تحليل بيانات التعدين باستخدام بايثون وحدود الذكاء الاصطناعي

المكاسب:

• القدرة على إنتاج نصوص برمجية تقوم بتنظيف وتصور بيانات الحفر والإنتاج والمراقبة باستخدام لغة Python، مع دعم الذكاء الاصطناعي
• القدرة على التعرف على جودة البيانات ومخاطر التعلم الزائد والاستقراء عند بناء نماذج تنبؤ بسيطة ونماذج شذوذ
• القدرة على التحقق من التعليمات البرمجية والنتيجة التي تم إنشاؤها بواسطة الذكاء الاصطناعي من خلال التحكم في الوحدة والحساب المستقل والمعقولية الهندسية

في كل وحدة من هذه الوحدة، رأيت أن الذكاء الاصطناعي قوي في الترميز: تنظيف الآبار، وتوازن الكتلة، والهيكل العظمي، وملخص الأسطول، وتحليل الاهتزازات، والمسح البيئي. تركز هذه الوحدة الأخيرة على لغة بايثون، وهي الأداة الملموسة لهذا الكود، والنظام المناسب لتوليد الكود باستخدام الذكاء الاصطناعي. أصبحت بايثون المعيار الفعلي في تحليل بيانات التعدين لأنها مجانية، ولديها مكتبات قوية (الباندا: معالجة البيانات الجدولية؛ numpy: حساب التفاضل والتكامل العددي؛ matplotlib: التخطيط؛ scikit-learn: التعلم الآلي)، وتقوم بأتمتة المهام المتكررة. يضاعف الذكاء الاصطناعي السرعة التي تكتب بها هذا الرمز؛ لكن الكود الذي ينتجه ليس صحيحًا دائمًا. المبدأ الأساسي لهذه الوحدة: لا تقم مطلقًا بتشغيل الكود الذي يكتبه الذكاء الاصطناعي دون قراءته أولاً والتحقق من صحة وحدته واختباره بكمية صغيرة من البيانات المعروفة. قد ينتج عن الكود بصمت نتيجة خاطئة، والتي يمكن أن تتحول إلى قرار هندسي سيء في التعدين.

التدفق الأساسي لتوليد التعليمات البرمجية باستخدام الذكاء الاصطناعي

الحصول على التعليمات البرمجية من الذكاء الاصطناعي هو دورة هندسية، وليس محادثة:

1. صف المهمة بوضوح. الإدخال (الأعمدة، الوحدات، صف العينة)، المخرجات المطلوبة، والقيود. الطلب الغامض ينتج عنه رمز غامض.
2. اطلب أن تكون صغيرة وقابلة للقراءة. اطلب رمزًا معلقًا خطوة بخطوة بدلاً من وظيفة عملاقة واحدة.
3. اقرأ وافهم. افهم ما يفعله كل سطر؛ لا تقم بتشغيل التعليمات البرمجية التي لا تفهمها.
4. اختبار مع البيانات الصغيرة. قم بتشغيله يدويًا باستخدام 5-10 أسطر تعرف نتائجها وتتحقق من المخرجات المتوقعة.
5. حالات حافة السؤال. خلية فارغة، قيمة سالبة، خلط الوحدات، تسجيل متكرر كيف يتصرف الكود؟
6. مقياس والتحقق من المنطق. تشغيل على كافة البيانات؛ هل النتيجة معقولة هندسيا؟

نصيحة: الأخطاء الأكثر شيوعًا التي تدخل كود الذكاء الاصطناعي هي الأخطاء الصامتة: اسم العمود الخاطئ، خلط الوحدة (m vs ft، g/t vs ppm)، الصفوف المسقطة بصمت (مثل dropna)، المتوسط ​​الخاطئ (المتوسط ​​العادي عندما يجب ترجيحه). هذه لا تسبب أخطاء. انها تنتج فقط الرقم الخطأ. لذا فإن عبارة "لم أحصل على خطأ" لا تعني أبدًا "صحيحًا".

مهام بايثون النموذجية في التعدين

• تنقية البيانات: دمج جداول الحفر/الإنتاج/المراقبة، ووضع علامة على عدم الاتساق، وتطبيع الوحدة.
• الملخص والتصور: الرسم البياني، السلاسل الزمنية، منحنى درجة الحمولة، الرسوم البيانية لـ OEE.
• الإحصاء والإحصاء الجغرافي: ملخص الإحصائيات، الارتباط، المتغير/الكريجينج (مع مكتبات خاصة).
• الكشف عن الشذوذ: التقاط الانجراف القائم على العتبة أو النموذج البسيط.
• نماذج التنبؤ البسيطة: على سبيل المثال، العلاقة بين الحجم والإنتاج والانحدار.

بالنسبة لمعظم هذه المهام، يوفر الذكاء الاصطناعي رمز بداية ممتازًا. ولكن هناك مأزقين: جودة البيانات وحدود النموذج. إن معرفة كليهما أمر أساسي لاستخدام كود الذكاء الاصطناعي بأمان.

حدود النموذج: التعلم الزائد والاستقراء

إن النماذج التنبؤية البسيطة التي يبنيها الذكاء الاصطناعي بسهولة معرضة لخطرين رئيسيين. التجهيز الزائد: يحفظ النموذج بيانات التدريب ولكن أداءه ضعيف مع البيانات الجديدة؛ إن بناء نماذج معقدة ببيانات قليلة يدعو إلى ذلك. الاستقراء: يصبح النموذج غير موثوق عندما يضطر إلى التنبؤ على نطاق خارج بيانات التدريب؛ على سبيل المثال، قد يعطي النموذج الذي تم تعلمه في نطاق 0.3-0.8 جم/طن نتائج لا معنى لها عند 5 جم/طن. لا يقوم الذكاء الاصطناعي بإدارة هذه المخاطر "عفويًا" نيابةً عنك؛ الأمر متروك لك لقراءة النموذج بشكل نقدي، والتمييز بين التدريب والاختبار، وإلقاء نظرة على فاصل الثقة، والتحقق مما إذا كان التنبؤ معقولًا فعليًا. ومهما ظهر رقم النموذج بدقة، فإنه لا يمكن أن يكون أساسًا لقرار هندسي خارج نطاق البيانات.

ثلاث حالات صغيرة

الحالة 1 - خطأ في مستوى الصوت الصامت. يريد المهندس رمزًا يجعل الذكاء الاصطناعي يحسب متوسط ​​الدرجة من بيانات الاختبار. الكود يعمل، والنتيجة هي 2.1 جرام/طن. يقرأ المهندس الكود؛ لاحظ أن المتوسط ​​لا يتم ترجيحه بطول الفاصل الزمني، ولكن يتم اعتباره متوسطًا مستقيمًا. وكانت الدرجات العالية في فترات زمنية قصيرة تكتسب وزنا بشكل غير عادل. وعند الانتقال إلى المتوسط ​​المرجح، تنخفض القيمة إلى 1.7 جم/طن. لم يعط الكود أي أخطاء. القراءة اشتعلت الخطأ.

الحالة 2 - إسقاط الخط الصامت. في كود ملخص الإنتاج، يقوم الذكاء الاصطناعي بتنظيف الصفوف ذات القيم المفقودة باستخدام Dropna. يعمل الكود بسلاسة، ولكن تم التقليل من الحمولة الإجمالية لأنه تم إسقاط بعض الصفوف الصحيحة تمامًا بسبب عمود واحد فارغ. عندما يقارن المهندس عدد الخطوط بين المدخلات والمخرجات، يرى الفرق ويصحح منطق التنظيف. الدرس المستفاد: قارن دائمًا بين عدد خطوط الإدخال والإخراج.

الحالة 3 - فخ الاستقراء. يقوم الفريق بتطبيق نموذج الانحدار الذي تم تعلمه في نطاق الدرجة المنخفضة على منطقة الدرجة العالية؛ يعطي النموذج تقديرًا عاليًا للإنتاجية بشكل سخيف. ولحسن الحظ، يرفض المهندس النتيجة قائلاً: "هذه المنطقة خارج النطاق الذي يراه النموذج بكثير" ويطلب إجراء اختبار معدني. الدرس المستفاد: معرفة نطاق البيانات الذي يكون النموذج صالحًا له؛ لا تستخدم تقديرًا خارج الولاية.

قوالب سريعة قابلة للنسخ

رمز تنظيف البيانات الآمن "الدور: أنت مساعد محلل بيانات بايثون. اكتب التعليمات البرمجية باستخدام الباندا التي تنظف الجدول التالي. الأعمدة والوحدات: [قائمة]. القواعد: (1) طباعة عدد الصفوف قبل وبعد إسقاط الصفوف؛ (2) الإبلاغ عن الصفوف التي تم إسقاطها ولماذا؛ (3) تحويلات وحدة التعليق؛ (4) استخدم المتوسط المرجح عند الضرورة بدلاً من العادي. اشرح كل خطوة باستخدام سطر تعليق."

طلب مراجعة الكود"اشرح سطر كود Python التالي سطرًا وأشر إلى نقاط الخطر التالية: افتراض اسم العمود غير الصحيح، ارتباك الوحدة، إسقاط الصفوف الصامتة، خطأ متوسط ​​مسطح/مرجح، سلوك حالة الحافة (فارغة/سلبية). لا تقم بإصلاح الكود؛ فقط قم بإدراج المخاطر. الكود: [لصق]."

اختبار الإعداد مع البيانات الصغيرة "بالنسبة لهذه الوظيفة، قم بإنتاج بيانات اختبار صغيرة يدويًا (5-6 أسطر) أعرف النتيجة والمخرجات المتوقعة؛ اكتب كتلة اختبار تتحقق مما إذا كانت الوظيفة تعمل بشكل صحيح على هذه البيانات. اختبر أيضًا الحالات القصوى (خلية فارغة، سلبية، قيمة الوحدة القصوى). الوظيفة: [لصق]."

نموذج بسيط + تحذير حدودي"قم بإعداد انحدار بسيط لـ [x -> y] بالبيانات التالية. قم بالتمييز بين التدريب/الاختبار، وأبلغ عن مقياس الخطأ، وحدد بوضوح نطاق x الذي يكون النموذج صالحًا عليه. حذر إذا تم إجراء تنبؤات خارج هذا النطاق. علق على خطر الإفراط في التدريب وتناثر البيانات. البيانات: [لصق]."

موجه ضعيف / موجه قوي

مطالبة ضعيفة: "احسب متوسط الدرجة من هذه البيانات."

مطالبة قوية: "الدور: أنت مساعد بايثون. الأعمدة: HoleID، من (m)، إلى (m)، Au(g/t). حساب متوسط ​​الدرجة المرجحة مع طول الفاصل الزمني. الكود: (1) طباعة عدد صفوف الإدخال/الإخراج؛ (2) الإبلاغ عن القيم الخالية/السالبة قبل إسقاطها؛ (3) تأكيد افتراض الوحدة. اعرض أيضًا الإجماليات الفرعية حتى أتمكن من التحقق من النتيجة يدويًا. البيانات: [لصق]."

جدول المقارنة: المخاطر والاحتياطات

خطر

أعراض

الاحتياطات

تدخل الوحدة

رقم معقول لكنه خاطئ

قم بالتعليق على الوحدة في الكود، والتحقق منها

إسقاط الخط الصامت

المجموع مفقود

مقارنة عدد خطوط الإدخال/الإخراج

عادي مقابل المتوسط المرجح

متوسط خاطئ

التحقق من الترجيح

التعلم الزائد

سيئة في بيانات الاختبار

فصل التدريب/الاختبار، اجعل الأمر بسيطًا

استقراء

تخمين هراء خارج النطاق

الحد من النطاق الصالح

الأخطاء الشائعة

• تشغيل الكود دون قراءته. "لم تحصل على أي أخطاء" لا يعني أن هذا صحيح.
• عدم الاختبار مع البيانات الصغيرة. الثقة بدون مثال يمكن التحقق منه زائفة.
• عدم مقارنة عدد خطوط الإدخال/الإخراج. هذه هي الطريقة التي تهرب بها الخسائر الصامتة.
• تجاهل نطاق النموذج. تقديرات الاستقراء غير موثوقة.
• الثقة في جمال الرسم البياني. يمكن للمخطط الأنيق إخفاء الرقم الخطأ.

انتبه: إذا دخل كود الذكاء الاصطناعي إلى حساب هندسي، فإن هذا الكود يكون مسؤولًا تمامًا مثل الحساب. عندما تصبح النتيجة قرار تعدين، قم بتشغيل الكود ومخرجاته من خلال فحص منطقي مستقل ومقارنته بالطريقة الثانية إن أمكن.

باختصار

بايثون هي الأداة الفعلية لتحليل البيانات، والذكاء الاصطناعي يزيد بشكل كبير من سرعة كتابتها. لكن كود الذكاء الاصطناعي يمكن أن يحتوي على أخطاء صامتة (ارتباك الوحدة، وإسقاط الصفوف، والمتوسط ​​الخاطئ) ومصائد النماذج (التعلم الزائد، والاستقراء). التدفق الآمن: الوصف بوضوح، والرغبة في أن تكون صغيرة وقابلة للقراءة، والقراءة والفهم، والاختبار باستخدام البيانات الصغيرة المعروفة، وحالات حافة الاستعلام، والقياس والتحقق المنطقي. لا يمكن لمخرجات النموذج أن تكون أساسًا لقرار خارج نطاق البيانات؛ ويتحمل كل رمز نفس القدر من المسؤولية مثل الحساب إذا تحول إلى قرار تعدين.

مهمة التطبيق

استخدم قالب "رمز تعقيم البيانات الآمنة" مع مهمة متوسط ​​الدرجات أو ملخص الإنتاج للحصول على الرمز من الذكاء الاصطناعي؛ قم بإزالة مخاطر الكود باستخدام قالب "طلب مراجعة الكود". بعد ذلك، باستخدام قالب "اختبار الإعداد باستخدام البيانات الصغيرة"، قم يدويًا بإنشاء مجموعة بيانات تعرف نتائجها وتحقق من الكود. أخيرًا، من أجل علاقة بسيطة، قم بإعداد نموذج باستخدام قالب "نموذج بسيط + تحذير الحد" واختبر أنه يعطي تحذيرًا عندما يخرج عن النطاق الصالح.

قائمة مرجعية

• [ ] قرأت كود الذكاء الاصطناعي وفهمت كل سطر، ولم أقم بتشغيله بشكل أعمى.
• [ ] لقد قمت باختباره باستخدام بيانات صغيرة يمكن التحقق منها يدويًا.
• [ ] قمت بمقارنة عدد خطوط الإدخال والإخراج.
• [ ] لقد تحققت من اتساق الوحدة وترجيحها.
• [ ] قمت بتحديد نطاق البيانات الصالح للنموذج، وتجنب الاستقراء.
• [ ] لقد قمت بفحص النتيجة التي تحولت إلى قرار بالمنطق المستقل/الطريقة الثانية.

امتحان الوحدة

1. يسأل أحد المتدربين أداة الدردشة المدعومة بالذكاء الاصطناعي عن متوسط درجة الجسم الخام ويكتب القيمة الناتجة البالغة "1.8 جم/طن ذهب" مباشرةً في تقرير الاحتياطي. ما هو الخطأ الأساسي في هذا النهج؟

• أ) يجب أن تأتي قيمة الدرجة من بيانات الحفر/التحليل الخاصة بالمشروع والتنبؤات التي تم التحقق منها؛ قد يكون الرقم الناتج عن الذكاء الاصطناعي تلفيقًا بدون مصدر ✔
• ب) كان ينبغي أن يطلب الذكاء الاصطناعي بالأوقية بدلاً من الجرام
• ج) القيمة صحيحة، وكان ينبغي استخدام النقطة فقط بدلاً من الفاصلة
• د) يكفي أن تسأل الذكاء الاصطناعي نفس السؤال ثلاث مرات وتأخذ المتوسط

توضيح: نموذج اللغة لا يعرف بيانات الحفر الخاصة بمشروعك؛ ينتج رقمًا يبدو على الأغلب (الهلوسة). ويأتي التصنيف فقط من بيانات الحفر المركبة الخاصة بالمشروع والتقديرات الإحصائية الجغرافية؛ ولا يمكن إدراج مخرجات الذكاء الاصطناعي في التقرير دون موافقة الشخص المختص.

2. ما الذي يتيحه "التصنيف على أساس المخاطر" في استخدام الذكاء الاصطناعي في هندسة التعدين؟

• أ) خفض سعر أداة الذكاء الاصطناعي
• ب) تحديد دور الذكاء الاصطناعي والعمق الإلزامي للتحقق حسب مستوى خطورة المهمة✔
• ج) ينبغي كتابة المطالبات أقصر
• د) تفويض جميع القرارات تلقائيًا إلى الذكاء الاصطناعي

توضيح: ليست كل مهمة على نفس مستوى المخاطرة. إن تصنيف المهمة على أنها منخفضة/متوسطة/عالية/حرجة يحدد المخرجات التي يمكن استخدامها بحرية والتي تتطلب التحقق القياسي والميداني وموافقة المهندس المختص.

3. ما هو نموذج "فاريوجرام" في الإحصاء الجغرافي؟

• أ) استهلاك الوقود للمعدات
• ب) تغير سعر المعدن مع مرور الوقت
• ج) الاستمرارية المكانية حسب المسافة؛ ✔ كيف يتناقص التشابه مع زيادة النقاط
• د) تردد الاهتزاز الناتج عن التفجير

الوصف: يصف Variogram كيف يتناقص تشابه العينات مع بعضها البعض (الاستمرارية المكانية) مع زيادة المسافة بين نقطتين. يستخدم Kriging هذا النموذج لتقدير النقاط غير المقاسة بهامش من عدم اليقين.

4. ما هو أفضل نهج عند استخدام الذكاء الاصطناعي للتصنيف المسبق للأحجار من التصوير الفوتوغرافي لقلب الحفر؟

• أ) معالجة نوع الصخور الذي يقدمه الذكاء الاصطناعي مباشرة في سجل الحفر
• ب) نسخ نص الذكاء الاصطناعي في التقرير دون فحص الصورة على الإطلاق
• ج) إلغاء ملاحظة الجيولوجي والاعتماد على الذكاء الاصطناعي فقط
• د) اعتبار المخرجات تنبؤًا/فرضية أولية والتحقق منها بالملاحظة الجيولوجية والتحليل المختبري ✔

الوصف: يمكن للذكاء الاصطناعي إنشاء قائمة تنبؤات وانتباه من الصورة؛ ومع ذلك، يتم اتخاذ القرار النهائي بشأن علم الصخور/التعديل من خلال ملاحظة الجيولوجي والتحليل المختبري. إن مخرجات الذكاء الاصطناعي هي البداية، وهي فرضية يجب التحقق منها.

5. ماذا تعني "نسبة التجريد" في تخطيط الحفرة المفتوحة؟

• أ) كمية الصدأ (النفايات الصخرية) التي يجب إزالتها للوصول إلى وحدة واحدة من الخام✔
• ب) نسبة المعدن في الخام
• ج) عدد رحلات الشاحنات اليومية
• د) كمية المتفجرات المستخدمة في التفجير

الوصف: معدل التجريد هو كمية النفايات (الشريط/النفايات) التي يجب إزالتها للحصول على وحدة واحدة من الخام. يعتمد حد الحفرة النهائي والاقتصاد إلى حد كبير على هذه النسبة؛ على الرغم من أن الذكاء الاصطناعي يولد سيناريوهات، إلا أن قرار الحدود متروك للمهندس المختص.

6. ماذا يعني في الصيانة التنبؤية عندما يجد الذكاء الاصطناعي "حالات شاذة" في بيانات الاهتزاز ودرجة الحرارة؟

• أ) دليل على أن المعدات قد تعطلت بالتأكيد
• ب) التحذير من خروج البيانات عن الوضع الطبيعي. وهو ليس تشخيصًا نهائيًا للخلل الوظيفي، ولكنه علامة تحتاج إلى تأكيد عن طريق الفحص البدني✔
• ج) الأمر بإيقاف المعدات تلقائيًا
• د) ضمان أن البيانات تم تسجيلها بشكل غير صحيح

Explanation: الحالة الشاذة هي انحراف للبيانات عن السلوك الطبيعي وقد تشير إلى وجود خلل؛ لكنه ليس تشخيصًا نهائيًا. يتم اتخاذ قرار إيقاف المعدات أو استبدال الأجزاء بعد الفحص البدني لفريق الصيانة وموافقة مدير العمليات.

7. ما هو الضروري للسلامة عند استخدام الذكاء الاصطناعي في تصميم عملية الحفر؟

• أ) تنفيذ توصية منظمة العفو الدولية مباشرة في الميدان
• ب) تخطي قياس الاهتزاز
• ج) التحقق من التصميم المقترح للذكاء الاصطناعي من خلال القياس الميداني والحد التنظيمي وموافقة خبير التفجير المعتمد ✔
• د) تحديد كمية المتفجرات بالحد الأقصى الذي يوفره الذكاء الاصطناعي

الوصف: التفجير. إنه يحمل مخاطر أمنية وتنظيمية خطيرة مثل الاهتزاز والصدمات الهوائية والحجارة المتطايرة. يمكن للذكاء الاصطناعي إنتاج مخطط تصميمي وتوصية بالمعلمات؛ ومع ذلك، يجب أن يجتاز التصميم النهائي القياسات الميدانية والحدود التنظيمية وموافقة خبير التفجير المعتمد (المفجر/المسؤول).

8. ما هي العلاقة النموذجية بين "الاسترداد" و"درجة التركيز" في معالجة المعادن وما الذي يجب أن يتذكره الذكاء الاصطناعي عند تفسير ذلك؟

• أ) يزيد الاثنان معًا دائمًا
• ب) لا توجد علاقة بينهما
• ج) العلاقة ثابتة وواحدة في جميع المرافق
• د) عادة ما يكون هناك توازن عكسي (ينخفض العائد مع زيادة الدرجة)؛ يجب التحقق من القيم الفعلية عن طريق الاختبارات المعدنية وتوازن الكتلة ✔

توضيح: بشكل عام، عندما نحاول الحصول على درجة مركزة أعلى، ينخفض العائد (توازن إنتاجية الدرجة). يمكن للذكاء الاصطناعي أن يفسر هذا الاتجاه، ولكن يجب تأكيد قيم التشغيل الفعلية عن طريق الاختبارات المعدنية وتوازن الكتلة؛ الاتجاه العام ليس بديلاً عن الواقع الخاص بالموقع.

9. ما هو الاستخدام الأنسب لتحليل بيانات الحوادث/الحوادث الوشيكة باستخدام الذكاء الاصطناعي في السلامة المهنية؟

• أ) تصنيف سجلات النصوص الحرة واستخراج أنماط المخاطر المتكررة؛ اترك القرار لخبير الصحة والسلامة المهنية ✔
• ب) تحديد الجاني في الحوادث تلقائيا
• ج) تفويض أوامر وقف العمل إلى الذكاء الاصطناعي
• د) أرشفة السجلات الوشيكة دون مراجعتها

الوصف: يستطيع الذكاء الاصطناعي تصنيف كميات كبيرة من السجلات النصية المجانية واستخراج الأنماط المتكررة والظروف الخطرة بسرعة. ومع ذلك، يتم اتخاذ قرار وقف العمل أو إخلاء المنطقة أو السبب الجذري في إطار خبير الصحة والسلامة المهنية والتشريعات؛ إن مخرجات الذكاء الاصطناعي هي مدخلات وليست قرارًا.

10. لماذا يعد "تسارع معدل التشوه" علامة مهمة في بيانات الرادار/المنشور في مراقبة المنحدرات؟

• أ) يدل قطعاً على تعطل جهاز القياس.
• ب) قد ينذر بهزيمة تدريجية؛ الإنذار المبكر وقرار الإخلاء يعود للمهندس الجيوتقني✔
• ج) يوضح أن المنحدر آمن تمامًا
• د) يكون مهمًا فقط عند هطول الأمطار ويمكن تجاهله

التفسير: قبل فشل المنحدر، لوحظ بشكل عام زيادة تدريجية في معدل التشوه (التسارع)؛ قد يكون هذا علامة على الفشل التدريجي. يمكن للذكاء الاصطناعي تسليط الضوء على هذا الاتجاه، ولكن يتم اتخاذ قرار الإخلاء/الإنذار المبكر من خلال تحليل وبروتوكول المهندس الجيوتقني.

11. في مجال المراقبة البيئية، ما هي الاستجابة الأكثر دقة لعلامة "التجاوز" التي يجدها الذكاء الاصطناعي في سلسلة زمنية لجودة المياه؟

• أ) الإبلاغ عن مخرجات الذكاء الاصطناعي مباشرة إلى الوكالة الحكومية
• ب) تجاهل التحذير واستمر في المشاهدة
• ج) التحقق بالنتيجة المخبرية المعتمدة والحد التنظيمي وتقييم المهندس البيئي ✔
• د) الاعتماد على الذكاء الاصطناعي فقط وإلغاء التحليل المخبري

الوصف: قد يشير الذكاء الاصطناعي إلى احتمال حدوث اختراق مبكرًا؛ إلا أن قرار المطابقة الرسمي يتم اتخاذه من خلال التحاليل المخبرية المعتمدة والقيم الحدية في التشريع وتقييم المهندس البيئي. إن مخرجات الذكاء الاصطناعي عبارة عن تنبيه فحص، وليس قرارًا قانونيًا/تقنيًا.

12. ما هي الطريقة الأكثر موثوقية لتجنب الحصول على مرجع مختلق (هلوسة) عندما تطلب من الذكاء الاصطناعي رقم البند الخاص بمعيار مثل JORC أو NI 43-101؟

• أ) الاعتماد على رقم العنصر الذي قدمه الذكاء الاصطناعي
• ب) طرح نفس السؤال مرة أخرى بكلمات مختلفة
• ج) النظر إلى منشور مدونة بدلاً من المعيار
• د) فتح وتأكيد مرجع كل مادة من النص الرسمي الحالي للمعيار والحصول على الموافقة من الشخص المختص ✔

توضيح: على الرغم من أن النموذج اللغوي يعرف اسم المعيار بشكل صحيح، إلا أنه قد يهلوس برقم المقالة ونصها. يجب فتح كل مرجع مادة وتأكيده من النص الرسمي الحالي للمعيار ويجب تأكيد المطابقة النهائية من قبل الشخص المختص (CP/QP).

13. ما هو الفحص الأكثر أهمية قبل تشغيل نص تحليل بايثون المكتوب بواسطة الذكاء الاصطناعي؟

• أ) قراءة الكود والتحقق من مطابقة الوحدة/العمود، واختبار البيانات الصغيرة المعروفة والتحقق من معقولية النتيجة ✔
• ب) تشغيل الكود مباشرة على مجموعة البيانات بأكملها دون قراءتها
• ج) مجرد رؤية عدم وجود خطأ وقبول النتيجة
• د) الاعتماد على رسومات الإخراج لتبدو جميلة.

الوصف: قد يخلط كود الذكاء الاصطناعي الوحدات، أو يفترض أسماء الأعمدة بشكل غير صحيح، أو يسقط الصفوف بصمت. من الضروري قراءة التعليمات البرمجية والتحقق من مطابقة الحجم والعمود واختبار كمية صغيرة من البيانات المعروفة والتحقق مما إذا كانت النتيجة معقولة هندسيًا.

14. ما هو أفضل سلوك فيما يتعلق بالخصوصية عند إعطاء بيانات التنقيب إلى أداة الذكاء الاصطناعي السحابية؟

• أ) لصق جميع البيانات الأولية كما هي
• ب) إخفاء هوية السياق وتنظيف بيانات الاحتياطي/الإحداثيات/الإنتاج الحساسة واستخدام أداة الشركة المتوافقة مع السياسات ✔
• ج) على افتراض أن توفير الإحداثيات الفعلية أمر ضروري لجودة النتيجة
• د) تجاهل سياسة الخصوصية على الإطلاق

توضيح: تعتبر أرقام الاحتياطي ومعلومات الترخيص/الإحداثيات وبيانات الإنتاج حساسة فيما يتعلق بالأسرار التجارية والتشريعات. من الضروري إخفاء هوية السياق، ومسح الإحداثيات والأسماء الحقيقية، واختيار أداة ضمان الشركة/الخصوصية والامتثال لسياسة الشركة.