Печалби:
- Способност за ефективно използване на AI при обработка, контрол на качеството и докладване на лабораторни резултати
- Възможност за ускоряване на изготвянето на геоложки/геотехнически доклади, преглед на литературата и обобщение на данните с AI
- Възможност за защита на автоматично генерирано съдържание с възможност за проследяване, потвърждение на източника и одобрение от инженер
Невидима, но голяма част от работата на инженера-геолог се извършва в офиса: обработка на лабораторни резултати, контрол на качеството, таблични данни, писане на доклади, сканиране на литература и подготовка на карти и фигури. Тези работни места се повтарят, отнемат време и изискват внимание; Точно това е областта, в която изкуственият интелект спестява най-много време. Но и тук има капан: докладът е официалната основа за инженерно решение. Изфабрикуван източник, неправилно копиран номер или непроследимо твърдение могат да се промъкнат незабелязано в течащ текст и последствията могат да бъдат сериозни. Целта на това звено е да установи дисциплина, която никога не намалява проследимостта, потвърждаването на източника и одобрението на инженерите, като същевременно използва изкуствения интелект в ефективността на офиса от край до край.
В това звено ще покрием три офис фронта: обработка на лабораторни резултати и QA/QC (почистване и осигуряване на данни от анализи), производство на доклади и литература (ускоряване на изготвяне, абстрахиране и скрининг) и автоматизация на работния процес (регуляризиране на повтарящи се задачи). На всяка стъпка AI е съставител и организатор; Точността, източникът и окончателното одобрение на съдържанието принадлежат на инженера.
Обработка на лабораторни резултати и QA/QC
Лабораторните резултати (анализ на степента, тестове за индекс на почвата, химия на водата) често пристигат в различни формати, в различни единици и понякога неправилно. AI вписва тези данни в една схема, улавя несъответствие на единица, флагове под границата на откриване и проверява QA/QC проби (празна проба, стандартен референтен материал, повторен анализ). QA/QC (осигуряване на качеството/контрол на качеството) е проверката, която доказва надеждността на лабораторията: ако има замърсяване в празната проба, отклонение в стандарта, несъответствие при повторната проба, данните са съмнителни.
Критична точка: AI никога не изтрива тихо или коригира стойност. Неговата задача е да маркира проблемни линии и да остави инженера да вземе решение. Чуждото отклонение може да е истинско високо съдържание на руда или лабораторна грешка; Инженерът прави това разграничение с контекста. Изкуственият интелект проверява данните, не ги почиства.
Съвет: Повторете правилото „само маркирайте, не променяйте“ при всяка подкана, когато обработвате лабораторни данни. Най-коварната грешка на AI е, когато повреди необработените данни, като „коригира“ стойност с добри намерения и не го осъзнава.
Изготвяне на доклади и литература
AI е мощен съставител при писане на доклади: изготвя раздела за метода, уводния контекст, обобщението на заключения за минути; обобщава дълга литература; Преобразува сложна таблица в обикновен текст. Но две опасности са очевидни. Първият е измисленият източник: моделът може уверено да генерира несъществуваща статия, фалшив автор или несъществуваща канонична статия. На второ място, грешка при обработка на числа: степен, коефициент на безопасност или дълбочина може да бъдат неправилно прехвърлени при преминаване в текста.
Така че златното правило: AI произвежда чернова, инженерът я проверява и я притежава. Всеки източник е потвърден от оригинала (апокрифните препратки са най-често срещаният тип халюцинации); всяко число се сравнява със суровите данни; Всяка техническа претенция се тества с инженерни познания. След като докладът бъде подписан, отговорността за всяко изречение в него се носи от подписалия — „AI го е написал“ не е извинение.
Внимание: Никога не приемайте библиографията, създадена от изкуствения интелект, такава, каквато е. Измислени, но реалистично изглеждащи препратки (привидно точен автор, списание, година) са най-честите и опасни халюцинации. Проверете всяка справка спрямо независима база данни.
Автоматизация на работния процес и проследимост
Автоматизирането на повтарящи се задачи (обработка на месечни данни за мониторинг на водата, попълване на стандартен шаблон за отчет, комбиниране на таблици за сондиране) с изкуствен интелект осигурява голяма ефективност. Но автоматизацията може също да автоматизира грешката: веднъж установено грешно правило се повтаря мълчаливо при всяко изпълнение. Ето защо автоматизираните работни потоци трябва да бъдат проследими: записване кой вход, коя стъпка, коя версия на модела идва от всеки изход; Когато бъде открита грешка, основната причина и всички засегнати резултати трябва да могат да бъдат проследени.
Проследяемостта на практика означава: записват се източникът и датата на входните данни, приложените трансформации, използваната подкана/моделна версия и стъпката на одобрение от човека. Това гарантира както отстраняване на грешки, така и инженерна отговорност. Неконтролируемата автоматизация, независимо колко бърза е, е неприемлива в критичен за безопасността бизнес.
Три мини калъфа: с числата
Случай 1 — Улавяне на QA/QC отклонение. Една лабораторна пратка съдържаше 320 проби. Проверката на AI QA/QC маркира стандартен референтен материал като систематично 8% недостатъчно показание за последните 40 проби — отклонение на калибрирането на инструмента. Тази системна грешка беше проблем, който беше много труден за откриване ръчно, но засегна цялата партида; Пратката беше повторно анализирана. Той не реши модела, той направи модела видим.
Случай 2 — Фабричен източник. AI изготви литературния раздел на геотехнически доклад и създаде шест препратки. По време на проверката беше установено, че две от тях никога не са съществували, а едната е приписана на грешен дневник. Ако препратките не бяха проверени една по една спрямо независима база данни, изфабрикуваните източници щяха да влязат в подписан инженерен доклад. Движението се ускори; Потвърждението е запазено.
Случай 3 — Първопричина с възможност за проследяване. При автоматизацията на месечния мониторинг на водата, стойностите на наблюдателен кладенец са отчетени в грешна единица за три месеца. Благодарение на записа за проследимост, в рамките на минути беше открито на коя стъпка на преобразуване е започнала грешката и беше създаден пълен списък на трите засегнати отчета. Ако не се водят записи, ще остане неясно кои разпечатки са повредени и целият архив ще бъде съмнителен.
Слаба подкана / Силна подкана
Слаба подкана:
Напишете геотехнически доклад за този проект, включете литература. [данни]
Мощна подкана:
Вашата роля: Съставител на доклади. ИЗГОТВЯНЕ на доклад със следните данни, но: 1) Въз основа САМО на данните, които давам; НЕ измисляйте номера, източника или находката. 2) Покажете със скоби от кой входен ред идва всяко число. 3) Вместо да съставяте действителния източник за литературата, поставете заместител „тук ще бъде добавен потвърден източник за [тема]“. 4) Маркирайте навсякъде, където не сте сигурни, като „ИЗИСКВАНЕ НА ПОТВЪРЖДЕНИЕ ОТ ИНЖЕНЕР“. Крайното съдържание и всички източници ще бъдат проверени от мен. Данните са анонимни.
Четири копируеми шаблона
1) Лабораторна QA/QC инспекция:
Проверете таблицата с лабораторни резултати: несъответствие на единица, знаци под границата на откриване, замърсяване в празната проба, систематично отклонение в стандартната референтна стойност, несъответствие при повторна проба. Маркирайте само проблемни редове с example_id; Не изтривайте и не коригирайте никакви стойности. Решението е мое.
2) Налагане на потвърждение на източника:
Извадете всички цифрови твърдения и цитати на източници в този текст и направете контролен списък: въведените данни, на които се основава всяко число, цитирането на всеки източник, който трябва да бъде потвърден. Изработка на източник; Маркирайте „трябва да бъде потвърдено“, където не можете да потвърдите.
3) Рамка за запис на проследимост:
Предложете шаблон за запис за проследимост за този автоматизиран работен процес: входен източник и дата, приложени трансформации, използвана подкана/моделна версия, стъпка за одобрение от човек. Покажете как да стигнете до основната причина и засегнатите изходи, когато бъде открита грешка.
4) Проверка на последователността на отчета:
Сканирайте черновата на отчета си за вътрешна последователност: числата в резюмето съвпадат ли с основния текст, противоречат ли си таблиците и текстът, последователни ли са единиците навсякъде, има ли недефинирани съкращения? Избройте проблемите; Решението за съдържанието е мое.
Служебни задължения, приходи и контрол
Мисия
AI печалба
Основен риск
Задължителна проверка
Лабораторна обработка на данни
високо
Тиха корекция
„Маркиране, изтриване“ + необработени данни
QA/QC инспекция
високо
Не пропускайте слайда
Сляпо/стандартно/препотвърждение
Докладвайте чернова
високо
Измислен проблем/източник
Номер и потвърждение на източника
Литературен преглед
високо
Измислена справка
Независима проверка на база данни
автоматизация на работния процес
много високо
Повторение на грешката
Запис за проследимост
Съвет: Преди да настроите автоматизацията, попитайте "как ще разбера дали този работен процес работи неправилно?" Отговорете на въпроса. Ако отговорът не е ясен, първо добавете проследимост и контролни точки; Скоростта идва след контролируемостта.
Често срещани грешки
- Безшумно коригиране на стойността. AI „подобряването“ на необработените данни е най-коварната грешка; правилото винаги трябва да бъде "маркирайте, не променяйте".
- Не се проверява библиографията. Измислените препратки са най-честата халюцинация; Всеки отпечатък трябва да бъде независимо проверен.
- Не се проверява носенето на номера. Тенор или коефициент на безопасност, който се влошава при преминаване в текста, е скрит в плавния текст.
- Създаване на непроследима автоматизация. В работен поток, който не поддържа записи, основната причина и въздействието на грешката не могат да бъдат определени.
- Търсейки убежище в извинението, че „AI го е написал“. Отговорността за всяко подписано изречение е на подписалия; одобрението не може да бъде отпуснато.
В обобщение
- Работата в офиса е областта, в която изкуственият интелект спестява най-много време; Но докладът е официална основа за решение и грешките са скъпи.
- В лабораторните данни AI проверява, а не почиства; правилото е "маркиране, изтриване/коригиране", решението е на инженера.
- Фалшивите източници и числа в доклади и литература са най-честите рискове; Всеки източник и номер се проверяват.
- Автоматизацията може да увеличи грешката, както и скоростта; Записът за проследяване защитава основната причина и засегнатите резултати.
- Инженерът носи отговорност за подписано съдържание; „ИИ го е написал“ не е извинение.
Задача за приложение
Получаване на анонимна таблица с лабораторни резултати (или представителни данни). Имате проблемни линии с флаг на модела с шаблона „Laboratory QA/QC audit“; съзнателно систематично изместване на стандартна референтна стойност и тестване дали моделът я улавя и се опитва да изтрие стойността. След това направете кратък раздел за отчет и всеки проблем и източник в него поставете в контролен списък, като използвате шаблона „предизвикателство за проверка на източника“.
контролен списък
- [ ] Винаги прилагам правилото „маркиране, изтриване/коригиране“ към AI върху лабораторни данни.
- [ ] Проверявам надеждността на лабораторията с QA/QC проби (празни, стандартни, повтарящи се).
- [ ] Проверявам независимо всеки източник и номер в доклада и литературата.
- [ ] Настроих работни процеси за автоматизация с възможност за проследяване.
- [ ] Приемам, че нося пълна отговорност за съдържанието, което подписвам.