Gevinster:
- Evne til at skelne, hvor AI sparer realtid i mineingeniør-workflowet, og hvor det sikkerhedskritiske ansvar bør forblive hos den kompetente ingeniør, afhængigt af risikoniveauet
- Evne til at implementere en flerlags valideringsdisciplin, der tester hver AI-output mod standard, uafhængig beregning og feltmåling
- Evne til at anonymisere kontekst og tilegne sig vanen med at vælge sikre køretøjer til at beskytte reservedata, licensoplysninger og personale-/produktionsdata
En mineingeniørs opgave er at bygge bro over usikkerheden under jorden med beslutningerne over jorden. Estimering af malmlegemet ud fra boredata, beregning af reserven, planlægning af brønden, styring af udstyrsflåden, overvågning af hældningsadfærd, sikring af arbejdssikkerhed, måling af miljøbelastningen og indberetning af alt dette i overensstemmelse med lovgivningen. Fællestræk ved disse job er, at de arbejder med et stort antal målinger og data, men hver beslutning resulterer i menneskeliv, millioner af lire i investeringer og irreversible miljømæssige konsekvenser i marken. Kunstig intelligens (forkortet AI; softwaresystemer, der arbejder på tekst, tal og billeder med big data og sprogmodeller) er en stærk hjælp i denne datatunge, men beslutningskritiske grund. Denne enhed lærer dig, hvor du sikkert kan bruge AI i minedrift, hvor det er farligt, og hvorfor du skal validere hver AI-output mod standarder, feltmålinger og tekniske vurderinger.
Det centrale princip, du vil bruge i hele dette modul, er: AI er en assistent, ikke en beslutningstager. En grad (metalforhold i malmen) værdi, en hældningsvinkel, et reservetal, en sikkerhedsgrænse eller en lovartikel bliver ikke sand, bare fordi "AI sagde det"; Det er blot en hypotese, indtil det er verificeret ved måling, reference og kompetent ingeniørvurdering. Du vil se denne sætning igen i hver enhed af modulet, for i minedrift betyder et forkert tal ofte kollaps af en investering, kollaps af en skråning eller skade på en person.
Hvad er LLM, og hvad gør det i minedrift?
LLM (Large Language Model) er en software, der lærer mønstre fra meget store bidder af tekst og forudsiger det "næste ord" baseret på sandsynlighed. Dette er motoren til værktøjer som ChatGPT, Claude, Gemini. Pointen er denne: LLM er en "sprogsestimator", ikke en "vidensbase". Taler minedriftsterminologi flydende, men måler ikke en karakter; producerer det tal, der ser mest sandsynligt ud. Derfor kan han eller hun give sikre, men ukorrekte svar om gennemsnitskarakter, stripningsprocent, en reguleringsklausul eller en eksplosionsgrænse. Dette kaldes en hallucination (fabrikation). Hallucination er ikke en funktionsfejl, men et iboende træk ved denne teknologi; Derfor er verifikation ikke et "ekstra trin", men en integreret del af jobbet.
Opgaver, hvor AI er stærk i minedrift:
- Begrebsforklaring og undervisning: hvad er et variogram, hvordan virker gearingsreglen, hvordan syreminedræning opstår.
- Datarensning og organisering: Forvandling af spredte borehulslogfiler til en sammenhængende tabel, opfanger enhedsmismatch.
- Generering af en liste over hypoteser: systematisk oversigt over mulige årsager til et fald i produktionen.
- Kodning: Datarensning, graftegning, geostatistik og anomalianalysescripts med Python.
- Udkast til tekst: JSA (jobsikkerhedsanalyse), miljøovervågningsrapport, udkast til udbud/teknisk specifikation.
- Brainstorm: sammenligning af scenarier, idéer til eksperimenter/måleplaner.
Hvor AI er svag og risikabelt:
- Giver nøjagtig numerisk værdi (grad, reserve, hældningsvinkel, grænseværdi).
- Aktuel og specifik lovgivning/standardartikel og versionsinformation.
- Diagnose uden faktiske måledata for dit websted.
- Sikkerhedskritisk beslutning: godkendelse af eksplosionsdesign, evakueringsbeslutning, servicevenlighed.
Risikobaseret klassificering: filteret før brug af AI
Ikke alle opgaver er på samme risikoniveau. Klassificer opgaven efter risikoniveau, før du bruger AI. Tabellen nedenfor giver en beslutningsramme, som du vil bruge i hele dette modul.
Risikoniveau
prøveopgave
AI rolle
Obligatorisk verifikation
lav
Begrebsforklaring, udkast til tekst, kodeskelet
gratis brug
Anmeldelse er nok
medium
Datarensning, hypoteseliste, beregningsopsætning
Udkast/medforfatter
Manuel kontrol + kildebekræftelse
høj
Reservevurdering, pitgrænse, sprængningsparameter
idé generator
Standard + feltmåling + software
kritisk
Evakueringsbeslutning, skråningssikkerhed, brugbarhed/egnethedsbeslutning
Kun udkast/scanning
Kompetent ingeniørgodkendelse + akkrediteret test
Tip: Hvis du har markeret en opgave som "kritisk", er AI's output aldrig det endelige dokument. Det kan højst være et foreløbigt udkast eller tjekliste; Den kompetente ingeniør påtager sig underskriften og ansvaret.
End-to-end flow: Integrer AI i dit workflow
En typisk problemløsningscyklus i minedrift går sådan her, hvor AI engagerer sig i hvert trin, men ikke lukker nogen af dem alene:
- Definer problemet: Hvad skal forudsige, hvilken beslutning skal træffes, hvilken begrænsning er der? (AI: præciserer spørgsmålet.)
- Indsamle og rense data: Boring, produktion, overvågning, laboratoriedata. (AI: stærk i oprydning og inkonsistenskontrol.)
- Generer hypoteser/scenarier: Mulige årsager, alternative planer. (AI: producerer systematisk liste.)
- Analyser: Beregning, geostatistik, model, billedbehandling. (AI: genererer kode og beregningsfiktion.)
- Bekræft: Standard, felt, selvstændig konto, software. (AI er på sidelinjen; mennesker og måling bestemmer.)
- Rapportér og beslut: Den kompetente ingeniør tager ansvar. (AI: udkast til forfatter.)
Husk disse seks trin; resten af modulet viser dig, hvordan du bruger AI med konkrete mineopgaver, trin for trin.
tre minisager
Tilfælde 1 — Opgjort gennemsnitskarakter. En praktikant spørger AI-chatværktøjet om den gennemsnitlige karakter af et kobberprojekt; AI siger "omkring 0,65% Cu." Det skriver praktikanten i investeringspræsentationen. AI har dog ikke set en eneste boredata fra dette projekt; fremstillet et typisk nummer til "kobberprojektet". Den reelle værdi kommer kun fra projektets egne sammensatte boredata og geostatistiske skøn; Den reelle værdi i dette projekt er 0,38%. Forskellen er forskellen mellem, at investeringen virker rentabel og giver tab. Den korrekte holdning er aldrig at "spørge" karakteren for AI'en, men beregne den ud fra din egen database.
Sag 2 — Ikke-eksisterende reguleringsklausul. En ingeniør spørger AI om den maksimale jordvibration (PPV: peak partikelhastighed, mm/s) tilladt ved sprængning. AI’en siger "10 mm/s ifølge regulativ" og udgør et varenummer. Ingeniøren skriver rapporten i overensstemmelse hermed. Ved besigtigelsen kommer det frem, at varenummeret ikke er reelt og grænseværdien varierer afhængig af afstand og bygningstype. Den korrekte holdning er at åbne den nuværende regulering fra den officielle kilde og bekræfte værdien og substansen. Selvom AI'en kender navnet på forordningen korrekt, kan det hallucinere artikelnummeret.
Tilfælde 3 — Korrekt brug. En geolog har mistanke om en uoverensstemmelse i karakterkolonnen i et datasæt på 40 boringer. Det fortæller AI'en at "liste rækkerne i denne tabel, der kan have enhedsinkonsekvenser, negative værdier, synlige afvigere og tomme celler, og skrive, hvad du har mistanke om for hver; RETTER IKKE, bare marker." AI’en markerer et par linjer blandet med % blandet med ppm, to negative karakterer og en 999 kodeværdi. Geologen tjekker og retter disse én efter én fra råloggene. Her blev AI brugt korrekt: tiltrak opmærksomhed, mennesket tog beslutningen og rettelse.
Kopierbare promptskabeloner
Du kan bruge nedenstående skabeloner ved at tilpasse dem til din egen virksomhed. I hver af dem er der en bevidst instruktion om at "give et nøjagtigt tal, angive kilden, forklare usikkerheden".
ROLLE OG GRÆNSESkabelon "Rolle: Du er en erfaren mineingeniørassistent. Opgave: [skriv emnet]. Regler: Når du angiver den nøjagtige numeriske værdi (karakter, reserve, grænse), angiv KILDEN; hvis du ikke er sikker, så sig 'skal verificeres'. Hvis du giver en forordning/standardartikel, skal du huske den fra den officielle version, men bekræft den fra den officielle version. svar, skriv 'hvad skal verificeres ved feltmåling/beregning' punkt for punkt."
HYPOTESEGENERATIONSSKABELON"Fremstil en systematisk liste over mulige årsager til følgende situation: [beskriv situationen; hvad blev observeret, hvilke data er tilgængelige]. For hver hypotese: (1) hvilke beviser understøtter den, (2) hvilken måling eller beregning der skal foretages for at bekræfte/afkræfte den. LAG en endelig diagnose; lav en undersøgelses køreplan."
VERIFICATION CHECKLIST Skabelon"List HVER numerisk værdi og HVER regulering/standardreference i rapportudkastet nedenfor. Angiv for hver kilde (selvborende data, reguleringstekst, laboratorierapport, feltundersøgelse) den skal verificeres. Saml dem af usikker oprindelse under 'kan ikke bruges uden verifikation'. Tekst: [indsæt]."
ANONYMISERING FORKONTROL Skabelon "Før du giver følgende tekst til et AI-værktøj, skal du markere forretningshemmeligheder eller personlige/regulatoriske følsomme dele: reservenumre, licensnummer, faktiske koordinater, kunde-/medarbejdernavne, fortrolige omkostningsdata. Foreslå, hvordan jeg kan anonymisere disse. Tekst: [indsæt]."
Svag prompt / Stærk prompt
At stille det samme spørgsmål på to måder vil give meget forskellige resultater.
SVAG PROMPT: "Hvor meget er reserven af denne mine?"
STÆRK SPØRGSMÅL: "Rolle: Du er assisterende ressourcegeolog. Forklar hvilke trin et reserve-/ressourceestimat skal igennem (sammensætning, variogram, kriging, klassifikation, økonomisk grænse) og hvilke data og hvilken kompetent persons godkendelse der kræves på hvert trin. giv IKKE ET NØJAGTIG reservenummer; understreger, at dette kun kan indberettes som egne data ud fra projektets rammer og en kode. JORC/UMREK."
Svag prompt inviterer AI til at gøre op; Den stærke prompt holder den i det rigtige job (procesbeskrivelse) og forhindrer den digitale hallucination i at ske i første omgang.
Almindelige fejl
- "Spørger" AI'en om kursusspecifikke tal såsom karakter, reserve osv. AI kender ikke dine data; disse tal beregnes udelukkende fra din egen database.
- Brug af lovgivningen/standardklausulen uden at bekræfte den. Varenummeret og værdien hallucineres ofte.
- Baserer sikkerhedskritisk beslutning på AI-output. Beslutninger om evakuering, sprængningsgodkendelse og brugbarhed træffes af den kompetente ingeniør.
- Indsættelse af følsomme data i skyværktøjet uden at anonymisere dem. Reserve-, koordinat- og omkostningsdata er forretningshemmeligheder.
- Venter på ét spørgsmål og ét svar. Brug AI iterativt: generer udkast, kritik, bekræft, ret.
Forsigtig: Jo mere præcist og sikkert et tal vises i en AI-output, jo højere er behovet for verifikation. Præcision er ikke en garanti for nøjagtighed.
Sammenfattende
I denne enhed har du set, at AI er en assistent i minedrift, ikke en beslutningstager. LLM'er er sprogprædiktorer; Det er kraftfuldt i konceptforklaring, datarensning, hypotese- og kodegenerering, men risikabelt til at producere præcise tal og lovgivning (hallucination). Klassificer opgaver som lav/medium/høj/kritisk og juster verifikationsdybden i overensstemmelse hermed. Bekræft hver numerisk værdi fra dine egne data eller feltmålinger, hver regulatorisk reference fra den officielle kilde. Sikkerhedskritiske beslutninger forbliver altid hos den kompetente ingeniør og anonymiserer følsomme data før brug.
Ansøgningsopgave
Vælg fem opgaver fra din egen virksomhed (eller et fiktivt mineprojekt): en konceptbeskrivelse, en datarensning, en liste over hypoteser, en reserve/numerisk værdi og et regulatorisk spørgsmål. Placer hver i risikotabellen ovenfor. Outsource derefter to lav-/middelrisikoopgaver til AI'en med skabelonen "Role and boundary" og marker hvert numerisk/regulerende element i outputtet med skabelonen "Verifikationstjekliste". Skriv ned hvilke elementer der ikke kan bruges uden verifikation.
tjekliste
- [ ] Jeg placerede missionen på risikoniveau (lav/middel/høj/kritisk), før jeg brugte den.
- [ ] Jeg beregnede feltspecifikke tal som karakter, reserve osv. ud fra mit eget udbytte i stedet for at spørge AI'en.
- [ ] Jeg har verificeret hver lovgivning/standardreference fra den officielle kilde.
- [ ] Jeg anonymiserede følsomme data (reserve, koordinater, navn, omkostninger).
- [ ] Jeg overlod den sikkerhedskritiske beslutning til en kompetent ingeniørgodkendelse, ikke baseret på AI-output.
- [ ] Jeg scannede hver numeriske værdi i AI-outputtet for "kan ikke bruges uden verifikation".