Dobici:
- Sposobnost efikasnog korišćenja AI u obradi, kontroli kvaliteta i izveštavanju o laboratorijskim rezultatima
- Sposobnost ubrzavanja izrade geoloških/geotehničkih izvještaja, pregleda literature i sažetka podataka pomoću AI
- Mogućnost osiguranja automatski generiranog sadržaja uz sljedivost, potvrdu izvora i odobrenje inženjera
Nevidljivi, ali veliki dio posla inženjera geologije odvija se u kancelariji: obrada laboratorijskih rezultata, kontrola kvaliteta, tabeliranje podataka, pisanje izvještaja, skeniranje literature i priprema karata i slika. Ovi poslovi se ponavljaju, oduzimaju vrijeme i zahtijevaju pažnju; Upravo je to područje u kojem umjetna inteligencija štedi najviše vremena. Ali i ovdje postoji zamka: izvještaj je službena osnova za inženjersku odluku. Izmišljeni izvor, pogrešno kopirani broj ili tvrdnja koja se ne može ući u trag mogu neprimijećeno skliznuti u tekući tekst, a posljedice mogu biti ozbiljne. Cilj ove jedinice je uspostaviti disciplinu koja nikada ne opušta sljedivost, potvrdu izvora i odobrenje inženjera uz korištenje umjetne inteligencije u efikasnosti ureda od kraja do kraja.
U ovoj jedinici ćemo pokriti tri fronta ureda: obradu laboratorijskih rezultata i QA/QC (čišćenje i osiguranje podataka analize), izradu izvještaja i literature (ubrzanje nacrta, apstrahiranja i skrininga) i automatizaciju toka posla (reguliranje zadataka koji se ponavljaju). Na svakom koraku, AI je kreator i organizator; Tačnost, izvor i konačno odobrenje sadržaja pripada inženjeru.
Laboratorijska obrada rezultata i QA/QC
Laboratorijski rezultati (analize kvaliteta, ispitivanja indeksa tla, hemija vode) često stižu u različitim formatima, u različitim jedinicama i ponekad netačno. AI uklapa ove podatke u jednu šemu, bilježi nedosljednost jedinice, označava ispod granice detekcije i provjerava QA/QC uzorke (prazni uzorak, standardni referentni materijal, ponovna analiza). QA/QC (osiguranje kvaliteta/kontrola kvaliteta) je inspekcija koja dokazuje pouzdanost laboratorije: ako postoji kontaminacija u slijepom uzorku, odstupanje u standardu, neusklađenost u ponovljenom uzorku, podaci su upitni.
Kritična tačka: AI nikada tiho ne briše ili ispravlja vrijednost. Njegov posao je označiti problematične linije i pustiti inženjera da donese odluku. Izuzetak može biti istinska visoka ruda ili laboratorijska greška; Inženjer pravi ovu razliku sa kontekstom. Umjetna inteligencija provjerava podatke, ne čisti ih.
Savjet: Ponovite pravilo "samo označi, ne mijenjaj" na svakom upitu prilikom obrade laboratorijskih podataka. Najpodmuklija greška AI je kada kvari sirove podatke tako što "ispravlja" vrijednost s dobrim namjerama, a ne realizuje je.
Izvještaj i produkcija literature
AI je moćan sastavljač u pisanju izvještaja: izrađuje odjeljak o metodi, uvodni kontekst, sažetak zaključka u minutima; sažima dugačku literaturu; Pretvara složenu tabelu u običan tekst. Ali dvije opasnosti su evidentne. Prvi je izmišljeni izvor: model može pouzdano generirati nepostojeći članak, lažnog autora ili nepostojeći kanonski članak. Drugo, greška u rukovanju brojevima: ocjena, sigurnosni koeficijent ili dubina mogu biti pogrešno preneseni prilikom prelaska u tekst.
Dakle, zlatno pravilo: AI proizvodi nacrt, inženjer ga provjerava i posjeduje. Svaki izvor je potvrđen iz originala (apokrifne reference su najčešći tip halucinacije); svaki broj se upoređuje sa sirovim podacima; Svaka tehnička tvrdnja je testirana inženjerskim znanjem. Nakon što je izvještaj potpisan, odgovornost za svaku rečenicu u njemu leži na potpisniku — „AI je to napisao“ nije izgovor.
Pažnja: Nikada ne prihvatajte bibliografiju koju je izradila umjetna inteligencija onakvom kakva jeste. Izmišljene, ali realistične reference (naizgled tačan autor, časopis, godina) su najčešće i najopasnije halucinacije. Provjerite svaku referencu u odnosu na nezavisnu bazu podataka.
Automatizacija toka rada i sljedivost
Automatizacija zadataka koji se ponavljaju (obrada mjesečnih podataka o praćenju vode, popunjavanje standardnog predloška izvještaja, kombiniranje tabela bušenja) s umjetnom inteligencijom pruža veliku efikasnost. Ali automatizacija također može automatizirati grešku: pogrešno pravilo kada se jednom uspostavi, tiho se ponavlja pri svakom pokretanju. Zato automatizovani tokovi posla moraju biti sledljivi: snimanje ulaza, koraka, verzije modela iz koje dolazi svaki izlaz; Kada se pronađe greška, osnovni uzrok i svi zahvaćeni rezultati moraju se pratiti.
Sljedivost u praksi znači: izvor i datum ulaznih podataka, primijenjene transformacije, korištena verzija brze/modela i korak odobrenja od strane ljudi. Ovo osigurava i otklanjanje grešaka i inženjersku odgovornost. Nekontrolisana automatizacija, ma koliko brza, neprihvatljiva je u poslovanju koje je kritično za sigurnost.
Tri mini slučaja: prema brojevima
Slučaj 1 — Snimanje QA/QC odstupanja. Jedna laboratorijska pošiljka sadržavala je 320 uzoraka. AI QA/QC skrining označio je standardni referentni materijal kao sistematski 8% nedovoljno očitanih tokom posljednjih 40 uzoraka — odstupanje kalibracije instrumenta. Ova sistematska greška bila je problem koji je bilo vrlo teško otkriti ručno, ali je utjecala na cijelu seriju; Pošiljka je ponovo analizirana. On nije odredio obrazac, on je učinio obrazac vidljivim.
Slučaj 2 — Izrađen izvor. AI je izradio dio literature geotehničkog izvještaja i napravio šest referenci. Prilikom verifikacije ustanovljeno je da dva od njih nikada nisu postojala, a jedan je pripisan pogrešnom časopisu. Da reference nisu provjerene jedna po jedna u nezavisnoj bazi podataka, izmišljeni izvori bi ušli u potpisani inženjerski izvještaj. Nacrt se ubrzao; Potvrda je sačuvana.
Slučaj 3 — Osnovni uzrok uz sljedivost. U automatizaciji mjesečnog praćenja vode, vrijednosti osmatračkog bunara prijavljene su u pogrešnoj jedinici tri mjeseca. Zahvaljujući zapisu o sljedivosti, pronađeno je u roku od nekoliko minuta u kojem koraku konverzije je greška započela i kreirana je potpuna lista tri izvještaja na koje se to odnosi. Da se ne vodi evidencija, ostalo bi nejasno koji su ispisi oštećeni i sumnjiva bi bila čitava arhiva.
Slaba prompt / jaka prompt
Slab upit:
Napišite geotehnički izvještaj za ovaj projekat, uključite literaturu. [podaci]
Snažan upit:
Vaša uloga: Sastavljač izvještaja. SASTAVITI izvještaj sa sljedećim podacima ali: 1) SAMO na osnovu podataka koje dajem; NE izmišljajte broj, izvor ili nalaz. 2) Prikaži sa zagradama iz kog ulaznog reda dolazi svaki broj. 3) Umjesto da pravite stvarni izvor za literaturu, stavite rezervirano mjesto "provjereni izvor o [temi] će biti dodan ovdje". 4) Označite gdje god niste sigurni kao "ZAHTIJEVA POTVRDU INŽENJERA". Konačan sadržaj i sve izvore ja ću provjeriti. Podaci su anonimni.
Četiri predloška koji se mogu kopirati
1) Laboratorijska QA/QC inspekcija:
Tabela laboratorijskih rezultata provjeriti: odstupanje jedinice, znaci ispod granice detekcije, kontaminacija u slijepom uzorku, sistematski odmak u standardnoj referenci, neusklađenost u ponovljenom uzorku. Označite samo problematične redove sa example_id; Nemojte brisati niti ispravljati nijednu vrijednost. Odluka je moja.
2) Nametnite potvrdu izvora:
Izvucite sve numeričke tvrdnje i navode izvora u ovom tekstu i napravite kontrolnu listu: unos na kojem se zasniva svaki broj, citat svakog izvora koji treba potvrditi. Izrada izvora; Označite "mora biti provjereno" tamo gdje ne možete provjeriti.
3) Okvir evidencije sljedivosti:
Predložite predložak zapisa sljedivosti za ovaj automatizirani tok posla: izvor unosa i datum, primijenjene transformacije, korištena verzija prompt/modela, korak odobrenja od strane ljudi. Pokažite kako doći do osnovnog uzroka i zahvaćenih izlaza kada se pronađe greška.
4) Prijavite provjeru konzistentnosti:
Skenirajte nacrt vašeg izvještaja radi interne konzistentnosti: da li se brojevi u sažetku poklapaju s tijelom, da li su tabele i tekst sukobljeni, da li su jedinice konzistentne u cijelom, postoje li nedefinirane skraćenice? Navedite probleme; Odluka o sadržaju je moja.
Uredske dužnosti, zarade i kontrola
Quest
AI dobitak
Glavni rizik
Obavezna provjera
Laboratorijska obrada podataka
visoko
Tiha korekcija
"Označi, izbriši" + neobrađeni podaci
QA/QC inspekcija
visoko
Ne propustite slajd
Slijepo/standardno/ponovna potvrda
Nacrt izvještaja
visoko
Izmišljeno pitanje/izvor
Broj i potvrda izvora
Pregled literature
visoko
Izmišljena referenca
Nezavisna verifikacija baze podataka
automatizacija toka posla
veoma visoko
Ponavljanje greške
Zapis sljedivosti
Savjet: Prije postavljanja automatizacije, pitajte "kako ću znati da li ovaj tok posla radi pogrešno?" Odgovori na pitanje. Ako odgovor nije jasan, prvo dodajte sljedivost i kontrolne tačke; Brzina dolazi nakon kontrole.
Uobičajene greške
- Tiho ispravljanje vrijednosti. AI “poboljšanje” sirovih podataka je najpodmukla greška; pravilo bi uvijek trebalo biti "markiraj, ne mijenjaj".
- Ne provjeravam bibliografiju. Izmišljene reference su najčešća halucinacija; Svaki otisak mora biti nezavisno ovjeren.
- Ne provjeravam nošenje broja. Tenor ili sigurnosni koeficijent koji se pogoršava prilikom prelaska u tekst skriven je u tečnom tekstu.
- Uspostavljanje automatizacije koja se ne može pratiti. U toku posla koji ne vodi evidenciju, ne može se utvrditi osnovni uzrok i uticaj greške.
- Uzimajući utočište pod izgovorom da je "AI to napisao". Odgovornost za svaku potpisanu rečenicu leži na potpisniku; odobrenje ne može biti opušteno.
Ukratko
- Kancelarijski rad je oblast u kojoj veštačka inteligencija štedi najviše vremena; Ali izvještaj je zvanična osnova za odluku, a greške su skupe.
- U laboratorijskim podacima, AI revidira, a ne čisti; pravilo je "označi, izbriši/ispravi", odluka je na inženjeru.
- Lažiranje izvora i brojeva u izvještajima i literaturi najčešći su rizici; Svaki izvor i broj su provjereni.
- Automatizacija može povećati grešku kao i brzinu; Zapis sljedivosti osigurava osnovni uzrok i pogođene rezultate.
- Inženjer je odgovoran za potpisani sadržaj; "AI je to napisao" nije izgovor.
Zadatak aplikacije
Primite anonimiziranu tabelu laboratorijskih rezultata (ili reprezentativne podatke). Označite problemske linije modela sa šablonom "Laboratorijska QA/QC revizija"; svjesno sistematski mijenjati standardnu referentnu vrijednost i testirati da li je model hvata i pokušava izbrisati vrijednost. Zatim napravite kratak odjeljak izvještaja i svaki problem i izvor u njemu stavite na kontrolnu listu koristeći šablon "izazov za provjeru izvora".
kontrolna lista
- [ ] Uvijek primjenjujem pravilo “označi, izbriši/ispravi” na AI na laboratorijskim podacima.
- [ ] Provjeravam laboratorijsku pouzdanost sa QA/QC uzorcima (prazno, standardno, ponovljeno).
- [ ] Nezavisno provjeravam svaki izvor i broj u izvještaju i literaturi.
- [ ] Postavio sam automatizaciju radnih tokova sa sljedivosti.
- [ ] Prihvatam da imam punu odgovornost za sadržaj koji potpisujem.