്റർഫേസ് ഫലപ്രദമായ ഒരു നിയന്ത്രണ മാർഗമാകണമെങ്കിൽ, അതിന് ഉയർന്ന അളവിലുള്ള ഉപയോഗക്ഷമത ഉണ്ടായിരിക്കണം (അതായത് ഉപയോക്താക്കൾക്ക് അവരുടെ ലക്ഷ്യങ്ങൾ നേടാൻ കഴിയുന്ന തരത്തിൽ അത് എഞ്ചിനീയറിംഗ് ചെയ്യുകയും വികസിപ്പിക്കുകയും വേണം), കൂടാതെ ഓപ്പറേറ്റർമാർക്ക് അത് ഫലപ്രദമായി ഉപയോഗിക്കാൻ വേണ്ടത്ര പരിശീലനം നൽകുകയും വേണം. ഈ മാനദണ്ഡങ്ങൾ കൈവരിക്കുന്നതിന് ആയുധ സംവിധാനങ്ങളിൽ AI, ML എന്നിവയുടെ ആമുഖത്തോടെ പ്രധാനപ്പെട്ട മാറ്റങ്ങൾ ആവശ്യമാണ്: ആയുധ സംവിധാനങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമാകുമ്പോൾ (ഉദാഹരണത്തിന്, നിർണായക പ്രവർത്തനങ്ങളിൽ കൂടുതൽ സ്വയംഭരണം നൽകപ്പെടുന്നു), മനുഷ്യ ഓപ്പറേറ്റർമാർക്കുള്ള പരിശീലന ആവശ്യകതകൾ പോലെ തന്നെ ഇന്റർഫേസുകളും കൂടുതൽ സങ്കീർണ്ണമാകാൻ സാധ്യതയുണ്ട്.
  • ഇന്റർഫേസ് ഡിസൈനിലെ സമീപകാല ഗവേഷണങ്ങൾ മനുഷ്യരും AI-യും തമ്മിലുള്ള ഇടപെടലിലും 'മനുഷ്യ-AI ടീമിംഗിലും' ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിനെയും, അത് ഡിസൈൻ പ്രക്രിയയിൽ എങ്ങനെ പ്രതിഫലിപ്പിക്കണമെന്നും സൂചിപ്പിക്കുന്നു. യന്ത്രങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമാകുമ്പോൾ, മനുഷ്യ-യന്ത്ര ഇടപെടലിനുള്ള ഓപ്ഷനുകൾ അതിനനുസരിച്ച് വികസിക്കണം എന്ന വിശ്വാസമാണ് ഇതിനെ പിന്തുണയ്ക്കുന്നത്.
  • കാലക്രമേണ പഠിച്ചുകൊണ്ടിരിക്കുന്ന സിസ്റ്റങ്ങളുടെ പശ്ചാത്തലത്തിൽ പേഴ്‌സണൽ പരിശീലനം, സിസ്റ്റങ്ങളുടെ ഉചിതമായ മാനസിക മാതൃകകൾ നിർമ്മിക്കുന്നതിലും വിശ്വാസവും പ്രതീക്ഷകളും കാലിബ്രേറ്റ് ചെയ്യുന്നതിലും ഓപ്പറേറ്റർമാരെ പിന്തുണയ്ക്കുന്ന അധിക പരിശീലന പാഠ്യപദ്ധതികളുടെയും രീതിശാസ്ത്രങ്ങളുടെയും ആവശ്യകതയെ പ്രേരിപ്പിക്കുന്നു.
  • AI/ML-നെ ആശ്രയിക്കുന്ന സിസ്റ്റങ്ങളിലെ വിശ്വാസ്യതയുടെയും മനസ്സിലാക്കാൻ കഴിയാത്തതിന്റെയും പ്രശ്നങ്ങൾ ലഘൂകരിക്കാനുള്ള ഒരു മാർഗം, ദൃശ്യവൽക്കരണ സാങ്കേതിക വിദ്യകൾ പോലുള്ള ഇന്റർഫേസുകളിൽ AI പ്രക്രിയയുടെ വിശദീകരണത്തിനും സുതാര്യതയ്ക്കും കൂടുതൽ ഓപ്ഷനുകൾ ഉൾപ്പെടുത്തുക എന്നതാണ് (ഉദാഹരണത്തിന്, പ്രക്രിയയുടെ ഒരു ഭാഗം അല്ലെങ്കിൽ AI-യുടെ നിഗമനങ്ങൾ വെളിപ്പെടുത്തുന്ന ഡാഷ്‌ബോർഡുകൾ). ഈ ശ്രമങ്ങൾ പ്രധാനമാണ്, പക്ഷേ അവ മനുഷ്യ-യന്ത്ര ഇടപെടലിലേക്ക് കൂടുതൽ സങ്കീർണ്ണതകൾ കൊണ്ടുവരുന്നു, ഇത് മനുഷ്യന്റെ നിയന്ത്രണത്തിൽ വിട്ടുവീഴ്ച ചെയ്തേക്കാം.

ആമുഖം

മനുഷ്യ ഓപ്പറേറ്റർമാരും സ്വയംഭരണ സംവിധാനങ്ങളും തമ്മിലുള്ള ഭൗതിക ബന്ധമാണ് മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകൾ, കൂടാതെ സിസ്റ്റങ്ങളിൽ മനുഷ്യ നിയന്ത്രണത്തിനുള്ള ഓപ്ഷനുകളുടെ നിരയിലെ ഒരു നിർണായക ഘടകവുമാണ്. ഒരു ഇന്റർഫേസ് ഹാർഡ്‌വെയറും സോഫ്റ്റ്‌വെയറും സംയോജിപ്പിക്കുന്നു, കൂടാതെ ബട്ടണുകൾ, ഡാഷ്‌ബോർഡുകൾ, ടച്ച്‌സ്‌ക്രീനുകൾ എന്നിവയുള്ള ഫിസിക്കൽ കൺട്രോൾ പാനലുകൾ പോലുള്ള നിരവധി ഘടകങ്ങൾ ഉൾപ്പെടുത്താം. ഇന്റർഫേസുകൾ മനുഷ്യ ഓപ്പറേറ്ററെ ഒരു പ്രക്രിയ നിരീക്ഷിക്കാൻ (ഉദാ: നാവിഗേഷൻ), നിയന്ത്രണ ക്രമീകരണങ്ങൾ പരിഷ്‌ക്കരിക്കാനോ കോൺഫിഗർ ചെയ്യാനോ, പാരാമീറ്ററുകളും കമാൻഡുകളും ക്രമീകരിക്കാനോ, അല്ലെങ്കിൽ സിസ്റ്റത്തിന്റെ പ്രവർത്തനം സ്വമേധയാ അസാധുവാക്കാനോ അനുവദിക്കുന്നു. നിർണായക വിവരങ്ങൾ പ്രദർശിപ്പിക്കാനും സിസ്റ്റത്തിന്റെ നിലയെക്കുറിച്ചും വിദൂരമായി പ്രവർത്തിക്കുന്ന സിസ്റ്റങ്ങളുടെ കാര്യത്തിൽ, ആ സിസ്റ്റം പ്രവർത്തിക്കുന്ന പരിസ്ഥിതിയെക്കുറിച്ചും ഓപ്പറേറ്റർക്ക് ഒരു ധാരണ നൽകാനും അവയ്ക്ക് കഴിയും.
സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേലുള്ള മനുഷ്യ നിയന്ത്രണത്തെക്കുറിച്ചുള്ള (AWS) ഗ്രൂപ്പിന്റെ ചർച്ചകൾക്കിടെ, ലെത്തൽ ഓട്ടോണമസ് വെപ്പൺസ് സിസ്റ്റംസ് (GGE on LAWS) മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെക്കുറിച്ചുള്ള ഗവൺമെന്റ് വിദഗ്ധരുടെ ഗ്രൂപ്പിന്റെ ചർച്ചകളിൽ ഇന്റർഫേസുകൾ നിരവധി തവണ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്. മനസ്സിലാക്കാവുന്നതേയുള്ളൂ, ഇന്റർഫേസുകൾ ഒരു പരിധിവരെ നിയന്ത്രണം നിലനിർത്തുന്നതിന് കുറഞ്ഞത് രണ്ട് നിർണായക മാർഗങ്ങളെങ്കിലും നൽകുന്നതിനാൽ അവ പ്രധാനപ്പെട്ടതായി കണക്കാക്കപ്പെട്ടിട്ടുണ്ട്: ഒരു സിസ്റ്റത്തിന്റെ പെരുമാറ്റവും പ്രവർത്തനങ്ങളും നിരീക്ഷിക്കാനും പ്രതീക്ഷിച്ചതുപോലെ പ്രവർത്തിക്കുന്നതിൽ പരാജയപ്പെട്ടാൽ അത് നിർജ്ജീവമാക്കാനോ മറികടക്കാനോ (ഉദാഹരണത്തിന്, സ്വമേധയാ നിയന്ത്രണം ഏറ്റെടുത്തുകൊണ്ട്) ഓപ്പറേറ്റർമാരെ അനുവദിക്കുക. എന്നിരുന്നാലും, സിസ്റ്റങ്ങൾ കൂടുതൽ സ്വയംഭരണാധികാരമാകുമ്പോൾ, ഇന്റർഫേസുകളും കൂടുതൽ സങ്കീർണ്ണമാകും.

മനുഷ്യ നിയന്ത്രണത്തിൽ ഇന്റർഫേസുകളുടെ പങ്ക് ഈ റിപ്പോർട്ട് വിശകലനം ചെയ്യുന്നു. AWS-ന്റെ പശ്ചാത്തലത്തിൽ ഇന്റർഫേസ് രൂപകൽപ്പനയുടെയും ഉപയോഗത്തിന്റെയും നിരവധി വശങ്ങൾ ഇത് അവതരിപ്പിക്കുകയും ആയുധ സംവിധാനങ്ങളിൽ കൂടുതൽ AI-പ്രാപ്‌തമാക്കിയ പ്രവർത്തനങ്ങൾ ഉൾപ്പെടുത്തേണ്ടതിനാൽ ചക്രവാളത്തിലെ പ്രധാന പ്രവണതകൾ എടുത്തുകാണിക്കുകയും ചെയ്യുന്നു. സാധാരണയായി, ഒരു ഇന്റർഫേസ് ഫലപ്രദമായ ഒരു നിയന്ത്രണ മാർഗമാകണമെങ്കിൽ, അതിന് ഉയർന്ന അളവിലുള്ള ഉപയോഗക്ഷമത ഉണ്ടായിരിക്കണം (അതായത് ഉപയോക്താക്കൾക്ക് അവരുടെ ലക്ഷ്യങ്ങൾ കൈവരിക്കാൻ പ്രാപ്തമാക്കുന്ന രീതിയിൽ അത് എഞ്ചിനീയറിംഗ് ചെയ്യുകയും വികസിപ്പിക്കുകയും വേണം) കൂടാതെ അത് ഫലപ്രദമായി ഉപയോഗിക്കാൻ ഓപ്പറേറ്റർമാർക്ക് വേണ്ടത്ര പരിശീലനം നൽകുകയും വേണം. സ്വയംഭരണത്തിന്റെ വർദ്ധനവും ആയുധ സംവിധാനങ്ങളിൽ AI, ML എന്നിവയുടെ ഉപയോഗവും അനുസരിച്ച് ഈ അടിസ്ഥാന മാനദണ്ഡങ്ങളുടെ സാക്ഷാത്കാരം കൂടുതൽ സങ്കീർണ്ണമാകുന്നു - ആയുധ സംവിധാനങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമാകുമ്പോൾ, മനുഷ്യ-യന്ത്ര ഇടപെടലിനും ഇന്റർഫേസ് രൂപകൽപ്പനയ്ക്കുമുള്ള ഓപ്ഷനുകൾ കൂടുതൽ സങ്കീർണ്ണമാകുന്നു, അതുപോലെ മനുഷ്യ ഓപ്പറേറ്റർമാർക്കുള്ള പരിശീലന ആവശ്യകതകളും.
ഇന്റർഫേസുകളെ ഒറ്റപ്പെട്ട കഴിവുകളായി അർത്ഥവത്തായി ചർച്ച ചെയ്യാൻ കഴിയാത്തതിനാൽ, സ്വയംഭരണത്തിന്റെയും മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെയും വിശാലമായ സന്ദർഭത്തിലേക്ക് റിപ്പോർട്ട് ഈ വിശകലനത്തെ സമന്വയിപ്പിക്കുന്നു. ആയുധ സംവിധാനങ്ങളിലെ സ്വയംഭരണം കൊണ്ടുവരുന്ന വെല്ലുവിളികൾ ഇന്റർഫേസ് രൂപകൽപ്പനയുടെയും ഉപയോഗത്തിന്റെയും എല്ലാ വശങ്ങളിലും പേഴ്‌സണൽ പരിശീലന ആവശ്യകതകളിലും ഇഴചേർന്നിരിക്കുന്നു.

റിപ്പോർട്ട് ആരംഭിക്കുന്നത് ഒരു ഓവറോടെയാണ്view നിയമങ്ങളെക്കുറിച്ചുള്ള GGE ഉൾപ്പെടെയുള്ള ബഹുമുഖ, നയ ചർച്ചകളിൽ AWS-ന് മേലുള്ള മനുഷ്യ നിയന്ത്രണത്തിന്റെ സ്വഭാവരൂപീകരണവും മനുഷ്യ നിയന്ത്രണത്തിൽ ഇന്റർഫേസുകളുടെ പങ്കിനെക്കുറിച്ചുള്ള ഒരു പൊതു ആമുഖവും നൽകുന്നു (വിഭാഗം 1). മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ വിശാലമായ പശ്ചാത്തലത്തിൽ ഇന്റർഫേസുകളുടെ പങ്കിനെക്കുറിച്ചുള്ള ചർച്ച ഇത് സ്ഥാപിക്കുന്നു, ഇത് മനുഷ്യ ഓപ്പറേറ്റർ പ്രകടനത്തിനുള്ള പ്രധാന വെല്ലുവിളികളെ എടുത്തുകാണിക്കുന്നു (വിഭാഗം 2). തുടർന്നുള്ള വിഭാഗം ഇന്റർഫേസ് രൂപകൽപ്പനയ്ക്കുള്ള പ്രധാന സമീപനങ്ങൾ അവതരിപ്പിക്കുന്നു. വിവിധ സമീപനങ്ങളുടെ വിവരണം മനുഷ്യ നിയന്ത്രണത്തിനുള്ള പ്രധാന പരിഗണനകളിലേക്ക് സൂചന നൽകുന്നു: ഉപയോഗക്ഷമത വർദ്ധിപ്പിക്കുന്നതിനായി സിസ്റ്റം ഡിസൈൻ വികസിച്ചു, എന്നാൽ AI/ML ന്റെ ആമുഖം മനുഷ്യ-യന്ത്ര ഇടപെടലിനെ പിന്തുണയ്ക്കുന്ന സാങ്കേതികവിദ്യയെ കൂടുതൽ സങ്കീർണ്ണമാക്കുന്നു (വിഭാഗം 3). സിസ്റ്റം രൂപകൽപ്പനയ്ക്ക് പുറമേ, മനുഷ്യ നിയന്ത്രണത്തിന്റെ പരിഗണനകളിൽ പരിശീലനം മറ്റൊരു നിർണായക ഘടകമാണ്. കൂടുതൽ സ്വയംഭരണവും കൂടുതൽ സങ്കീർണ്ണമായ ഇന്റർഫേസുകളും പുരുഷന്മാർക്കും സ്ത്രീകൾക്കും സായുധ സേനയിലെ എല്ലാ അംഗങ്ങൾക്കും പരിശീലനത്തിനായി പുതിയ വെല്ലുവിളികൾ അവതരിപ്പിക്കുന്നു, പ്രത്യേകിച്ച് AI/ML- പ്രാപ്തമാക്കിയ സിസ്റ്റങ്ങളുടെ പശ്ചാത്തലത്തിൽ (വിഭാഗം 4). AI ഉപയോഗിക്കുന്നതും കാലക്രമേണ പഠിക്കുകയും പൊരുത്തപ്പെടുകയും ചെയ്യുന്നതുമായ സിസ്റ്റങ്ങളുടെ സങ്കീർണ്ണത കൈകാര്യം ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ്, കൂടാതെ ഈ സിസ്റ്റങ്ങളിലെ പ്രവചനാത്മകതയുടെയും സുതാര്യതയുടെയും അഭാവം സാങ്കേതികവിദ്യയിലുള്ള വിശ്വാസത്തെയും ആശ്രയത്വത്തെയും ബാധിക്കും. വിഷ്വലൈസേഷൻ ടെക്നിക്കുകൾ പോലുള്ള വിശദീകരണക്ഷമതയ്ക്കും സുതാര്യതയ്ക്കുമുള്ള സമീപനങ്ങളിലൂടെ ('എക്സ്പ്ലെയിൻബിൾ AI' അല്ലെങ്കിൽ 'XAI') ഈ സങ്കീർണ്ണതയെ പരിഹരിക്കാനുള്ള ശ്രമങ്ങൾ പ്രധാനമാണ്, പക്ഷേ പരിമിതികൾ അവതരിപ്പിക്കുന്നത് തുടരുന്നു (വിഭാഗം 5).

മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളും മനുഷ്യ നിയന്ത്രണവും

ഒരു സിസ്റ്റത്തിലെ ഉയർന്ന തലത്തിലുള്ള സ്വയംഭരണം, ഒറ്റയ്ക്ക് പ്രവർത്തനങ്ങൾ നടത്തുന്ന യന്ത്രങ്ങളുടെ ചിത്രങ്ങൾ മനസ്സിൽ കൊണ്ടുവന്നേക്കാം, എന്നാൽ വാസ്തവത്തിൽ, ഇന്നുവരെയുള്ള ഒരു സംവിധാനവും - എത്ര സ്വയംഭരണാധികാരമുള്ളതാണെങ്കിലും - ഏതെങ്കിലും തരത്തിലുള്ള മനുഷ്യ നിയന്ത്രണത്തിൽ നിന്നോ മേൽനോട്ടത്തിൽ നിന്നോ പൂർണ്ണമായും സ്വതന്ത്രമല്ല. 2 ആയുധ സംവിധാനങ്ങളിൽ പൂർണ്ണ സ്വയംഭരണം എന്ന ലക്ഷ്യം നിലവിൽ സാധ്യമല്ലാത്തതോ സൈനിക കാര്യക്ഷമതാ കാഴ്ചപ്പാടിൽ അഭികാമ്യമല്ലാത്തതോ ആയതിനാൽ, 3 സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളെക്കുറിച്ചുള്ള ചർച്ചകളിൽ മനുഷ്യ-യന്ത്ര ഇടപെടൽ കേന്ദ്രമായി തുടരുന്നു.
നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ ചർച്ചകളിൽ മനുഷ്യ-യന്ത്ര ഇടപെടൽ ഒരു പ്രധാന വിഷയമായിരുന്നു. 2019-ൽ സമവായത്തിലൂടെ അംഗീകരിച്ച ഗ്രൂപ്പിന്റെ ഗൈഡിംഗ് തത്വങ്ങളിൽ, പ്രത്യേകിച്ച് തത്വം C-യിൽ ഈ വിഷയത്തിന്റെ പ്രാധാന്യം പ്രതിഫലിച്ചു, അത് ഇങ്ങനെ പറയുന്നു:

(സി) മനുഷ്യ-യന്ത്ര ഇടപെടൽ, അത് വിവിധ രൂപങ്ങൾ സ്വീകരിച്ച് വിവിധ ഘട്ടങ്ങളിൽ നടപ്പിലാക്കാം.tagഒരു ആയുധത്തിന്റെ ജീവിത ചക്രത്തിലെ മാനദണ്ഡങ്ങൾ, മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങളുടെ സാധ്യതയുള്ള ഉപയോഗം ബാധകമായ അന്താരാഷ്ട്ര നിയമത്തിന് അനുസൃതമാണെന്ന് ഉറപ്പാക്കണം, പ്രത്യേകിച്ച് IHL. മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ ഗുണനിലവാരവും വ്യാപ്തിയും നിർണ്ണയിക്കുന്നതിൽ, പ്രവർത്തന സന്ദർഭം, മൊത്തത്തിലുള്ള ആയുധ സംവിധാനത്തിന്റെ സവിശേഷതകളും കഴിവുകളും ഉൾപ്പെടെ നിരവധി ഘടകങ്ങൾ പരിഗണിക്കണം.

മനുഷ്യ നിയന്ത്രണം അതിൽ ഒരു നിർണായക ആശയമായി ഉയർന്നുവന്നു, വർഷങ്ങളായി ഗ്രൂപ്പിന്റെ ചർച്ചകളിൽ കേന്ദ്രബിന്ദുവായി തുടരുന്നു. 5 ഏതൊക്കെ കഴിവുകൾ പൂർണ്ണമായും നിരോധിക്കേണ്ടതുണ്ടോ വേണ്ടയോ എന്നതിനെക്കുറിച്ച് നിരവധി വ്യത്യാസങ്ങൾ ഉണ്ടെങ്കിലും, ഒരു ആയുധ സംവിധാനത്തിലെ സ്വയംഭരണത്തിന്റെ അളവ് പരിഗണിക്കാതെ, സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളിൽ ഒരു നിശ്ചിത തലത്തിലുള്ള മനുഷ്യ നിയന്ത്രണം നിലനിർത്തേണ്ടതുണ്ടെന്ന് സംസ്ഥാന പാർട്ടികൾക്കിടയിൽ വിശാലമായ അഭിപ്രായ സമന്വയമുണ്ട്. 6
യുദ്ധത്തിൽ സ്വയംഭരണവുമായി ബന്ധപ്പെട്ട നിരവധി നിർണായക വിഷയങ്ങൾ (ഉദാഹരണത്തിന്, ഉത്തരവാദിത്തവും ഉത്തരവാദിത്തവും, അന്താരാഷ്ട്ര മാനുഷിക നിയമത്തിന്റെ പ്രയോഗക്ഷമത) ഫലപ്രദമായി വിനിയോഗത്തിൽ ഉൾപ്പെടുന്നു.view 'മനുഷ്യ നിയന്ത്രണം' എന്ന ആശയത്തിന്റെ. സിവിലിയൻ മേഖലയിൽ AI, ML, റോബോട്ടിക്സ് എന്നിവയുടെ ഉപയോഗത്തിലും സമാനമായ ഒരു വികാസം ഇത് പ്രതിധ്വനിക്കുന്നു, അവിടെ 'നിയന്ത്രണക്ഷമത'യെക്കുറിച്ചുള്ള ചർച്ചകൾ കേന്ദ്രബിന്ദുവായി മാറിയിരിക്കുന്നു.tage, "സങ്കീർണ്ണമായ സാങ്കേതിക, എർഗണോമിക്, നിയമ, ധാർമ്മിക, സംഘടനാ ഘടകങ്ങൾ" സംയോജിപ്പിക്കുന്നു.7

മനുഷ്യ നിയന്ത്രണത്തിനും ഇന്റർഫേസുകളുടെ പങ്കിനുമുള്ള പ്രായോഗിക നടപടികൾ.
AWS ന്റെ പശ്ചാത്തലത്തിൽ മനുഷ്യ നിയന്ത്രണത്തിന്റെ അർത്ഥവും പാരാമീറ്ററുകളും വിശദീകരിക്കുന്നത് വെല്ലുവിളി നിറഞ്ഞതും സിസ്റ്റങ്ങളും പ്രവർത്തന പരിതസ്ഥിതികളും തമ്മിലുള്ള വ്യത്യാസങ്ങളാൽ കൂടുതൽ സങ്കീർണ്ണവുമാണ്. 8 എന്നിരുന്നാലും, നിർദ്ദേശിക്കപ്പെട്ടിട്ടുള്ള മനുഷ്യ നിയന്ത്രണത്തിന്റെ പൊതുവായ സ്പഷ്ടമായ അളവുകൾ സിസ്റ്റം രൂപകൽപ്പനയുടെയും ഉപയോഗത്തിന്റെയും പരിഗണനകൾ ഉൾക്കൊള്ളുന്നു. 9 നിയന്ത്രണത്തിന്റെ ഈ വർഗ്ഗീകരണം മനുഷ്യ നിയന്ത്രണം പ്രയോഗിക്കുന്നതിനുള്ള രണ്ട് വ്യത്യസ്തവും എന്നാൽ പരസ്പര പൂരകവുമായ രീതികളെ ചിത്രീകരിക്കുന്നു, ആയുധ സംവിധാനത്തിന്റെ രൂപകൽപ്പനയിലൂടെ, ഹാർഡ്‌വെയർ, സോഫ്റ്റ്‌വെയർ ഘടകങ്ങൾ എന്നിവ ഉൾപ്പെടുന്നു, ഉപയോഗ സമയത്ത് പ്രവർത്തന നിയന്ത്രണം.

ബോക്സ് 1. AWS-ന് മേലുള്ള മനുഷ്യ നിയന്ത്രണത്തിന്റെ പ്രായോഗിക അളവുകൾ
2020 ലെ SIPRI, ICRC റിപ്പോർട്ട് “ആയുധ സംവിധാനങ്ങളിലെ സ്വയംഭരണാവകാശ പരിമിതികൾ”10 നിയന്ത്രണം നടപ്പിലാക്കുന്നതിന് മൂന്ന് പ്രായോഗിക നടപടികൾ നിർദ്ദേശിച്ചു: 1) ആയുധ പാരാമീറ്ററുകളുടെ നിയന്ത്രണം (ലക്ഷ്യത്തിന്റെ തരം പോലുള്ളവ); 2) ഉപയോഗ പരിസ്ഥിതിയുടെ നിയന്ത്രണം (ഉദാ.ample, AWS ന്റെ ഉപയോഗം നിർദ്ദിഷ്ട സ്ഥലങ്ങൾ/പ്രദേശങ്ങളിലേക്ക് പരിമിതപ്പെടുത്തുന്നതിലൂടെ); 3) ഉപയോഗ സമയത്ത് മനുഷ്യ-യന്ത്ര ഇടപെടലിലൂടെയുള്ള നിയന്ത്രണം (ഒരു AWS മേൽനോട്ടം വഹിക്കാനുള്ള കഴിവ് നിലനിർത്തുന്നതിലൂടെ). 2020-ൽ ചെയറിന്റെ സംഗ്രഹം കൂടുതൽ ചർച്ചകളിൽ ഏർപ്പെടുന്നതിനുള്ള അടിസ്ഥാനമായി നിയന്ത്രണത്തിന്റെ ഈ മൂന്ന് ഘടകങ്ങളെ പട്ടികപ്പെടുത്തിയപ്പോൾ ഉൾപ്പെടെ, നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ ചർച്ചകളിലും സമാനമായ ഒരു വർഗ്ഗീകരണം ഉൾപ്പെടുത്തിയിട്ടുണ്ട്:

• പ്രവർത്തന പശ്ചാത്തലത്തിൽ, മറ്റ് നിയന്ത്രണങ്ങൾ, ടാർഗെറ്റ് പ്രോ എന്നിവയുൾപ്പെടെ, ഒരു മനുഷ്യ ഓപ്പറേറ്ററോ കമാൻഡറോ വിധി നിർണയിക്കുന്നുണ്ടെന്ന് സംസ്ഥാനങ്ങൾ ഉറപ്പാക്കണം.fileവ്യക്തിഗത ആക്രമണങ്ങളിൽ പ്രയോഗിക്കുന്ന പ്രവർത്തന സമയപരിധി, ഒരു പ്രദേശത്തും പ്രവർത്തന പരിതസ്ഥിതിയിലും ചലന വ്യാപ്തി; മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ആയുധ സംവിധാനത്തിൽ പ്രയോഗിക്കുന്ന നിയന്ത്രണങ്ങൾ, ആയുധ സംവിധാനത്തിന്റെ ഉപയോഗത്തിന്റെ പാരാമീറ്ററുകൾ, മനുഷ്യനും ആയുധ സംവിധാനവും തമ്മിലുള്ള ആവശ്യമായ ഇടപെടൽ.

മനുഷ്യ നിയന്ത്രണത്തിന്റെ പ്രവർത്തനക്ഷമതയ്ക്ക് മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളുടെ (HMI) പങ്ക് നിർണായകമാണെന്ന് നിരവധി സന്ദർഭങ്ങളിൽ എടുത്തുകാണിച്ചിട്ടുണ്ട്, HMI-കൾ സിസ്റ്റം രൂപകൽപ്പനയുടെയും ഉപയോഗത്തിന്റെയും മാനദണ്ഡങ്ങൾക്കനുസൃതമായി വ്യാപിക്കുന്നു.
ഒരു വിദൂര (ചിലപ്പോൾ, വളരെ ദൂരെയുള്ള) സ്ഥലത്ത് നിന്ന് നിയന്ത്രിക്കപ്പെടുന്ന ക്രൂവില്ലാത്ത സിസ്റ്റങ്ങളുടെ പ്രവർത്തനത്തിൽ ഇന്റർഫേസുകളുടെ പങ്ക് വളരെ പ്രധാനമാണ്, ഇവിടെ സിസ്റ്റം നിയന്ത്രണത്തിന്റെ ഒരു കേന്ദ്ര സവിശേഷത മെഷീനുമായുള്ള ഓപ്പറേറ്റർമാരുടെ സെൻസറി കണക്ഷൻ ഒരു ഇന്റർഫേസ് വഴി മധ്യസ്ഥത വഹിക്കുന്നു എന്നതാണ്.
ഒരു സ്വയംഭരണ സിസ്റ്റം നിയന്ത്രിക്കാവുന്ന റെൻഡർ ചെയ്യുന്നത് ഇന്റർഫേസുകളെ മാത്രം ആശ്രയിക്കുന്നില്ല, അല്ലെങ്കിൽ മെഷീനിന്റെ മാനുവൽ നിയന്ത്രണം ഏറ്റെടുക്കാനുള്ള മനുഷ്യ ഓപ്പറേറ്ററുടെ കഴിവിൽ മാത്രം പരിമിതപ്പെടുത്തിയിട്ടില്ല. 13 എന്നിരുന്നാലും, മനുഷ്യരും മെഷീനുകളും തമ്മിലുള്ള അവിശുദ്ധ ബന്ധം എന്ന നിലയിൽ, ഇന്റർഫേസുകൾ ഒരു AWS-ന്റെ നിയന്ത്രണത്തിന് നിർണായകമാണ്, ഒരു സിസ്റ്റം എത്രത്തോളം നിയമപരമായി ഉപയോഗിക്കുന്നു എന്നതിന് നേരിട്ടുള്ള പ്രത്യാഘാതങ്ങൾ ഉണ്ടാകും. നിയന്ത്രണത്തിന്റെ പാരാമീറ്ററുകൾ ഒന്നിലധികം രീതികളിൽ പ്രയോഗിക്കുകയും സിസ്റ്റത്തിന്റെ രൂപകൽപ്പനയിലുടനീളം 'വിതരണം' ചെയ്യുകയും ചെയ്യാം (ഉദാഹരണത്തിന്, ലക്ഷ്യങ്ങളുടെ തരങ്ങൾ മുതലായവ), ഇന്റർഫേസുകൾ ഓപ്പറേറ്റർമാർക്ക് സിസ്റ്റത്തെ നിരീക്ഷിക്കാനും മറ്റ് തരത്തിലുള്ള നിയന്ത്രണങ്ങൾ മങ്ങുകയോ അല്ലെങ്കിൽ ഗ്രൗണ്ടിലെ സാഹചര്യങ്ങൾ മാറുകയും "ആസൂത്രണ അനുമാനങ്ങൾ അസാധുവാക്കുകയും" ചെയ്യുമ്പോൾ ഇടപെടാനുമുള്ള സാധ്യത നൽകുന്നു. 14

ഇന്റർഫേസുകളും സ്വയംഭരണത്തിന്റെ വാസ്തുവിദ്യയും
ISO സ്റ്റാൻഡേർഡ് ISO 9241-110:2020 ൽ ഉപയോക്തൃ ഇന്റർഫേസുകൾ നിർവചിച്ചിരിക്കുന്നത് "ഒരു സംവേദനാത്മക സിസ്റ്റത്തിന്റെ എല്ലാ ഘടകങ്ങളുടെയും ഒരു കൂട്ടം, അത് ഉപയോക്താവിന് സംവേദനാത്മക സിസ്റ്റത്തിൽ നിർദ്ദിഷ്ട ജോലികൾ നിർവഹിക്കുന്നതിന് വിവരങ്ങളും നിയന്ത്രണങ്ങളും നൽകുന്നു" എന്നാണ്.

ഇന്റർഫേസുകൾ മനുഷ്യ-യന്ത്ര സംവിധാനങ്ങളുടെ ഉപസിസ്റ്റങ്ങളാണ്15, കൂടാതെ "ഓപ്പറേറ്റർമാർ മെഷീനുമായി ഇടപഴകുന്ന വിൻഡോ (രൂപകമായും അക്ഷരാർത്ഥത്തിലും).16 ഇന്റർഫേസുകളിൽ നിരവധി ഘടകങ്ങൾ ഉൾപ്പെടുന്നു, അവ സിസ്റ്റത്തെ ആശ്രയിച്ച് വ്യത്യാസപ്പെടുന്നു, ഉദാഹരണത്തിന് ഇൻപുട്ട് നിയന്ത്രണങ്ങൾ (ഉദാ.ample, ബട്ടണുകളും ചെക്ക്‌ബോക്സുകളും), നാവിഗേഷൻ ഘടകങ്ങൾ, വിവര ഘടകങ്ങൾ മുതലായവ.
സാധാരണയായി, HMI-കൾ ഇൻപുട്ടിനെയും ഔട്ട്‌പുട്ടിനെയും സുഗമമാക്കുന്നു: ഇൻപുട്ട് ഓപ്പറേറ്ററെ സാങ്കേതിക സിസ്റ്റത്തിലേക്ക് വിവരങ്ങൾ നൽകാൻ അനുവദിക്കുന്നു, കൂടാതെ ഔട്ട്‌പുട്ട് ഇൻപുട്ടിൽ നിന്നുള്ള ഫലങ്ങളെ സൂചിപ്പിക്കുന്നു.17 ഉദാഹരണത്തിന്ampഅതായത്, ഇൻപുട്ട്-ഔട്ട്പുട്ട് ലൂപ്പ് ഒരു AWS-നായി തിരയുന്ന ഒരു മാർഗം, ഒരു ടാർഗെറ്റ് (ഇൻപുട്ട്) ഇടപഴകുമ്പോൾ ഓപ്പറേറ്റർ ഇന്റർഫേസ് മെനുവിലൂടെ കടന്നുപോകുകയും സിസ്റ്റത്തിലേക്ക് ചില കോർഡിനേറ്റുകൾ അവതരിപ്പിക്കുകയും ചെയ്യും. കൊളാറ്ററൽ കേടുപാടുകൾ അല്ലെങ്കിൽ പ്രവർത്തന നടപടിക്രമങ്ങൾ (ഔട്ട്പുട്ട്) അടിസ്ഥാനമാക്കിയുള്ള മറ്റ് ഫീഡ്‌ബാക്ക് പോലുള്ള സ്വന്തം കോർഡിനേറ്റുകളും വിലയിരുത്തലുകളും നൽകിക്കൊണ്ട് സിസ്റ്റം പ്രതികരിക്കും.

ബോക്സ് 2. SA ലെവലുകൾ 1-2-3

• എസ്.എയുടെ സ്റ്റാൻഡേർഡ് ആശയവൽക്കരണത്തിൽ മൂന്ന് ശ്രേണിപരമായ ഘട്ടങ്ങൾ ഉൾപ്പെടുന്നു: "ഒരു നിശ്ചിത സമയത്തിനും സ്ഥലത്തിനും ഉള്ളിൽ പരിസ്ഥിതിയിലെ മൂലകങ്ങളെക്കുറിച്ചുള്ള ധാരണ, അവയുടെ അർത്ഥത്തെക്കുറിച്ചുള്ള ധാരണ, സമീപഭാവിയിൽ അവയുടെ നിലയെക്കുറിച്ചുള്ള പ്രൊജക്ഷൻ".
• ലെവൽ 1 SA. പരിസ്ഥിതിയിലെ മൂലകങ്ങളെക്കുറിച്ചുള്ള ധാരണ: ഉദാ.ampഅതായത്, ഒരു തന്ത്രപരമായ കമാൻഡറെ സംബന്ധിച്ചിടത്തോളം, ഒരു നിശ്ചിത പ്രദേശത്തെ ശത്രുവിന്റെയും സൗഹൃദ സേനയുടെയും സ്ഥാനം, തരം, കഴിവുകൾ എന്നിവയെക്കുറിച്ചുള്ള അടിസ്ഥാന ഡാറ്റ മനസ്സിലാക്കുക എന്നതാണ് ഇതിനർത്ഥം.
• ലെവൽ 2 എസ്എ. നിലവിലെ സാഹചര്യത്തെക്കുറിച്ചുള്ള ധാരണ: ഉദാ.ampഅതായത്, ഒരു തന്ത്രപരമായ കമാൻഡറെ സംബന്ധിച്ചിടത്തോളം, താൽപ്പര്യമുള്ള ഒരു മേഖലയിൽ ഒരു നിശ്ചിത എണ്ണം ശത്രുവിമാനങ്ങൾ പ്രത്യക്ഷപ്പെടുന്നത് അവയുടെ ലക്ഷ്യങ്ങളുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നു അല്ലെങ്കിൽ എങ്ങനെ ഏറ്റുമുട്ടുന്നു എന്ന് മനസ്സിലാക്കുക എന്നതാണ് ഇതിനർത്ഥം.
• ലെവൽ 3 എസ്എ. ഭാവി സ്റ്റാറ്റസിന്റെ പ്രൊജക്ഷൻ: ഉദാ.ampഅതായത്, ഒരു പ്രത്യേക വിമാനത്തിന്റെ നിലവിലെ സാന്നിധ്യവും ആക്രമണ പ്രവർത്തനങ്ങളും അതിനെ ഒരു പ്രത്യേക രീതിയിലും പ്രദേശത്തും ആക്രമിക്കുന്നതിലേക്ക് നയിക്കുമെന്ന് ഒരു കമാൻഡർക്ക് പ്രവചിക്കാൻ കഴിയും. ലക്ഷ്യങ്ങൾ കൈവരിക്കുന്നതിനുള്ള പ്രവർത്തന ഗതി തീരുമാനിക്കാൻ ഇത് അനുവദിക്കുന്നു.

1. സാഹചര്യ അവബോധം
   മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ കേന്ദ്രബിന്ദുവായ സാഹചര്യ അവബോധം (SA) വികസിപ്പിക്കുന്നതിൽ മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകൾ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു, പ്രത്യേകിച്ച് ചലനാത്മക പരിതസ്ഥിതികളിൽ. വ്യക്തിഗതവും സംഘടനാപരവുമായ ഘടകങ്ങൾ (സമ്മർദ്ദം, ജോലിഭാരം, ടാസ്‌ക്-സ്വിച്ചിംഗ് ആവശ്യകതകൾ അല്ലെങ്കിൽ ടീം ഡൈനാമിക്സ് പോലുള്ളവ) കൂടാതെ സിസ്റ്റത്തിന്റെ മെക്കാനിക്സ് (ഉദാഹരണത്തിന്, പ്രസക്തമായ ഡാറ്റ ശേഖരിക്കാനുള്ള സെൻസർ സാങ്കേതികവിദ്യയുടെ ശേഷി), സിസ്റ്റം ഇന്റർഫേസുകൾ എന്നിവ പോലുള്ള സിസ്റ്റം ഘടകങ്ങളും SA-യെ സ്വാധീനിക്കുന്നു.19 ഇന്റർഫേസ് രൂപകൽപ്പനയുടെ ഗുണനിലവാരം SA-യെ ഗണ്യമായി നേരിട്ട് മെച്ചപ്പെടുത്തും.
   മതിയായ SA ലെവൽ ഓപ്പറേറ്ററെ മനസ്സിലാക്കാൻ സഹായിക്കും, ഉദാ.ampഒരു പ്രത്യേക സാഹചര്യം ഓട്ടോമേഷൻ കഴിവുകളുടെ പരിധിക്ക് പുറത്താണെന്നോ അല്ലെങ്കിൽ ഓട്ടോമേഷൻ തെറ്റായി പ്രവർത്തിക്കുന്നുണ്ടെന്നോ.
2. AWS നിലയും പെരുമാറ്റവും മനസ്സിലാക്കൽ
   സിസ്റ്റം നിരീക്ഷണക്ഷമത, പ്രവചനക്ഷമത, നേരിട്ടുള്ളതാക്കൽ എന്നിവയുൾപ്പെടെ ഒരു സ്വയംഭരണ സംവിധാനത്തിന്റെ നിയന്ത്രണത്തിനുള്ള പ്രധാന സവിശേഷതകളെ പ്രതിനിധീകരിക്കുന്നതിൽ ഇന്റർഫേസുകൾ നിർണായകമാണ്.
   • നിരീക്ഷണക്ഷമത എന്നത് സിസ്റ്റത്തിന്റെ അവസ്ഥ നിരീക്ഷിക്കാനും നിരീക്ഷിക്കാനുമുള്ള കഴിവിനെ സൂചിപ്പിക്കുന്നു.
   • പ്രവചനക്ഷമത എന്നത് ഒരു സിസ്റ്റം എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് മനസ്സിലാക്കുന്നതിന്റെ സ്വത്തിനെ സൂചിപ്പിക്കുന്നു.
   • നേരിട്ടുള്ള കഴിവ് എന്നത് സിസ്റ്റത്തെ സ്വാധീനിക്കാനുള്ള കഴിവിനെക്കുറിച്ചാണ്.
     സാങ്കേതിക സാഹിത്യത്തിൽ നിയന്ത്രണ ഘടകങ്ങളുടെ വ്യത്യസ്ത വർഗ്ഗീകരണങ്ങൾ ഉൾപ്പെടുന്നുണ്ടെങ്കിലും, [26] നിരീക്ഷണക്ഷമത-പ്രവചനക്ഷമത-ഡയറക്‌ടബിലിറ്റി എന്ന ലക്ഷ്യം AWS-ന്റെ സ്വയംഭരണ കഴിവുകൾക്കും ഇന്റർഫേസ് രൂപകൽപ്പനയ്ക്കും വേണ്ടിയുള്ള അടിസ്ഥാന ആവശ്യകതകളെ സമന്വയിപ്പിക്കുന്നു.

AWS-ന്റെയും മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെയും ഇന്റർഫേസുകൾ

ഇന്റർഫേസുകൾ ഒരു ഒറ്റപ്പെട്ട കഴിവല്ല, മനുഷ്യ നിയന്ത്രണത്തിൽ അവയുടെ പങ്ക് മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ ചട്ടക്കൂടിനുള്ളിൽ മാത്രമേ മനസ്സിലാക്കാൻ കഴിയൂ. ഓട്ടോമേഷന്റെയും സ്വയംഭരണത്തിന്റെയും വിശാലമായ പശ്ചാത്തലത്തിൽ മനുഷ്യ പ്രകടനത്തിന്റെ ആവശ്യകതകളും, അവയുടെ ഉപയോഗത്തിന്റെ സന്ദർഭവുമായി ബന്ധപ്പെട്ട് ഇന്റർഫേസുകളുടെ പങ്ക് രൂപപ്പെടുത്തുന്നതിന്റെ പ്രാധാന്യവും ഈ വിഭാഗം പ്രത്യേകം പരിശോധിക്കുന്നു.

വൈജ്ഞാനിക ഇടപെടലിന്റെ പുതിയ പ്രകടന ആവശ്യങ്ങളും വെല്ലുവിളികളും
സ്വയംഭരണത്തിന്റെ ആമുഖം പ്രകടന ആവശ്യകതകളിൽ പ്രധാനപ്പെട്ട മാറ്റങ്ങൾ വരുത്തുന്നു.28 ഫലപ്രദമായ സംവിധാനങ്ങൾ വികസിപ്പിക്കുന്നത് എഞ്ചിനീയറിംഗ്, സാങ്കേതിക പുരോഗതിയുടെ മാത്രം കാര്യമല്ല. മറിച്ച്, "സ്വയംഭരണ പ്രവർത്തനങ്ങളുടെ ഏറ്റവും പ്രശ്നകരമായ വശം മനുഷ്യ വശം അല്ലെങ്കിൽ മനുഷ്യ-യന്ത്ര സംയോജനമാണ്".
ഒരു സ്വയംഭരണ സംവിധാനത്തിന്റെ മേൽനോട്ടം 'വെറും' ചുമതല മനുഷ്യ ഓപ്പറേറ്റർക്ക് നൽകപ്പെടുമ്പോൾ പോലും, ഡാറ്റ ഓവർലോഡ്, സിസ്റ്റത്തിന്റെ മനസ്സിലാക്കാൻ കഴിയാത്തത്, അപര്യാപ്തമായ പരിശീലനം, ഉപയോക്താവിന്റെ യഥാർത്ഥ ആവശ്യങ്ങൾ മനസ്സിൽ വെച്ചുകൊണ്ട് രൂപകൽപ്പന ചെയ്തിട്ടില്ലാത്ത ഇന്റർഫേസുകൾ എന്നിവയിൽ നിന്ന് ഉയർന്നുവരുന്ന നിരവധി വെല്ലുവിളികൾ അവർ നേരിടുന്നു.

ഉദാampഉദാഹരണത്തിന്, 1988-ൽ യുഎസ്എസ് വിൻസെൻസ് സംഭവത്തിൽ, ഇറാൻ എയർ ഫ്ലൈറ്റ് 655 വാണിജ്യ വിമാനം യുദ്ധക്കപ്പലിൽ നിലയുറപ്പിച്ചിരുന്ന ഒരു ഏജിസ് യുദ്ധ സംവിധാനം വെടിവച്ചിട്ടപ്പോൾ, മോശമായി രൂപകൽപ്പന ചെയ്ത ഒരു ആയുധ നിയന്ത്രണ കമ്പ്യൂട്ടർ ഇന്റർഫേസ് വിമാനത്തെ ഒരു യുദ്ധവിമാനമാണെന്ന് തെറ്റായി തിരിച്ചറിയാൻ കാരണമായി. വിവരങ്ങളുടെ പ്രദർശനം അമിതമായി സങ്കീർണ്ണവും അപര്യാപ്തവുമായിരുന്നു, വിമാനം കപ്പലിലേക്ക് ഇറങ്ങുകയാണെന്ന ധാരണ കൺട്രോളർമാർക്ക് നൽകി, വാസ്തവത്തിൽ അത് കപ്പലിൽ നിന്ന് അകന്നുപോകുകയായിരുന്നു. 30 കൂടാതെ, ഏജിസ് സാങ്കേതികവിദ്യയിലുള്ള അമിത ആത്മവിശ്വാസം ആത്യന്തികമായി സിസ്റ്റത്തിൽ 'അമിത വിശ്വാസ'ത്തിനും സിസ്റ്റത്തിന്റെ തിരിച്ചറിയലിനെ വെല്ലുവിളിക്കുന്നതിൽ പരാജയത്തിനും കാരണമായി.
സൈനിക ക്രമീകരണങ്ങളിലെ മനുഷ്യ-യന്ത്ര ഇടപെടലുകളിലെ ചില അപകടസാധ്യതകൾ ലഘൂകരിക്കുന്നതിന്, ഇന്റർഫേസുകൾ ഉപയോക്താവിന്റെ വൈജ്ഞാനിക ഇടപെടൽ നിലനിർത്തേണ്ടതുണ്ടെന്ന് നിർദ്ദേശിക്കപ്പെട്ടിട്ടുണ്ട്, നിയമങ്ങളെക്കുറിച്ചുള്ള GGE-യിലെ നിരവധി പ്രതിനിധികൾ ഈ പോയിന്റ് സ്വീകരിച്ചിട്ടുണ്ട്.
സ്വയംഭരണ സംവിധാനങ്ങളിൽ മനുഷ്യന്റെ വൈജ്ഞാനിക പങ്കാളിത്തം നിലനിർത്തുന്നത് കുറഞ്ഞത് രണ്ട് കാരണങ്ങളാൽ വെല്ലുവിളി നിറഞ്ഞതാണ്.

1. ഒന്നാമത്തേത്, മേൽനോട്ട ചുമതലകൾ നൽകുമ്പോൾ, മനുഷ്യർക്ക് നിരന്തരം, സ്ഥിരമായി ശ്രദ്ധ നിലനിർത്താൻ കഴിയില്ല എന്നതാണ്, കൂടാതെ ശരിയായ സമയത്ത് ഇടപെടലിന് ആവശ്യമായ സുസ്ഥിരമായ ഓപ്പറേറ്റർ ജാഗ്രത പ്രതീക്ഷിക്കുന്നത് യുക്തിരഹിതമാണ്.34 മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് ഒരു നിഷ്ക്രിയ പങ്ക് 35 ഏൽപ്പിക്കുന്നത് അവരെ പിരിച്ചുവിടാനുള്ള യഥാർത്ഥ അപകടസാധ്യത സൃഷ്ടിക്കുന്നു, ഇത് ജാഗ്രത നിലനിർത്തുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു. ഒരു വിദഗ്ദ്ധൻ വിശദീകരിച്ചതുപോലെ, “പലപ്പോഴും [കമാൻഡ്, കൺട്രോൾ] കേന്ദ്രങ്ങളിൽ, ഒന്നും സംഭവിക്കുന്നില്ല, തുടർന്ന്, പെട്ടെന്ന് എന്തെങ്കിലും സംഭവിക്കുന്നു, നിങ്ങൾ വൈജ്ഞാനിക ലൂപ്പിലേക്ക് മടങ്ങേണ്ടതുണ്ട്. ഇന്റർഫേസ് എത്ര മികച്ചതാണെങ്കിലും, സാഹചര്യം മനസ്സിലാക്കാൻ പ്രയാസമാണ്”.36
   ഉയർന്ന തോതിലുള്ള ജാഗ്രത നിലനിർത്തുന്നതിനുള്ള ചില പരിഹാരങ്ങൾ ഇന്റർഫേസ് രൂപകൽപ്പനയിലൂടെ നിർദ്ദേശിക്കപ്പെട്ടിട്ടുണ്ട്. യുകെ പ്രതിരോധ മന്ത്രാലയത്തിന്റെ വികസനം, ആശയങ്ങൾ, സിദ്ധാന്ത കേന്ദ്രത്തിന്റെ ഒരു റിപ്പോർട്ട് സൂചിപ്പിക്കുന്നത്, ഓപ്പറേറ്റർമാരോട് 1) നിർവചിക്കപ്പെട്ട വസ്തുക്കൾക്കായി തിരയാൻ ആവശ്യപ്പെടുന്നതിലൂടെയും (മാനസിക ഇടപെടൽ വർദ്ധിപ്പിക്കുന്നതായി കാണിക്കുന്നു), 2) അതിരുകൾ അല്ലെങ്കിൽ അപാകതകൾ പോലുള്ള താൽപ്പര്യമുള്ള കാര്യങ്ങൾ പര്യവേക്ഷണം ചെയ്യുന്നതിലൂടെയും ഉൾപ്പെടെ, ഈ ലക്ഷ്യത്തെ പിന്തുണയ്ക്കുന്നതിന് ഇന്റർഫേസുകൾ ഒപ്റ്റിമൈസ് ചെയ്യാൻ കഴിയും എന്നാണ്.37
   മറ്റ് ചെറുതും സൂക്ഷ്മവുമായ ജോലികളിൽ, സിസ്റ്റം സ്റ്റാറ്റസ് പരിശോധിക്കാൻ ഓപ്പറേറ്ററെ പ്രേരിപ്പിക്കുന്ന ടെക്സ്റ്റ് സന്ദേശങ്ങളും അലേർട്ടുകളും പോലുള്ള സവിശേഷതകൾ ഉൾപ്പെടാം.38 എന്നിരുന്നാലും, ആത്യന്തികമായി, ജാഗ്രത നിലനിർത്തുന്നതിനുള്ള ഉത്തരം, ഓപ്പറേറ്റർമാർ അർത്ഥവത്തായ ജോലികളിൽ ഏർപ്പെടുകയും "പിന്നിലേക്ക് പോകാതിരിക്കുകയും ചെയ്യുക" എന്നതാണ്.39 മേൽനോട്ട കഴിവുകൾ വളർത്തിയെടുക്കുന്നതിൽ പരിശീലന പാഠ്യപദ്ധതി ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നുണ്ടെങ്കിലും, മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് (അർത്ഥവത്തായ) ജോലികൾ അനുവദിക്കുന്നത് വൈജ്ഞാനിക പങ്കാളിത്തം നിലനിർത്തുന്നതിന് പ്രധാനമാണ്.
2. രണ്ടാമത്തെ കാരണം മനുഷ്യ-യന്ത്ര ഇടപെടലിലെ അന്തർലീനമായ വെല്ലുവിളികളാൽ വിശദീകരിക്കാം, അതിൽ "ഓട്ടോമേഷൻ സംതൃപ്തി", 40 ചില ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യപ്പെടുകയും ശ്രദ്ധ മറ്റ് ജോലികളിലേക്ക് പോകുകയും ചെയ്യുമ്പോൾ ഉണ്ടാകാവുന്ന ശ്രദ്ധ നഷ്ടപ്പെടൽ, 41 അല്ലെങ്കിൽ സിസ്റ്റത്തിൽ നിന്നുള്ള അവ്യക്തമായ അല്ലെങ്കിൽ കൃത്യമല്ലാത്ത പ്രതീക്ഷകൾ എന്നിവ ഉൾപ്പെടുന്നു. ഈ വെല്ലുവിളികളിൽ ചിലത് 'ഓട്ടോമേഷൻ കൺഡ്രം' എന്നറിയപ്പെടുന്നതിൽ നിന്നാണ് ഉണ്ടാകുന്നത്. മനുഷ്യന്റെ ജാഗ്രത നഷ്ടപ്പെടുന്നത് സിസ്റ്റത്തിന്റെ മെച്ചപ്പെട്ട ഓട്ടോമേഷനും വിശ്വാസ്യതയ്ക്കും നേരിട്ട് ആനുപാതികമാണെന്ന് ഇത് സൂചിപ്പിക്കുന്നു: "ഒരു സിസ്റ്റത്തിലേക്ക് കൂടുതൽ ഓട്ടോമേഷൻ ചേർക്കപ്പെടുകയും ആ ഓട്ടോമേഷൻ കൂടുതൽ വിശ്വസനീയവും ശക്തവുമാകുകയും ചെയ്യുമ്പോൾ, ഓട്ടോമേഷൻ മേൽനോട്ടം വഹിക്കുന്ന മനുഷ്യ ഓപ്പറേറ്റർമാർ നിർണായക വിവരങ്ങളെക്കുറിച്ച് ബോധവാന്മാരാകാനും ആവശ്യമുള്ളപ്പോൾ മാനുവൽ നിയന്ത്രണം ഏറ്റെടുക്കാനും സാധ്യത കുറവാണ്".42
   ഉയർന്ന തോതിൽ ഓട്ടോമേറ്റഡ് ആയതും വളരെ വിശ്വസനീയവുമായ ഒരു സിസ്റ്റം പരാജയപ്പെടുമ്പോൾ, അത് ഓപ്പറേറ്റർക്ക് സങ്കീർണ്ണമായ പ്രകടന വെല്ലുവിളികൾ സൃഷ്ടിക്കുന്നു. ഉയർന്ന തോതിലുള്ള ഓട്ടോമേഷൻ സിസ്റ്റത്തെ ആശ്രയിക്കുന്നത് വർദ്ധിപ്പിക്കുന്നതിനാൽ, അവ ഒരേസമയം പരാജയപ്പെടുന്ന മാനുവൽ വീണ്ടെടുക്കലിന്റെ സാധ്യത വർദ്ധിപ്പിക്കുന്നു.43 ഇതിനെ 'ലംബർജാക്ക് ഇഫക്റ്റ്' എന്ന് വിശേഷിപ്പിച്ചിരിക്കുന്നു, ഉയർന്ന വിശ്വാസ്യതയുടെ ഗുണങ്ങളിൽ നിന്നും പരാജയത്തിന്റെ അനുബന്ധ ചെലവുകളിൽ നിന്നും വരുന്ന ട്രേഡ്ഓഫുകൾ തുറന്നുകാട്ടുന്നു, ഒരു വനത്തിലെ മരങ്ങളെപ്പോലെ: "അവ ഉയരുന്തോറും അവ വീഴും".44 ഓട്ടോമേഷൻ ഗവേഷണത്തിൽ, ഈ സാഹചര്യം രണ്ട് പതിറ്റാണ്ടിലേറെയായി നൈപുണ്യ തകർച്ചയുടെ അപകടസാധ്യതയായി ചർച്ച ചെയ്യപ്പെട്ടിട്ടുണ്ട്,45 പ്രത്യേകിച്ച് ആദ്യത്തെ പരാജയത്തിന് മുമ്പ് വളരെക്കാലം ശരിയായി പ്രവർത്തിക്കുന്ന ഉയർന്ന പ്രകടനമുള്ള ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങളെക്കുറിച്ചാണ് ഇത്. അത്തരം സാഹചര്യത്തിൽ, ഓപ്പറേറ്റർമാർ സിസ്റ്റത്തെ വ്യാപകമായി ആശ്രയിക്കാനും, അതിനെ അമിതമായി വിശ്വസിക്കാനും, അലംഭാവം കാണിക്കാനും പഠിക്കുന്നു. വിശ്വാസത്തിന്റെ കാലിബ്രേഷൻ എന്നത് "ഒരു വ്യക്തിയുടെ ഓട്ടോമേഷനിലുള്ള വിശ്വാസവും ഓട്ടോമേഷന്റെ കഴിവുകളും തമ്മിലുള്ള കത്തിടപാടുകളെ" സൂചിപ്പിക്കുന്നു, കൂടാതെ അമിത വിശ്വാസത്തിലോ അല്ലെങ്കിൽ തിരിച്ചും, അണ്ടർ ട്രസ്റ്റിലോ പ്രകടമാകാം.46
   കൂടാതെ, AI ഉപയോഗത്തിന്റെ പശ്ചാത്തലത്തിൽ, "ഒരു AI സിസ്റ്റത്തിന് അതിന്റെ പ്രതീക്ഷിക്കുന്ന പ്രവർത്തനങ്ങൾ ഉചിതമായി കാലിബ്രേറ്റ് ചെയ്യാനും നിർവ്വഹിക്കാനുമുള്ള കഴിവ്" അളക്കാൻ പ്രയാസമാണ്.47 മനുഷ്യ-AI സഹകരണത്തിൽ (വിഭാഗങ്ങൾ 3.2. ലും 4.2. ലും വിശദീകരിച്ചിരിക്കുന്നു) ഒരു മുൻഗണനാ മാതൃകയായി മനുഷ്യ-AI 'ടീമിംഗിലേക്ക്' മാറുന്നതും, മനുഷ്യരും AIയും ഒരു പങ്കിട്ട ലക്ഷ്യത്തോടെ ടീം അംഗങ്ങളായി സഹകരിക്കേണ്ടതുണ്ടെന്ന ആശയവും അതിന്റേതായ വെല്ലുവിളികളുമായി വരുന്നു.

ഇന്റർഫേസ് രൂപകൽപ്പനയും ഉപയോഗ സന്ദർഭവും
ഒരു ഇന്റർഫേസിന്റെ രൂപകൽപ്പന അതിന്റെ ഉപയോഗക്ഷമതയ്ക്ക് നിർണായകമാണ്48 കാരണം അത് "ഒരു ജോലി പൂർത്തിയാക്കാനുള്ള ഓപ്പറേറ്ററുടെ കഴിവിനെയും ആഗ്രഹത്തെയും നേരിട്ട് ബാധിക്കും... നിലവിലെ സാഹചര്യം മനസ്സിലാക്കാനും, തീരുമാനങ്ങൾ എടുക്കാനും, റോബോട്ടിക് സിസ്റ്റത്തിന് മേൽനോട്ടം വഹിക്കാനും ഉയർന്ന തലത്തിലുള്ള കമാൻഡുകൾ നൽകാനും" കഴിയും.49 ഉദാഹരണത്തിന്ampതുടർന്ന്, രഹസ്യാന്വേഷണ ദൗത്യങ്ങൾക്കായുള്ള UAV നിയന്ത്രണത്തെക്കുറിച്ചുള്ള പഠനങ്ങൾ വെളിപ്പെടുത്തിയത്, ഓപ്പറേറ്റർമാർ 'ക്യാമറ പറത്താൻ' ആഗ്രഹിക്കുന്നുവെന്നാണ്, അതായത് വാഹനത്തെയും അതിന്റെ സംവിധാനങ്ങളെയും നിയന്ത്രിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിനുപകരം, അവരുടെ ദൗത്യ ലക്ഷ്യങ്ങൾ നിറവേറ്റുന്നതിന് ക്യാമറ ആവശ്യമുള്ളിടത്ത് സ്ഥാപിക്കാൻ കഴിയുന്നതിലാണ് ഓപ്പറേറ്റർമാർ ശക്തമായ മുൻഗണന കാണിച്ചത്. തൽഫലമായി, റോൾ, പിച്ച്, യാവ് എന്നിവയുടെ നേരിട്ടുള്ള നിയന്ത്രണം ഇല്ലാതാക്കുന്ന ഉപയോക്തൃ ഇന്റർഫേസുകളിൽ ഡിസൈൻ ഓപ്ഷനുകൾ ശ്രദ്ധ കേന്ദ്രീകരിച്ചു.
AWS-ന്റെ രൂപകൽപ്പനയുടെ പൊതുതത്ത്വങ്ങൾ വിവിധ ഫോറങ്ങളിൽ ചർച്ച ചെയ്തിട്ടുണ്ട്. ഉദാഹരണത്തിന്, യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡിപ്പാർട്ട്മെന്റ് ഓഫ് ഡിഫൻസ് ഡയറക്റ്റീവ് 3000.09 "സ്വയംഭരണ, അർദ്ധ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങൾക്കായുള്ള ആളുകളും യന്ത്രങ്ങളും തമ്മിലുള്ള ഇന്റർഫേസ് ഇനിപ്പറയുന്നവ ആയിരിക്കണം: a. പരിശീലനം ലഭിച്ച ഓപ്പറേറ്റർമാർക്ക് എളുപ്പത്തിൽ മനസ്സിലാകുന്ന വിധത്തിൽ ആയിരിക്കണം; b. സിസ്റ്റം സ്റ്റാറ്റസിനെക്കുറിച്ച് കണ്ടെത്താവുന്ന ഫീഡ്‌ബാക്ക് നൽകുക; c. പരിശീലനം ലഭിച്ച ഓപ്പറേറ്റർമാർക്ക് സിസ്റ്റം ഫംഗ്‌ഷനുകൾ സജീവമാക്കുന്നതിനും നിർജ്ജീവമാക്കുന്നതിനും വ്യക്തമായ നടപടിക്രമങ്ങൾ നൽകുക" എന്ന് വ്യവസ്ഥ ചെയ്യുന്നു.
ഈ ശുപാർശ അമേരിക്ക പലതവണ നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യിൽ ആവർത്തിച്ചു. 2019 ലെ GGE റിപ്പോർട്ട്, "എളുപ്പത്തിൽ മനസ്സിലാക്കാവുന്ന മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളും നിയന്ത്രണങ്ങളും" ഒരു സാധ്യമായ അപകടസാധ്യത ലഘൂകരണ നടപടിയായി പട്ടികപ്പെടുത്തിയിട്ടുണ്ട്, കൂടാതെ "സിസ്റ്റങ്ങളുടെ കർശനമായ പരിശോധനയും വിലയിരുത്തലും", ഉദ്യോഗസ്ഥരുടെ പരിശീലനം തുടങ്ങിയ നടപടികളും ഇതിൽ ഉൾപ്പെടുന്നു.
എന്നിരുന്നാലും, ഇന്റർഫേസുകളെ 'വ്യക്തമാക്കുന്ന' അല്ലെങ്കിൽ 'എളുപ്പത്തിൽ മനസ്സിലാക്കാവുന്ന'താക്കുന്നതിൽ വളരെയധികം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്, ലാളിത്യത്തിന്റെ ആവശ്യകതയായി തെറ്റിദ്ധരിക്കപ്പെടാനുള്ള സാധ്യതയുണ്ട്. ഇത് ഒരു ഡിസ്പ്ലേ സിസ്റ്റത്തിലെ മൈക്രോ-എർഗണോമിക്സിലേക്കോ നിറം, ഫോണ്ട് വലുപ്പം മുതലായ ഘടകങ്ങളിലേക്കോ ശ്രദ്ധ അപര്യാപ്തമായി മാറ്റിയേക്കാം, അവ പ്രധാനപ്പെട്ടതാണെങ്കിലും "ആരംഭിക്കേണ്ട സ്ഥലമല്ല".54 ഒരു ചട്ടം പോലെ, 'മിഷൻ-പ്രസക്തമല്ലാത്ത വിവരങ്ങൾ' കുറയ്ക്കുന്നതിനൊപ്പം, 'മിഷൻ-പ്രസക്തമായ വിവരങ്ങൾ' നിയന്ത്രിക്കുന്നതിൽ ഡിസ്പ്ലേ ഫംഗ്ഷനുകൾ ശ്രദ്ധിക്കേണ്ടതുണ്ട്.55 എന്നിരുന്നാലും, സങ്കീർണ്ണമായ സിസ്റ്റങ്ങളിലെ സെൻസ്-മേക്കിംഗ് ഒരു സ്ക്രീനിൽ നിന്ന് വരുന്ന ഡാറ്റയിൽ മാത്രം ഒതുങ്ങുന്നില്ല. view "സാങ്കേതികവും തന്ത്രപരവുമായ സങ്കീർണ്ണതയെ 'ശരിയായ' സിസ്റ്റത്തിലൂടെയും ഇന്റർഫേസ് രൂപകൽപ്പനയിലൂടെയും കൈകാര്യം ചെയ്യാവുന്ന തലങ്ങളിലേക്ക് കുറയ്ക്കാൻ കഴിയും" എന്ന വാദത്തെ കോഗ്നിറ്റീവ് സിസ്റ്റംസ് എഞ്ചിനീയറിംഗിലെ നിരവധി വിദഗ്ധർ എതിർക്കുന്നു, ഈ സമീപനം സങ്കീർണ്ണത കുറയ്ക്കുന്നില്ല, മറിച്ച് ഉപയോക്താക്കളിൽ നിന്ന് അത് മറയ്ക്കുക മാത്രമാണ് ചെയ്യുന്നതെന്ന് അവർ വിശ്വസിക്കുന്നു.
ഇതിനർത്ഥം പരിഹാരം ഡിസ്പ്ലേ സങ്കീർണ്ണതയെ ആശ്രയിച്ചിരിക്കുന്നു എന്നല്ല, 58 എന്നാൽ ഇന്റർഫേസ് മെച്ചപ്പെട്ട മനുഷ്യ പ്രകടനത്തിനും നിയന്ത്രണത്തിനും ചാലകമാകുന്നതിന് സിസ്റ്റം ഇന്റർഫേസ് രൂപകൽപ്പനയുടെ മറ്റ് വ്യവസ്ഥകൾ പാലിക്കേണ്ടതുണ്ട് എന്നാണ്.
ഒരു AWS-മായി ഇടപഴകുമ്പോൾ ഒരു അടിസ്ഥാന ആവശ്യകത, ഉപയോഗിക്കുന്നതിന് മുമ്പ് സിസ്റ്റത്തിന്റെ ഒരു നല്ല മാനസിക മാതൃക നിർമ്മിക്കുക എന്നതാണ് (സിസ്റ്റത്തിന്റെ ഓട്ടോമേഷന്റെ നിലവാരം മനസ്സിലാക്കുന്നതും, അത് ഉചിതമായി പെരുമാറുന്നുണ്ടോ എന്നും പ്രതീക്ഷിക്കുന്ന പാരാമീറ്ററുകളിൽ പ്രവർത്തിക്കുന്നുണ്ടോ എന്നും ഉൾപ്പെടെ), സിസ്റ്റത്തിന്റെ പെരുമാറ്റത്തിന്റെ വ്യാപ്തിയും കാലക്രമേണ സിസ്റ്റത്തിന്റെ സാധ്യതയുള്ള മാറ്റങ്ങളും മനസ്സിലാക്കുക - ML-അധിഷ്ഠിത സിസ്റ്റങ്ങളുടെ ഒരു പ്രധാന വശം.59 ഈ ആവശ്യകതകൾ ഇന്റർഫേസിന്റെ രൂപകൽപ്പനയിലും വ്യത്യസ്ത പരിശീലന ആവശ്യങ്ങളിലും പ്രതിഫലിപ്പിക്കണം.

HMI രൂപകൽപ്പനയിലേക്കുള്ള സമീപനങ്ങൾ

ഈ വിഭാഗം ഒരു ഓവർ അവതരിപ്പിക്കുന്നുview ഉയർന്ന ഓട്ടോമേറ്റഡ്, ഓട്ടോണമസ് സിസ്റ്റങ്ങളിലെ ഇന്റർഫേസ് ഡിസൈനിനുള്ള സമീപനങ്ങളുടെ, 'മനുഷ്യകേന്ദ്രീകൃത രൂപകൽപ്പന'യിൽ തുടങ്ങി, തുടർന്ന് 'ഇന്ററാക്ഷൻ-ഫോക്കസ്ഡ്' സമീപനങ്ങൾ. ഹ്യൂമൻ-മെഷീൻ ടീമിംഗ്60 അല്ലെങ്കിൽ ഹ്യൂമൻ-എഐ ടീമിംഗ്61 എന്നിവയെക്കുറിച്ചുള്ള ചർച്ചകൾ പെരുകുമ്പോൾ, ഇന്റർഫേസ് ഡിസൈനിനുള്ള ഓപ്ഷനുകൾ കൂടുതൽ സങ്കീർണ്ണമാകുന്നു.
1980-കളുടെ മധ്യത്തിൽ ഉത്ഭവിച്ച ഒരു വിഷയമായ ഹ്യൂമൻ-സിസ്റ്റംസ് ഇന്റഗ്രേഷൻ (HSI), സിസ്റ്റം രൂപകൽപ്പനയിലും നടപ്പാക്കലിലും മനുഷ്യ പരിഗണനകളെ അഭിസംബോധന ചെയ്യുന്നു. മനുഷ്യർ, സാങ്കേതികവിദ്യ, പ്രവർത്തന സന്ദർഭങ്ങൾ, ഈ ഘടകങ്ങൾക്കിടയിലുള്ള ഇന്റർഫേസുകൾ എന്നിവയുൾപ്പെടെയുള്ള സിസ്റ്റങ്ങളിലുടനീളം സംയോജനം ലക്ഷ്യമിടുന്ന ഒരു 'സമഗ്ര സിസ്റ്റം' സമീപനമാണിത്.62 ഈ വിഭാഗത്തിൽ കാണിച്ചിരിക്കുന്നതുപോലെ, AI, ML എന്നിവയുടെ ആമുഖം (കൂടാതെ മനുഷ്യ-AI ടീമിംഗിൽ വർദ്ധിച്ചുവരുന്ന ശ്രദ്ധ) പരമ്പരാഗത അല്ലെങ്കിൽ വൈജ്ഞാനിക സിസ്റ്റം-എഞ്ചിനീയറിംഗ് സമീപനങ്ങളിലെ പരിമിതികളും പുതിയ സിസ്റ്റങ്ങൾ എങ്ങനെ പൊരുത്തപ്പെടണമെന്ന് അഭിസംബോധന ചെയ്യാനുള്ള അവയുടെ കഴിവില്ലായ്മയും വെളിപ്പെടുത്തിയിട്ടുണ്ട്.

മനുഷ്യ കേന്ദ്രീകൃത രൂപകൽപ്പന
ഇന്റർഫേസ് ഡിസൈനർമാർക്കുള്ള രണ്ട് പൊതു ആവശ്യകതകൾ ഇവയാണ്:

1. വിവിധ ജോലികളിലും ഡൊമെയ്‌നുകളിലും റോബോട്ടിക് ഓപ്പറേറ്റർമാർ എന്തൊക്കെ അറിയണമെന്ന് മനസ്സിലാക്കാൻ; കൂടാതെ
2. സാഹചര്യ അവബോധത്തെയും തീരുമാനമെടുക്കലിനെയും പിന്തുണയ്ക്കുന്നതിനായി വിവരങ്ങൾ സംയോജിത രീതിയിൽ എങ്ങനെ അവതരിപ്പിക്കാമെന്ന് നിർണ്ണയിക്കാൻ.

മനുഷ്യകേന്ദ്രീകൃത രൂപകൽപ്പനയ്ക്ക് ഓപ്പറേറ്റർമാർ അറിയേണ്ട കാര്യങ്ങൾ പ്രക്രിയയിൽ സംയോജിപ്പിക്കുക എന്നതാണ് അടിസ്ഥാനപരമായ കാര്യം. പരമ്പരാഗതമായി മാനദണ്ഡമായിരുന്ന സാങ്കേതികവിദ്യാ കേന്ദ്രീകൃത മാതൃകയിലെ പോരായ്മകൾ പരിഹരിക്കുന്നതിനാണ് 1980-കളിൽ ഈ മാതൃക ഉയർന്നുവന്നത്, അതായത് സിസ്റ്റം സൃഷ്ടിക്കുന്ന എഞ്ചിനീയർമാർ അത്യാവശ്യമായി കരുതുന്നതിനെ ഒരു ഇന്റർഫേസ് ആദ്യം പ്രതിഫലിപ്പിക്കും, അല്ലെങ്കിൽ അവർ എന്താണ് ചെയ്യുന്നത് viewപ്രസക്തമായി എഡിറ്റ് ചെയ്‌തു.
ഇതിനു വിപരീതമായി, മനുഷ്യ കേന്ദ്രീകൃത രൂപകൽപ്പന എന്നത് സിസ്റ്റം രൂപകൽപ്പനയ്ക്കും വികസനത്തിനുമുള്ള ഒരു സമീപനമാണ്, അത് "സിസ്റ്റത്തിന്റെ ഉപയോഗത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ച്; മനുഷ്യ ഘടകങ്ങൾ, എർഗണോമിക്സ്, ഉപയോഗക്ഷമതാ പരിജ്ഞാനവും സാങ്കേതിക വിദ്യകളും പ്രയോഗിച്ചുകൊണ്ട് സംവേദനാത്മക സംവിധാനങ്ങളെ കൂടുതൽ ഉപയോഗയോഗ്യമാക്കുക" ലക്ഷ്യമിടുന്നു.66 മനുഷ്യ കേന്ദ്രീകൃത രൂപകൽപ്പന, അത് സൈനികൻ, ഉപഭോക്താവ് അല്ലെങ്കിൽ ഉപയോക്തൃ കേന്ദ്രീകൃതമായി സങ്കൽപ്പിക്കപ്പെട്ടാലും, "ആളുകൾ സിസ്റ്റത്തെ ഉൾക്കൊള്ളുന്നതിനായി അവർ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെ മാറ്റാൻ നിർബന്ധിക്കുന്നതിനുപകരം" ഇന്റർഫേസ് ഒപ്റ്റിമൈസ് ചെയ്യാൻ ശ്രമിക്കുന്നു.67 ഇത് ഓപ്പറേറ്ററെ "സെൻസറുകൾ അല്ലെങ്കിൽ അടിസ്ഥാന കോഡ് പോലെ സിസ്റ്റത്തിന്റെ ഒരു ഘടകം" ആയി കണക്കാക്കുന്നു, കൂടാതെ അവരുടെ കഴിവുകൾ ഡിസൈനിൽ ഉൾപ്പെടുത്തണം.

പ്രായോഗികമായി, മനുഷ്യ കേന്ദ്രീകൃത രൂപകൽപ്പന ഇന്റർഫേസിന്റെ വികസനത്തിന് മുമ്പ് ആരംഭിക്കുന്ന ഒരു ആവർത്തന പ്രക്രിയയെ പിന്തുടരുന്നു, കൂടാതെ ഇൻപുട്ടിന്റെയും ഫീഡ്‌ബാക്കിന്റെയും അടിസ്ഥാനത്തിൽ സിസ്റ്റത്തിന്റെ "വർദ്ധിച്ചുവരുന്ന വികസനവും ആവർത്തന പരിഷ്കരണവും" വഴി രൂപകൽപ്പനയും വിലയിരുത്തലും സംയോജിപ്പിക്കേണ്ടതുണ്ട്,70 ഉപയോക്താക്കളെ മനസ്സിലാക്കുക,71 തുടക്കം മുതൽ അവരുടെ കാഴ്ചപ്പാടുകൾ സംയോജിപ്പിക്കുക. ഈ പ്രക്രിയയിൽ, സിസ്റ്റത്തിൽ ഉയർന്നുവരുന്ന പ്രോപ്പർട്ടികൾ ഉണ്ടാകാം, അല്ലെങ്കിൽ ആളുകൾ സിസ്റ്റം വ്യത്യസ്ത രീതികളിൽ ഉപയോഗിച്ചേക്കാം. ഓപ്പറേറ്ററുടെ മേലുള്ള വൈജ്ഞാനിക ലോഡിന്റെ അളവ്, സിസ്റ്റത്തിലുള്ള അവരുടെ ആശ്രയം, ചില പ്രവർത്തനങ്ങൾ എപ്പോൾ ഉപയോഗിക്കണം അല്ലെങ്കിൽ എപ്പോൾ ഓഫ് ചെയ്യണം എന്ന തിരഞ്ഞെടുപ്പ് എന്നിവ ഉൾപ്പെടെ ഡിസൈനിലെ നിരവധി തിരഞ്ഞെടുപ്പുകളെ ഇത് സ്വാധീനിക്കും.73 ചുരുക്കത്തിൽ, ഇത് "തെളിവുകളെ അടിസ്ഥാനമാക്കിയുള്ള പരിണാമ ടിങ്കറിംഗ്" പ്രക്രിയയാണ്.
സ്വയംഭരണ പ്രവർത്തനങ്ങളുടെ വർദ്ധനവോടെ, സിസ്റ്റത്തിന്റെ പ്രവർത്തനക്ഷമതയെക്കുറിച്ചുള്ള ഓപ്പറേറ്ററുടെ ധാരണയെ പിന്തുണയ്ക്കുന്നതിനായി മനുഷ്യകേന്ദ്രീകൃത രൂപകൽപ്പനയുടെ അധിക ആവശ്യകതകൾ നിർദ്ദേശിക്കപ്പെട്ടിട്ടുണ്ട്. തീരുമാനമെടുക്കുന്നതിന് ആവശ്യമായ വിവരങ്ങൾ ഫലപ്രദമായി അവതരിപ്പിക്കുന്നതിനൊപ്പം, ഇന്റർഫേസുകളിൽ ഓട്ടോമേഷന്റെ അവസ്ഥയുമായി ബന്ധപ്പെട്ട സൂചനകൾ (മോഡുകളും സിസ്റ്റം അതിർത്തി അവസ്ഥകളും ഉൾപ്പെടെ), മോഡ് സംക്രമണങ്ങൾക്കുള്ള പിന്തുണ (ഉദാഹരണത്തിന്,ample, മാനുവൽ നിയന്ത്രണത്തിലേക്കുള്ള പരിവർത്തനത്തിന് ആവശ്യമായ പിന്തുണ), സിസ്റ്റത്തിന്റെ പ്രവർത്തനങ്ങളുടെ മനസ്സിലാക്കാവുന്നതും പ്രവചനാതീതവുമായ വ്യവസ്ഥ സുതാര്യത എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു.

ഇടപെടൽ കേന്ദ്രീകൃത സമീപനങ്ങൾ
2010 മുതൽ ബുദ്ധിപരമായ സംവിധാനങ്ങളുടെ രൂപകൽപ്പനയ്ക്കുള്ള കൂടുതൽ പുതിയ സമീപനങ്ങൾ, മനുഷ്യരും യന്ത്രങ്ങളും തമ്മിലുള്ള ഇടപെടലും പരസ്പരാശ്രിതത്വവും76 രൂപപ്പെടുത്തുകയും അവയോട് പ്രതികരിക്കുകയും ചെയ്യുന്ന ഡിസൈൻ പ്രക്രിയയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.
കൃത്യമായി പറഞ്ഞാൽ, വ്യത്യസ്ത രീതികളിൽ മാത്രമേ ഇടപെടൽ എല്ലായ്പ്പോഴും ഡിസൈൻ പ്രക്രിയയുടെ ഭാഗമായിരുന്നു, മനുഷ്യ കേന്ദ്രീകൃത രൂപകൽപ്പനയുടെ അടിസ്ഥാന തത്വങ്ങൾ ഉപേക്ഷിച്ചിട്ടില്ല. എന്നിരുന്നാലും, കഴിഞ്ഞ ദശകത്തിലെ ഗവേഷണങ്ങൾ മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ സഹകരണ മാനത്തെ പിടിച്ചെടുക്കുന്നതിൽ കൂടുതൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നു, കൂടാതെ സാങ്കേതികവിദ്യ ഇപ്പോൾ ഒരു സിസ്റ്റത്തിന്റെ പഠനത്തിന് കൂടുതൽ വേഗത്തിലുള്ള പൊരുത്തപ്പെടുത്തൽ നൽകുന്നു. ഫലപ്രദമായ സ്വയംഭരണ സംവിധാനങ്ങൾ നിർമ്മിക്കുന്നത് മനുഷ്യ-സ്വയംഭരണ സംഘത്തിലേക്കുള്ള വിജയകരമായ സമീപനത്തെ ആശ്രയിച്ചിരിക്കുന്നുവെന്നും യന്ത്ര കഴിവുകൾ വികസിക്കുമ്പോൾ മനുഷ്യ-യന്ത്ര ഇടപെടൽ ശേഷികളും വികസിക്കണമെന്നും ഉയർന്നുവരുന്ന ഒരു ധാരണയാണ് ഈ പരിണാമത്തെ അടിവരയിടുന്നത്.
ഉദാamp"സഹകരണ രൂപകൽപ്പന" എന്ന ഒരു സമീപനം, മനുഷ്യ-റോബോട്ട് ടീമിംഗിൽ നിന്ന് ഉണ്ടാകുന്ന ഡിസൈൻ പ്രത്യാഘാതങ്ങളെ വിലയിരുത്തുന്നു, അവിടെ മനുഷ്യരും സിസ്റ്റങ്ങളും ഒരു ജോലി പൂർത്തിയാക്കുന്നതിൽ ഒരേസമയം പങ്കെടുക്കുന്നു, കൂടാതെ ഏകോപനം, സഹകരണം, ടീം വർക്ക് എന്നിവയെ പിന്തുണയ്ക്കുന്നതിനായി സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്യേണ്ടിവരുന്നു.79 ഈ ഡിസൈൻ സമീപനം ടീമിംഗിനെ രണ്ട് കക്ഷികളെയും (മനുഷ്യരും AI സിസ്റ്റങ്ങളും) ഉൾക്കൊള്ളുന്ന ഒരു പ്രക്രിയയായി കണക്കാക്കുന്നു, കൂടാതെ രണ്ടും തമ്മിലുള്ള ഇടപെടലിൽ നിലനിൽക്കുന്ന പരസ്പരാശ്രിതത്വത്തെ അടിസ്ഥാനമാക്കിയുള്ളതുമാണ്.

മനുഷ്യ-AI ടീമുകളിലെ സഹകരണത്തിന്റെ മറ്റ് മാതൃകകൾ "ഡൈനാമിക് ടാസ്‌ക് അലോക്കേഷൻ" എന്ന രൂപത്തിൽ നിർദ്ദേശിക്കപ്പെട്ടിട്ടുണ്ട്, 80 അതായത് ഏറ്റവും അപകടസാധ്യതയുള്ളതും ധാർമ്മികമായി പ്രധാനപ്പെട്ടതുമായ ജോലികൾ മനുഷ്യർക്ക് നൽകാം, അതേസമയം മറ്റ് തീരുമാനങ്ങൾ കൃത്രിമ ഏജന്റുമാർക്ക് നൽകപ്പെടുന്നു. ഈ സമീപനം വിശദീകരണങ്ങൾ അന്തർലീനമായി മനുഷ്യ-ഏജന്റ് സഹകരണത്തിന്റെ ഭാഗവും (വിശദീകരണക്ഷമതയെക്കുറിച്ചുള്ള വിഭാഗം കാണുക) ഇന്റർഫേസ് ഡിസൈനിന്റെ ഭാഗവുമാണെന്ന് ആവശ്യപ്പെടുന്നു.
"കോ-അഡാപ്റ്റീവ് ഗൈഡൻസ്" എന്ന് വിളിക്കപ്പെടുന്ന മറ്റൊരു സമീപനം, ഇന്റർഫേസുകൾ ഉപയോക്താവിൽ നിന്നുള്ള ഫീഡ്‌ബാക്ക് അടിസ്ഥാനമാക്കി പൊരുത്തപ്പെടണമെന്നും കാലക്രമേണ വൈജ്ഞാനിക ഇടപെടൽ, വിശ്വാസം, മാറുന്ന പ്രതീക്ഷകൾ എന്നിവ കാലക്രമേണ കാലിബ്രേറ്റ് ചെയ്യണമെന്നും സമാനമായ ഒരു തത്വത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. കാലക്രമേണ പഠിക്കുന്ന സിസ്റ്റങ്ങളിലെ മനുഷ്യ-സിസ്റ്റം ഇടപെടലിലെ 'മൂന്ന് ചലിക്കുന്ന ഭാഗങ്ങൾ' ഈ സമീപനം വിശദീകരിക്കുന്നു: 81) മനുഷ്യ ഓപ്പറേറ്റർമാരുടെ മാറുന്ന മാനസിക മാതൃകകൾ, 1) നിലത്തെ വസ്തുതകളും മാറിക്കൊണ്ടിരിക്കുന്നു, 2) സിസ്റ്റം/AI മോഡൽ തന്നെ മാറിക്കൊണ്ടിരിക്കുന്നു.
ഇതിന് ഇന്റർഫേസ് സിൻക്രൊണൈസ് ചെയ്യുകയും സിസ്റ്റത്തിന്റെ പഠനത്തെയും പൊരുത്തപ്പെടുത്തലിനെയും പ്രതിനിധീകരിക്കുകയും ചെയ്യേണ്ടതുണ്ട്. ഈ ഇടപെടൽ ഫലപ്രദമാകണമെങ്കിൽ, ചില സാഹചര്യങ്ങളിൽ ഓപ്പറേറ്ററെ ഇടപെടാൻ പ്രേരിപ്പിക്കാൻ കഴിയുന്ന ഒരു ഏജന്റായി സിസ്റ്റം മാറേണ്ടതുണ്ട്, ഉദാഹരണത്തിന് 'എനിക്ക് ഇൻപുട്ട് ആവശ്യമാണ്' അല്ലെങ്കിൽ 'എനിക്കറിയില്ല' എന്ന് അവരുമായി ആശയവിനിമയം നടത്തുക. ഈ സമീപനത്തെ പിന്തുണയ്ക്കുന്ന കോ-അഡാപ്റ്റീവ് ലേണിംഗ്, സിസ്റ്റത്തിന്റെ ഉപയോക്താവിന്റെ മാതൃക പൊരുത്തക്കേടുകളോ വൈരുദ്ധ്യ സിഗ്നലുകളോ കണ്ടെത്തുന്നതിന് അതിനെ നയിക്കുമെന്നും അങ്ങനെ ഒരു സുരക്ഷാസംവിധാനമായി പ്രവർത്തിക്കാൻ കഴിയുമെന്നും അർത്ഥമാക്കുന്നു. ഉദാഹരണത്തിന്ampഎന്നാൽ, പെട്ടെന്ന് ഓപ്പറേറ്ററെ മാറ്റിയാൽ സിസ്റ്റം പൂർണ്ണമായും നിലച്ചേക്കാം.

Some of these principles are applied in the autonomous vehicles industry, where interface design is increasingly approached as a “co-creation process”, meaning it aspires to integrate drivers’ preferences or to introduce corrective elements, such as by prompting a young driver to pay more attention.85 In the autonomous vehicles industry, user-specific adaptability of interfaces is considered important for the future of the industry and for garnering more trust in the technology, especially at higher levels of automation.86 Increased levels of automation however will require a tradeoff in data from the driver, including more biometric data,87 because “as you give more control and build more trust, the vehicle needs to know more about you; now you as an operator need to be monitored”.
സൈന്യത്തിൽ, ഇന്റർഫേസ് ഡിസൈനിൽ ബയോമെട്രിക്, ന്യൂറോഫിസിയോളജിക്കൽ ഡാറ്റ ഉപയോഗിക്കുന്നത് ഒരു പുതിയ ആശയമല്ല, എന്നിരുന്നാലും ഇപ്പോൾ അത് വലിയതോതിൽ പര്യവേക്ഷണാത്മകമായി തുടരുന്നു.ampഉദാഹരണത്തിന്, എയർ ട്രാഫിക് കൺട്രോളിൽ നടത്തിയ സിമുലേഷനുകൾ, വൈജ്ഞാനിക ആവശ്യകതകളും വൈജ്ഞാനിക ജോലിഭാരത്തിലെ ഏറ്റക്കുറച്ചിലുകളും മനസ്സിലാക്കാൻ കണ്ണിന്റെ ചലന പാരാമീറ്ററുകൾ ഉപയോഗിച്ചിട്ടുണ്ട്, അതുപോലെ തന്നെ വ്യത്യസ്ത തരം ഡിസ്പ്ലേകളെ (ഉദാഹരണത്തിന്, പ്രസക്തമായ ഡാറ്റ വേർതിരിച്ചെടുക്കാനുള്ള പൈലറ്റിന്റെ ശ്രമത്തെ സങ്കീർണ്ണമാക്കുന്ന അലങ്കോലമായ കാലാവസ്ഥാ ഡിസ്പ്ലേകൾ).89 ഇത് പരിശോധനയ്ക്കും സിമുലേഷൻ പ്രോട്ടോക്കോളുകൾക്കും ബാധകമാണെങ്കിലും, ബയോമെട്രിക്, ന്യൂറോഫിസിയോളജിക്കൽ ഡാറ്റയുടെ ഉപയോഗം ഒരു തത്സമയ ക്ലോസ്ഡ്-ഫീഡ്‌ബാക്ക് ലൂപ്പ് വിശകലന സംവിധാനത്തിൽ സംയോജിപ്പിക്കാൻ കഴിയും. അത്തരമൊരു ലൂപ്പ് ഒരു ഉപയോക്താവിന്റെ ഇടപെടലുകൾ വിലയിരുത്തുകയും ഉപയോക്താവിന്റെ അവസ്ഥയെയും നിലവിലുള്ള കോഗ്നിറ്റീവ് ലോഡിനെയും കുറിച്ച് സിസ്റ്റം അപ്‌ഡേറ്റ് ചെയ്യുകയും ചെയ്യും.

സിസ്റ്റങ്ങളിൽ കൂടുതൽ 'ഉപയോക്തൃ അവസ്ഥ' ഡാറ്റയുടെ ആവശ്യകത എടുത്തുകാണിക്കുന്ന സാങ്കേതിക വൈദഗ്ദ്ധ്യം, സിസ്റ്റങ്ങൾ കൂടുതൽ തീരുമാനമെടുക്കൽ കഴിവുകൾ നേടുന്നതിനനുസരിച്ച്, മനുഷ്യ-യന്ത്ര ടീമിംഗ് രണ്ട് കക്ഷികളിൽ നിന്നുമുള്ള വിശ്വാസത്തിന്റെ ഘടകങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു എന്ന വസ്തുതയ്ക്ക് അടിവരയിടുന്നു. സ്വയംഭരണ സംവിധാനങ്ങളുടെ പശ്ചാത്തലത്തിൽ, trust91 എന്നതിന്റെ അർത്ഥം സിസ്റ്റത്തിൽ ഉൾച്ചേർത്ത സ്ഥിരീകരണ സംവിധാനങ്ങളെയാണ്. അത്തരം സംവിധാനങ്ങൾ ഉറപ്പാക്കും, ഉദാഹരണത്തിന്ample, ഓപ്പറേറ്ററുടെ ഇൻപുട്ടുകൾ സ്ഥിരതയുള്ളതാണെന്നും സമ്മർദ്ദം അവയെ ബാധിക്കുന്നില്ലെന്നും.92
അവസാനമായി, മറ്റൊരു ഡിസൈൻ സമീപനത്തിൽ ഇമ്മേഴ്‌സീവ് ഇന്റർഫേസുകൾ ഉൾപ്പെടുന്നു, ഇവ സമീപ വർഷങ്ങളിൽ വിവിധ മേഖലകളിൽ ഗവേഷണം ചെയ്യപ്പെട്ടിട്ടുണ്ട്, അതിൽ ഓട്ടോമേറ്റഡ് വാഹനങ്ങൾ93, ക്രൂവില്ലാത്ത ആകാശ വാഹനങ്ങൾ എന്നിവ ഉൾപ്പെടുന്നു.94 ഇമ്മേഴ്‌സീവ്, ഇമ്മേഴ്‌സീവ് സാങ്കേതികവിദ്യകൾ വെർച്വൽ ലോകങ്ങളെയാണ് സൂചിപ്പിക്കുന്നത്, അവ സിമുലേറ്റഡ്, ഡൈനാമിക്, സമ്പന്നമായ ത്രിമാന ഇടങ്ങൾ, ഉയർന്ന വിശ്വാസ്യതയുള്ള ചലനം തുടങ്ങിയ ഘടകങ്ങൾ ഉൾക്കൊള്ളുന്നു.

സൈനിക പരിശീലനത്തിനും സിമുലേറ്റഡ് പരിതസ്ഥിതികൾ സൃഷ്ടിക്കുന്നതിനും വെർച്വൽ റിയാലിറ്റി (VR), ഓഗ്മെന്റഡ് റിയാലിറ്റി (AR) സംവിധാനങ്ങൾ ഉപയോഗിച്ചിട്ടുണ്ട്. എന്നിരുന്നാലും, ദൗത്യ നിർവ്വഹണത്തിനും സഹകരണപരമായ പെരുമാറ്റം പ്രോത്സാഹിപ്പിക്കുന്നതിനും (അതായത്, മനുഷ്യ-യന്ത്ര സഹകരണം) ഒരു ആഴത്തിലുള്ള ഇന്റർഫേസ് ഉപയോഗിക്കും.
ഒരു ഡിസൈൻ ചോയ്‌സ് എന്ന നിലയിൽ, ഇമ്മേഴ്‌ഷൻ കൂടുതൽ സ്വാഭാവിക സഹകരണ പ്ലാറ്റ്‌ഫോമായി കണക്കാക്കപ്പെടുന്നു, കൂടാതെ ഭൗതിക ലോകത്തെയും അതിന്റെ മിറർ ചെയ്ത ദൃശ്യ അവതരണത്തെയും ഒരേ തലത്തിലുള്ള മാനത്തോടെ ദൃശ്യവൽക്കരിക്കുന്നതിനുള്ള ഒരു പ്രായോഗിക ഉപകരണമായി ഇത് പ്രോത്സാഹിപ്പിക്കപ്പെടുന്നു. 96 ഇന്റർഫേസിലൂടെ സൃഷ്ടിക്കപ്പെടുന്ന വിദൂരതയും അകലവും ഒരു 'ധാർമ്മിക ബഫർ' അവതരിപ്പിക്കുന്നുവെന്ന് മുമ്പ് നിർദ്ദേശിച്ചിട്ടുണ്ട്, ഇത് ഓപ്പറേറ്റർമാരെ അവരുടെ പ്രവർത്തനങ്ങളിൽ നിന്നും നെഗറ്റീവ് പ്രത്യാഘാതങ്ങളിൽ നിന്നും അകറ്റാൻ അനുവദിക്കുന്നു. 97 വൈജ്ഞാനികവും ധാർമ്മികവുമായ അകലം കുറയ്ക്കുന്നതിനുള്ള ഒരു ഉപയോഗപ്രദമായ രീതിയായിരിക്കാം ഇമ്മേഴ്‌ഷൻ, AWS98 ന്റെ കാര്യത്തിലും, പൊതുവെ, ഡ്രോണുകൾ പോലുള്ള ദൂരെ നിന്ന് പ്രവർത്തിക്കുന്ന ആയുധ സംവിധാനങ്ങളെക്കുറിച്ചും ആവർത്തിച്ച് ഉന്നയിക്കപ്പെടുന്ന ഒരു ആശങ്ക.

പരിശീലനത്തിനുള്ള വെല്ലുവിളികൾ

AWS ഓപ്പറേറ്റർമാരുടെ പരിശീലനം നിയന്ത്രണത്തിന്റെ ഒരു പ്രധാന ഘടകമാണ്. ഉദാ.ampഅതിനാൽ, നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ ചർച്ചകളിൽ, നിയന്ത്രണത്തിന്റെ സവിശേഷതകൾ ഒരു ആയുധത്തിന്റെ മുഴുവൻ ജീവിത ചക്രത്തെയും സൂചിപ്പിക്കുന്നു, അതിൽ പരിശീലനവും ഉൾപ്പെടുന്നു (അനുബന്ധം A കാണുക).
സ്വയംഭരണ സംവിധാനങ്ങൾ മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് പുതിയ തരത്തിലുള്ള പരിശീലന ആവശ്യകതകൾ അവതരിപ്പിക്കുന്നു, അത് സിസ്റ്റം ഇന്റർഫേസിന്റെ ഗുണങ്ങളെയും സങ്കീർണ്ണതയെയും ആശ്രയിച്ചിരിക്കുന്നു.
ഒരു തുടക്കമെന്ന നിലയിൽ, ഓപ്പറേറ്റർമാർ സിസ്റ്റത്തെ കൂടുതൽ സമഗ്രമായി മനസ്സിലാക്കേണ്ടതുണ്ട്, അതിന്റെ പ്രവർത്തനപരമായ പരിധികളും മനുഷ്യനും യന്ത്രവും തമ്മിലുള്ള പ്രവർത്തനപരമായ വിഹിതവും കണക്കിലെടുക്കുമ്പോൾ. 100 കൂടാതെ, സിസ്റ്റങ്ങൾ വികസിക്കുകയും പഠനം തുടരുകയും ചെയ്യുമ്പോൾ AI ഉപയോഗിക്കുന്ന സ്വയംഭരണ സംവിധാനങ്ങളുടെ പശ്ചാത്തലത്തിൽ പരിശീലനം വെല്ലുവിളി നിറഞ്ഞതാണ്. 101 സ്റ്റാറ്റിക് സിസ്റ്റങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പരിശീലന ആവശ്യകതകൾ കൂടുതൽ സങ്കീർണ്ണമാകുന്നു. 102 സിസ്റ്റങ്ങൾ അവയുടെ ആന്തരിക മോഡലുകൾ മാറ്റുന്ന രീതി പലപ്പോഴും അതാര്യവും അവയുടെ ഡെവലപ്പർമാർക്ക് പോലും മനസ്സിലാക്കാൻ പ്രയാസവുമാണ് 103, കൂടാതെ ഒരു ഓപ്പറേറ്റർക്ക് പരിശീലിപ്പിക്കാൻ കഴിയുന്ന ഒരു പഠന മാതൃക അവതരിപ്പിക്കുന്നത് ബുദ്ധിമുട്ടാണ്, കാരണം സിസ്റ്റം വ്യത്യസ്ത പരിതസ്ഥിതികളിൽ വ്യത്യസ്തമായി പഠിക്കും (ഉദാഹരണത്തിന്, പരിശീലന ഘട്ടം vs. പ്രവർത്തന പരിതസ്ഥിതി).

സ്വയംഭരണത്തിന്റെയും പ്രവർത്തനപരമായ വിഹിതത്തിന്റെയും നിലവാരം മനസ്സിലാക്കൽ
സിസ്റ്റത്തിലുള്ള വിശ്വാസവും ആശ്രയത്വവും കാലിബ്രേറ്റ് ചെയ്യുന്നതിൽ, ടാസ്‌ക്കുകളുടെ വിതരണവും സ്വയംഭരണ സംവിധാനത്തിന്റെ യഥാർത്ഥ ശേഷി നിലവാരവും തമ്മിലുള്ള ബന്ധവും നിർണായകമാണ്. 105 ഓട്ടോണമസ് വാഹനങ്ങളുടെ പശ്ചാത്തലത്തിൽ നടത്തിയ പ്രാഥമിക പഠനങ്ങൾ, ലെവലുകളോ ഓട്ടോമേഷൻ മോഡുകളോ തമ്മിലുള്ള പരിവർത്തനങ്ങളിലെ അന്തർലീനമായ അപകടസാധ്യതകളെക്കുറിച്ചും, മനുഷ്യ ഓപ്പറേറ്റർ (ഈ സാഹചര്യത്തിൽ ഡ്രൈവർ) സിസ്റ്റത്തിന്റെ പരിമിതികൾ കൃത്യമായി വിലയിരുത്താത്തതിനെക്കുറിച്ചും പ്രധാനപ്പെട്ട പാഠങ്ങൾ വെളിപ്പെടുത്തുന്നു. ഉദാഹരണത്തിന്ampഭാഗികമായും ഉയർന്ന തോതിലും ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങൾക്കിടയിലുള്ള ഒരു പ്രത്യേക ദുർബല പ്രദേശം തിരിച്ചറിഞ്ഞിട്ടുണ്ട്, ഇത് ഒരു നിശ്ചിത നിമിഷത്തേക്കാൾ കൂടുതൽ ഓട്ടോമേറ്റഡ് കാർ ആണെന്ന് ഡ്രൈവർ മനസ്സിലാക്കുമ്പോൾ അപകടങ്ങൾക്ക് കാരണമാകുന്നു.
ഒരു സിസ്റ്റത്തിന്റെ യഥാർത്ഥ കഴിവുകളെക്കുറിച്ചുള്ള അപര്യാപ്തമായ ധാരണയിൽ നിന്ന് ഉണ്ടാകുന്ന വെല്ലുവിളികൾ സൈന്യത്തിലും ഉയർന്നുവന്നിട്ടുണ്ട്, ഉദാഹരണത്തിന്, 2003-ലെ പാട്രിയറ്റ് ഫ്രാട്രൈസൈഡ് സംഭവത്തോടെ, ഒരു യുഎസ് ആർമി പാട്രിയറ്റ് മിസൈൽ സിസ്റ്റം ഒരു യുകെ ടൊർണാഡോയെയും യുഎസ് നേവി എഫ്/എ-18-നെയും വെടിവച്ചു വീഴ്ത്തി. സിസ്റ്റത്തിന്റെ ഡിസ്പ്ലേകൾ ആശയക്കുഴപ്പമുണ്ടാക്കുന്നതും ചിലപ്പോൾ തെറ്റുമായിരുന്നു. കമ്പ്യൂട്ടർ സൊല്യൂഷൻ വീറ്റോ ചെയ്യാൻ ഓപ്പറേറ്റർമാർക്ക് 10 സെക്കൻഡ് മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ, കൂടാതെ "വളരെ സങ്കീർണ്ണമായ മാനേജ്മെന്റ്-ബൈ-എക്സപ്ഷൻ സിസ്റ്റത്തിൽ" പരിശീലനം ഇല്ലായിരുന്നു.

അത്തരം സംവിധാനങ്ങളുമായുള്ള അനുഭവം, "അപര്യാപ്തമായ പരിശീലനം ലഭിച്ച ഒരു സംഘത്തിന്റെ കൈകളിലെ ഒരു ഓട്ടോമേറ്റഡ് സിസ്റ്റം യഥാർത്ഥത്തിൽ പൂർണ്ണമായും ഓട്ടോമേറ്റഡ് സിസ്റ്റമാണ്" എന്ന നിഗമനത്തിലെത്താൻ യുഎസ് ആർമി റിസർച്ച് ലബോറട്ടറിയിലെ ഒരു എഞ്ചിനീയറിംഗ് സൈക്കോളജിസ്റ്റിനെ പ്രേരിപ്പിച്ചു. [108] പരിശീലനത്തിന്റെ അപര്യാപ്തത തെറ്റായ പ്രതീക്ഷകൾ, സിസ്റ്റം പരാജയങ്ങളെ നേരിടാനുള്ള കഴിവില്ലായ്മ, [109] അല്ലെങ്കിൽ സിസ്റ്റത്തിന്റെ പ്രവർത്തന ഗതിയെ മറികടക്കാനുള്ള കഴിവില്ലായ്മ എന്നിവയിലേക്ക് നയിച്ചേക്കാം, ഇത് ഫലപ്രദമായി "അവഗണനയിലൂടെ പൂർണ്ണമായും സ്വയംഭരണാധികാരമുള്ളതാക്കുന്നു". [110] ഇന്റർഫേസ് രൂപകൽപ്പനയ്ക്ക് മാത്രം ഉയർന്ന ഫലപ്രദമായ പരിശീലനത്തിന് നഷ്ടപരിഹാരം നൽകാൻ കഴിയില്ല.
സ്വയംഭരണ സംവിധാനങ്ങളുടെ പശ്ചാത്തലത്തിൽ പരിശീലനം ഓപ്പറേറ്റർ വൈദഗ്ദ്ധ്യം വികസിപ്പിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കണം. 111 ഇതിൽ അളവിലും ഗുണപരമായും ഘടകങ്ങൾ ഉൾപ്പെടുന്നു:

• ഗുണപരമായ, സിസ്റ്റത്തിന്റെ മാനസിക മാതൃകകളുടെ വികസനത്തിൽ കൂടുതൽ കർശനമായ ശ്രദ്ധ കേന്ദ്രീകരിച്ച്, കൂടാതെ view പരിശീലനം വെറും 'ശീല കൈമാറ്റം' അല്ലെന്ന് ഉറപ്പാക്കാൻ (ഒരു പുതിയ ഇന്റർഫേസ് ഉപയോഗിക്കുമ്പോൾ ഒരു സാധാരണ വെല്ലുവിളി, കാരണം ഓപ്പറേറ്റർമാർ പഴയ മോഡലുകളെ പരാമർശിക്കാൻ പ്രവണത കാണിക്കും).113 ഇതിൽ മനസ്സിലാക്കലും ഉൾപ്പെടുന്നു, ഉദാഹരണത്തിന്ampസ്വയംഭരണ പ്രവർത്തനങ്ങളുടെ വ്യാപ്തി, ഒരു പരിതസ്ഥിതിയിൽ നിന്ന് മറ്റൊന്നിലേക്കുള്ള സിസ്റ്റത്തിന്റെ മാറ്റങ്ങൾ, അതുപോലെ സിസ്റ്റം ഏറ്റവും ദുർബലമായത് എവിടെയാണ് അല്ലെങ്കിൽ അതിന്റെ അനിശ്ചിതത്വങ്ങൾ തുടങ്ങിയ വേരിയബിളുകൾ;114 കൂടാതെ
• പരിശീലന കാലയളവിലെ മാറ്റങ്ങൾ ഉൾപ്പെടെ അളവ്, 115 അല്ലെങ്കിൽ, ഉദാഹരണത്തിന്ample, പരിശീലനം അപ്ഡേറ്റ് ചെയ്യുന്നതിനുള്ള ഇടവേളകളിലേക്ക്.

എന്നിരുന്നാലും, മേൽനോട്ട ചുമതലകളുടെ പശ്ചാത്തലത്തിൽ പരിശീലനത്തിന് സ്ഥിരമായ മനുഷ്യ പരിമിതികൾ നിലനിൽക്കുന്നുണ്ടെന്ന കാര്യം ശ്രദ്ധിക്കേണ്ടതാണ്. മേൽനോട്ട ചുമതലകളിൽ സുസ്ഥിരമായ ജാഗ്രത പുലർത്തുക എന്നത് വളരെ ബുദ്ധിമുട്ടുള്ള ഒരു ജോലിയാണെന്ന് അംഗീകരിക്കപ്പെട്ടിരിക്കുന്നു.117 ശ്രദ്ധ കേന്ദ്രീകരിക്കുക എന്നത് തിരഞ്ഞെടുപ്പിന്റെയും പരിശീലനത്തിന്റെയും ഒരു വിഷയമാണ്, കൂടാതെ ചില ആളുകൾ മറ്റുള്ളവരെ അപേക്ഷിച്ച് സുസ്ഥിരമായ ജാഗ്രതയിൽ മികച്ചവരാണെന്ന് ഇപ്പോൾ എല്ലാവർക്കും അറിയാം.118 എന്നിരുന്നാലും, ഉചിതമായ തിരഞ്ഞെടുപ്പ് പ്രക്രിയകളും നിർബന്ധിത പരിശീലനവും ഉണ്ടെങ്കിലും, ആവർത്തിച്ചുള്ളതോ മേൽനോട്ട ചുമതലകളിൽ ചെലവഴിക്കുന്നതോ ആയ കൂടുതൽ സമയം പിശക് നിരക്കുകളിൽ വർദ്ധനവിന് കാരണമാകും. ഓപ്പറേറ്റർമാരെ വൈജ്ഞാനികമായി ഉൾപ്പെടുത്തുന്നതിനുള്ള ഒരു പരിഹാരം, സ്വയംഭരണ പ്രവർത്തനങ്ങളുടെ വർദ്ധിച്ചുവരുന്ന ഉപയോഗം ഉൾപ്പെടെയുള്ള കൂടുതൽ സങ്കീർണ്ണമായ ഘടകങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു119, ഇത് മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് സിസ്റ്റത്തെ നന്നായി മനസ്സിലാക്കാനും, എപ്പോൾ, എങ്ങനെ മാനുവൽ നിയന്ത്രണത്തിലേക്ക് മടങ്ങണമെന്ന് പഠിക്കാനും, ഉത്തരവാദിത്തബോധം നഷ്ടപ്പെടുന്നത് ഒഴിവാക്കാനും സഹായിക്കും.

മനുഷ്യ–AI ടീമുകൾക്കുള്ള പരിശീലനം
Finally, in the context of increased interdependence between humans and AI systems, an increasing body of research underlines that training must be adapted to take into account human–AI teaming and teamwork.

This is prompted by the expectation that with increased levels of autonomy in weapon systems, humans and AI systems will coordinate to perform high-complexity tasks as an integrated unit. Training in this context cannot be limited to transfer of knowledge and it will increasingly entail training together. This implies that the two sides will interact as ‘peers’, each contributing their own expertise and authority to take action.121 In this case, the aim of human–AI training will need to be focused on working together and learning about one another.122
മനുഷ്യ-മനുഷ്യ ടീം പരിശീലനവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പരിശീലനത്തിൽ രണ്ട് പ്രധാന മാറ്റങ്ങൾ ഇത് ഉൾക്കൊള്ളുന്നു:123

• പക്ഷപാതം പോലുള്ള പ്രശ്നങ്ങളെ പരാമർശിക്കുന്ന പെർസെപ്ച്വൽ മാറ്റങ്ങൾ,124 വിശ്വാസ്യതയും പരിശോധനയും (AI സിസ്റ്റങ്ങൾക്ക് അന്തർലീനമായ വെല്ലുവിളി), മനുഷ്യർ AI സിസ്റ്റങ്ങളിൽ നിന്ന് പ്രതീക്ഷിക്കുന്നതും ആവശ്യപ്പെടുന്നതും, AI-യോട് നെഗറ്റീവ് പക്ഷപാതത്തിലേക്ക് നയിച്ചേക്കാം;125 ഒപ്പം
• ടാസ്‌ക് വർക്കിന്റെയും ടീം വർക്ക് പരിശീലനത്തിന്റെയും പുതിയ രീതികൾ ഉൾപ്പെടുന്ന നടപടിക്രമ മാറ്റങ്ങൾ, തത്സമയവും കൃത്രിമവുമായ പരിതസ്ഥിതികളിൽ ഉചിതമായ സിമുലേഷൻ അധിഷ്ഠിത പരിശീലനം രൂപകൽപ്പന ചെയ്യേണ്ടതിന്റെ ആവശ്യകത ഉൾപ്പെടെ.126

ഇത് മനുഷ്യ ഓപ്പറേറ്റർക്ക് കൂടുതൽ ആവശ്യകതകൾ കൊണ്ടുവരുന്നു, അവർ മനസ്സിലാക്കേണ്ടതുണ്ട് 1) അവരുടെ പങ്ക്; 2) AI സിസ്റ്റം; 3) AI സിസ്റ്റം/ടീം അംഗവുമായി എങ്ങനെ ഇടപഴകണം; 4) മറ്റ് മനുഷ്യ സഹപ്രവർത്തകരുമായി എങ്ങനെ ഇടപഴകണം. 127
ഈ മേഖലയിലെ ഗവേഷണം അതിന്റെ പ്രാരംഭ ഘട്ടത്തിലാണ്.tagഎന്നാൽ കൂടുതൽ സ്വയംഭരണ പ്രവർത്തനങ്ങൾ അവതരിപ്പിക്കുന്നതിലൂടെ ഉണ്ടാകുന്ന സങ്കീർണ്ണതയുടെ പൂർണ്ണ തോതിനെ പിന്തുണയ്ക്കാൻ നിലവിലുള്ള ടീമിംഗിനും പരിശീലനത്തിനുമുള്ള സമീപനങ്ങൾക്ക് കഴിയുന്നില്ലെങ്കിൽ അത് നിർണായകമാകും.

ബോക്സ് 3. 'ഹ്യൂമൻ–എഐ ടീമിംഗ്', ആന്ത്രോപോമോർഫിസം, ഗൈഡിംഗ് തത്വം (i)
'സഹപ്രവർത്തകർ' അല്ലെങ്കിൽ 'ടീമിംഗ്' പോലുള്ള ആശയങ്ങൾ AI സിസ്റ്റങ്ങളുമായി ബന്ധപ്പെട്ട് സാങ്കേതിക സാഹിത്യത്തിൽ ഉപയോഗിക്കുന്നത് (ആന്ത്രോപോമോർഫിസത്തെ ഉണർത്തുന്നു) സഹജമായ സിസ്റ്റങ്ങളെ ഉത്തരവാദിത്തത്തിന്റെയും നിയമപരമായ ഉത്തരവാദിത്തത്തിന്റെയും കാര്യത്തിൽ മനുഷ്യരുമായി തുല്യമായി സ്ഥാപിക്കുന്നില്ല. മറിച്ച്, കൂടുതൽ സ്വയംഭരണാധികാരത്തോടെ മനുഷ്യ-യന്ത്ര ഇടപെടലിൽ കൂടുതൽ സങ്കീർണ്ണതയും പരസ്പരാശ്രിതത്വവും ഉണ്ടാകുന്നുവെന്നും, സിസ്റ്റത്തെ മനസ്സിലാക്കാനും വിശ്വാസം വളർത്താനും ഫലപ്രദമായ മനുഷ്യ-വ്യവസ്ഥ സംയോജനം കൈവരിക്കാനും പ്രതീക്ഷകൾ കാലിബ്രേറ്റ് ചെയ്യാനുമുള്ള ഏക മാർഗം ഒരുമിച്ച് പരിശീലനം നൽകുന്നതാണെന്നും അടിവരയിടുക എന്നതാണ് ഇതിന്റെ ഉദ്ദേശ്യം. "ആയുധ സംവിധാനങ്ങളിലെ സ്വയംഭരണാവകാശത്തിനുള്ള പരിമിതികൾ" എന്ന SIPRI/ICRC റിപ്പോർട്ട് തന്ത്രപരമായ രേഖകളിൽ മനുഷ്യ-യന്ത്ര ടീമിംഗ് എന്ന ആശയത്തിലുള്ള നിർബന്ധം സൂചിപ്പിക്കുന്നത് മനുഷ്യർ AWS-ൽ ഏജൻസിയും നിയന്ത്രണവും തുടർന്നും പ്രയോഗിക്കുന്നുണ്ടെന്ന് സൈന്യം ഉറപ്പാക്കാൻ ആഗ്രഹിക്കുന്നുവെന്ന് സൂചിപ്പിക്കുന്നു.128
എന്നിരുന്നാലും, നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ പരിഗണനാ വിഷയമായി ഇത് നിലനിൽക്കുന്നു, കാരണം നിയമങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കി ആയുധ സംവിധാനങ്ങൾക്കായുള്ള നയ നടപടികൾ രൂപപ്പെടുത്തുന്നതിൽ ആന്ത്രോപോമോർഫിക് ഭാഷയുടെ ഉപയോഗം (ഗൈഡിംഗ് തത്വങ്ങളുടെ തത്വം (i) കാണുക) ഇത് പ്രോത്സാഹിപ്പിക്കുന്നില്ല. സാങ്കേതിക സമൂഹം 'ടീമിംഗ്' പോലുള്ള വാക്കുകൾ രൂപകങ്ങളായി ഉപയോഗിക്കുമ്പോൾ പോലും (സ്വയംഭരണ സംവിധാനങ്ങൾക്ക് ഏജൻസിയെ നിയോഗിക്കുന്നതിനുപകരം), ആന്ത്രോപോമോർഫിക് ഭാഷയുടെ സാങ്കേതിക ഉപയോഗം ഈ തത്വത്തെ ലംഘിക്കുന്ന രീതിയിൽ എങ്ങനെ വ്യാഖ്യാനിക്കുന്നില്ല എന്നത് പരിഗണിക്കേണ്ടത് പ്രധാനമാണ്.
ഇനിപ്പറയുന്നവയെക്കുറിച്ച് കൂടുതൽ വിശദീകരിക്കുന്നതിൽ നിന്ന് GGE-ക്ക് പ്രയോജനം ലഭിച്ചേക്കാം:

1. സാങ്കേതിക പഠനത്തിൽ നിന്ന് ഉയർന്നുവരുന്ന മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ ചട്ടക്കൂടിന്റെ വെളിച്ചത്തിൽ തത്വത്തെ കൂടുതൽ യോഗ്യമാക്കുകയും വിശദീകരിക്കുകയും ചെയ്യേണ്ടതുണ്ടോ; കൂടാതെ
2. ആന്ത്രോപോമോർഫിക് ഭാഷ തെറ്റായി വ്യാഖ്യാനിക്കപ്പെടുന്നില്ലെന്നും നിയമപരമായ ഉത്തരവാദിത്തത്തെയും ഉത്തരവാദിത്തത്തെയും കുറിച്ചുള്ള ധാരണകളെ അത് സങ്കീർണ്ണമാക്കുന്നില്ലെന്നും എങ്ങനെ ഉറപ്പാക്കാം.

AI വിശദീകരണക്ഷമതയും സുതാര്യതയും

The ‘black box’ nature of intelligent sys-tems129 complicates the interaction with the end user and can result in inaccurate mental models, creating either too little or too much trust.130 Efforts to make AI more transparent and explainable have proliferated in recent years as it has become increasingly recognized that AI’s opacity negatively impacts trust in the system and its decision-making mechanisms.
ഒരു ഇന്റർഫേസിൽ ഉൾച്ചേർത്ത ഒരു വിശദീകരണ സംവിധാനത്തിന് AWS ഉപയോഗിക്കുമ്പോൾ ഈ അപകടസാധ്യതകളിൽ ചിലത് സൈദ്ധാന്തികമായി ലഘൂകരിക്കാൻ കഴിയും, എന്നാൽ നിലവിലുള്ള ലഭ്യമായ രീതികളിൽ നിരവധി വെല്ലുവിളികൾ (സാധ്യതയുള്ള പോരായ്മകൾ പോലും) ഉണ്ട്.

AI സിസ്റ്റങ്ങളുടെ (സ്വഭാവം) മനസ്സിലാക്കുന്നതിലും വ്യാഖ്യാനിക്കുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന മേഖലയാണ് വിശദീകരിക്കാവുന്ന AI (XAI).131 വിശദീകരണക്ഷമത എന്നത് സുതാര്യതയിൽ നിന്ന് വ്യത്യസ്തമാണ്, കാരണം വിശദീകരണക്ഷമത സിസ്റ്റത്തിന്റെ പ്രക്രിയകളെ പിന്നോട്ട് നോക്കുന്ന രീതിയിൽ വിലയിരുത്തുന്നു, അതായത് മെഷീൻ എന്താണ് ചെയ്തതെന്ന് പരിശോധിക്കുകയും പോസ്റ്റ് ഹോക്ക് വിശദീകരണങ്ങൾ നൽകുകയും ചെയ്യുന്നു. ഇതിനു വിപരീതമായി, ഡിസ്പ്ലേ സുതാര്യത സിസ്റ്റത്തിന്റെ പ്രവർത്തനങ്ങളെക്കുറിച്ച് സമയബന്ധിതമായ ധാരണ നൽകുന്നു. ഒരു സൈനിക പ്രവർത്തന ക്രമീകരണത്തിൽ, തത്സമയം തീരുമാനമെടുക്കലിനെ പിന്തുണയ്ക്കുന്നതിൽ സുതാര്യത കൂടുതൽ വിലപ്പെട്ടതാണെങ്കിലും, SA നിർമ്മിക്കുന്നതിൽ വിശദീകരണക്ഷമതയും സുതാര്യതയും പ്രധാനമാണ്. സമയം അനുവദിക്കുമ്പോൾ വിശദീകരിക്കാനുള്ള കഴിവ്, പുനഃക്രമീകരണം മെച്ചപ്പെടുത്താൻ കഴിയും.view ഭാവിയിലെ SA.132 നെ സ്വാധീനിക്കാൻ കഴിയുന്ന ഒരു സിസ്റ്റത്തിന്റെ പ്രക്രിയകളും മാനസിക മാതൃകയും

ബോക്സ് 4. വിശദീകരണക്ഷമതയും വ്യാഖ്യാനക്ഷമതയും
വിശദീകരണക്ഷമതയും വ്യാഖ്യാനക്ഷമതയും വളരെ അടുത്ത ബന്ധമുള്ളവയാണ്, പലപ്പോഴും പരസ്പരം മാറിമാറി ഉപയോഗിക്കപ്പെടുന്നു, എന്നിരുന്നാലും രണ്ട് ആശയങ്ങളും വ്യത്യസ്തമാണ്.

• ഒരു മനുഷ്യന് മനസ്സിലാകുന്ന രീതിയിൽ ഔട്ട്‌പുട്ടുകൾ അവതരിപ്പിക്കാനുള്ള കഴിവാണ് വ്യാഖ്യാനക്ഷമത. ഒരു മനുഷ്യന് ഒരു ഫലം പ്രവചിക്കാൻ കഴിയുന്നത്ര ഡാറ്റ നൽകുന്നതിന് ഒരു സിസ്റ്റത്തിന്റെ ഗുണനിലവാരത്തെയാണ് ഇത് സൂചിപ്പിക്കുന്നത്.
• "ഒരു മെഷീൻ ലേണിംഗ് സിസ്റ്റത്തിനുള്ളിലെ ആന്തരിക യുക്തിയെയും സംവിധാനങ്ങളെയും" സൂചിപ്പിക്കുന്നു134 കൂടാതെ ആ സംവിധാനങ്ങളെ മാനുഷികമായി വിശദീകരിക്കാനുള്ള കഴിവിനെയും വിശദീകരണക്ഷമത സൂചിപ്പിക്കുന്നു.
• ഒരു വ്യാഖ്യാനിക്കാവുന്ന മാതൃക എന്നാൽ ഇൻപുട്ട്-ഔട്ട്പുട്ട് ബന്ധം ഔപചാരികമായി നിർണ്ണയിക്കാൻ കഴിയുമെന്നാണ്, പക്ഷേ മനുഷ്യർക്ക് അതിന്റെ അടിസ്ഥാന പ്രക്രിയകൾ മനസ്സിലാക്കാൻ കഴിയുമെന്ന് അത് അർത്ഥമാക്കുന്നില്ല. ഈ സൂക്ഷ്മമായ വ്യത്യാസം XAI ഗവേഷണത്തിലെ ഒരു ചോദ്യത്തെ പ്രതിഫലിപ്പിക്കുന്നു, ഇത് മനുഷ്യന്റെ ധാരണയുമായി പൊരുത്തപ്പെടണമോ അതോ മെഷീനിന്റെ മാതൃകയുമായി പൊരുത്തപ്പെടണമോ എന്ന ചോദ്യത്തെ പ്രതിഫലിപ്പിക്കുന്നു.
• ബ്ലാക്ക് ബോക്സ് സിസ്റ്റങ്ങൾക്കായുള്ള ഏറ്റവും ജനപ്രിയമായ വ്യാഖ്യാന സാങ്കേതിക വിദ്യകളിൽ ഒന്നാണ് LIME. ഒരു പ്രാദേശിക ഡാറ്റാസെറ്റിനെ (മൂല്യങ്ങൾ മാറ്റുന്നത് പോലുള്ളവ) ചലിപ്പിച്ച് ഔട്ട്‌പുട്ട് എങ്ങനെ മാറുന്നുവെന്ന് നിരീക്ഷിച്ചുകൊണ്ട് LIME പ്രാദേശിക വ്യാഖ്യാനക്ഷമത നൽകുന്നു. ഓരോ സവിശേഷതയും പ്രവചനത്തിന് എങ്ങനെ സംഭാവന നൽകി എന്ന് പ്രതിഫലിപ്പിക്കുന്ന വിശദീകരണങ്ങളുടെ ഒരു പട്ടികയുടെ രൂപത്തിലാണ് LIME യുടെ ഔട്ട്‌പുട്ട് വരുന്നത്.

XAI ഡാഷ്‌ബോർഡുകളും അവയുടെ പരിമിതികളും
എക്സ്‌എ‌ഐയിലേക്കുള്ള മിക്ക സമീപനങ്ങളും ഇന്റർഫേസുകളിലൂടെയും ഡാഷ്‌ബോർഡുകളിലൂടെയും AI പ്രക്രിയയുടെ ഭാഗങ്ങൾ പ്രദർശിപ്പിക്കുന്ന ദൃശ്യവൽക്കരണ സാങ്കേതിക വിദ്യകളിലാണ് ശ്രദ്ധ കേന്ദ്രീകരിച്ചിരിക്കുന്നത്. ഉദാഹരണത്തിന്ampപിന്നീട്, വിശദീകരണ ഇന്റർഫേസുകളിൽ ഡയലോഗ് ബോക്സുകളും പൈ ചാർട്ടിന്റെ രൂപത്തിലുള്ള ഗ്രാഫിക്കൽ പ്രാതിനിധ്യങ്ങളും മുതൽ, നിരവധി അൽഗോരിതങ്ങളിൽ നിന്ന് ഏറ്റവും മികച്ചത് തിരഞ്ഞെടുത്ത് ഉപയോക്താക്കൾക്ക് സിസ്റ്റവുമായി സംവദിക്കാൻ കഴിയുന്ന സംവേദനാത്മക ഇന്റർഫേസുകൾ വരെ ഉൾപ്പെടാം.

ദൃശ്യവൽക്കരണം AI സിസ്റ്റത്തിൽ കൂടുതൽ വിശ്വാസം വളർത്തിയെടുക്കാൻ സഹായിക്കും, അതുപോലെ തന്നെ കൂടുതൽ മാനുഷിക ഏജൻസിയും. പഠനങ്ങൾ കാണിക്കുന്നത്, ഉദാഹരണത്തിന്ampസിസ്റ്റത്തിന്റെ അനിശ്ചിതത്വവുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ നൽകുന്നത് സിസ്റ്റത്തിൽ നിന്ന് മനുഷ്യൻ ഏറ്റെടുക്കുന്നതിന്റെ പ്രകടനം ഉൾപ്പെടെയുള്ള പ്രകടനം മെച്ചപ്പെടുത്തി എന്ന് le.

ബോക്സ് 6. XAI യുടെ മാനദണ്ഡങ്ങൾ
XAI-യിലെ ഒരു അടിസ്ഥാന വെല്ലുവിളി, 'വിശദീകരണം', 'വിശദീകരിക്കൽ' എന്നിവയുടെ മാനദണ്ഡങ്ങൾ ഏതൊക്കെയാണെന്ന് പലപ്പോഴും വ്യക്തമല്ല എന്നതാണ്. ക്രമത്തിൽ പറഞ്ഞാൽ, ഒരു സിസ്റ്റം വിശദീകരിക്കാവുന്നതായിരിക്കുക എന്നതിന്റെ അർത്ഥമെന്താണ്? ഒരു വിശദീകരണം കൃത്യമായി എന്തിനെക്കുറിച്ചായിരിക്കണം? അല്ലെങ്കിൽ ഒരു വിശദീകരണം ഒപ്റ്റിമൽ അല്ലെങ്കിൽ തൃപ്തികരമാണോ എന്ന് വിലയിരുത്തുന്നതിനുള്ള മാനദണ്ഡം എന്താണ്?
XAI-യുടെ അളവെടുപ്പ് മാനദണ്ഡങ്ങൾ വിലയിരുത്തുന്നത് നടന്നുകൊണ്ടിരിക്കുന്ന ഗവേഷണ വിഷയമാണ്. ഉദാ.ampഅളക്കൽ മാനദണ്ഡങ്ങളുടെ ചില ഗ്രൂപ്പിംഗുകളിൽ ഇവ ഉൾപ്പെടുന്നു:

• 'വിശദീകരണ നന്മ', ഒരു വിശദീകരണത്തിന്റെ ഗുണങ്ങളെയും ഘടകങ്ങളെയും വിലയിരുത്തുന്നു, അത് ഒരു നല്ല വിശദീകരണത്തിന് കാരണമാകുന്നു - അവ പൂർണ്ണവും, യുക്തിസഹവും, വർദ്ധനവുള്ളതും, 'അമിതമായി പ്രകോപിപ്പിക്കാത്തതും' മുതലായവ ആയിരിക്കണം;141
• പ്രകടന മെച്ചപ്പെടുത്തൽ, വിശദീകരണം ഓപ്പറേറ്ററെ അവരുടെ ലക്ഷ്യങ്ങൾ നേടുന്നതിനോ പ്രവചനങ്ങൾ നടത്തുന്നതിനോ അവരുടെ ജോലിയിൽ AI ഉപയോഗിക്കാൻ എത്രത്തോളം പ്രാപ്തമാക്കുന്നുവെന്ന് അളക്കുന്നത് വിശകലനം ചെയ്യുന്നു; 142 ഒപ്പം
• ഒരു സിസ്റ്റത്തെക്കുറിച്ചുള്ള ഉപയോക്താവിന്റെ ധാരണയിലോ/മാനസിക മാതൃകയിലോ ഉണ്ടാകുന്ന സ്വാധീനം.

'XAI പൈപ്പ്‌ലൈനിൽ' നിരവധി ML മോഡലുകളും വിഷ്വൽ അനലിറ്റിക്സ് രീതികളും ഉൾപ്പെടുന്നുണ്ടെങ്കിലും,143 അവ ഇപ്പോഴും ഉയർന്ന അളവിലുള്ള സങ്കീർണ്ണത അവതരിപ്പിക്കുന്നു, ഇത് ML വിദഗ്ധർക്ക് മാത്രമേ അവയെ കൂടുതലും മനസ്സിലാക്കാൻ കഴിയൂ.144 XAI-യുടെ മറ്റ് പരിമിതികളിൽ ഇവ ഉൾപ്പെടുന്നു:

• വിശ്വാസം എന്നത് കേവലം ഒരു സാങ്കേതിക പ്രശ്‌നമല്ല - അതൊരു ചലനാത്മക പ്രക്രിയയാണ്, വിശ്വാസവുമായി ബന്ധപ്പെട്ട എല്ലാ പ്രശ്‌നങ്ങളെയും ദൃശ്യവൽക്കരണത്തിന് പരിഹരിക്കാൻ കഴിയില്ല;
• വിശദീകരണങ്ങൾ തെറ്റായ മാനസിക മാതൃകകളെ ശക്തിപ്പെടുത്തും, അവയ്ക്ക് ആളുകളെ വിശദാംശങ്ങൾ കൊണ്ട് വലയ്ക്കാം അല്ലെങ്കിൽ വളരെയധികം അയഞ്ഞ വശങ്ങൾ ഉൾപ്പെടുത്താം,146 കൂടുതൽ പരിശോധന ആവശ്യമായി വന്നേക്കാവുന്ന സന്ദർഭങ്ങളിൽ അവ ബോധ്യപ്പെടുത്തുന്ന ഉപകരണങ്ങളാകാം (അതുവഴി അമിത വിശ്വാസ സാഹചര്യങ്ങളിലേക്ക് നയിക്കും), കൂടാതെ വ്യത്യസ്ത ഉപയോക്താക്കൾക്ക് അവ വ്യത്യസ്തമായി വ്യാഖ്യാനിക്കാനും കഴിയും;147 കൂടാതെ
• പോരാട്ട സാഹചര്യങ്ങളിൽ, ചില വിശദീകരണ ഉപകരണങ്ങൾ വാസ്തവത്തിൽ ഉയർന്ന തീവ്രതയുള്ള പ്രവർത്തനങ്ങളിൽ ജോലിഭാരം വർദ്ധിപ്പിച്ചേക്കാം, ഉദാഹരണത്തിന് ഒരു ഓപ്പറേറ്റർക്ക് പുനർനിർമ്മിക്കാൻ പരിമിതമായ സമയമുള്ളപ്പോൾview ഒരു സിസ്റ്റത്തിന്റെ വിശദീകരണം.

XAI ഉം സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളും
ബ്ലാക്ക് ബോക്സുകളേക്കാൾ കൂടുതൽ സുതാര്യവും വിശദീകരിക്കാവുന്നതുമായ സിസ്റ്റങ്ങൾക്ക് മുൻഗണന നൽകേണ്ടതാണെങ്കിലും, വിശ്വാസ്യത വർദ്ധിപ്പിക്കുന്നതിന് വിശദീകരണക്ഷമത ഒരു നല്ല മാർഗമല്ലെന്നും മോശമായി നടപ്പിലാക്കിയ രീതികൾ വിപരീതഫലമുണ്ടാക്കുമെന്നും ഓർമ്മിക്കേണ്ടത് പ്രധാനമാണ്. AWS-ന്റെ കാര്യത്തിൽ, സിസ്റ്റം സുതാര്യതയ്ക്കും സുതാര്യത വിവര തരങ്ങൾക്കും ഏറ്റവും മികച്ച രീതികൾ നിർവചിക്കുന്നതിന് കൂടുതൽ ഗവേഷണം ആവശ്യമാണ്, പ്രവർത്തനങ്ങളുടെ ക്ലാസുകളിലുടനീളമുള്ള വിവരങ്ങൾ ഉൾപ്പെടെ.149 ഇത് വ്യക്തമാകും, ഉദാഹരണത്തിന്ample, മുമ്പ് നിർദ്ദേശിച്ച ചില ഓപ്ഷനുകൾ പരിഗണിക്കുമ്പോൾ, ഇന്റർഫേസുകൾ ഡിസ്പ്ലേ ഘടകങ്ങൾ ഉണ്ടായിരിക്കും, ഉദാഹരണത്തിന് percentagസിസ്റ്റത്തിലുള്ള വിശ്വാസം വർദ്ധിപ്പിക്കുന്നതിനുള്ള ഒരു മാർഗമായി ഉപയോക്താവിന് സാധ്യതയുടെ (ഉദാഹരണത്തിന്, X ഒരു നിയമാനുസൃത ലക്ഷ്യമാണെന്നതിന്റെ 87% സാധ്യത) es. അത്തരമൊരു സമീപനം, വാസ്തവത്തിൽ, മനുഷ്യ ഓപ്പറേറ്ററുടെ തീരുമാനമെടുക്കൽ പ്രക്രിയയിൽ കൂടുതൽ ബുദ്ധിമുട്ടുകൾ സൃഷ്ടിക്കും, കൂടാതെ ഓപ്പറേറ്ററെ അർത്ഥവത്തായി ഉറപ്പിക്കാതെ, "സംഖ്യകൾ വഴി മനുഷ്യനുമായുള്ള ബന്ധം അനുകരിക്കുന്ന AI" എന്നതിലുപരി മറ്റൊന്നുമല്ല. 150% സാധ്യത, ഒരു ലക്ഷ്യവുമായി മുന്നോട്ട് പോകാനും ഇടപഴകാനും പര്യാപ്തമാണോ? ശേഷിക്കുന്ന 87% എന്താണ് അർത്ഥമാക്കുന്നത്? കൂടാതെ, വിവരങ്ങൾ '13% ഉറപ്പ്' അല്ലെങ്കിൽ '87% അനിശ്ചിതത്വം' ആയി അവതരിപ്പിക്കണോ?
സാങ്കൽപ്പികമായി പൂർണ്ണമായും സുതാര്യവും വിശദീകരിക്കാവുന്നതുമായ ഒരു AI യുടെ പശ്ചാത്തലത്തിൽ മറ്റ് പ്രതിസന്ധികളും ഉയർന്നുവരുന്നു, അതായത് ഇപ്പോൾ പിശകിന്റെ ഉത്തരവാദിത്തം പൂർണ്ണമായും മനുഷ്യ ഓപ്പറേറ്ററുടെ തലയിലായേക്കാം. ഈ സാഹചര്യത്തിൽ മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് അനുപാതമില്ലാത്ത അളവിലുള്ള ഉത്തരവാദിത്തവും ഉത്തരവാദിത്തവും കൊണ്ടുവരാൻ സാധ്യതയുണ്ട്, കാരണം അത്തരം സംവിധാനങ്ങളൊന്നും നിലവിലില്ലാത്തതിനാൽ AI-യെ ഉത്തരവാദിത്തപ്പെടുത്താൻ കഴിയില്ല.
മനുഷ്യന്റെ വിശ്വാസവും നിയന്ത്രണവും വർദ്ധിപ്പിക്കുന്നതിന്, മനുഷ്യ-യന്ത്ര ഇടപെടലിനെ ഫലപ്രദമായി സുഗമമാക്കുന്നതിന്, XAI രീതികളുടെ ഭാവി വികസനം, വാഗ്ദാനങ്ങളില്ലാതെയല്ലെങ്കിലും, ശ്രദ്ധാപൂർവ്വം രൂപപ്പെടുത്തുകയും സിസ്റ്റങ്ങളിലേക്ക് സംയോജിപ്പിക്കുകയും ചെയ്യേണ്ടതുണ്ട്.

നിഗമനങ്ങൾ

മനുഷ്യ നിയന്ത്രണം നടപ്പിലാക്കുന്നതിന് AWS-ലെ മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകൾ പ്രധാനമാണ്, എന്നാൽ ആ നിയന്ത്രണ സാധ്യത ഓപ്പറേറ്റർക്ക് അർത്ഥവത്തായി നൽകുന്നതിന് മുമ്പ് രൂപകൽപ്പനയിലും ഉപയോഗത്തിലും കാര്യമായ വെല്ലുവിളികളും പരിഗണനകളും ഉണ്ട്.
മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളുടെ നിരവധി വശങ്ങൾ ഈ റിപ്പോർട്ട് വിശദീകരിച്ചിട്ടുണ്ട്, അതേസമയം സ്വയംഭരണത്തിന്റെയും മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെയും പശ്ചാത്തലത്തിൽ ചർച്ചയെ സമന്വയിപ്പിച്ചിട്ടുണ്ട്. കഴിഞ്ഞ ദശകത്തിൽ നിയന്ത്രണക്ഷമതയുടെ പരിഗണനകൾ ഗണ്യമായി പുരോഗമിച്ച ഓട്ടോണമസ് വാഹന വ്യവസായത്തിൽ നിന്നുള്ള നിരവധി ഉൾക്കാഴ്ചകൾ ഇത് ഉപയോഗിച്ചു.

പൊതുവായ നിഗമനങ്ങൾ

• AWS ന്റെ ഉപസിസ്റ്റങ്ങൾ എന്ന നിലയിൽ HMI-കളെക്കുറിച്ചുള്ള പഠനം, ഇന്റർഫേസ് ഡിസൈനിലൂടെ ഉൾച്ചേർത്തതും, പരിശീലന പ്രക്രിയയിലൂടെ വളർത്തിയെടുക്കുന്നതും, പ്രത്യേക സാങ്കേതിക ഗുണങ്ങളാൽ (ഉദാ: XAI) സഹായിക്കപ്പെടുന്നതുമായ (അല്ലെങ്കിൽ വിട്ടുവീഴ്ച ചെയ്യപ്പെടുന്ന) ഒരു കഴിവായി മനുഷ്യ നിയന്ത്രണത്തിന്റെ സങ്കീർണ്ണതയെ വെളിപ്പെടുത്തുന്നു.
• ആയുധ സംവിധാനങ്ങളിൽ സ്വയംഭരണ പ്രവർത്തനങ്ങളുടെയും AI, പ്രത്യേകിച്ച് ML, ന്റെയും ആമുഖം, മനുഷ്യ-യന്ത്ര ഇടപെടലിനുള്ള ഓപ്ഷനുകളും രീതികളും വികസിപ്പിക്കുന്നു; ഇത് മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളുടെ രൂപകൽപ്പനയും വികസനവും വളരെ സങ്കീർണ്ണമാക്കുന്നു, ഇത് മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് പുതിയ തരം പരിശീലനത്തിന്റെ ആവശ്യകതയിലേക്ക് വിവർത്തനം ചെയ്യുന്നു.

ഇന്റർഫേസ് ഡിസൈൻ 

• 1950-കൾ മുതൽ, ഇന്റർഫേസ് ഡിസൈനിലേക്കുള്ള സമീപനങ്ങൾ സാങ്കേതികവിദ്യയിൽ നിന്ന് ഉപയോക്തൃ/മനുഷ്യൻ- ഇടപെടൽ/മനുഷ്യ-AI ടീമിംഗ് കേന്ദ്രീകൃതമായി പരിണമിച്ചു, ഇത് സ്വയംഭരണത്തിന്റെയും സ്വയംഭരണ പ്രവർത്തനങ്ങളുടെയും വർദ്ധനവിനെ പ്രതിഫലിപ്പിക്കുന്നു.
• സാങ്കേതിക നവീകരണങ്ങൾക്കപ്പുറം മനുഷ്യ-യന്ത്ര ഇടപെടലിലെ ആഴത്തിലുള്ള മാറ്റങ്ങളെ പ്രതിഫലിപ്പിക്കുകയും മനുഷ്യ നിയന്ത്രണത്തിന് നേരിട്ടുള്ള പ്രത്യാഘാതങ്ങൾ സൃഷ്ടിക്കുകയും ചെയ്യുന്നതിനാൽ, നയപരമായ വീക്ഷണകോണിൽ നിന്ന് ഈ മാതൃകകൾ എന്താണ് അർത്ഥമാക്കുന്നതെന്ന് നിയമങ്ങളെക്കുറിച്ചുള്ള GGE പരിഗണിക്കേണ്ടത് പ്രധാനമാണ്.

പരിശീലനം 

• മനുഷ്യ നിയന്ത്രണത്തിന് ഒരു പ്രധാന ഘടകമായ മനുഷ്യ ഓപ്പറേറ്റർമാരുടെ പരിശീലനം, AWS-ലെ സ്വയംഭരണത്തിന്റെ പശ്ചാത്തലത്തിൽ പുതിയ വെല്ലുവിളികളുമായി വരുന്നു, കൂടാതെ ഇന്റർഫേസുകൾ കൂടുതൽ സങ്കീർണ്ണമാകുകയും ചെയ്യുന്നു.
• പരിശീലനത്തിന് AWS പരിമിതികൾ, പ്രവർത്തനപരമായ വിഹിതങ്ങൾ, സിസ്റ്റം പരാജയങ്ങൾ എന്നിവയെക്കുറിച്ച് വ്യക്തമായ ധാരണ ആവശ്യമാണ്, കൂടാതെ ഉത്തരവാദിത്തങ്ങളെയും ഉത്തരവാദിത്തത്തെയും കുറിച്ച് വ്യക്തമായ ധാരണ നിലനിർത്തിക്കൊണ്ട് പൊതുവായ പെരുമാറ്റ ഘടകങ്ങളെ (ഉദാഹരണത്തിന്, അലംഭാവം) അഭിസംബോധന ചെയ്യുകയും വേണം.

വിശദീകരിക്കാവുന്ന AI 

• കൂടുതൽ മനസ്സിലാക്കാവുന്നതും പ്രവചനാതീതവുമായ സംവിധാനങ്ങൾ അവതരിപ്പിച്ചുകൊണ്ട് സാങ്കേതികവിദ്യയിലുള്ള അവിശ്വാസത്തിന്റെ അപകടസാധ്യതകൾ ലഘൂകരിക്കുന്നതിനുള്ള ഒരു മാർഗമായി വിശേഷിപ്പിക്കപ്പെടുമ്പോൾ, സ്വയംഭരണ സംവിധാനങ്ങളുടെ അന്തർലീനമായ സുതാര്യതയ്ക്കും വിശദീകരണക്ഷമതയ്ക്കും XAI ഒരു പരിമിതമായ പരിഹാരമായി തുടരുന്നു. UNIDIR-ന്റെ ഭാവി ഗവേഷണം ഈ വിഷയം കൂടുതൽ വിശദമായി കൈകാര്യം ചെയ്യും.
• AI- പ്രാപ്തമാക്കിയ സിസ്റ്റങ്ങളിൽ കൂടുതൽ വിശദീകരണത്തിനും സുതാര്യതയ്ക്കും വേണ്ടിയുള്ള ശ്രമങ്ങൾ, പ്രവർത്തനങ്ങളുടെ വർഗ്ഗങ്ങൾ, സന്ദർഭങ്ങൾ, ഉപയോക്താക്കളുടെ ആവശ്യങ്ങൾ എന്നിവയിലുടനീളമുള്ള സൈനിക ആവശ്യങ്ങൾ കണക്കിലെടുത്ത് പിന്തുടരണം. പ്രതീക്ഷകൾ കാലിബ്രേറ്റ് ചെയ്യുന്നതിനും സാങ്കേതികവിദ്യയിലുള്ള വിശ്വാസം വർദ്ധിപ്പിക്കുന്നതിനും, സുതാര്യത വിവരങ്ങളെയും സിസ്റ്റത്തിന്റെ ദുർബലതയെയും ഏറ്റവും നന്നായി പ്രതിനിധീകരിക്കുന്ന ഇന്റർ-ഫേസ് ഡിസൈനിനെക്കുറിച്ചുള്ള സമഗ്രമായ ഗവേഷണത്തോടൊപ്പം ഇതോടൊപ്പം ഉണ്ടായിരിക്കണം.

നയ ശുപാർശകൾ
നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ നിലവിലുള്ളതും ഭാവിയിലുള്ളതുമായ പ്രവർത്തനങ്ങൾ ഇനിപ്പറയുന്നവ ലക്ഷ്യമിടുന്നുവെന്ന് ഈ റിപ്പോർട്ട് സൂചിപ്പിക്കുന്നു:

• സ്വയംഭരണത്തിന്റെ പശ്ചാത്തലത്തിൽ മനുഷ്യ-യന്ത്ര ഇടപെടലുമായി ബന്ധപ്പെട്ട വിഷയങ്ങളെക്കുറിച്ചും മനുഷ്യ നിയന്ത്രണത്തിൽ ഇന്റർഫേസുകളുടെ പങ്കിനെക്കുറിച്ചും സമഗ്രവും സൂക്ഷ്മവുമായ ചർച്ചകൾ നടത്തുക. ഇന്റലിജന്റ് സിസ്റ്റങ്ങളുടെ പശ്ചാത്തലത്തിൽ ഇന്റർഫേസ് ഡിസൈനിന്റെയും പേഴ്‌സണൽ പരിശീലനത്തിന്റെയും പരസ്പരബന്ധിതമായ വശങ്ങൾ, AI സിസ്റ്റങ്ങളുടെ വിശദീകരണക്ഷമതയുടെ പ്രശ്നങ്ങൾ, സാങ്കേതികവിദ്യയിലുള്ള വിശ്വാസം എന്നിവ ഇതിൽ ഉൾപ്പെടുത്തണം.
• AI സിസ്റ്റങ്ങൾക്കായുള്ള ഇന്റർഫേസുകളുടെ ഭാവി വികസനത്തിന് വഴികാട്ടേണ്ട മനുഷ്യ നിയന്ത്രണവുമായി ബന്ധപ്പെട്ട പ്രതീക്ഷകളും ലക്ഷ്യങ്ങളും കൂടുതൽ വ്യക്തമായി വ്യക്തമാക്കുക. മനുഷ്യ നിയന്ത്രണത്തിന്റെ പ്രശ്നം സാങ്കേതിക സമൂഹത്തിലേക്ക് എത്തിക്കുന്നതിൽ ഗ്രൂപ്പിന്റെ ചർച്ചകൾ നിർണായക പങ്കുവഹിച്ചിട്ടുണ്ട്, എന്നാൽ മനുഷ്യ നിയന്ത്രണത്തിന്റെ അർത്ഥം കൂടുതൽ വ്യക്തമായി നിർവചിക്കപ്പെട്ടിട്ടുണ്ടെന്നും ആയുധ സംവിധാനങ്ങളുടെയും പ്രവർത്തന സന്ദർഭങ്ങളുടെയും വിവിധ തരങ്ങളിൽ പ്രസക്തമാണെന്നും ഉറപ്പാക്കാൻ കൂടുതൽ വിശദീകരണം ആവശ്യമാണ്.
• AWS-ൽ മനുഷ്യ നിയന്ത്രണത്തിനായി മനുഷ്യ-AI ടീമിംഗിന്റെ പ്രത്യാഘാതങ്ങൾ ചർച്ച ചെയ്യുക. 'ടീമിംഗ്' എന്ന ഉപമ മനുഷ്യർക്കും AI സിസ്റ്റങ്ങൾക്കും ഇടയിലുള്ള തുല്യ പദവിയെ സൂചിപ്പിക്കുന്നില്ല, കൂടാതെ മനുഷ്യർ 'ചുമതലയിൽ തുടരുന്നു' എന്ന് വാദിക്കുന്നു; എന്നിരുന്നാലും, മനുഷ്യ നിയന്ത്രണത്തിന്റെ അർത്ഥത്തെക്കുറിച്ച് പുതിയ ചോദ്യങ്ങൾ ഉയർത്തുന്നു. ഈ മാതൃകയുടെ പ്രത്യാഘാതങ്ങളും വെല്ലുവിളികളും പര്യവേക്ഷണം ചെയ്യുന്നതിൽ സാങ്കേതിക വിദഗ്ധരിൽ നിന്നുള്ള ഇൻപുട്ടുകൾ അത്യാവശ്യമാണ്.

അനെക്സ് എ

നിയമ റിപ്പോർട്ടുകളിൽ GGE-യിൽ നിന്നുള്ള മനുഷ്യ-യന്ത്ര ഇടപെടലും മനുഷ്യ നിയന്ത്രണവുമായി ബന്ധപ്പെട്ട ഭാഗങ്ങൾ.

• 21. അജണ്ട ഇനം 5 (സി)-ൽ "മാരകമായ ബലപ്രയോഗത്തിലെ മനുഷ്യ ഘടകത്തെക്കുറിച്ചുള്ള കൂടുതൽ പരിഗണന; മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുടെ വികസനം, വിന്യാസം, ഉപയോഗം എന്നിവയിൽ മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ വശങ്ങൾ" ഗ്രൂപ്പ് ഇനിപ്പറയുന്ന രീതിയിൽ ഉപസംഹരിച്ചു:
  മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങളുടെ ഉപയോഗത്തിനുള്ള മനുഷ്യന്റെ ഉത്തരവാദിത്തം ഈ ആയുധ സംവിധാനങ്ങളുടെ ജീവിതചക്രത്തിലുടനീളം വിവിധ രീതികളിലും മനുഷ്യ-യന്ത്ര ഇടപെടലിലൂടെയും നടപ്പിലാക്കാൻ കഴിയും.
• 23. അജണ്ട ഇനം 5 (d)-ൽ “Review "ഗ്രൂപ്പിന്റെ പ്രവർത്തനത്തിന്റെ പശ്ചാത്തലത്തിൽ അനുബന്ധ സാങ്കേതികവിദ്യകളുടെ സാധ്യതയുള്ള സൈനിക പ്രയോഗങ്ങളെക്കുറിച്ച്" ഗ്രൂപ്പ് ഇങ്ങനെ ഉപസംഹരിച്ചു:
  (…)
• (ബി) അപകടസാധ്യത കുറയ്ക്കുന്നതിനുള്ള നടപടികളിൽ ഇവ ഉൾപ്പെടാം: സിസ്റ്റങ്ങളുടെ കർശനമായ പരിശോധനയും വിലയിരുത്തലും, നിയമപരമായ പുനർനിർമ്മാണംviewഎളുപ്പത്തിൽ മനസ്സിലാക്കാവുന്ന മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളും നിയന്ത്രണങ്ങളും, ഉദ്യോഗസ്ഥരെ പരിശീലിപ്പിക്കുക, സിദ്ധാന്തങ്ങളും നടപടിക്രമങ്ങളും സ്ഥാപിക്കുക, ഉചിതമായ ഇടപെടൽ നിയമങ്ങളിലൂടെ ആയുധങ്ങളുടെ ഉപയോഗം പരിമിതപ്പെടുത്തുക;
• അനെക്സ് IV
  മാർഗ്ഗനിർദ്ദേശ തത്വങ്ങൾ
  • (സി) മനുഷ്യ-യന്ത്ര ഇടപെടൽ, ഇത് വ്യത്യസ്ത രൂപങ്ങളെടുക്കുകയും വ്യത്യസ്ത ഘട്ടങ്ങളിൽ നടപ്പിലാക്കുകയും ചെയ്യാം.tagഒരു ആയുധത്തിന്റെ ജീവിത ചക്രത്തിലെ മാനദണ്ഡങ്ങൾ, മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങളുടെ സാധ്യതയുള്ള ഉപയോഗം ബാധകമായ അന്താരാഷ്ട്ര നിയമത്തിന് അനുസൃതമാണെന്ന് ഉറപ്പാക്കണം, പ്രത്യേകിച്ച് IHL. മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ ഗുണനിലവാരവും വ്യാപ്തിയും നിർണ്ണയിക്കുന്നതിൽ, പ്രവർത്തന സന്ദർഭം, മൊത്തത്തിലുള്ള ആയുധ സംവിധാനത്തിന്റെ സവിശേഷതകളും കഴിവുകളും ഉൾപ്പെടെ നിരവധി ഘടകങ്ങൾ പരിഗണിക്കണം;
  • (ജി) ഏതൊരു ആയുധ സംവിധാനത്തിലും ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുടെ രൂപകൽപ്പന, വികസനം, പരിശോധന, വിന്യാസ ചക്രത്തിന്റെ ഭാഗമായിരിക്കണം അപകടസാധ്യത വിലയിരുത്തലുകളും ലഘൂകരണ നടപടികളും;

എ. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകൾ അന്താരാഷ്ട്ര മാനുഷിക നിയമത്തിന് ഉയർത്തുന്ന സാധ്യതയുള്ള വെല്ലുവിളികളെക്കുറിച്ചുള്ള ഒരു പര്യവേക്ഷണം.

1. ഇൻപുട്ടുകളുടെയും എക്സ്ചേഞ്ചുകളുടെയും സംഗ്രഹം
   • 9. ആയുധങ്ങളുടെ വികസനത്തെയും ഉപയോഗത്തെയും കുറിച്ചുള്ള തീരുമാനങ്ങൾക്ക് മനുഷ്യൻ എപ്പോഴും ഉത്തരവാദിയാണെന്ന് ഉറപ്പാക്കാൻ ചില സംസ്ഥാനങ്ങൾ ഇതിനകം ദേശീയ നിയമങ്ങൾ നടപ്പിലാക്കിയിട്ടുണ്ട്. മാർഗ്ഗനിർദ്ദേശ തത്വം (d) അനുസരിച്ച്, കർശനമായ പരിശോധനയും പരിശീലനവും, നടപടിക്രമങ്ങളും സിദ്ധാന്തങ്ങളും സ്ഥാപിക്കൽ, സ്ഥാപിത പരിശീലനം, സിദ്ധാന്തം, നടപടിക്രമങ്ങൾ എന്നിവയ്ക്ക് അനുസൃതമായി ആയുധ സംവിധാനം ഉപയോഗിക്കൽ എന്നിവയുൾപ്പെടെ വിവിധ നടപടികൾ ഉത്തരവാദിത്തത്തെ പ്രോത്സാഹിപ്പിക്കും. […]
   • C. മാരകമായ ബലപ്രയോഗത്തിലെ മനുഷ്യ ഘടകത്തെക്കുറിച്ചുള്ള കൂടുതൽ പരിഗണന; മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുടെ വികസനം, വിന്യാസം, ഉപയോഗം എന്നിവയിൽ മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ വശങ്ങൾ.
2. ഇൻപുട്ടുകളുടെയും എക്സ്ചേഞ്ചുകളുടെയും സംഗ്രഹം
   • 27. ബലപ്രയോഗം മനുഷ്യന്റെ ഏജൻസിയെയും ഉദ്ദേശ്യത്തെയും പ്രതിഫലിപ്പിക്കുന്നതാണെന്നും സായുധ സേനയുടെ ഉപയോഗത്തിന് അംഗീകാരം നൽകുന്നതിന് ആവശ്യമായ വിധിന്യായങ്ങൾ മനുഷ്യരാണ് എടുക്കേണ്ടതെന്നും സംസ്ഥാനങ്ങൾ ഉറപ്പാക്കണം. IHL പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ സന്ദർഭത്തിനനുസരിച്ചുള്ള മനുഷ്യ തീരുമാനങ്ങൾ ആവശ്യമാണ്. ഒരു പ്രത്യേക ആക്രമണത്തിൽ ഉദ്ദേശിച്ച രീതിയിൽ പ്രവർത്തിക്കുമെന്ന് ഉറപ്പാക്കാൻ മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക്, പ്രത്യേകിച്ച് കമാൻഡ് ആൻഡ് കൺട്രോൾ ശൃംഖലയിൽ, ഒരു സിസ്റ്റത്തെക്കുറിച്ച് മതിയായ അറിവും ധാരണയും ഉണ്ടായിരിക്കണം.
   • 28. ഭാവിയിലെ പ്രവർത്തനപരവും മാനദണ്ഡപരവുമായ ഒരു ചട്ടക്കൂട് നിർമ്മിക്കുന്നതിനുള്ള ഒരു മൂലക്കല്ലായി മനുഷ്യ-യന്ത്ര ഇടപെടലിനെ പലരും സ്ഥിരമായി ഉയർത്തിക്കാട്ടിയിട്ടുണ്ട്. ഗ്രൂപ്പിന്റെ പ്രവർത്തനത്തിന് മാർഗ്ഗനിർദ്ദേശ തത്വം (സി) പ്രാഥമിക പ്രാധാന്യമുള്ളതാണെന്ന് പല വ്യാഖ്യാനങ്ങളും പരിഗണിച്ചു. നിരവധി viewനിയമങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുടെ ഉപയോഗത്തിൽ ആവശ്യമായ മനുഷ്യ ഇടപെടലിന്റെ തരവും വ്യാപ്തിയും നിർണ്ണയിക്കാൻ ഈ തത്വം കൂടുതൽ പ്രവർത്തനങ്ങൾ ആവശ്യമാണെന്ന് അദ്ദേഹം പറഞ്ഞു. മനുഷ്യ-യന്ത്ര ഇടപെടലിന് "എല്ലാവർക്കും യോജിക്കുന്ന ഒരു വലുപ്പം" എന്ന പാരാമീറ്ററുകൾ ഉണ്ടാകണമെന്നില്ല; അത്തരം ഇടപെടലിനുള്ള ആവശ്യകതകൾ പ്രവർത്തന സന്ദർഭത്തെയും ആയുധ സംവിധാനത്തിന്റെ സവിശേഷതകളെയും ആശ്രയിച്ചിരിക്കും, കൂടാതെ ഓരോ കേസിന്റെയും അടിസ്ഥാനത്തിൽ നിർണ്ണയിക്കേണ്ടി വന്നേക്കാം. മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ ഒരു സാധ്യമായ ലക്ഷ്യം മനുഷ്യർ അവർ വിന്യസിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും ചെയ്യുന്ന ആയുധങ്ങളുടെയും അതിന്റെ ഫലമായുണ്ടാകുന്ന അനന്തരഫലങ്ങളുടെയും നിയന്ത്രണം നിലനിർത്തുന്നുണ്ടെന്ന് ഉറപ്പാക്കുക എന്നതാണ്. IHL പാലിക്കൽ ശക്തിപ്പെടുത്താൻ കഴിയുന്ന മനുഷ്യ-യന്ത്ര ഇടപെടലുമായി നല്ല രീതികളുടെ വികാസം വിലപ്പെട്ടതായിരിക്കും. ഓരോ ഘട്ടത്തിലും മനുഷ്യ-യന്ത്ര ഇടപെടൽ പരിഗണിക്കേണ്ടതുണ്ട്.tagഒരു ആയുധ സംവിധാനത്തിന്റെ ജീവിതചക്രം.
   • 29. "മനുഷ്യ നിയന്ത്രണം" എന്ന ആശയത്തിന്റെ പ്രാധാന്യത്തെക്കുറിച്ച് കാര്യമായ ചർച്ച നടന്നു. മനുഷ്യ നിയന്ത്രണ ആശയത്തെ അടിസ്ഥാനമാക്കിയുള്ള നടപടികൾക്ക് ഒരു ആയുധത്തിന്റെ പ്രത്യേക സവിശേഷതകൾ, പ്രവർത്തന പരിസ്ഥിതി, സ്വയംഭരണ പ്രവർത്തനത്തിന്റെ സമയപരിധി, ഒരു പ്രദേശത്തെ ചലന വ്യാപ്തി, മനുഷ്യ-യന്ത്ര ഇടപെടൽ എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള പരിഗണനകൾ ആവശ്യമായി വന്നേക്കാം. അത്തരം നടപടികൾ ഇവയും വ്യക്തമാക്കാം: ഒരു ആയുധ സംവിധാനത്തിന്റെ പെരുമാറ്റത്തിൽ ആവശ്യമായ പ്രവചനാതീതതയുടെ അളവ്; ഒരു ആയുധ സംവിധാനത്തെക്കുറിച്ചുള്ള പരിശീലനത്തിന്റെയും ധാരണയുടെയും ആവശ്യമായ അളവ്; ഒരു ആയുധ സംവിധാനത്തിന്റെ പ്രവർത്തനം നിർജ്ജീവമാക്കാനോ മറികടക്കാനോ ഉള്ള മനുഷ്യന്റെ കഴിവ്. എന്നിരുന്നാലും, ഒരു നിർജ്ജീവമാക്കൽ ആവശ്യകത, നിലവിൽ വിന്യസിച്ചിരിക്കുന്ന ആയുധങ്ങളിൽ സംസ്ഥാനങ്ങൾ ആവശ്യപ്പെടുന്നതിലും അപ്പുറത്തേക്ക് പോയേക്കാം. ഫലപ്രദമായ മനുഷ്യ നിയന്ത്രണം, ഇടപെടൽ അല്ലെങ്കിൽ വിധിന്യായം നേരിട്ടുള്ള, മാനുവൽ നിയന്ത്രണത്തിന് തുല്യമാകണമെന്നില്ല, മറിച്ച് ആയുധത്തിലും ഉപയോഗ പരിസ്ഥിതിയിലും സ്ഥാപിച്ചിരിക്കുന്ന അതിരുകൾ, മനുഷ്യ-യന്ത്ര ഇടപെടലിനുള്ള ആവശ്യകതകൾ എന്നിവയുൾപ്പെടെയുള്ള സന്ദർഭോചിത ഘടകങ്ങളാണ്. [ഊന്നൽ ചേർത്തു] എല്ലാ മേഖലകളിലും IHL പാലിക്കുന്നതിന് ആവശ്യമായ തരവും വ്യാപ്തിയും ഉൾപ്പെടെ മനുഷ്യ നിയന്ത്രണത്തിന്റെ വിവിധ വശങ്ങൾ മനസ്സിലാക്കുന്നതിന് ഗ്രൂപ്പിനുള്ളിൽ കൂടുതൽ പ്രവർത്തനങ്ങൾ ആവശ്യമാണ്.tagഒരു ആയുധ സംവിധാനത്തിന്റെ ജീവിതചക്രത്തിന്റെ സവിശേഷതകൾ. ഈ തത്വവുമായി ബന്ധപ്പെട്ട ആഭ്യന്തര നയങ്ങളുടെയും മികച്ച രീതികളുടെയും കൈമാറ്റം ഉപയോഗപ്രദമാകും.
   • 30. ഒരു സിസ്റ്റത്തിന്റെ പ്രവർത്തന കാലയളവ്, പ്രവർത്തന വ്യാപ്തി, സ്വയംഭരണാധികാരത്തോടെ പ്രവർത്തിക്കാൻ കഴിയുന്ന പ്രവർത്തനങ്ങൾ എന്നിവയിൽ അതിരുകൾ നിശ്ചയിക്കുന്നതിലൂടെയും അതുവഴി ആയുധവ്യവസ്ഥയുടെ ഉപയോഗം നിയമാനുസൃതമാണോ എന്ന് നിർണ്ണയിക്കുന്നതിലൂടെയും ഒരു സിസ്റ്റത്തെ നിയന്ത്രിക്കാനുള്ള കഴിവ് നിരവധി പ്രതിനിധികൾ പ്രസക്തമായി കണക്കാക്കി. ഉചിതമായ വിധിനിർണ്ണയം നടത്തുന്നതിനും ആയുധവ്യവസ്ഥകളുടെ ഉപയോഗം ബാധകമായ അന്താരാഷ്ട്ര നിയമത്തിനുള്ളിൽ സ്ഥിരമായി ഉണ്ടെന്ന് ഉറപ്പാക്കുന്നതിനും മനുഷ്യ ഓപ്പറേറ്റർമാർക്കും കമാൻഡർമാർക്കും അവർ പ്രവർത്തിക്കുന്ന യന്ത്രങ്ങളെക്കുറിച്ചും യന്ത്രങ്ങളുടെ പ്രവർത്തനത്തെ നിയന്ത്രിക്കുന്ന അൽഗോരിതങ്ങളെക്കുറിച്ചും മതിയായ ധാരണ ആവശ്യമാണ്; അതിനാൽ, ഫലപ്രദമാകുന്നതിന് നിയന്ത്രണം പൂർണ്ണമായി അറിയിക്കേണ്ടതുണ്ട്. പ്രവർത്തന പരിതസ്ഥിതിയെക്കുറിച്ചും ഒരു ധാരണ ഉണ്ടായിരിക്കണം. ഒരു ആയുധത്തിന്റെ പ്രവർത്തനത്തിൽ ഇടപെടാനുള്ള കഴിവിനെ ആശ്രയിച്ചിരിക്കും മനുഷ്യ നിയന്ത്രണം/ഇടപെടൽ/വിധി, ഒരിക്കൽ സജീവമാക്കിയാൽ, ഒരു ആയുധത്തിന്റെ പ്രവർത്തനത്തിൽ മനുഷ്യന്റെ ഇടപെടൽ സാധ്യമല്ലാത്ത ഒരു ഘട്ടവും എപ്പോഴും ഉണ്ടാകാം. ഒടുവിൽ, സാധുവായി തുടരുന്നതിന്, മനുഷ്യ നിയന്ത്രണം/ഇടപെടൽ/വിധി ഒരു ആക്രമണത്തിന് ന്യായമായും താൽക്കാലികമായി അടുത്തായിരിക്കണമെന്ന് ശ്രദ്ധിക്കപ്പെട്ടു.
3. സമവായ ശുപാർശകൾക്കുള്ള സാധ്യമായ ഘടകങ്ങൾ
   • 31. CCW/GGE.5/1/2019, ഖണ്ഡിക 3 ലെ അജണ്ട ഇനം 21 (c) യിലെ ഗ്രൂപ്പിന്റെ മാർഗ്ഗനിർദ്ദേശ തത്വങ്ങളും ഉപസംഹാരവും കണക്കിലെടുത്ത്, മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെക്കുറിച്ചുള്ള മാനദണ്ഡപരവും പ്രവർത്തനപരവുമായ ചട്ടക്കൂടിന്റെ വശങ്ങളുടെ വ്യക്തത, പരിഗണന, വികസനം എന്നിവയുമായി ബന്ധപ്പെട്ട് സമവായ ശുപാർശകൾക്കുള്ള സാധ്യമായ അടിസ്ഥാനമായി ഗ്രൂപ്പ് ഇനിപ്പറയുന്ന ഘടകങ്ങളെ പരിഗണിച്ചു:
     (എ) മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങളുടെ ഉപയോഗത്തിനുള്ള മനുഷ്യന്റെ ഉത്തരവാദിത്തം ഈ ആയുധ സംവിധാനങ്ങളുടെ ജീവിതചക്രത്തിലുടനീളം വിവിധ രീതികളിലും മനുഷ്യ-യന്ത്ര ഇടപെടലിലൂടെയും നടപ്പിലാക്കാൻ കഴിയും.
4. ഭാവിയിൽ സാധ്യമായ പ്രവർത്തന മേഖലകൾ a view സമവായ ശുപാർശകൾക്കായി കൂടുതൽ ഘടകങ്ങളിൽ എത്തിച്ചേരുന്നതിന്
   • 32. നിയമങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യയുടെ ഉപയോഗം IHL ആവശ്യപ്പെടുന്നതുപോലെ പരിമിതപ്പെടുത്താൻ കഴിയുമെന്ന് ഉറപ്പാക്കുന്നതിന് ആവശ്യമായ മനുഷ്യ നിയന്ത്രണത്തെക്കുറിച്ചുള്ള മാനദണ്ഡങ്ങൾ വികസിപ്പിക്കുന്നതിൽ ഗ്രൂപ്പിന് കൂടുതൽ പ്രവർത്തനങ്ങൾ തുടരാം, അവയിൽ ഇവ ഉൾപ്പെടുന്നു: (i) ആയുധ സംവിധാനത്തിലെ പ്രവർത്തന നിയന്ത്രണങ്ങൾ, (ii) ആയുധ സംവിധാനത്തിന്റെ പ്രവർത്തനത്തെ പരിമിതപ്പെടുത്തുന്ന പരിസ്ഥിതി-മാനസികവും താൽക്കാലികവുമായ നിയന്ത്രണങ്ങൾ, (iii) മനുഷ്യ-യന്ത്ര ഇടപെടലിന്റെ മാനദണ്ഡങ്ങൾ, എല്ലാ ബലപ്രയോഗങ്ങളും അർത്ഥവത്തായി മനുഷ്യ ഓപ്പറേറ്റർമാരും കമാൻഡർമാരും നയിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ.
   • 33. നിയമ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കി, ആയുധങ്ങളുടെ ഉപയോഗത്തിൽ ഫലപ്രദമായ മനുഷ്യ നിയന്ത്രണം, ഇടപെടൽ അല്ലെങ്കിൽ വിധിന്യായം എന്നിവ ഉറപ്പാക്കുന്നതിനുള്ള നിയന്ത്രണങ്ങളുടെയും സുരക്ഷാ നടപടികളുടെയും പര്യാപ്തത വിലയിരുത്തുന്നതിനുള്ള രീതികൾ ഗ്രൂപ്പിന് പരിശോധിക്കാൻ കഴിയും.
5. ഡി. റെview ഗ്രൂപ്പിന്റെ പ്രവർത്തനങ്ങളുടെ പശ്ചാത്തലത്തിൽ അനുബന്ധ സാങ്കേതികവിദ്യകളുടെ സാധ്യതയുള്ള സൈനിക പ്രയോഗങ്ങൾ
   […]
6. സമവായ ശുപാർശകൾക്കുള്ള സാധ്യമായ ഘടകങ്ങൾ
   • 37. CCW/GGE.5/1/2019, ഖണ്ഡിക 3 (a) മുതൽ (c) വരെയുള്ള റിപ്പോർട്ടിലെ അജണ്ട ഇനം 23 (d) ലെ ഗ്രൂപ്പിന്റെ മാർഗ്ഗനിർദ്ദേശ തത്വങ്ങളും നിഗമനങ്ങളും കണക്കിലെടുത്ത്, മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെക്കുറിച്ചുള്ള മാനദണ്ഡപരവും പ്രവർത്തനപരവുമായ ചട്ടക്കൂടിന്റെ വശങ്ങളുടെ വ്യക്തത, പരിഗണന, വികസനം എന്നിവയുമായി ബന്ധപ്പെട്ട് സമവായ ശുപാർശകൾക്കുള്ള സാധ്യമായ അടിസ്ഥാനമായി ഗ്രൂപ്പ് ഇനിപ്പറയുന്ന ഘടകങ്ങളെ പരിഗണിച്ചു:
     […]
   • b) അപകടസാധ്യത കുറയ്ക്കുന്നതിനുള്ള നടപടികളിൽ ഇവ ഉൾപ്പെടാം: സിസ്റ്റങ്ങളുടെ കർശനമായ പരിശോധനയും വിലയിരുത്തലും; നിയമപരമായ പുനർനിർമ്മാണംviews; എളുപ്പത്തിൽ മനസ്സിലാക്കാവുന്ന മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകളും നിയന്ത്രണങ്ങളും; ഉദ്യോഗസ്ഥരെ പരിശീലിപ്പിക്കുക; സിദ്ധാന്തങ്ങളും നടപടിക്രമങ്ങളും സ്ഥാപിക്കുക; ഉചിതമായ ഇടപെടലുകൾക്കുള്ള നിയമങ്ങൾ വഴി ആയുധങ്ങളുടെ ഉപയോഗം പരിമിതപ്പെടുത്തുക.
7. F. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെക്കുറിച്ചുള്ള മാനദണ്ഡപരവും പ്രവർത്തനപരവുമായ ചട്ടക്കൂടിന്റെ വശങ്ങളുടെ വ്യക്തത, പരിഗണന, വികസനം എന്നിവയുമായി ബന്ധപ്പെട്ട സമവായ ശുപാർശകൾ.
   […]
   • 43. മാനദണ്ഡപരവും പ്രവർത്തനപരവുമായ ചട്ടക്കൂടിന്റെ വശങ്ങളുടെ വ്യക്തത, പരിഗണന, വികസനം എന്നിവയുമായി ബന്ധപ്പെട്ട ഘടകങ്ങൾ ഗ്രൂപ്പ് അതിന്റെ പ്രവർത്തനത്തിൽ പരിഗണിച്ചു:
   • (എ) മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളിൽ IHL ഉൾപ്പെടെയുള്ള ബാധകമായ അന്താരാഷ്ട്ര നിയമങ്ങളുടെ തത്വങ്ങളും നിയമങ്ങളും എങ്ങനെ ബാധകമാകുമെന്ന് വ്യക്തമാക്കാൻ ചട്ടക്കൂടിന്റെ മാനദണ്ഡ വശങ്ങളെ അഭിസംബോധന ചെയ്യുന്ന സാധ്യമായ ഘടകങ്ങൾക്ക് കഴിയും. ഇവയിൽ ഇവ ഉൾപ്പെടാം: സംസ്ഥാനങ്ങൾക്കും, സായുധ സംഘട്ടനത്തിലെ കക്ഷികൾക്കും, വ്യക്തികൾക്കും IHL ന്റെ പ്രയോഗക്ഷമതയും IHL പ്രകാരമുള്ള ബാധ്യതകൾ പാലിക്കുന്നതിനുള്ള അവരുടെ ഉത്തരവാദിത്തവും; മനുഷ്യരുടെ ഒരു ശൃംഖലയിലൂടെ IHL ആവശ്യകതകളും തത്വങ്ങളും പ്രയോഗിക്കേണ്ടതിന്റെ ആവശ്യകത; IHL പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കാൻ സമഗ്രവും സന്ദർഭാധിഷ്ഠിതവുമായ മനുഷ്യ വിധിന്യായത്തിന്റെ ആവശ്യകത; നിയമപരമായ പുനർനിർമ്മാണത്തിന്റെ പ്രയോഗക്ഷമത.viewമാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളിലേക്ക് പുതിയ ആയുധങ്ങളുടെ വിതരണം; IHL ആവശ്യകതകളും തത്വങ്ങളും പാലിക്കാനുള്ള ഒരു മനുഷ്യ ഓപ്പറേറ്ററുടെയും കമാൻഡറുടെയും ഉദ്ദേശ്യത്തിന് അനുസൃതമായി വിശ്വസനീയമായോ പ്രവചനാതീതമായോ അവയുടെ പ്രവർത്തനങ്ങൾ നിർവഹിക്കാൻ കഴിയാത്ത ആയുധ സംവിധാനങ്ങൾ ഉപയോഗിക്കുന്നത് അന്തർലീനമായി നിയമവിരുദ്ധമാണെന്ന സ്പെസിഫിക്കേഷൻ; കൂടാതെ IHL അനുസരിച്ച് ഉപയോഗിക്കാൻ കഴിയാത്ത നിയമ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങൾ പ്രത്യേകമായി നിരോധിക്കണമെന്നും;
   • (ബി) മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുമായി ബന്ധപ്പെട്ട് സംസ്ഥാനങ്ങൾ IHL-ന്റെ തത്വങ്ങളും നിയമങ്ങളും എങ്ങനെ നടപ്പിലാക്കണമെന്നും ഈ ലക്ഷ്യത്തിൽ അവർ എങ്ങനെ സഹകരിക്കണമെന്നും ചട്ടക്കൂടിന്റെ പ്രവർത്തന വശങ്ങളെ അഭിസംബോധന ചെയ്യുന്ന സാധ്യമായ ഘടകങ്ങളിൽ ഇവ ഉൾപ്പെടാം: നിയമങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങളുടെ ഉപയോഗത്തിന് വ്യക്തിഗത ഉത്തരവാദിത്തം ഉറപ്പാക്കൽ; ആയുധ സവിശേഷതകളുടെയും ഉപയോഗ പരിസ്ഥിതിയുടെയും ചില പ്രവർത്തന നിയന്ത്രണങ്ങൾ, മനുഷ്യ-യന്ത്ര ഇടപെടലിനുള്ള ആവശ്യകതകൾ എന്നിവയുൾപ്പെടെയുള്ള ആക്രമണങ്ങളിൽ ഒരു മനുഷ്യ ഓപ്പറേറ്ററോ കമാൻഡറോ വിധി നിർണ്ണയം നടത്തുന്നുണ്ടെന്ന് ഉറപ്പാക്കൽ; […].

II. അന്താരാഷ്ട്ര നിയമത്തിന്റെ പ്രയോഗം
പൊതുവായ പ്രതിബദ്ധതകൾ

• 26. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള മറ്റെല്ലാ തരം ആയുധ സംവിധാനങ്ങളുടെയും ഉപയോഗത്തിൽ അന്താരാഷ്ട്ര മാനുഷിക നിയമം പാലിക്കുന്നതിന് ആവശ്യമായ സാഹചര്യങ്ങളിൽ മനുഷ്യന്റെ വിധിന്യായവും നിയന്ത്രണവും ഉറപ്പാക്കാൻ പര്യാപ്തമായ, ആയുധ സംവിധാനത്തിന്റെ ജീവിതചക്രത്തിലുടനീളം ഉചിതമായ മനുഷ്യ ഇടപെടൽ നടത്താൻ സംസ്ഥാനങ്ങൾ പ്രതിജ്ഞാബദ്ധരായിരിക്കണം. ഇതിൽ ഇവ ഉൾപ്പെടാം, എന്നാൽ ഇവയിൽ മാത്രം പരിമിതപ്പെടുന്നില്ല:
  • (എ) ലക്ഷ്യത്തിന്റെ തരത്തിലുള്ള പരിധികൾ;
  • (ബി) ഉപയോഗത്തിന്റെ ദൈർഘ്യം, ഭൂമിശാസ്ത്രപരമായ വ്യാപ്തി, വ്യാപ്തി എന്നിവയിലെ പരിധികൾ;
  • (സി) മനുഷ്യ-യന്ത്ര ഇടപെടലിനുള്ള ആവശ്യകതകളും ആവശ്യമായ ഇടപെടലോ നിർജ്ജീവമാക്കലോ; അല്ലെങ്കിൽ
  • (ഡി) മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് ആയുധ സംവിധാനങ്ങൾ നിയന്ത്രിക്കാൻ കഴിയുന്നതും വിവരങ്ങൾ നൽകുന്നതും ഉറപ്പാക്കുന്നതിനുള്ള വ്യക്തമായ നടപടിക്രമങ്ങൾ.

മനുഷ്യ-യന്ത്ര ഇടപെടൽ

• 29. മനുഷ്യ-യന്ത്ര ഇടപെടലിലെ ഇനിപ്പറയുന്ന നിർദ്ദിഷ്ട രീതികൾ അന്താരാഷ്ട്ര മാനുഷിക നിയമം നടപ്പിലാക്കുന്നതിനും, ഫലപ്രദമായ ഉത്തരവാദിത്തത്തിനും, മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങൾ ഉയർത്തുന്ന അപകടസാധ്യതകൾ ലഘൂകരിക്കുന്നതിനും സഹായിച്ചേക്കാം:
  • (എ) മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയാണ് മനുഷ്യ കമാൻഡർമാരും ഓപ്പറേറ്റർമാരും ആയുധ സംവിധാനങ്ങളുടെ വിന്യാസത്തെയും ഉപയോഗത്തെയും കുറിച്ച് തീരുമാനങ്ങൾ എടുക്കുന്നത്. അന്താരാഷ്ട്ര നിയമങ്ങൾക്കനുസൃതമായി ബലപ്രയോഗം ഉറപ്പാക്കുന്നതിന്, ആ സമയത്ത് ന്യായമായും ലഭ്യമായ വിവരങ്ങൾ ഉപയോഗിച്ചാണ് ഇത് ചെയ്യുന്നത്. സാധ്യതയുള്ള ലക്ഷ്യങ്ങൾ, ഉപയോഗിക്കേണ്ട ആയുധത്തിന്റെ കഴിവുകൾ, സവിശേഷതകൾ, ആയുധം വിന്യസിച്ചിരിക്കുന്ന സന്ദർഭം എന്നിവയെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഇതിൽ ഉൾപ്പെടുന്നു.
  • (ബി) മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കി ഒരു ആയുധ സംവിധാനം ഉപയോഗിക്കുന്നതിന്റെ ഫലങ്ങൾ ഉപയോഗിക്കുന്നതിന് മുമ്പ് ശരിയായി വിലയിരുത്താൻ മനുഷ്യ കമാൻഡർമാർക്കും ഓപ്പറേറ്റർമാർക്കും കഴിയണം. [ഊന്നൽ ചേർത്തു]
  • (സി) മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങൾ വിന്യസിക്കുകയും അന്താരാഷ്ട്ര മാനുഷിക നിയമങ്ങൾക്ക് അനുസൃതമായി ഉപയോഗിക്കുകയും ചെയ്യുന്നുവെന്ന് ഉറപ്പാക്കാൻ മനുഷ്യ കമാൻഡർമാർക്കും ഓപ്പറേറ്റർമാർക്കും മറ്റ് പ്രസക്തമായ ഉദ്യോഗസ്ഥർക്കും പരിശീലനം നൽകുന്നു. [ഊന്നൽ ചേർത്തു]

റിസ്ക് ലഘൂകരണം

• 40. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെ അടിസ്ഥാനമാക്കിയുള്ള ആയുധ സംവിധാനങ്ങളുടെ ഉപയോഗം മൂലമുണ്ടാകുന്ന ആകസ്മികമായ ജീവഹാനി, സിവിലിയൻമാർക്ക് പരിക്കുകൾ, സിവിലിയൻ വസ്തുക്കൾക്ക് ഉണ്ടാകുന്ന നാശനഷ്ടങ്ങൾ എന്നിവ കുറയ്ക്കുന്നതിനുള്ള അപകടസാധ്യത ലഘൂകരണ നടപടികളിൽ ഇവ ഉൾപ്പെടുന്നു: (എ) സ്വയം നശിപ്പിക്കൽ, സ്വയം നിർജ്ജീവമാക്കൽ അല്ലെങ്കിൽ സ്വയം നിർവീര്യമാക്കൽ സംവിധാനങ്ങൾ ആയുധ സംവിധാനങ്ങളിൽ ഉൾപ്പെടുത്തൽ; (ബി) സിസ്റ്റത്തിന് ഏർപ്പെടാൻ കഴിയുന്ന ലക്ഷ്യങ്ങളുടെ തരങ്ങൾ നിയന്ത്രിക്കുന്നതിനുള്ള നടപടികൾ; (സി) ആയുധ സംവിധാനത്തിന്റെ ദൈർഘ്യവും ഭൂമിശാസ്ത്രപരമായ വ്യാപ്തിയും നിയന്ത്രിക്കുന്നതിനുള്ള നടപടികൾ; (ഡി) പരിശീലനം ലഭിച്ച മനുഷ്യ ഓപ്പറേറ്റർമാർക്ക് ആയുധ സംവിധാനങ്ങളിലെ പ്രവർത്തനങ്ങൾ സജീവമാക്കുന്നതിനോ നിർജ്ജീവമാക്കുന്നതിനോ ഉള്ള വ്യക്തമായ നടപടിക്രമങ്ങൾ. [ഊന്നൽ ചേർത്തു]

ഗ്രന്ഥസൂചിക

• ആഡംസ്, ജെ. 2002. 'മനുഷ്യ-റോബോട്ട് ഇന്റർഫേസ് വികസനത്തിനായുള്ള നിർണായക പരിഗണനകൾ.'
  AAAI സാങ്കേതിക റിപ്പോർട്ട് FS-02-03. 20 ജൂൺ 2022 മുതൽ: https://www.aaai.org/Papers/Symposia/Fall/2002/FS-02-03/FS02-03-001.pdf
• ആൽസ്ട്രോം, ഉൾഫ്, ഫ്രീഡ്മാൻ-ബെർഗ് ഫെർൺ ജെ. 2006. 'കണ്ണിന്റെ ചലന പ്രവർത്തനത്തെ ഒരു പരസ്പരബന്ധിത പഠനമായി ഉപയോഗിക്കുന്നു'
  ' ഇന്റർനാഷണൽ ജേണൽ ഓഫ് ഇൻഡസ്ട്രിയൽ എർഗണോമിക്സ് 36(7): 623–636. https://doi.org/10.1016/j.ergon.2006.04.002
• ബഹ്‌നർ, എലിൻ ജെ, ആങ്കെ-ഡൊറോത്തിയ ഹുപ്പർ & ഡയട്രിച്ച് മാൻസി. 2008. 'ഓട്ടോമേറ്റഡ് തീരുമാന സഹായികളുടെ ദുരുപയോഗം: സംതൃപ്തി, ഓട്ടോമേഷൻ പക്ഷപാതം, പരിശീലന അനുഭവത്തിന്റെ സ്വാധീനം.' ഇന്റർനാഷണൽ ജേണൽ ഓഫ് ഹ്യൂമൻ-കമ്പ്യൂട്ടർ സ്റ്റഡീസ് 66: 688-699. doi:10.1016/j.ijhcs.2008.06.001
• ബെയിൻബ്രിഡ്ജ്, ലിസാൻ. 1983. 'ഐറണീസ് ഓഫ് ഓട്ടോമേഷൻ.' ഓട്ടോമാറ്റിക്ക 19 (6):775-779.
• ബ്യൂക്സിസ്-ഓസലെറ്റ്, എമ്മ, മൈക്കൽ ബെഹ്‌റിഷ്, റീറ്റ ബോർഗോ, ഡ്യുവൻ ഹോംഗ് ചൗ, ക്രിസ്റ്റഫർ കോളിൻസ്, ഡേവിഡ് എബർട്ട്, മെന്നറ്റള്ള എൽ-അസാഡി, അലക്‌സ് എൻഡർട്ട്, ഡാനിയൽ എ. കെയിം, ജോൺ കോൽഹാമർ, ഡാനിയേല ഓൽകെ, ജാക്കോ പെൽറ്റോണെൻ, മാരക്കോ പെൽറ്റോണെൻ സ്ട്രോബെൽറ്റ്, ജാർക്ക് ജെ വാൻ വിജ്ക് & തെരേസ-മാരി റൈൻ. 2021. 'AI-ൽ ട്രസ്റ്റ് വളർത്തുന്നതിൽ ഇൻ്ററാക്ടീവ് വിഷ്വലൈസേഷൻ്റെ പങ്ക്.' IEEE കമ്പ്യൂട്ടർ സൊസൈറ്റി, നവംബർ/ഡിസംബർ 2021. DOI: 10.1109/MCG.2021.3107875
• ബോർഡ്മാൻ, എം., എഫ്. ബുച്ചർ. 2019. 'AI പ്രാപ്തമാക്കിയ സിസ്റ്റങ്ങളിൽ മനുഷ്യ നിയന്ത്രണം നിലനിർത്തുന്നതിനുള്ള ഒരു പര്യവേഷണവും അത് നേടുന്നതിലെ വെല്ലുവിളിയും.' STO-MP-IST-178 നാറ്റോ റിപ്പോർട്ട്, 1-16. മുതൽ
  20 ജൂൺ 2022: https://www.sto.nato.int/publications/STO%20Meeting%20Proceedings/STO-MP-IST-178/MP-IST-178-07.pdf
• ബൗലാനിൻ, വി., എൻ. ഡേവിസൺ, എൻ. ഗൗസാക്, എം. പെൽഡൻ കാൾസൺ. 2020. 'ആയുധ സംവിധാനങ്ങളിലെ സ്വയംഭരണാവകാശത്തിന്റെ പരിമിതികൾ. മനുഷ്യ നിയന്ത്രണത്തിന്റെ പ്രായോഗിക പരിധികൾ തിരിച്ചറിയൽ.' സ്റ്റോക്ക്ഹോം ഇന്റർനാഷണൽ പീസ് റിസർച്ച് ഇൻസ്റ്റിറ്റ്യൂട്ട് (SIPRI) & ഇന്റർനാഷണൽ കമ്മിറ്റി ഓഫ് റെഡ് ക്രോസ് (ICRC). 20 ജൂൺ 2022 മുതൽ: https://www.sipri.org/sites/default/files/2020-06/2006_limits_of_autonomy.pdf
• ബർട്ട്, ക്രിസ്. 2020. 'സ്വയം ഡ്രൈവിംഗ് പരിശീലനത്തിനായുള്ള ബയോമെട്രിക്സ്, ടച്ച് കൺട്രോളുകൾ, AI എന്നിവ വളർന്നുവരുന്ന ഓട്ടോമോട്ടീവ് ടെക്നോളജി വിപണിയിൽ പ്രവേശിക്കുന്നു.' ബയോമെട്രിക് അപ്‌ഡേറ്റ്. 20 ജൂൺ 2022 മുതൽ: https://www.biomet-ricupdate.com/202007/biometrics-touch-controls-and-ai-for-self-driving-training-enter-growing-automotive-technology-market
• ചാൻഡലർ, കാതറിൻ. 2021. 'സൈനിക AI-ക്ക് ലിംഗഭേദമുണ്ടോ? AI-യുടെ സൈനിക പ്രയോഗങ്ങളിൽ പക്ഷപാതം മനസ്സിലാക്കുകയും ധാർമ്മിക സമീപനങ്ങൾ പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യുക', ജനീവ: UNIDIR, 20 ജൂൺ 2022 മുതൽ: https://www.unidir.org/publication/does-military-ai-have-gender-understanding-bias-and-pro-moting-ethical-approaches
• കോക്കൽബർഗ്, മാർക്ക്. 2013. 'ഡ്രോണുകൾ, ഇൻഫർമേഷൻ ടെക്നോളജി, ഡിസ്റ്റൻസ്: മാപ്പിംഗ് ദി മോറൽ എപ്പിസ്റ്റമോളജി ഓഫ് റിമോട്ട് ഫൈറ്റിംഗ്.' എത്തിക്സ് ആൻഡ് ഇൻഫർമേഷൻ ടെക്നോളജി 15: 87-98.
  DOI 10.1007/s10676-013-9313-6
• കമ്മിംഗ്സ്, മേരി എൽ. 2006. 'ഓട്ടോമേഷൻ ആൻഡ് അക്കൗണ്ടബിലിറ്റി ഇൻ ഡിസിഷൻ സപ്പോർട്ട് സിസ്റ്റം ഇന്റർഫേസ് ഡിസൈൻ.' ജേണൽ ഓഫ് ടെക്നോളജി സ്റ്റഡീസ് 32 (1):23-31. doi.org/10.21061/jots.v32i1.a.4
• ഡേവിസ്, തോമസ് ഡബ്ല്യു., മൈക്കൽ സേജ് ജെസ്സി & ആന്റണി ഡബ്ല്യു. മോറിസ്. 2017. 'ഇന്റർഫേസ് ഡിസൈൻ: ഡൈനാമിക് ഇന്റർഫേസുകളും കോഗ്നിറ്റീവ് റിസോഴ്‌സ് മാനേജ്‌മെന്റും.' സോൾജിയർ സിസ്റ്റംസ് ഡിസൈനിംഗിൽ. മനുഷ്യ ഘടകങ്ങളിലെ കറന്റ് ഇഷ്യൂസ്, പമേല സാവേജ്-നെപ്‌ഷീൽഡ്, ജോൺ മാർട്ടിൻ, ജോൺ ലോക്കറ്റ് III & ലോറൽ അല്ലെൻഡർ എന്നിവർ എഡിറ്റ് ചെയ്തത്. ബോക്ക റാറ്റൺ: CRC പ്രസ്സ്.
• വികസനം, ആശയങ്ങൾ, ഉപദേശ കേന്ദ്രം (DCDC). യുകെ പ്രതിരോധ മന്ത്രാലയം. 2018.
  'ജോയിന്റ് കൺസെപ്റ്റ് നോട്ട് (ജെസിഎൻ) 1/18. ഹ്യൂമൻ-മെഷീൻ ടീമിംഗ്.' 20 ജൂൺ 2022 മുതൽ:
  https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/709359/20180517-concepts_uk_human_machine_teaming_jcn_1_18.pdf
• ദോഷി-വെലെസ്, എഫ്., ബി. കിം. 2017. 'വ്യാഖ്യാനിക്കാവുന്ന യന്ത്ര പഠനത്തിന്റെ കർശനമായ ശാസ്ത്രത്തിലേക്ക്.' arXiv. 20 ജൂൺ 2022 മുതൽ: https://arxiv.org/abs/1702.08608
• എൻഡ്‌സ്‌ലി, മൈക്ക ആർ. 1995. 'ഡൈനാമിക് സിസ്റ്റങ്ങളിലെ സാഹചര്യ അവബോധത്തിന്റെ ഒരു സിദ്ധാന്തത്തിലേക്ക്.' ഹ്യൂമൻ ഫാക്ടർസ്: ദി ജേണൽ ഓഫ് ദി ഹ്യൂമൻ ഫാക്ടർസ് ആൻഡ് എർഗണോമിക്സ് സൊസൈറ്റി 37 (1): 32-64. https://doi.org/10.1518%2F001872095779049543
• എൻഡ്‌സ്‌ലി, മൈക്ക ആർ., എസിൻ ഒ. കിരിസ്. 1995. 'ദി ഔട്ട്-ഓഫ്-ദി-ലൂപ്പ് പെർഫോമൻസ് പ്രോബ്ലം ആൻഡ് ലെവൽ ഓഫ് കൺട്രോൾ ഇൻ ഓട്ടോമേഷൻ. ഹ്യൂമൻ ഫാക്ടർസ്: ദി ജേണൽ ഓഫ് ദി ഹ്യൂമൻ ഫാക്ടർസ് ആൻഡ് എർഗണോമിക്സ് സൊസൈറ്റി 37 (2): 381-394. https://doi.org/10.1518/001872095779064555
• എൻഡ്‌സ്‌ലി, മൈക്ക ആർ., ബെറ്റി ബോൾട്ട് & ഡെബ്ര ജി. ജോൺസ്. 2003. സാഹചര്യ അവബോധത്തിനായുള്ള ഡിസൈനിംഗ്.
  ഉപയോക്തൃ കേന്ദ്രീകൃത രൂപകൽപ്പനയിലേക്കുള്ള ഒരു സമീപനം. ലണ്ടൻ: CRC പ്രസ്സ്.
• എൻഡ്‌സ്‌ലി, മൈക്ക ആർ. 2013. 'സിച്യുവേഷൻ അവയർനെസ്-ഓറിയന്റഡ് ഡിസൈൻ.' ജോൺ ഡി ലീ & അലക്സ് കിർലിക് എഡിറ്റ് ചെയ്ത ദി ഓക്സ്ഫോർഡ് ഹാൻഡ്‌ബുക്ക് ഓഫ് കോഗ്നിറ്റീവ് എഞ്ചിനീയറിംഗിൽ. ന്യൂയോർക്ക്: ഓക്സ്ഫോർഡ് യൂണിവേഴ്സിറ്റി പ്രസ്സ്. DOI: 10.1093/oxfordhb/9780199757183.001.0001
• എൻഡ്‌സ്‌ലി, മൈക്ക ആർ. 2015. 'സാഹചര്യ അവബോധ തെറ്റിദ്ധാരണകളും തെറ്റിദ്ധാരണകളും.' ജേണൽ ഓഫ് കോഗ്നിറ്റീവ് എഞ്ചിനീയറിംഗ് ആൻഡ് ഡിസിഷൻ മേക്കിംഗ് 9 (1): 4-32. DOI: 10.1177/1555343415572631
• എൻഡ്‌സ്‌ലി, മൈക്ക ആർ. 2017. 'ഇവിടെ നിന്ന് സ്വയംഭരണത്തിലേക്ക്: ഹ്യൂമൻ-ഓട്ടോമേഷൻ ഗവേഷണത്തിൽ നിന്ന് പഠിച്ച പാഠങ്ങൾ.' ഹ്യൂമൻ ഫാക്ടർസ്: ദി ജേണൽ ഓഫ് ദി ഹ്യൂമൻ ഫാക്ടർസ് ആൻഡ് എർഗണോമിക്സ് സൊസൈറ്റി 59 (1): 5-27. https://doi.org/10.1177/0018720816681350
• ഫ്യൂറിഗൽ, സ്റ്റെഫാൻ, റൂബെൻ ജെറാൾഡെസ്, ആർതർ ഗോൺസാൽവ്സ്, സിക്കി ലിയു & ഹെൽമുട്ട് പ്രെൻഡിംഗർ. 2021.
  'ഡ്രോൺ മാനേജ്‌മെന്റിൽ മനുഷ്യ-യന്ത്ര സഹകരണത്തിനായുള്ള ഇന്റർഫേസ് ഡിസൈൻ.' IEEE ആക്‌സസ് 9, 107462-107475. https://doi.org/10.1109/ACCESS.2021.3100712
• ഫ്ലെമിഷ്, ഫ്രാങ്ക് ഒ, ജൂലിയൻ ഷിൻഡ്‌ലർ, ജോഹാൻ കെൽഷ്, അന്ന ഷിബെൻ & ഡാനിയൽ ഡാംബോക്ക്. 2008.
  'ഉയർന്ന ഓട്ടോമേറ്റഡ് വാഹനങ്ങളിൽ പ്രയോഗിക്കുന്ന, മനുഷ്യ-യന്ത്ര സംവിധാനങ്ങളുടെ സന്തുലിത രൂപകൽപ്പനയിലേക്കുള്ള ചില പാല രീതികൾ.' അപ്ലൈഡ് എർഗണോമിക്സ് ഇന്റർനാഷണൽ കോൺഫറൻസ്. 20 ജൂൺ 2022 മുതൽ: https://elib.dlr.de/57623
• ഫ്ലെമിഷ്, ഫ്രാങ്ക്, യൂജെൻ ആൾട്ടെൻഡോർഫ്, യിഗിറ്റെർകുട്ട് കാൻപോളറ്റ്, ഗീന വീസൽ, മാർസെൽ ബാൾട്ട്സർ, ഡാനിയൽ ലോപ്പസ്, നിക്കോളാസ് ഡാനിയൽ ഹെർസ്ബെർഗർ, ഗുഡ്രുൺ മെക്‌തിൽഡ് ഇർംഗാർഡ് വോസ്, മാക്സിമിലിയൻ ഷ്വാൾം & പോൾ ഷൂട്ടെ. 2017. 'സഹായത്തിൻ്റെയും ഓട്ടോമേഷൻ്റെയും അസാധാരണവും സുരക്ഷിതമല്ലാത്തതുമായ താഴ്‌വര: വാഹന ഓട്ടോമേഷനിലേക്കുള്ള ആദ്യ രേഖാചിത്രവും അപേക്ഷയും.' ഷ്ലിക്ക്, ക്രിസ്റ്റഫർ മാർക്ക്, സോങ്കെ ഡക്ക്വിറ്റ്‌സ്, ഫ്രാങ്ക് ഫ്ലെമിഷ്, മാർട്ടിൻ ഫ്രെൻസ്, സിനെം കുസ്, അലക്‌സാണ്ടർ മെർട്ടെൻസ്, സൂസാൻ മ്യൂറ്റ്‌സെ-ന്യൂവോഹ്‌നർ എന്നിവർ എഡിറ്റ് ചെയ്‌ത എർഗണോമിക് ഡിസൈനിലെ എർഗണോമിക് ഡിസൈനുകളിൽ. കോൺഫറൻസ് നടപടികൾ. സ്പ്രിംഗർ. DOI:10.1007/978-3-662-53305-5_23
• ജോർജ്, ജെ.എം., എഫ്. ഡിയർമെയർ. 2019. 'ടെലിഓപ്പറേഷനിലൂടെ ഓട്ടോമേറ്റഡ് വാഹനങ്ങളുടെ സിസ്റ്റം പരിമിതികൾ പരിഹരിക്കുന്നതിനുള്ള ഒരു പൊരുത്തപ്പെടുത്താവുന്നതും ഇമ്മേഴ്‌സീവ് റിയൽ ടൈം ഇന്റർഫേസ്.' 2019 ഐഇഇഇ ഇന്റർനാഷണൽ കോൺഫറൻസ് ഓൺ സിസ്റ്റംസ്, മാൻ ആൻഡ് സൈബർനെറ്റിക്സ് (എസ്എംസി). 20 ജൂൺ 2022 മുതൽ: https://ieeexplore.ieee.org/document/8914306/authors#authors
• ഗില്ലൻ, ഡഗ്ലസ് ജെ., ജെന്നിഫർ റൈലി & പാട്രിക് മക്ഡെർമോട്ട്. 2017. 'ദി കോഗ്നിറ്റീവ് സൈക്കോളജി ഓഫ് ഹ്യൂമൻ-റോബോട്ട് ഇന്ററാക്ഷൻ.' മൈക്കൽ ബാൺസും ഫ്ലോറിയൻ ജെന്റ്‌ഷും എഡിറ്റ് ചെയ്ത, ഫ്യൂച്ചർ മിലിട്ടറി ഓപ്പറേഷനുകളിലെ ഹ്യൂമൻ-റോബോട്ട് ഇന്ററാക്ഷൻസിൽ. ബോക്ക റാറ്റൺ: CRC പ്രസ്സ്.
• ഗിൽപിൻ, ലീലാനി എച്ച്., ഡേവിഡ് ബൗ, ബെൻ ഇസഡ് യുവാൻ, ആയിഷ ബജ്വ, മൈക്കൽ സ്പെക്ടർ, ലാലന കഗൽ. 2019. 'വിശദീകരണങ്ങൾ: ഒരു ഓവർview മെഷീൻ ലേണിംഗിന്റെ വ്യാഖ്യാനക്ഷമതയെക്കുറിച്ച്.
  ഡാറ്റാ സയൻസ് ആൻഡ് അഡ്വാൻസ്ഡ് അനലിറ്റിക്സിനെക്കുറിച്ചുള്ള അഞ്ചാമത് ഐഇഇഇ ഇന്റർനാഷണൽ കോൺഫറൻസ് (DSAA 5). https://arxiv.org/abs/1806.00069
• മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളെക്കുറിച്ചുള്ള ഗവൺമെന്റൽ വിദഗ്ധരുടെ ഗ്രൂപ്പ് (നിയമങ്ങളെക്കുറിച്ചുള്ള GGE). 2018a. ഹ്യൂമൻ മെഷീൻ ടച്ച്‌പോയിന്റുകൾ: ആയുധ വികസനത്തിലും ലക്ഷ്യ ചക്രങ്ങളിലും മനുഷ്യ നിയന്ത്രണത്തെക്കുറിച്ചുള്ള യുണൈറ്റഡ് കിംഗ്ഡത്തിന്റെ കാഴ്ചപ്പാട്. UN ഡോക്യുമെന്റ് CCW/GGE.2/2018/WP.1.
• ——. 2018b. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുടെ വികസനം, വിന്യാസം, ഉപയോഗം എന്നിവയിൽ മനുഷ്യ-യന്ത്ര ഇടപെടൽ. ഫ്രാൻസ് സമർപ്പിച്ചത്. യുഎൻ പ്രമാണം CCW/GGE.2/2018/WP.3.
• ——. 2018c. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിൽ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളുടെ വികസനം, വിന്യാസം, ഉപയോഗം എന്നിവയിലെ മനുഷ്യ-യന്ത്ര ഇടപെടൽ. യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് സമർപ്പിച്ചത്. യുഎൻ പ്രമാണം CCW/GGE.2/2018/WP.4.
• ——. 2019a. മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകളെക്കുറിച്ചുള്ള ഗവൺമെന്റൽ വിദഗ്ധരുടെ ഗ്രൂപ്പിന്റെ 2019 ലെ സെഷന്റെ റിപ്പോർട്ട്. യുഎൻ രേഖ
  സിസിഡബ്ല്യു/ജിജിഇ.1/2019/3.
• ——. 2019b. 13 നവംബർ 15-2019 സെഷന്റെ അന്തിമ റിപ്പോർട്ട്. യുഎൻ ഡോക്യുമെന്റ് CCW/MSP/2019/9.
• ——. 2020. യുണൈറ്റഡ് കിംഗ്ഡം വിദഗ്ദ്ധ പ്രബന്ധം: സ്വയംഭരണ യുദ്ധത്തിൽ മനുഷ്യന്റെ പങ്ക്.
  യുഎൻ ഡോക്യുമെൻ്റ് CCW/GGE.1/2020/WP.6.
• ——. 2021. ചെയർപേഴ്‌സണിന്റെ സംഗ്രഹം. UN ഡോക്യുമെന്റ് CCW/GGE.1/2020/WP.7.
• ഹാർട്ട്‌വിച്ച്, ഫ്രാൻസിസ്ക, കൊർണേലിയ ഹോളണ്ടർ, ഡാനിയേല ജോഹാൻമെയർ, ജോസഫ് എഫ്. ക്രെംസ്, 2021.
  'ഉപയോക്തൃ-അഡാപ്റ്റീവ് HMI-കൾ വഴി യാത്രക്കാരുടെ അനുഭവവും ഓട്ടോമേറ്റഡ് വാഹനങ്ങളിലുള്ള വിശ്വാസവും മെച്ചപ്പെടുത്തൽ: “കൂടുതൽ നല്ലത്” എല്ലാവർക്കും ബാധകമല്ല.' മനുഷ്യ ചലനാത്മകതയിലെ അതിർത്തികൾ 3
  (ആർട്ടിക്കിൾ 669030): 1-17. doi: 10.3389/fhumd.2021.669030
• ഹവ്‌ലി, ജെകെ, എഎൽ മാരെസ് & സിഎ ജിയാമ്മാൻകോ. 2005. ഓട്ടോമേഷൻ്റെ മനുഷ്യ വശം:
  വ്യോമ പ്രതിരോധ കമാൻഡിനും നിയന്ത്രണത്തിനുമുള്ള പാഠങ്ങൾ. AMR-TR-3468. ആർമി റിസർച്ച് ലബോറട്ടറി. 20 ജൂൺ 2022 മുതൽ: https://apps.dtic.mil/sti/pdfs/ADA431964.pdf
• ഹാവ്‌ലി, ജോൺ കെ. 2017. 'ദേശസ്നേഹ യുദ്ധങ്ങൾ. ഓട്ടോമേഷനും പാട്രിയറ്റ് എയർ ആൻഡ് മിസൈൽ ഡിഫൻസ് സിസ്റ്റവും.' ഒരു പുതിയ അമേരിക്കൻ സുരക്ഷയ്ക്കുള്ള കേന്ദ്രം. 20 ജൂൺ 2022 മുതൽ: https://s3.us-east-1.ama-zonaws.com/files.cnas.org/documents/CNAS-Report-EthicalAutonomy5-PatriotWars-FINAL.pdf?mtime=20170106135013&focal=none
• ഹാവ്‌ലി, ജോൺ കെ., അന്ന എൽ. മാരെസ്. 2017. 'ഭാവി സേനയ്‌ക്കുള്ള മനുഷ്യ പ്രകടന വെല്ലുവിളികൾ: രണ്ടാം ഗൾഫ് യുദ്ധത്തിനു ശേഷമുള്ള ദേശസ്നേഹിയിൽ നിന്നുള്ള പാഠങ്ങൾ.' സോൾജിയർ സിസ്റ്റങ്ങൾ രൂപകൽപ്പന ചെയ്യുന്നതിൽ. മനുഷ്യ ഘടകങ്ങളിലെ നിലവിലെ പ്രശ്നങ്ങൾ, പമേല സാവേജ്-നെപ്‌ഷീൽഡ്, ജോൺ മാർട്ടിൻ, ജോൺ ലോക്കറ്റ് III & ലോറൽ അല്ലെൻഡർ എന്നിവർ എഡിറ്റ് ചെയ്തത്. ബോക്ക റാറ്റൺ: CRC പ്രസ്സ്.
• ഹോഫ്മാൻ, റോബർട്ട് ആർ, പോൾ ജെ. ഫെൽറ്റോവിച്ച്, സ്റ്റീഫൻ എം. ഫിയോർ, ഗാരി ക്ലീൻ & ഡേവിഡ് സീബെൽ. 2009.
  'ത്വരിതപ്പെടുത്തിയ പഠനം.' ഐഇഇഇ ഇന്റലിജന്റ് സിസ്റ്റംസ് 24 (2): 18-22. DOI: 10.1109/MIS.2009.21
• ഹോഫ്മാൻ, റോബർട്ട് ആർ., പോൾ വാർഡ്, പോൾ ജെ. ഫെൽറ്റോവിച്ച്, ലിയ ഡിബെല്ലോ, സ്റ്റീഫൻ എം. ഫിയോർ & ഡീ എച്ച്. ആൻഡ്രൂസ്. 2014. ആക്സിലറേറ്റഡ് എക്സ്പേർട്ടൈസ്. സങ്കീർണ്ണമായ ലോകത്ത് ഉയർന്ന പ്രാവീണ്യത്തിനുള്ള പരിശീലനം. ന്യൂയോർക്ക്: സൈക്കോളജി പ്രസ്സ്.
• ഹോഫ്മാൻ, ആർആർ, എസ്ടി മുള്ളർ, ജി. ക്ലീൻ & ജെ. ലിറ്റ്മാൻ. 2018. 'വിശദീകരിക്കാവുന്ന AI-യുടെ അളവുകൾ: വെല്ലുവിളികളും സാധ്യതകളും.' യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് എയർഫോഴ്സ് റിസർച്ച് ലാബ്. arXiv. arXiv:1812.04608
• ഹോളണ്ട് മൈക്കൽ, എ. 2020. 'ദി ബ്ലാക്ക് ബോക്സ്, അൺലോക്ക്ഡ്. പ്രവചനാതീതതയും മനസ്സിലാക്കലും'
  മിലിട്ടറി AI-യിൽ. ജനീവ: UNIDIR. 20 ജൂൺ 2022 മുതൽ: https://unidir.org/publication/black-box-un-locked
• ഹോൾനാഗൽ, എറിക്, ഡേവിഡ് ഡി. വുഡ്സ്. 2005. ജോയിന്റ് കോഗ്നിറ്റീവ് സിസ്റ്റംസ്. കോഗ്നിറ്റീവ് സിസ്റ്റംസ് എഞ്ചിനീയറിംഗിന്റെ അടിസ്ഥാനങ്ങൾ. ബോക റാറ്റൺ: CRC പ്രസ്സ്.
• ഹൗ, മിംഗ്, സൈമൺ ബാൻബറി & കാതറിൻ ബേൺസ്. 2015. ഇന്റലിജന്റ് അഡാപ്റ്റീവ് സിസ്റ്റംസ്.
  ഒരു ഇന്ററാക്ഷൻ-സെന്റേർഡ് ഡിസൈൻ പെർസ്പെക്റ്റീവ്. ബോക്ക റാറ്റൺ: CRC പ്രസ്സ്.
• ഹൗ, എം. 2020. 'ഇംപാക്റ്റ്: ഹ്യൂമൻ-ഏജന്റ് ടീമിംഗിനുള്ള ഒരു ട്രസ്റ്റ് മോഡൽ.' 2020 ഐഇഇഇ ഇന്റർനാഷണൽ കോൺഫറൻസ് ഓൺ ഹ്യൂമൻ-മെഷീൻ സിസ്റ്റങ്ങൾ (ICHMS). 24 ജൂൺ 2022 മുതൽ: https://ieeexplore.ieee.org/document/9209519
• ഹൗ, മിംഗ്, യിങ്‌സു വാങ്, ലിൽജാന ട്രാജ്‌കോവിച്ച്, കോൺസ്റ്റാന്റിനോസ് എൻ. പ്ലാറ്റാനിയോട്ടിസ്, സാം ക്വാങ്, മെങ്‌ചു ഷൗ, എഡ്വേർഡ് ടൺസ്റ്റൽ, ഇമ്രെ ജെ. റുഡാസ്, ജാനുസ് കാക്പ്രിക് & ഹെൻറി ല്യൂങ്. 2022. 'മസ്തിഷ്ക-പ്രചോദിത സ്വയംഭരണ സംവിധാനങ്ങളുടെ അതിർത്തികൾ: പ്രതിരോധ ഗവേഷണ വികസനം നവീകരണങ്ങളെ എങ്ങനെ നയിക്കുന്നു?'
  ഐഇഇഇ സിസ്റ്റംസ്, മാൻ & സൈബർനെറ്റിക്സ് മാഗസിൻ. ഡിഒഐ: 10.1109/MSMC.2021.3136983
• ഹൾസ്റ്റേർട്ട്, ലാർസ്. 2018. 'LIME ഉപയോഗിച്ച് മോഡൽ പ്രവചനങ്ങൾ മനസ്സിലാക്കൽ.' ഡാറ്റ സയൻസിലേക്ക്, 11 ജൂലൈ 2018. 20 ജൂൺ 2022 മുതൽ: https://towardsdatascience.com/understanding-model-predictions-with-lime-a582fdff3a3b
• ഇന്റർനാഷണൽ ഓർഗനൈസേഷൻ ഫോർ സ്റ്റാൻഡേർഡൈസേഷൻ (ISO). 2013. ISO/TS 20282-2:2013.
  20 ജൂൺ 2022 മുതൽ: https://www.iso.org/standard/62733.html
• ഇന്റർനാഷണൽ ഓർഗനൈസേഷൻ ഫോർ സ്റ്റാൻഡേർഡൈസേഷൻ (ISO). 2019. ISO 9241-220:2019.
  20 ജൂൺ 2022 മുതൽ: https://www.iso.org/standard/63462.html
• ഇന്റർനാഷണൽ പാനൽ ഓൺ ദി റെഗുലേഷൻ ഓഫ് ഓട്ടോണമസ് വെപ്പൺസ് (iPRAW). 2019. മനുഷ്യ നിയന്ത്രണത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക. നമ്പർ 5, 2019 ഓഗസ്റ്റ്. 20 ജൂൺ 2022 മുതൽ: https://www.ipraw.org/wp-content/uploads/2019/08/2019-08-09_iPRAW_HumanControl.pdf
• ജാൻസെൻ, ക്രിസ്റ്റ്യൻ പി., സ്റ്റെല്ല എഫ്. ഡോങ്കർ, ഡങ്കൻ പി. ബ്രംബി & ആൻഡ്രൂ എൽ. കുൻ. 2019. 'മനുഷ്യ-ഓട്ടോമേഷൻ ഇടപെടലിന്റെ ചരിത്രവും ഭാവിയും.' ഇന്റർനാഷണൽ ജേണൽ ഓഫ് ഹ്യൂമൻ-കമ്പ്യൂട്ടർ സ്റ്റഡീസ് 131: 99-107. https://doi.org/10.1016/j.ijhcs.2019.05.006
• ജോൺസൺ, മാത്യു, ജെഫ്രി എം. ബ്രാഡ്‌ഷോ, പോൾ ജെ. ഫെൽറ്റോവിച്ച്, കാത്തലിജൻ എം. ജോങ്കർ, ബിർന വാൻ റിംസ്ഡിക്ക് & മാർട്ടൻ സിയർഹുയിസ്. 2011. 'സഹകരണ രൂപകൽപ്പനയുടെ അടിസ്ഥാന തത്വം: പരസ്പരാശ്രിതത്വം സ്വയംഭരണത്തെ രൂപപ്പെടുത്തണം.' മറീന ഡി വോസ്, നിക്കോലെറ്റ ഫോർനാര, ജെറമി വി. പിറ്റ്, ജോർജ്ജ് വൂറോസ് എന്നിവർ എഡിറ്റ് ചെയ്‌ത ഏജൻ്റ് സിസ്റ്റംസ് VI-ലെ കോർഡിനേഷൻ, ഓർഗനൈസേഷനുകൾ, സ്ഥാപനങ്ങൾ, മാനദണ്ഡങ്ങൾ എന്നിവയിൽ. ബെർലിൻ/ഹൈഡൽബർഗ്: സ്പ്രിംഗർ. https://doi.org/10.1007/978-3-642-21268-0_10
• ജോൺസൺ, മാത്യു, ജെഫ്രി എം. ബ്രാഡ്‌ഷോ, പോൾ ജെ. ഫെൽറ്റോവിച്ച്, കാത്തലിജൻ എം. ജോങ്കർ, എം. ബിർന വാൻ റിംസ്ഡിക്ക് & മാർട്ടൻ സിയർഹുയിസ്. 2014. 'കോആക്ടീവ് ഡിസൈൻ: ജോയിൻ്റ് ആക്ടിവിറ്റിയിൽ പരസ്പരാശ്രിതത്വത്തിനായുള്ള ഡിസൈനിംഗ് സപ്പോർട്ട്.' ജേണൽ ഓഫ് ഹ്യൂമൻ-റോബോട്ട് ഇൻ്ററാക്ഷൻ 3 (1): 43-69. DOI:10.5898/
  ജെഎച്ച്ആർഐ.3.1.ജോൺസൺ
• ജോൺസൺ, മാത്യു, ജെഫ്രി എം. ബ്രാഡ്‌ഷാ & പോൾ ജെ. ഫെൽറ്റോവിച്ച്. 2018. 'നാളത്തെ മനുഷ്യ-യന്ത്ര രൂപകൽപ്പന ഉപകരണങ്ങൾ: ഓട്ടോമേഷന്റെ തലങ്ങളിൽ നിന്ന് പരസ്പരാശ്രിതത്വത്തിലേക്ക്.' ജേണൽ ഓഫ് കോഗ്നിറ്റീവ് എഞ്ചിനീയറിംഗ് ആൻഡ് ഡിസിഷൻ മേക്കിംഗ് 12 (1): 77-82. doi.org/10.1177/1555343417736462
• കുൻസെ, അലക്സാണ്ടർ, സ്റ്റീഫൻ ജെ. സമ്മർസ്കിൽ, റസ്സൽ മാർഷൽ & ആഷ്‌ലീ ജെ. ഫിൽറ്റ്‌നെസ്. 2019. ഓട്ടോമേഷൻ സുതാര്യത: മനുഷ്യ-ഓട്ടോമേഷൻ ഇടപെടലിനും ഇന്റർഫേസുകൾക്കുമുള്ള അനിശ്ചിതത്വ ആശയവിനിമയത്തിന്റെ പ്രത്യാഘാതങ്ങൾ.' എർഗണോമിക്സ് 62 (3): 345-360. https://doi.org/10.1080/00140139.2018.1547842
• ലിനാർഡാറ്റോസ്, പന്തേലിസ്, വാസിലിസ് പാപ്പാസ്റ്റെഫനോപൗലോസ് & സോട്ടിറിസ് കോട്സിയാൻ്റിസ്. 2021. 'വിശദീകരിക്കാവുന്ന AI:
  ആകുന്നുview മെഷീൻ ലേണിംഗ് ഇന്റർപ്രെറ്റബിലിറ്റി രീതികളുടെ.' എൻട്രോപ്പി 23 (18): 1-45.
  https://dx.doi.org/10.3390/e23010018
• ലീ, ജോൺ ഡി., കത്രീന എ. സീ. (2004). 'ഓട്ടോമേഷനിലുള്ള വിശ്വാസം: ഉചിതമായ റിലയൻസിനായി രൂപകൽപ്പന ചെയ്യൽ.' ഹ്യൂമൻ ഫാക്ടർസ് 46 (1): 50-80. https://doi.org/10.1518/hfes.46.1.50_30392
• മക്നീസ്, നഥാൻ ജെ, ബ്യൂ ജി. ഷെൽബിൾ, ലോറെൻസോ ബാർബെറിസ് കാനോനിക്കോ & മുസ്തഫ ഡെമിർ. 2021.
  'എന്റെ സഹതാരം ആരാണ്/എന്താണ്? ടീം കോമ്പോസിഷൻ. ഹ്യൂമൻ-എഐ ടീമിംഗിലെ പരിഗണനകൾ.' ഹ്യൂമൻ-മെഷീൻ സിസ്റ്റങ്ങളിലെ ഐഇഇഇ ഇടപാടുകൾ, 51(4). https://doi.org/10.48550/arXiv.2105.11000
• മെറ്റ്‌സ്‌ഗർ, ഉല്ല, രാജ പരശുരാമൻ. 2001. 'ഭാവിയിലെ എയർ ട്രാഫിക് മാനേജ്‌മെന്റിൽ എയർ ട്രാഫിക് കൺട്രോളറുടെ പങ്ക്: സജീവ നിയന്ത്രണവും നിഷ്ക്രിയ നിരീക്ഷണവും തമ്മിലുള്ള അനുഭവപരമായ പഠനം.' ഹ്യൂമൻ ഫാക്ടർസ്: ദി ജേണൽ ഓഫ് ദി ഹ്യൂമൻ ഫാക്ടർസ് ആൻഡ് എർഗണോമിക്സ് സൊസൈറ്റി 43 (4): 519-528. https://doi.org/10.1518/001872001775870421
• മുള്ളർ, എസ്.ടി, ആർ.ആർ. ഹോഫ്മാൻ, ഡബ്ല്യു. ക്ലാൻസി, എ. എംറി & ജി. ക്ലീൻ. 2019. 'ഹ്യൂമൻ-എഐ സിസ്റ്റങ്ങളിലെ വിശദീകരണങ്ങൾ: ഒരു സാഹിത്യ മെറ്റാ-റീ'view, പ്രധാന ആശയങ്ങളുടെയും പ്രസിദ്ധീകരണങ്ങളുടെയും സംഗ്രഹം, വിശദീകരിക്കാവുന്ന AI-യുടെ ഗ്രന്ഥസൂചി.' DARPA XAI പ്രോഗ്രാം. arXiv. arXiv:1902.01876
• മുള്ളർ, ST, ES വീനോട്ട്, RR ഹോഫ്മാൻ, G. ക്ലെയിൻ, L. ആലം, T. മാമുൻ & WJ ക്ലാൻസി. 2020.
  'മനുഷ്യ-AI സിസ്റ്റങ്ങളിലെ വിശദീകരണ തത്വങ്ങൾ.' അസോസിയേഷൻ ഫോർ ദി അഡ്വാൻസ്മെന്റ് ഓഫ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്. arXiv:2102.04972
• നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസസ്, എഞ്ചിനീയറിംഗ് ആൻഡ് മെഡിസിൻ. 2022. ഹ്യൂമൻ-എഐ ടീം: അത്യാധുനികവും ഗവേഷണ ആവശ്യങ്ങളും. വാഷിംഗ്ടൺ, ഡിസി: ദി നാഷണൽ അക്കാദമിസ് പ്രസ്സ്. doi.org/10.17226/26355
• ഒനാഷ്, ലിൻഡ, ക്രിസ്റ്റഫർ ഡി. വിക്കൻസ്, ഹുയാങ് ലി, ഡയട്രിച്ച് മാൻസി. 2014. 'മനുഷ്യ പ്രകടന പരിണതഫലങ്ങൾ ഓഫ് എസ്'tagഓട്ടോമേഷന്റെ ഘടകങ്ങളും തലങ്ങളും: ഒരു സംയോജിത മെറ്റാ-വിശകലനം.' ഹ്യൂമൻ ഫാക്ടർസ്: ദി ജേണൽ ഓഫ് ദി ഹ്യൂമൻ ഫാക്ടർസ് ആൻഡ് എർഗണോമിക്സ് സൊസൈറ്റി 56 (3):476-488.
• ഔറി, ജേക്കബ് ഡി., ഫ്രാങ്ക് ഇ. റിട്ടർ. 2021. റിമോട്ട് ഓട്ടോണമസ് സിസ്റ്റങ്ങൾക്കായി മികച്ച ഇന്റർഫേസുകൾ നിർമ്മിക്കൽ. സിസ്റ്റം എഞ്ചിനീയർമാർക്കുള്ള ഒരു ആമുഖം. ഇ-ബുക്ക്: സ്പ്രിംഗർ. https://doi.org/10.1007/978-3-030-47775-2
• പരശുരാമൻ, രാജ, വിക്ടർ റൈലി. 1997. 'മനുഷ്യരും ഓട്ടോമേഷനും: ഉപയോഗം, ദുരുപയോഗം, ദുരുപയോഗം, ദുരുപയോഗം.' ഹ്യൂമൻ ഫാക്ടർസ് 39 (2):230-253. doi.org/10.1518/001872097778543886
• പരശുരാമൻ, രാജ. 2000. 'മനുഷ്യ ഉപയോഗത്തിനായി ഓട്ടോമേഷൻ രൂപകൽപ്പന ചെയ്യുന്നു: അനുഭവപരമായ പഠനങ്ങളും അളവ് മാതൃകകളും.' എർഗണോമിക്സ് 43 (7):931-951. https://doi.org/10.1080/001401300409125
• പൗർസാബ്സി-സാങ്‌ദെ, ഫൊറോ, ഡാനിയേൽ ജി. ഗോൾഡ്‌സ്റ്റൈൻ, ജെയ്ക്ക് എം. ഹോഫ്മാൻ, ജെന്നിഫർ വോർട്ട്മാൻ വോൺ & ഹന്ന വല്ലാച്ച്. 2021. 'മോഡൽ ഇന്റർപ്രെറ്റബിലിറ്റി കൈകാര്യം ചെയ്യലും അളക്കലും.' മനുഷ്യ ഘടകങ്ങളെക്കുറിച്ചുള്ള CHI കോൺഫറൻസ്, മെയ് 8–13, 2021, യോകോഹാമ, ജപ്പാൻ. https://doi.org/10.1145/3411764.3445315
• റൈലി, ജെന്നിഫർ എം., ലോറ ഡി. സ്ട്രേറ്റർ, ഷെറിൽ എൽ. ചാപ്പൽ, എറിക് എസ്. കോണേഴ്സ്, മൈക്ക എൻഡ്സ്ലി. 2017.
  'മനുഷ്യ-റോബോട്ട് ഇടപെടലിലെ സാഹചര്യ അവബോധം: വെല്ലുവിളികളും ഉപയോക്തൃ ഇന്റർഫേസ് ആവശ്യകതകളും.' മൈക്കൽ ബാർണസും ഫ്ലോറിയൻ ജെന്റ്‌ഷും എഡിറ്റ് ചെയ്ത, ഭാവി സൈനിക പ്രവർത്തനങ്ങളിലെ മനുഷ്യ-റോബോട്ട് ഇടപെടലുകൾ എന്ന വിഭാഗത്തിൽ. ബോക്ക റാറ്റൺ: CRC പ്രസ്സ്.
• റസ്സൽ, സ്റ്റുവർട്ട്, പീറ്റർ നോർവിഗ്. 2022. ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ്: എ മോഡേൺ അപ്രോച്ച് (നാലാം പതിപ്പ്), ഹാർലോ: പിയേഴ്സൺ എഡ്യൂക്കേഷൻ.
• സാന്റോണി ഡി സിയോ, എഫ്., ജെ. വാൻ ഡെൻ ഹോവൻ. 2018. 'ഓട്ടോണമസ് സിസ്റ്റങ്ങൾക്ക് മുകളിലുള്ള അർത്ഥവത്തായ മനുഷ്യ നിയന്ത്രണം: ഒരു ഫിലോസഫിക്കൽ അക്കൗണ്ട്.' റോബോട്ടിക്സിലെയും AI-യിലെയും അതിർത്തികൾ 5(15), 1-14. doi.org/10.3389/frobt.2018.00015
• സാർട്ടോറി, ലോറ, ആൻഡ്രിയാസ് തിയോഡോറോ. 2022. 'AI യുടെ ഭാവിയിലേക്കുള്ള ഒരു സാമൂഹിക സാങ്കേതിക വീക്ഷണം: ആഖ്യാനങ്ങൾ, അസമത്വങ്ങൾ, മനുഷ്യ നിയന്ത്രണം.' എത്തിക്‌സും ഇൻഫർമേഷൻ ടെക്‌നോളജിയും 24 (4): 1-11. https://doi.org/10.1007/s10676-022-09624-3
• സാവേജ്-നെപ്ഷീൽഡ്, പമേല എ. 2017. 'സൈനികരെ കേന്ദ്രീകരിച്ചുള്ള രൂപകൽപ്പനയും വിലയിരുത്തൽ സാങ്കേതിക വിദ്യകളും.'
  സോൾജിയർ സിസ്റ്റംസ് ഡിസൈനിങ്ങിൽ. മനുഷ്യ ഘടകങ്ങളിലെ നിലവിലെ പ്രശ്നങ്ങൾ, പമേല സാവേജ്-നെപ്ഷീൽഡ്, ജോൺ മാർട്ടിൻ, ജോൺ ലോക്കറ്റ് III & ലോറൽ അല്ലെൻഡർ എന്നിവർ എഡിറ്റ് ചെയ്തത്. ബോക്ക റാറ്റൺ: CRC പ്രസ്സ്.
• ഷാരെ, പോൾ. 2018. ആർമി ഓഫ് നോൺ: ഓട്ടോണമസ് വെപ്പൺസ് ആൻഡ് ദി ഫ്യൂച്ചർ ഓഫ് വാർ. ന്യൂയോർക്ക്: ഡബ്ല്യുഡബ്ല്യു നോർട്ടൺ & കമ്പനി.
• ഷ്വാർസ്, എൽകെ. 2021. 'സ്വയംഭരണ ആയുധ സംവിധാനങ്ങൾ, കൃത്രിമബുദ്ധി, അർത്ഥവത്തായ മനുഷ്യ നിയന്ത്രണത്തിന്റെ പ്രശ്നം.' ദി ഫിലോസഫിക്കൽ ജേണൽ ഓഫ് കോൺഫ്ലിക്റ്റ് ആൻഡ് വയലൻസ് 5 (1): 53-72. DOI:10.22618/TP.PJCV.20215.1.139004
• ഷുൾട്ട്സെ, ഉൾറികെ, വാൻഡ ജെ ഒർലികോവ്സ്കി. 2010. 'റിസർച്ച് കമൻ്ററി: വെർച്വൽ വേൾഡ്സ്:
  ആഗോളതലത്തിൽ വിതരണം ചെയ്യപ്പെടുന്ന, ആഴത്തിലുള്ള പ്രവർത്തനത്തെക്കുറിച്ചുള്ള ഒരു പ്രകടന വീക്ഷണം.' ഇൻഫർമേഷൻ സിസ്റ്റംസ് റിസർച്ച് 21 (4):810-821. doi 10.1287/isre.1100.0321
• സീബർട്ട്, ലൂസിയാനോ കാവൽകാന്റെ, മരിയ ലൂസ് ലുപെട്ടി, എവ്ജെനി ഐസൻബർഗ്, നീക് ബെക്കേഴ്‌സ്, അർക്കാഡി സഗോണിക്കോവ്, ഹെർമൻ വെലുവെങ്ക്amp, ഡേവിഡ് അബിങ്ക്, എലിസ ഗിയക്കാർഡി, ഗീർട്ട്-ജാൻ ഹൂബെൻ, കാതോലിജൻ എം. ജോങ്കർ, ജെറോൻ വാൻ ഡെൻ ഹോവൻ, ഡെബോറ ഫോർസ്റ്റർ & റെജിനാൾഡ് എൽ. ലഗെൻഡിജ്. 2022. 'അർഥവത്തായ മനുഷ്യ നിയന്ത്രണം: AI സിസ്റ്റം വികസനത്തിനായുള്ള പ്രവർത്തനക്ഷമമായ ഗുണങ്ങൾ.' AI ആൻഡ് എത്തിക്‌സ് (18 മെയ് 2022). https://doi.org/10.1007/s43681-022-00167-3
• സ്പെർലെ, ഫാബിയൻ, ആസ്ട്രിക് ജെയ്റ്റ്‌ലർ, ജർഗൻ ബെർണാഡ്, ഡാനിയേൽ എ കീം & മെന്നാത്തല്ല എൽ-അസാഡി. 2020. 'മിക്സഡ്-ഇനീഷ്യേറ്റീവ് വിഷ്വൽ അനലിറ്റിക്‌സിനായുള്ള കോ-അഡാപ്റ്റീവ് ഗൈഡൻസിൽ പഠനവും അധ്യാപനവും.' വിഷ്വൽ അനലിറ്റിക്‌സിനെക്കുറിച്ചുള്ള യൂറോവിസ് വർക്ക്‌ഷോപ്പ്. യൂറോഗ്രാഫിക്സ് നടപടിക്രമങ്ങൾ. DOI: 10.2312/eurova.20201088
• സ്പിന്നർ, തിലോ, ഉഡോ ഷ്ലെഗൽ, ഹന്ന ഷാഫർ & മെന്നാറ്റാല എൽ-അസാഡി. 2019. 'explAIner: സംവേദനാത്മകവും വിശദീകരിക്കാവുന്നതുമായ മെഷീൻ ലേണിംഗിനുള്ള ഒരു വിഷ്വൽ അനാലിസിസ് ഫ്രെയിംവർക്ക്.' വിഷ്വലൈസേഷനിലും കമ്പ്യൂട്ടർ ഗ്രാഫിക്സിലും IEEE ഇടപാടുകൾ. https://doi.org/10.48550/arXiv.1908.00087
• സ്വാർട്സ്, ലൂക്ക്. 2001. 'സാങ്കേതികവിദ്യയിൽ അമിതഭ്രമം: യുഎസ്എസ് വിൻസെൻസിലെ ഉപയോക്തൃ ഇന്റർഫേസ് പരാജയങ്ങൾ എങ്ങനെയാണ് 290 പേരുടെ മരണത്തിലേക്ക് നയിച്ചത്?' 20 ജൂൺ 2022 ലെ കണക്കനുസരിച്ച്: http://xenon.stanford.edu/~lswartz/vincennes.pdf
• United Nations Institute for Disarmament Research (UNIDIR). 2014. ‘The Weaponization of Increasingly Autonomous Technologies: Considering how Meaningful Human Control might move the discussion forward.’ UNIDIR Resources, 2. As of 15 June 2022: https://unidir.org/publication/weaponization-increasingly-autonomous-technologies-considering-how-mean-ingful-human
• യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് എയർഫോഴ്സ് (യുഎസ്എഎഫ്). 2015. 'വ്യോമസേനയിലെ സിസ്റ്റം ഓട്ടോണമി - ഭാവിയിലേക്കുള്ള ഒരു പാത. വാല്യം I: ഹ്യൂമൻ-ഓട്ടോണമി ടീമിംഗ്.' ചീഫ് സയന്റിസ്റ്റിന്റെ ഓഫീസ് AF/ST TR 15-01. 20 ജൂൺ 2022 മുതൽ: https://www.af.mil/Portals/1/documents/SECAF/AutonomousHorizons.pdf?timestamp=1435068339702
• യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡിപ്പാർട്ട്മെന്റ് ഓഫ് ഡിഫൻസ് (യുഎസ് ഡിഒഡി). 2012. 'ആയുധ സംവിധാനങ്ങളിലെ സ്വയംഭരണം.' ഡയറക്റ്റീവ് 3000.09, 21 നവംബർ 2012, മാറ്റം സംയോജിപ്പിക്കൽ 1, 8 മെയ് 2017. 20 ജൂൺ 2022 മുതൽ: https://www.esd.whs.mil/portals/54/documents/dd/issuances/dodd/300009p.pdf
• ജനീവയിലെ അന്താരാഷ്ട്ര സംഘടനകൾക്കായുള്ള യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ദൗത്യം. 2021. നിയമങ്ങൾ സംബന്ധിച്ച GGE-യിലെ പ്രസ്താവന - അജണ്ട ഇനം 5(c), 4 ഓഗസ്റ്റ് 2021. 20 ജൂൺ 2022 മുതൽ: https://geneva.usmission.gov/2021/08/04/u-s-statement-at-the-gge-on-laws-agenda-item-5c
• യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് ഡിപ്പാർട്ട്മെന്റ് ഓഫ് ഡിഫൻസ്. 2022. 'ഹ്യൂമൻ സിസ്റ്റംസ് ഇന്റഗ്രേഷൻ ഗൈഡ്ബുക്ക്.' വാഷിംഗ്ടൺ ഡിസി: ഗവേഷണത്തിനും എഞ്ചിനീയറിംഗിനുമുള്ള അണ്ടർ സെക്രട്ടറി ഓഫ് ഡിഫൻസിന്റെ ഓഫീസ്, മെയ് 2022. 20 ജൂൺ 2022 മുതൽ: https://ac.cto.mil/wp-content/uploads/2022/06/HSI_Guide-book_May2022-Cleared.pdf
• വാൻ ഡെർ വാ, ജാസ്പർ, സബിൻ വെർഡൾട്ട്, കരേൽ വാൻ ഡെൻ ബോഷ്, ജുറിയാൻ വാൻ ഡിഗ്ഗെലെൻ, ടിജലിംഗ് ഹൈജെ, ബിർഗിറ്റ് വാൻ ഡെർ സ്റ്റിഗൽ, & ഇയോന കോക്കു. 2021. 'മനുഷ്യ-ഏജൻ്റ് ടീമുകളിലെ ധാർമ്മിക തീരുമാനങ്ങൾ: മനുഷ്യ നിയന്ത്രണവും വിശദീകരണങ്ങളുടെ പങ്കും.' റോബോട്ടിക്‌സിലെയും AI 8 ലെയും അതിർത്തികൾ, ആർട്ടിക്കിൾ 640647. doi: 10.3389/frobt.2021.640647
• വാൻ ഡെർ വാ, ജാസ്പർ, ജുറിയൻ വാൻ ഡിഗ്ഗെലെൻ, ലൂസിയാനോ കവൽകാൻ്റെ സീബെർട്ട്, മാർക്ക് നീറിൻക്‌സ് & കാതോലിജൻ ജോങ്കർ. 2020. 'മനുഷ്യ-ഏജൻ്റ് ടീമുകളിൽ ധാർമ്മിക തീരുമാനങ്ങൾ എടുക്കൽ അനുവദിക്കൽ:
  ഒരു പാറ്റേൺ സമീപനം.' കമ്പ്യൂട്ടർ സയൻസ് വാല്യം 12187 ലെ പ്രഭാഷണ കുറിപ്പുകൾ. സ്പ്രിംഗർ.
  https://doi.org/10.1007/978-3-030-49183-3_16
• ഷാങ്, റൂയി, നഥാൻ ജെ. മക്‌നീസ്, ഗുവോ ഫ്രീമാൻ & ജെഫ് മ്യൂസിക്. 2020. '“ഒരു ആദർശ മനുഷ്യൻ”: മനുഷ്യ-AI ടീമിംഗിൽ AI ടീമംഗങ്ങളുടെ പ്രതീക്ഷകൾ'. മനുഷ്യ-കമ്പ്യൂട്ടർ ഇടപെടൽ 4-ലെ ACM-ന്റെ നടപടിക്രമങ്ങൾ (ലക്കം CSCW3), ആർട്ടിക്കിൾ 246: 1-25. https://doi.org/10.1145/3432945

റഫറൻസുകൾ

1. പദാവലിയെക്കുറിച്ചുള്ള കുറിപ്പ്: ഈ റിപ്പോർട്ട് 'സ്വയംഭരണം', 'ഓട്ടോമേഷൻ' എന്നീ ആശയങ്ങളെയാണ് സൂചിപ്പിക്കുന്നത്. ഓട്ടോമേഷൻ സാധാരണയായി നിർണ്ണായകവും പ്രവചനാതീതവുമായ സിസ്റ്റങ്ങളെയാണ് സൂചിപ്പിക്കുന്നത്, അതേസമയം സ്വയംഭരണം കുറഞ്ഞ പ്രവചനക്ഷമതയും (സ്വയംഭരണത്തിന്റെ നിലവാരത്തെ ആശ്രയിച്ച്) കുറഞ്ഞ നിർണ്ണായക സ്വഭാവവുമുള്ള സിസ്റ്റങ്ങളെയാണ് സൂചിപ്പിക്കുന്നത്. ഇന്നുവരെ, ലഭ്യമായ ഗവേഷണങ്ങളിൽ ഭൂരിഭാഗവും ഓട്ടോമേഷനിലാണ്, കാരണം ഈ മേഖല വളരെക്കാലമായി നിലനിൽക്കുന്നു, അതിനാൽ ഈ റിപ്പോർട്ടിൽ ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങളെയും ഓട്ടോമേഷനെയും കുറിച്ചുള്ള നിരവധി പരാമർശങ്ങളുണ്ട്. എന്നിരുന്നാലും, അന്തിമ ഉപയോക്തൃ വീക്ഷണകോണിൽ നിന്ന്, ഓട്ടോമേറ്റഡ്, ഓട്ടോണമസ് സിസ്റ്റങ്ങൾ തമ്മിലുള്ള വ്യത്യാസം എല്ലായ്പ്പോഴും ദൃശ്യമാകില്ല, കൂടാതെ അഭിമുഖീകരിക്കുന്ന പ്രശ്നങ്ങൾ വളരെ സമാനമായിരിക്കാം. സ്വയംഭരണത്തിന്റെ മുന്നോടിയായി, ഓട്ടോമേഷൻ കണക്കിലെടുക്കേണ്ട പ്രധാന പാഠങ്ങൾ നൽകുന്നു, കൂടാതെ സ്വയംഭരണ സിസ്റ്റങ്ങളിലെ അപകടസാധ്യതകളെയും വെല്ലുവിളികളെയും കുറിച്ചുള്ള നയ സമൂഹത്തിന്റെ വിലയിരുത്തലുകളെ ഇത് അറിയിക്കും. കൂടാതെ, സ്വയംഭരണവും ഓട്ടോമേഷനും തമ്മിലുള്ള വ്യത്യാസം മനുഷ്യ നിയന്ത്രണത്തിന്റെ അളവിലും മനുഷ്യന്റെ ഇടപെടലില്ലാതെ പ്രവർത്തിക്കാനുള്ള ഒരു സിസ്റ്റത്തിന്റെ കഴിവിലും വിശേഷിപ്പിക്കാം. ഈ അർത്ഥത്തിൽ, ലക്ഷ്യത്തിന്റെ തരം കണ്ടെത്താനും നിർവചിക്കാനും മെഷീൻ ലേണിംഗ് അല്ലെങ്കിൽ ആഴത്തിലുള്ള പഠനം ഉപയോഗിക്കുന്ന ഒരു ആയുധ സംവിധാനം, തുടർന്ന് ആ വിവരങ്ങൾ ആ മേഖലയിൽ ഏർപ്പെടണോ വേണ്ടയോ എന്ന് തീരുമാനിക്കാൻ കഴിയുന്ന മനുഷ്യ ഓപ്പറേറ്റർക്ക് അവതരിപ്പിക്കുന്നത് സ്വയംഭരണമല്ല. പകരം, അത്തരമൊരു സംവിധാനത്തിൽ വ്യത്യസ്ത അളവിലുള്ള സ്വയംഭരണമുള്ള ഫംഗ്ഷനുകൾ ഉൾപ്പെടുന്നു.
2. എൻഡ്‌സ്ലി (2017).
3. GGE on LAWS (2018a) കാണുക; GGE on LAWS (2018b) കാണുക.
4. നിയമങ്ങളെക്കുറിച്ചുള്ള ജിജിഇ (2019ബി)
5. ആർട്ടിക്കിൾ 36 അവതരിപ്പിച്ച 'അർത്ഥവത്തായ മനുഷ്യ നിയന്ത്രണം' എന്ന ആശയം വളരെ സ്വാധീനം ചെലുത്തിയിട്ടുണ്ട്, കാരണം അത് മാരകമായ ബലപ്രയോഗത്തിലെ നിർണായക തീരുമാനങ്ങളിൽ മനുഷ്യന്റെ നിയന്ത്രണത്തെ കൂടുതൽ പ്രത്യേകമായി പരാമർശിക്കുന്നു. അതിനാൽ കൂടുതൽ കൃത്യത നൽകുന്നതിലും ('ലൂപ്പ്' അല്ലെങ്കിൽ മനുഷ്യ 'വിധി' എന്നതിനേക്കാൾ 'നിയന്ത്രണം' എന്ന് പരാമർശിക്കുന്നതിലും) ആ നിയന്ത്രണത്തിന്റെ സ്വഭാവം യോഗ്യമാക്കുന്നതിലും (അതായത്, 'അർത്ഥവത്തായ') ഇത് കൂടുതൽ മുന്നോട്ട് പോകുന്നു; UNIDIR (2014, 3). എന്നിരുന്നാലും, ഈ പദത്തിന്റെ സൈദ്ധാന്തികവും പ്രായോഗികവും നിയമപരവുമായ അവ്യക്തതകൾ പരിഹരിക്കപ്പെട്ടിട്ടില്ല (ഉദാഹരണത്തിന്, ഈ തത്വത്തിൽ നിന്ന് എന്ത് നിയമ നിയന്ത്രണങ്ങൾ ഉരുത്തിരിഞ്ഞു?). സാന്റോണി ഡി സിയോയും വാൻ ഡെൻ ഹോവനും (2018) കാണുക. ഈ റിപ്പോർട്ട് 'മനുഷ്യ നിയന്ത്രണം' എന്ന വിശാലമായ പദത്തെ പരാമർശിക്കും, കാരണം ഇത് സാങ്കേതിക സാഹിത്യത്തിൽ കൂടുതൽ സാധാരണയായി ഉപയോഗിച്ചിട്ടുണ്ട്.
6. ഷ്വാർസ് (2021).
7. ബോർഡ്മാനും കശാപ്പുകാരനും (2019, 2).
8. Schwarz (2021) notes that the discussion on control is misleading when discussing systems that increasingly take on decision-making roles, whereas forums such as the GGE on LAWS continue to embrace an instrumentalist position on technology, which assumes that technology is a tool over which their users retain full agency. A similar question is raised in Section 4.2. in the context of the rejection by the GGE on LAWS of anthropomorphic language (i.e., Principle (i) of the Guiding Principles).
9. ഐപ്രാ (2019).
10. ബൗലാനിൻ et al. (2020, 8–9).
11. നിയമങ്ങളെക്കുറിച്ചുള്ള ജിജിഇ (2021, 6).
12. റിലി തുടങ്ങിയവർ (2017, 180).
13. 2020 ലെ നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ റിപ്പോർട്ട് ഈ കാര്യം വ്യക്തമായി വ്യക്തമാക്കി: “ഫലപ്രദമായ മനുഷ്യ നിയന്ത്രണം, ഇടപെടൽ അല്ലെങ്കിൽ വിധിന്യായം എന്നിവ നേരിട്ടുള്ള, മാനുവൽ നിയന്ത്രണത്തിന് തുല്യമാകണമെന്നില്ല, മറിച്ച് ആയുധത്തിലും ഉപയോഗ പരിസ്ഥിതിയിലും സ്ഥാപിച്ചിരിക്കുന്ന അതിരുകൾ, മനുഷ്യ-യന്ത്ര ഇടപെടലിനുള്ള ആവശ്യകതകൾ എന്നിവയുൾപ്പെടെയുള്ള സാന്ദർഭിക ഘടകങ്ങളുമായി തുല്യമാകാം” (GGE on LAWS, 2021, 8).
14. ബൗലാനിൻ തുടങ്ങിയവർ (2020, 9).
15. ഇവിടെ 'സിസ്റ്റം' എന്ന പദം ഉപയോഗിച്ചിരിക്കുന്നത് എർഗണോമിക്സ് ഡൊമെയ്‌നിൽ ഉപയോഗിക്കുന്ന അർത്ഥത്തിലാണ്, ഇത് 'മനുഷ്യ-യന്ത്ര സംവിധാനങ്ങളുടെ' പശ്ചാത്തലത്തിലുള്ള ഒരു സിസ്റ്റത്തെ സൂചിപ്പിക്കുന്നു, വിവിധ ഘടകങ്ങളെയും അവ തമ്മിലുള്ള ഇടപെടലിനെയും വിവരിക്കുന്നു. 'ആയുധ സംവിധാനങ്ങൾ' സാധാരണയായി ആയുധങ്ങൾ, അനുബന്ധ ഉപകരണങ്ങൾ, ഉദ്യോഗസ്ഥർ, ഡെലിവറി മാർഗങ്ങൾ മുതലായവയുടെ സംയോജനമായി നിർവചിക്കപ്പെടുന്നു. എന്നിരുന്നാലും, റിപ്പോർട്ടിന്റെ മറ്റ് ഭാഗങ്ങളിൽ, സിസ്റ്റങ്ങളെക്കുറിച്ചുള്ള പരാമർശം ഇടുങ്ങിയതാണ് (കമ്പ്യൂട്ടറൈസ്ഡ് സിസ്റ്റം പോലുള്ളവ).
16. ഹൗ തുടങ്ങിയവർ (2015, 33).
17. Ibid.
18. ഇൻ്റർview മിംഗ് ഹൗവിനൊപ്പം (26 ഏപ്രിൽ 2022).
19. എൻഡ്‌സ്ലി (2015, 11–12)
20. എൻഡ്‌സ്ലി (2017, 8–9).
21. എൻഡ്‌സ്ലി (1995, 36).
22. അതേ.; ഗില്ലൻ തുടങ്ങിയവർ (2017, 57).
23. എൻഡ്‌സ്ലി (1995, 37).
24. അതായത്. വ്യക്തിഗത തലത്തിലും ടീം തലത്തിലും SA പഠിക്കാൻ കഴിയും. ഓരോ ടീം അംഗത്തിനും അവർക്ക് നൽകിയിട്ടുള്ള ഉത്തരവാദിത്തങ്ങൾക്ക് SA ഉണ്ടായിരിക്കണം, കൂടാതെ രണ്ടോ അതിലധികമോ ടീം അംഗങ്ങളുടെ ലക്ഷ്യങ്ങൾ ഓവർലാപ്പ് ചെയ്യുമ്പോൾ ഒരു ടീം എന്ന നിലയിൽ അവർക്ക് പങ്കിട്ട SA വികസിപ്പിക്കാൻ കഴിയും.
25. ജോൺസൺ തുടങ്ങിയവർ (2014, 9–10).
26. കാണുക, ഉദാഹരണത്തിന്ampലീ, സീബർട്ട് തുടങ്ങിയവർ (2022).
27. ജോൺസൺ തുടങ്ങിയവർ (2014, 9); ഇന്റർview മാത്യു ജോൺസണോടൊപ്പം (31 മാർച്ച് 2022).
28. ഹാവ്‌ലി തുടങ്ങിയവർ (2005); വികസനം, ആശയങ്ങൾ, സിദ്ധാന്ത കേന്ദ്രം (2018). മനുഷ്യർക്ക് ഓട്ടോമേഷൻ മാറ്റങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിനെക്കുറിച്ചുള്ള ചർച്ചയിൽ പരശുരാമനും വി. റൈലിയും (1997, 231) ഒരു പ്രധാന സംഭാവന നൽകി. എന്നിരുന്നാലും, വ്യാവസായിക പ്രക്രിയകളിൽ ഓട്ടോമേഷൻ അവതരിപ്പിച്ചതിനുശേഷം, ഓട്ടോമേഷൻ കൂടുതൽ പുരോഗമിക്കുമ്പോൾ, മനുഷ്യന്റെ സംഭാവന കൂടുതൽ സങ്കീർണ്ണവും നിർണായകവുമാണെന്ന് വാദിച്ചതിന് ശേഷം, നാല് പതിറ്റാണ്ടിലേറെയായി 'ഓട്ടോമേഷന്റെ വിരോധാഭാസങ്ങൾ' അറിയപ്പെടുന്നു. ബെയിൻബ്രിഡ്ജ് (1983); നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസസ്, എഞ്ചിനീയറിംഗ് ആൻഡ് മെഡിസിൻ (2022, 44).
29. ഹാവ്‌ലി (2017, 11).
30. കമ്മിംഗ്സ് (2006, 23); ഷാരെ, (2018, 169–170).
31. സ്വാർട്സ് (2001).
32. ഉദാampതുടർന്ന്, സ്വിറ്റ്സർലൻഡിലെ ഗൈഡിംഗ് തത്വങ്ങളെക്കുറിച്ചുള്ള വ്യാഖ്യാനത്തിൽ, "മനുഷ്യ മേൽനോട്ടത്തിന്റെ കഴിവ് നിലനിർത്തുന്നതിലൂടെയും, മനുഷ്യന്റെ വൈജ്ഞാനിക ഇടപെടലിനെ പിന്തുണയ്ക്കുന്നതിന് സാങ്കേതികവിദ്യ (ഉദാഹരണത്തിന് ഉചിതമായ മനുഷ്യ-യന്ത്ര ഇന്റർഫേസുകൾ) ഉപയോഗിക്കുന്നതിലൂടെയും നിയന്ത്രണം നടപ്പിലാക്കുന്നതിനുള്ള ഒരു സാധ്യമായ മാർഗം കൈവരിക്കാമെന്ന്" നിർദ്ദേശിച്ചു. GGE on LAWS (2021, 88).
33. സിസ്റ്റം ഡിസൈൻ, പേഴ്‌സണൽ പരിശീലനം എന്നിവയെക്കുറിച്ചുള്ള ചർച്ചകളിൽ, തുടർന്നുള്ള വിഭാഗങ്ങളിൽ ഈ പോയിന്റുകൾ കൂടുതൽ വിശദീകരിക്കുന്നു.
34. ബൗലാനിൻ തുടങ്ങിയവർ (2020, 19); വികസനം, ആശയങ്ങൾ, സിദ്ധാന്ത കേന്ദ്രം (2018); ഹാവ്‌ലി (2017, 9).
35. പരിചയസമ്പന്നരായ എയർ ട്രാഫിക് കൺട്രോളർമാരിൽ പോലും 'നിഷ്ക്രിയ ജ്ഞാന'വുമായി ബന്ധപ്പെട്ട വെല്ലുവിളികൾ നിരീക്ഷിക്കപ്പെട്ടിട്ടുണ്ട്; Endsley (2017); Metzger and Parasuraman (2001) കാണുക.
36. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (25 മാർച്ച് 2022).
37. വികസനം, ആശയങ്ങൾ, ഉപദേശ കേന്ദ്രം (2018, 32).
38. ഇൻ്റർview മിംഗ് ഹൗവിനൊപ്പം (26 ഏപ്രിൽ 2022).
39. ഇൻ്റർview മൈക്ക എൻഡ്‌സ്‌ലിയോടൊപ്പം (15 മാർച്ച് 2022).
40. പരശുരാമനും വി. റൈലിയും (1997).
41. ഇൻ്റർview മൈക്ക എൻഡ്‌സ്‌ലിയോടൊപ്പം (15 മാർച്ച് 2022).
42. എൻഡ്‌സ്ലി (2017, 8).
43. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 42).
44. ഒന്നാഷ് തുടങ്ങിയവർ (2014, 477). മനുഷ്യ-വ്യവസ്ഥാ സംയോജന ഗവേഷണത്തിൽ 'ലംബർജാക്ക് ഇഫക്റ്റ്' എന്ന രൂപകം വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നു.
45. പരശുരാമൻ (2000); കമ്മിംഗ്സ് (2006).
46. ലീ ആൻഡ് സീ (2004, 55).
47. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസസ്, എഞ്ചിനീയറിംഗ് ആൻഡ് മെഡിസിൻ (2022, 18).
48. "ഒരു നിർദ്ദിഷ്ട സാഹചര്യത്തിൽ ഫലപ്രാപ്തി, കാര്യക്ഷമത, സംതൃപ്തി എന്നിവയോടെ നിർദ്ദിഷ്ട ലക്ഷ്യങ്ങൾ കൈവരിക്കുന്നതിന് നിർദ്ദിഷ്ട ഉപയോക്താക്കൾക്ക് ഒരു സിസ്റ്റം, ഉൽപ്പന്നം അല്ലെങ്കിൽ സേവനം എത്രത്തോളം ഉപയോഗിക്കാൻ കഴിയും" എന്നാണ് ഉപയോഗക്ഷമതയെ ISO 9241-220:2019 നിർവചിക്കുന്നത്.
49. ആഡംസ് (2002).
50. റിലേ തുടങ്ങിയവർ. (2017, 178–179).
51. യുഎസ് പ്രതിരോധ വകുപ്പ് (2012, 2–3).
52. നിയമങ്ങളെക്കുറിച്ചുള്ള ജിജിഇ (2018 സി); യുഎസ് മിഷൻ (2021).
53. നിയമങ്ങളെക്കുറിച്ചുള്ള GGE (2019a).
54. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (25 മാർച്ച് 2022).
55. ഡേവിസ് തുടങ്ങിയവർ (2017, 408).
56. ഹാവ്‌ലിയും മാരെസും (2017, 16).
57. ഹോൾനാഗൽ ആൻഡ് വുഡ്സ് (2005); ഹാവ്‌ലി ആൻഡ് മാരെസ് (2017). സമാനമായത് view നിരവധി വിദഗ്ധർ പങ്കിട്ടുviewപ്രോജക്റ്റിനായി രജിസ്റ്റർ ചെയ്തു.
58. എൻഡ്‌സ്ലി (2017) കാണുക.
59. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (22 മാർച്ച് 2022); ഇന്റർview മൈക്ക എൻഡ്‌സ്‌ലിയോടൊപ്പം (15 മാർച്ച് 2022); ഇന്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022).
60. യുകെ പ്രതിരോധ മന്ത്രാലയത്തിലെ വികസനം, ആശയങ്ങൾ, സിദ്ധാന്ത കേന്ദ്രം 2018 ലെ സംയുക്ത ആശയ കുറിപ്പിൽ 'മനുഷ്യ-യന്ത്ര ടീമിംഗ്' എന്ന പദം നിർദ്ദേശിച്ചു, 2020 ൽ GGE നിയമങ്ങളിൽ സമർപ്പിച്ച ഒരു വിദഗ്ദ്ധ പ്രബന്ധത്തിൽ ഈ നിലപാട് ആവർത്തിച്ചു, മനുഷ്യ-യന്ത്ര ടീമിംഗിനെ "ഒരു പൊതു ലക്ഷ്യത്തിനായി പ്രവർത്തിക്കുന്ന മനുഷ്യരുടെയും യന്ത്രങ്ങളുടെയും സംയോജനം, അവയുടെ ആപേക്ഷിക ശക്തികളും ബലഹീനതകളും, സൈനിക വിജയത്തിന് പ്രധാനമാണെന്ന് അംഗീകരിക്കുന്ന ഒരു സമീപനം" എന്ന് പരാമർശിച്ചു. GGE on LAWS (2020, 2–3).
61. എൻഡ്‌സ്ലി (2017, 6); നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസസ്, എഞ്ചിനീയറിംഗ് ആൻഡ് മെഡിസിൻ (2022).
62. കാണുക, ഉദാഹരണത്തിന്ample, യുഎസ് ഡിപ്പാർട്ട്മെന്റ് ഓഫ് ഡിഫൻസ് (2022). HSI എന്നത് വ്യാപകമായി ഉപയോഗിക്കുന്ന ഒരു ആശയവും സമീപനവുമാണ്.
63. 63 നാഷണൽ അക്കാദമി ഓഫ് സയൻസസ്, എഞ്ചിനീയറിംഗ് ആൻഡ് മെഡിസിൻ (2022, 71).
64. ഗില്ലൻ തുടങ്ങിയവർ. (2017, 57–58).
65. ഇതിനർത്ഥം ഡിസൈൻ പ്രക്രിയയിൽ ഉപയോക്താക്കളുടെ ആവശ്യങ്ങൾ മുമ്പ് മാറ്റിവെച്ചിരുന്നു എന്നല്ല. ഉദാഹരണത്തിന്amp1970-കളിൽ ഡിസൈൻ പ്രക്രിയയിൽ ഉപയോക്താവിന്റെ പ്രതീക്ഷകളും സർഗ്ഗാത്മകതയും സംയോജിപ്പിക്കുന്നതിനായി 'പങ്കാളിത്ത രൂപകൽപ്പന' എന്ന ആശയം നിർദ്ദേശിക്കപ്പെട്ടു; Flemisch et al. (2008) കാണുക. എന്നിരുന്നാലും, ഡിസൈൻ പ്രശ്നങ്ങൾ തുടർന്നു, സിസ്റ്റങ്ങൾ കൂടുതൽ സങ്കീർണ്ണമായപ്പോൾ ഡിസ്പ്ലേകളിൽ വിവരങ്ങൾ എങ്ങനെ സംയോജിപ്പിക്കുന്നതിൽ നിരവധി പോരായ്മകൾക്ക് കാരണമായി (Endsley, 2013); ഉപയോക്താക്കളുടെ കാഴ്ചപ്പാടുകളുടെ സംയോജനം പലപ്പോഴും ഉപരിപ്ലവമായി തുടർന്നു (interview മാത്യു ജോൺസണോടൊപ്പം, 31 മാർച്ച് 2022).
66. ഐഎസ്ഒ 9241-220:2019.
67. അവേജ്-നെപ്ഷീൽഡ് (2017, 276).
68. 68 ഔറിയും റിട്ടറും (2021, 22).
69. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (8 ഏപ്രിൽ 2022).
70. സാവേജ്-നെപ്ഷീൽഡ് (2017, 275).
71. ഉപയോക്താക്കളെക്കുറിച്ച് പഠിക്കാൻ ഡിസൈനർമാർക്ക് നിർദ്ദേശിക്കുന്ന രീതികളിൽ പ്രവർത്തനങ്ങളുടെ ഒരു മെനു ഉൾപ്പെടുന്നു, അവരോട് സംസാരിക്കുക, അവർ പ്രവർത്തിക്കുന്നത് കാണുക, അതേ ഡിസൈനർമാർ സൃഷ്ടിച്ച ഇന്റർഫേസുകൾ ഉപയോഗിക്കാൻ അവരെ പ്രേരിപ്പിക്കുക, അവരുടെ ജോലി പരിതസ്ഥിതികളെക്കുറിച്ചുള്ള കൂടുതൽ പൊതുവായ വിവരങ്ങൾ നേടുക (Oury & Ritter, 2021, 16–17).
72. ഉപയോക്താക്കളുടെ കാഴ്ചപ്പാടുകൾ "ശരിയായ സമയത്ത്" സമന്വയിപ്പിക്കുക എന്നതാണ് പ്രധാനമെന്ന് ഒരു വിദഗ്ദ്ധൻ കൂട്ടിച്ചേർത്തു, കഴിയുന്നത്ര നേരത്തെയല്ല (interview അജ്ഞാത വിദഗ്ദ്ധനുമായി, 8 ഏപ്രിൽ 2022).
73. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (22 മാർച്ച് 2022).
74. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (25 മാർച്ച് 2022). സംഘടനാ ഘടകങ്ങളും പ്രധാനമാണെന്ന് അതേ വിദഗ്ദ്ധൻ അഭിപ്രായപ്പെട്ടു: സത്യസന്ധമായ ഫീഡ്‌ബാക്ക് സാധ്യമാകുകയും കണക്കിലെടുക്കുകയും ചെയ്യുന്ന ഒരു സംഘടനാ സംസ്കാരം ഈ പ്രക്രിയയെ പിന്തുണയ്ക്കണം. മനുഷ്യ നിയന്ത്രണത്തിന്റെ മാനങ്ങളെക്കുറിച്ച് ചർച്ച ചെയ്യുന്നതിൽ ബോർഡ്മാനും ബുച്ചറും (2019, 11) സമാനമായ ഒരു പോയിന്റ് ഉന്നയിക്കുന്നു, കാരണം സംഘടനാ സംസ്കാരം "സിസ്റ്റം പെരുമാറ്റങ്ങളെയും പ്രവർത്തനങ്ങളെയും ചോദ്യം ചെയ്യാനുള്ള സന്നദ്ധതയെ" സ്വാധീനിക്കരുത്.
75. എൻഡ്സ്ലി (2017, 10); എൻഡ്‌സ്ലി, ബോൾട്ട്, ജോൺസ് (2003).
76. ISO/TS 20282-2:2013 പ്രകാരം, "ഉപയോക്താക്കൾക്കും ഉപകരണങ്ങൾക്കും ഇടയിലുള്ള ദ്വിദിശ വിവര കൈമാറ്റം" എന്നാണ് പ്രതിപ്രവർത്തനം നിർവചിച്ചിരിക്കുന്നത്. ഉപകരണങ്ങളിൽ ഹാർഡ്‌വെയറും സോഫ്റ്റ്‌വെയറും ഉൾപ്പെടുന്നു. വിവര കൈമാറ്റത്തിൽ ഭൗതിക പ്രവർത്തനങ്ങൾ ഉൾപ്പെട്ടേക്കാം, അതിന്റെ ഫലമായി സെൻസറി ഫീഡ്‌ബാക്ക് ഉണ്ടാകാം.
77. എൻഡ്‌സ്ലി (2017, 5).
78. ജോൺസൺ തുടങ്ങിയവർ (2018).
79. ജോൺസൺ തുടങ്ങിയവർ (2011).
80. വാൻ ഡെർ വാ തുടങ്ങിയവർ. (2020); വാൻ ഡെർ വാ തുടങ്ങിയവർ. (2021).
81. സ്പെർലെ തുടങ്ങിയവർ (2020).
82. ഇൻ്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022).
83. ഐഡം.
84. ഐഡം.
85. ഇൻ്റർview പാരിഷ് ഹന്നയ്‌ക്കൊപ്പം (16 മാർച്ച് 2022).
86. ഹാർട്ട്വിച്ച് et al. (2021, 14–15).
87. Exampആംഗ്യ തിരിച്ചറിയൽ, കണ്ണ് ട്രാക്കിംഗ്, മുഖം തിരിച്ചറിയൽ, വിരലടയാളം, ശബ്ദ ബയോമെട്രിക്സ് എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. ബർട്ട് (2020).
88. ഇൻ്റർview പാരിഷ് ഹന്നയ്‌ക്കൊപ്പം (16 മാർച്ച് 2022).
89. ആൽസ്ട്രോമും ഫ്രീഡ്മാൻ-ബെർഗും (2006, 623–624).
90. ഹൗ തുടങ്ങിയവർ (2022, 11).
91. നിയമങ്ങളെക്കുറിച്ചുള്ള GGE യുടെ ചർച്ചകളിൽ, നിയമങ്ങൾക്ക് കാരണമായി ആരോപിക്കപ്പെടുന്ന ആന്ത്രോപോമോർഫിക് ഭാഷയുടെ (ഉദാ. വിശ്വാസം) ഉപയോഗം തത്വത്തിന്റെ ഭാഗമായി നിരസിക്കപ്പെട്ടു, ഗൈഡിംഗ് തത്വം (i) ഉൾപ്പെടെ, "സാധ്യതയുള്ള നയ നടപടികൾ രൂപപ്പെടുത്തുന്നതിൽ, മാരകമായ സ്വയംഭരണ ആയുധ സംവിധാനങ്ങളുടെ മേഖലയിലെ ഉയർന്നുവരുന്ന സാങ്കേതികവിദ്യകൾ ആന്ത്രോപോമോർഫൈസ് ചെയ്യരുത്" എന്ന് പ്രസ്താവിക്കുന്നു. ഈ സാഹചര്യത്തിൽ 'വിശ്വാസം' എന്ന പദത്തിന്റെ സാങ്കേതിക ഉപയോഗം ഒരു സിസ്റ്റം ഘടകത്തെ, അതായത് ഒരു സ്ഥിരീകരണ സംവിധാനത്തെ സൂചിപ്പിക്കുന്നു, അതിലൂടെ മനുഷ്യന്റെ ഉത്തരവാദിത്തത്തെയും നിയമപരമായ ബാധ്യതകളെയും ബാധിക്കാതെ അത് ഉപയോക്താവിന്റെ ഇൻപുട്ടുകൾ 'പരിശോധിച്ചുറപ്പിക്കും'. എന്നിരുന്നാലും, ബോക്സ് 3 കാണുക.
92. Hou (2020); Hou et al. (2022, 14–17).
93. ജോർജ്ജും ഡിയർമെയറും (2019).
94. ഫ്യൂറീഗൽ തുടങ്ങിയവർ (2021).
95. Schultze and Orlikowski (2010).
96. ഫ്യൂറിഗൽ തുടങ്ങിയവർ. (2021, 65).
97. കമ്മിംഗ്സ് (2006, 26). ഇന്റർഫേസിനെ ഒരു വീഡിയോ ഗെയിം പോലെ തോന്നിപ്പിക്കുന്ന ഗ്രാഫിക് ഘടകങ്ങൾ പോലുള്ള വിദൂരത്വത്തിന്റെയും ഉത്തരവാദിത്തമില്ലായ്മയുടെയും വികാരം കൂടുതൽ വഷളാക്കുന്ന ഘടകങ്ങൾ രൂപകൽപ്പനയിൽ ഉപയോഗിക്കുന്നതിനെതിരെ കമ്മിംഗ്സ് മുന്നറിയിപ്പ് നൽകുന്നു.
98. AWS അവതരിപ്പിച്ച 'വൈജ്ഞാനിക അകലം' താൽക്കാലികവും സ്ഥലപരവുമായ അകലം മൂലമാകാം: സജീവമാക്കലിനും ബലപ്രയോഗത്തിനും ഇടയിൽ മണിക്കൂറുകൾ, ദിവസങ്ങൾ, ആഴ്ചകൾ (താൽക്കാലിക അകലം), ബലപ്രയോഗം എവിടെ പ്രയോഗിക്കുമെന്നതിനെക്കുറിച്ചുള്ള അനിശ്ചിതത്വം (സ്ഥലീയ അകലം) എന്നിവ ഉണ്ടാകാം. ബൗലാനിൻ തുടങ്ങിയവർ (2020, 12).
99. കോക്കൽബർഗ് (2013). ഡ്രോൺ പോരാട്ടം (അല്ലെങ്കിൽ 'സ്ക്രീൻ പോരാട്ടം') പോരാളിയും അവരുടെ എതിരാളിയും തമ്മിലുള്ള ശാരീരിക അകലം മാത്രമല്ല, ധാർമ്മിക അകലവും അവതരിപ്പിക്കുന്നുവെന്ന് രചയിതാവ് ചൂണ്ടിക്കാണിക്കുന്നു.
100. നിയമങ്ങളെക്കുറിച്ചുള്ള GGE (2020); ജാൻസെൻ et al. (2019, 101); ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (22 മാർച്ച് 2022). മനുഷ്യ-ഓട്ടോമേഷൻ ഇടപെടലിലെ ഒരു 'നിത്യഹരിത' പ്രമേയമാണ് മനുഷ്യരും യന്ത്രങ്ങളും തമ്മിലുള്ള പ്രവർത്തനത്തിന്റെയും ചുമതലയുടെയും വിഹിതം (ജാൻസെൻ തുടങ്ങിയവർ (2019, 101).
101. ഇൻ്റർview മൈക്ക എൻഡ്‌സ്‌ലിയോടൊപ്പം (15 മാർച്ച് 2022); ഇന്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (22 മാർച്ച് 2022); ഇന്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022).
102. 'സ്റ്റാറ്റിക്' ആയ ഒരു സിസ്റ്റം AI ഉപയോഗിച്ചേക്കാം, പക്ഷേ പഠനം അറിയപ്പെടുന്നതും നിരീക്ഷിക്കാവുന്നതും നിർണ്ണയിക്കാവുന്നതുമായ പരിതസ്ഥിതികളിലാണ് നടക്കുന്നത്. അത്തരമൊരു സിസ്റ്റം ഉപയോഗിച്ചേക്കാം, ഉദാഹരണത്തിന്ample, ഒരു ലക്ഷ്യം നേടുന്നതിനുള്ള പ്രവർത്തനങ്ങളുടെ ക്രമങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള ഒരു തിരയൽ അൽഗോരിതം, അല്ലെങ്കിൽ ആസൂത്രണത്തിനായി ഉപയോഗിക്കാവുന്ന പ്രശ്നപരിഹാര അൽഗോരിതങ്ങൾ. Russell & Norvig (2022, chp. 3, chp. 14). കാലക്രമേണ അനിശ്ചിതത്വത്തിന്റെ അളവുകൾ അവതരിപ്പിക്കുന്ന ചലനാത്മക സാഹചര്യങ്ങളും സാഹചര്യങ്ങളും മാതൃകയാക്കുന്നത് കൂടുതൽ വെല്ലുവിളികൾ സൃഷ്ടിക്കുന്നു. Russell and Norvig (2022, chp. 15).
103. ഹോളണ്ട് മൈക്കൽ (2020).
104. ഇൻ്റർview മൈക്ക എൻഡ്‌സ്‌ലിയോടൊപ്പം (15 മാർച്ച് 2022).
105. ഫ്ലെമിഷ് തുടങ്ങിയവർ (2017); ബഹ്നർ തുടങ്ങിയവർ (2008) കാണുക.
106. ഫ്ലെമിഷ് തുടങ്ങിയവർ (2017, 323–324). ഇതിനെ 'അൺസാനി വാലി ഓഫ് ഓട്ടോമേഷൻ' എന്നാണ് വിളിച്ചിരുന്നത്, 'അൺകാനി വാലി' എന്ന രൂപകത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു പദപ്രയോഗം. ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങളോ ഉയർന്ന തലത്തിലുള്ള ഓട്ടോമേഷനോ സ്വയം സുരക്ഷിതമല്ലെന്ന് പഠനത്തിന്റെ രചയിതാക്കൾ നിഗമനത്തിലെത്തിയില്ല, മറിച്ച് "സുരക്ഷിത ഓട്ടോമേഷൻ ഡിസൈനുകൾക്കും ലെവലുകളോ മോഡുകളോ തമ്മിലുള്ള പരിവർത്തനങ്ങളുടെ വ്യത്യസ്ത സഹായ, ഓട്ടോമേഷൻ ലെവലുകളുടെ സംയോജനത്തിനും ചുറ്റും സുരക്ഷിതമല്ലാത്ത പ്രദേശങ്ങളുണ്ട്" (327).
107. കമ്മിംഗ്സ് (2006, 23); ഷാരെ (2018, 137–145) എന്നിവയും കാണുക.
108. ഹാവ്‌ലി (2017, 9).
109. ജാൻസെൻ et al. (2019, 101–102).
110. ഇൻ്റർview മാത്യു ജോൺസണോടൊപ്പം (31 മാർച്ച് 2022).
111. ഹാവ്‌ലി (2007, 9). ഹാവ്‌ലി ഓട്ടോമേറ്റഡ് സിസ്റ്റങ്ങളെയാണ് സൂചിപ്പിക്കുന്നത്, എന്നാൽ ഈ വർഗ്ഗീകരണം പ്രധാനമായും സ്വയംഭരണ സിസ്റ്റങ്ങളെയാണ് സൂചിപ്പിക്കുന്നത്.
112. അതേ., പേജ് 11.
113. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (25 മാർച്ച് 2022).
114. ഇൻ്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022); ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (8 ഏപ്രിൽ 2022), ഇത് വെറുമൊരു സാങ്കേതിക പ്രശ്‌നമല്ലെന്നും സാംസ്കാരിക പ്രശ്‌നം കൂടിയാണെന്നും അദ്ദേഹം അഭിപ്രായപ്പെട്ടു, കാരണം എഞ്ചിനീയർമാർ പലപ്പോഴും സിസ്റ്റം എവിടെയാണ് ഏറ്റവും നന്നായി പ്രവർത്തിക്കുന്നതെന്ന് എടുത്തുകാണിക്കുന്നു, പക്ഷേ സിസ്റ്റത്തിന്റെ ബലഹീനതകളെക്കുറിച്ച് സുതാര്യത പുലർത്താൻ അവർക്ക് ബുദ്ധിമുട്ടുകൾ നേരിടുന്നു.
115. സങ്കീർണ്ണമായ സിസ്റ്റങ്ങൾക്കും ഉയർന്ന ചലനാത്മകമായ പരിതസ്ഥിതികൾക്കും വേണ്ടിയുള്ള 'ത്വരിതപ്പെടുത്തിയ വൈദഗ്ധ്യം', പരിശീലനം എന്നിവയുടെ ആശയവൽക്കരണത്തിന് ഹോഫ്മാൻ തുടങ്ങിയവർ (2014, 13); ഹോഫ്മാൻ തുടങ്ങിയവർ (2009) എന്നിവ കാണുക.
116. ഇൻ്റർview മൈക്ക എൻഡ്‌സ്‌ലിയോടൊപ്പം (15 മാർച്ച് 2022).
117. ഹാവ്‌ലി (2017, 9); ഇന്റർview അജ്ഞാത വിദഗ്ദ്ധനോടൊപ്പം (22 മാർച്ച് 2022); എൻഡ്‌സ്‌ലിയും കിരിസും (1995).
118. ഇൻ്റർview അജ്ഞാത വിദഗ്ദ്ധനുമായി (25 മാർച്ച് 2022).
119. ഇൻ്റർview മാത്യു ജോൺസണോടൊപ്പം (31 മാർച്ച് 2022).
120. ഒരു യുഎസ് വ്യോമസേന റിപ്പോർട്ട് (“ഹ്യൂമൻ-ഓട്ടണമി ടീമിംഗ്”) 'ഫ്ലെക്സിബിൾ ഓട്ടോണമി' എന്ന ആശയം നിർദ്ദേശിക്കുന്നു, ഇത് എയർമാൻമാർക്കും സ്വയംഭരണ സംവിധാനങ്ങൾക്കുമിടയിൽ കാലക്രമേണ സ്വയംഭരണത്തിന്റെ നിലവാരം 'മുന്നോട്ടും പിന്നോട്ടും' മാറാമെന്ന് വ്യവസ്ഥ ചെയ്യുന്നു, അത് മനുഷ്യന്റെ വിവേചനാധികാരത്തിലോ അല്ലെങ്കിൽ സ്വയംഭരണത്തിൽ നിർമ്മിച്ച മാനദണ്ഡങ്ങളെ അടിസ്ഥാനമാക്കിയോ (എയർമാൻ സിസ്റ്റവുമായുള്ള ബന്ധം നഷ്ടപ്പെടുമ്പോൾ, അല്ലെങ്കിൽ ഇൻ-ദി-ലൂപ്പ് നിയന്ത്രണത്തിന് മതിയായ സമയം ലഭ്യമല്ലാത്തപ്പോൾ). യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് എയർഫോഴ്സ് (2015, 9–12); നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 45).
121. മക്നീസ് തുടങ്ങിയവർ (2021, 3).
122. ഇൻ്റർview മാത്യു ജോൺസണുമായി (31 മാർച്ച് 2022). ജോൺസൺ അത്തരം പരിശീലനത്തെ, അതുല്യമായ വെല്ലുവിളി നിറഞ്ഞ പരിതസ്ഥിതികളിൽ അടുത്ത ഏകോപനം പഠിക്കാൻ പരിശീലിപ്പിക്കുന്ന ശസ്ത്രക്രിയാ സംഘങ്ങളിൽ നടത്തുന്ന പരിശീലനത്തോടാണ് ഉപമിക്കുന്നത്.
123. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 63).
124. ചാൻഡലർ (2021).
125. ഷാങ് തുടങ്ങിയവർ (2020, 4–5).
126. വികസനം, ആശയങ്ങൾ, ഉപദേശ കേന്ദ്രം (2018, 47).
127. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 67).
128. 'ബ്ലാക്ക് ബോക്സ്' മോഡലുകൾ പ്രത്യേകിച്ച് മെഷീൻ ലേണിംഗിനെയും ആഴത്തിലുള്ള പഠനത്തെയും പരാമർശിക്കുന്നു. 'വൈറ്റ് ബോക്സ്' അല്ലെങ്കിൽ 'ഗ്ലാസ് ബോക്സ്' മോഡലുകളും ഉണ്ട്, അവ കൂടുതൽ എളുപ്പത്തിൽ വിശദീകരിക്കാവുന്ന ഫലങ്ങൾ നൽകുന്നു (ലീനിയർ മോഡലുകൾ പോലുള്ളവ) എന്നാൽ ബ്ലാക്ക് ബോക്സ് മോഡലുകളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അവ വളരെ കുറവാണ്. ഉയർന്ന പ്രകടനവും മോഡലിന്റെ "വിശദീകരിക്കാവുന്നതും വ്യാഖ്യാനിക്കാവുന്നതുമായ പ്രവചനങ്ങൾ നിർമ്മിക്കാനുള്ള കഴിവും" തമ്മിലുള്ള ട്രേഡ്-ഓഫ് AI-യെ നിർവചിക്കുന്നത് തുടരുന്നു. ലിനാർഡാറ്റോസ് തുടങ്ങിയവർ. (2021, 1).
129. സാർട്ടോറിയും തിയോഡോറോയും (2022, 4).
130. ലിനാർഡറ്റോസ് തുടങ്ങിയവർ (2021, 2).
131. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 33).
132. ദോഷി-വെലെസും കിമ്മും (2017, 2).
133. ലിനാർഡറ്റോസ് തുടങ്ങിയവർ (2021, 3).
134. Gilpin et al കാണുക. (2019); മുള്ളർ തുടങ്ങിയവർ. (2019, 85).
135. 136 ഇന്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022).
136. 137 ഹൾസ്റ്റേർട്ട് (2018). LIME ചില സമയങ്ങളിൽ വിശ്വസനീയമല്ലെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട് എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്.
137. 138 മുള്ളർ അറ്റ് ആൽ. (2019) വിപുലമായ ഒരു സാഹിത്യ റിപ്പോർട്ട് നൽകുന്നുview XAI പഠനങ്ങളുടെയും ഇന്റർഫേസുകളുടെയും.
138. ബ്യൂക്സിസ്-ഓസലെറ്റ് തുടങ്ങിയവർ. (2021, 10).
139. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 35).
140. മുള്ളർ തുടങ്ങിയവർ. (2020); മുള്ളർ തുടങ്ങിയവർ. (2019, 99).
141. മുള്ളർ (2019, 95).
142. സ്പിന്നർ തുടങ്ങിയവർ (2019).
143. ഇൻ്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022).
144. ബ്യൂക്സിസ്-ഓസലെറ്റ് തുടങ്ങിയവർ. (2021, 7–8).
145. ഹോഫ്മാൻ തുടങ്ങിയവർ (2018, 16).
146. വാൻ ഡെർ വാ തുടങ്ങിയവർ (2021, 4).
147. ഹോളണ്ട് മൈക്കൽ (2020, 17); Kunze et al എന്നിവയും കാണുക. (2019); Poursabzi-Sangdeh et al. (2021).
148. നാഷണൽ അക്കാദമിസ് ഓഫ് സയൻസ്, എഞ്ചിനീയറിംഗ്, മെഡിസിൻ (2022, 35).
149. ഇൻ്റർview മാത്യു ജോൺസണുമായി (31 മാർച്ച് 2022). സമാനമായ ഒരു കാര്യം മൈക്ക എൻഡ്‌സ്‌ലിയും (ഇന്റർview 15 മാർച്ച് 2022).
150. ഇൻ്റർview മെന്നതല്ല എൽ-അസാദിയോടൊപ്പം (8 ഏപ്രിൽ 2022).

www.unidir.org/ | © UNIDIR 2022
ഫോട്ടോകൾ: © ഷട്ടർസ്റ്റോക്ക്: കവർ: കളർ4260, പേജ് 2: ഗൊറോഡെൻകോഫ്, പേജ് 8: ഹണ്ടർ ബ്ലിസ് ഇമേജസ്, പേജ് 12: ഡിആർ മാനേജർ, പേജ് 19: കൺസെപ്റ്റ് കഫെ,
p21: ജാക്കി നിയാം, p25: ikatwm.

പ്രമാണങ്ങൾ / വിഭവങ്ങൾ

അഡ്വാൻസ്ഡ് HXG10 മനുഷ്യ യന്ത്രം [pdf] നിർദ്ദേശങ്ങൾ GCYHXG10, 101-100, hxg10, HXG10 മനുഷ്യ യന്ത്രം, HXG10, മനുഷ്യ യന്ത്രം, യന്ത്രം

റഫറൻസുകൾ

• ഉപയോക്തൃ മാനുവൽ