Κέρδη:
- Δυνατότητα διάκρισης όπου η τεχνητή νοημοσύνη εξοικονομεί πραγματικό χρόνο στη ροή εργασιών της μηχανικής εξόρυξης και όπου η κρίσιμη για την ασφάλεια ευθύνη πρέπει να παραμένει στον αρμόδιο μηχανικό, ανάλογα με το επίπεδο κινδύνου
- Δυνατότητα εφαρμογής μιας πειθαρχίας επικύρωσης πολλαπλών επιπέδων που δοκιμάζει κάθε έξοδο AI έναντι τυπικού, ανεξάρτητου υπολογισμού και μέτρησης πεδίου
- Δυνατότητα ανωνυμοποίησης του πλαισίου και απόκτησης της συνήθειας επιλογής ασφαλών οχημάτων για την προστασία των αποθεματικών δεδομένων, των πληροφοριών αδειών και των δεδομένων προσωπικού/παραγωγής
Η δουλειά ενός μηχανικού ορυχείων είναι να γεφυρώσει την αβεβαιότητα κάτω από το έδαφος με τις αποφάσεις πάνω από το έδαφος. Εκτίμηση του ορυκτού από δεδομένα γεώτρησης, υπολογισμός του αποθεματικού, σχεδιασμός του λάκκου, διαχείριση του στόλου εξοπλισμού, παρακολούθηση συμπεριφοράς πρανών, διασφάλιση της επαγγελματικής ασφάλειας, μέτρηση των περιβαλλοντικών επιπτώσεων και αναφορά όλων αυτών σύμφωνα με τη νομοθεσία. Το κοινό χαρακτηριστικό αυτών των θέσεων εργασίας είναι ότι λειτουργούν με μεγάλο αριθμό μετρήσεων και δεδομένων, αλλά κάθε απόφαση έχει ως αποτέλεσμα ανθρώπινες ζωές, εκατομμύρια λίρες επενδύσεων και μη αναστρέψιμες περιβαλλοντικές συνέπειες στον τομέα. Η τεχνητή νοημοσύνη (τεχνητή νοημοσύνη για συντομία· συστήματα λογισμικού που λειτουργούν σε κείμενο, αριθμούς και εικόνες με μεγάλα δεδομένα και μοντέλα γλώσσας) είναι ένα ισχυρό βοήθημα σε αυτό το πεδίο έντασης δεδομένων αλλά κρίσιμο για αποφάσεις. Αυτή η ενότητα σάς διδάσκει πού να χρησιμοποιείτε με ασφάλεια την τεχνητή νοημοσύνη στην εξόρυξη, πού είναι επικίνδυνη και γιατί πρέπει να επικυρώνετε κάθε έξοδο τεχνητής νοημοσύνης με βάση τα πρότυπα, τις μετρήσεις πεδίου και την κρίση της μηχανικής.
Η κεντρική αρχή που θα χρησιμοποιήσετε σε αυτήν την ενότητα είναι: Η τεχνητή νοημοσύνη είναι βοηθός, όχι υπεύθυνος λήψης αποφάσεων. Μια τιμή βαθμού (αναλογία μετάλλου στο μετάλλευμα), μια γωνία κλίσης, ένα αποθεματικό όριο, ένα όριο ασφαλείας ή ένα νομοθετικό άρθρο δεν αληθεύουν μόνο και μόνο επειδή "το είπε η AI". Είναι απλώς μια υπόθεση μέχρι να επαληθευτεί με μέτρηση, αναφορά και κρίση του ικανού μηχανικού. Θα δείτε αυτή την πρόταση ξανά σε κάθε μονάδα της ενότητας, επειδή στην εξόρυξη, ένας λάθος αριθμός συχνά σημαίνει την κατάρρευση μιας επένδυσης, την κατάρρευση μιας πλαγιάς ή τον τραυματισμό ενός ατόμου.
Τι είναι το LLM και τι κάνει στο mining;
Το LLM (Large Language Model) είναι ένα λογισμικό που μαθαίνει μοτίβα από πολύ μεγάλα κομμάτια κειμένου και προβλέπει την "επόμενη λέξη" με βάση την πιθανότητα. Αυτή είναι η μηχανή εργαλείων όπως ChatGPT, Claude, Gemini. Το θέμα είναι το εξής: το LLM είναι ένας "εκτιμητής γλώσσας", όχι μια "βάση γνώσης". Μιλάει άπταιστα την ορολογία εξόρυξης, αλλά δεν μετράει βαθμό. παράγει τον αριθμό που φαίνεται πιο πιθανός. Επομένως, μπορεί να δώσει σίγουρες αλλά λανθασμένες απαντήσεις σχετικά με το μέσο βαθμό, το ποσοστό απογύμνωσης, μια κανονιστική ρήτρα ή ένα εκρηκτικό όριο. Αυτό ονομάζεται παραίσθηση (κατασκευή). Η ψευδαίσθηση δεν είναι δυσλειτουργία, αλλά εγγενές χαρακτηριστικό αυτής της τεχνολογίας. Επομένως, η επαλήθευση δεν είναι ένα «πρόσθετο βήμα» αλλά αναπόσπαστο μέρος της εργασίας.
Εργασίες όπου η τεχνητή νοημοσύνη είναι ισχυρή στην εξόρυξη:
- Επεξήγηση έννοιας και διδασκαλία: τι είναι το βαριόγραμμα, πώς λειτουργεί ο κανόνας μόχλευσης, πώς συμβαίνει η αποστράγγιση του ορυχείου οξέος.
- Καθαρισμός και οργάνωση δεδομένων: μετατροπή διάσπαρτων κορμών γεωτρήσεων σε συνεκτικό πίνακα, καταγραφή αναντιστοιχίας μονάδων.
- Δημιουργία λίστας υποθέσεων: συστηματική απαρίθμηση πιθανών αιτιών μείωσης της παραγωγής.
- Κωδικοποίηση: Σενάρια καθαρισμού δεδομένων, γραφημάτων, γεωστατιστικής και ανάλυσης ανωμαλιών με Python.
- Σχέδιο κειμένου: JSA (ανάλυση ασφάλειας εργασίας), έκθεση περιβαλλοντικής παρακολούθησης, σχέδιο διαγωνισμού/τεχνικών προδιαγραφών.
- Καταιγισμός ιδεών: σύγκριση σεναρίων, ιδέες πειράματος/μέτρησης.
Όπου η τεχνητή νοημοσύνη είναι αδύναμη και επικίνδυνη:
- Δίνοντας ακριβή αριθμητική τιμή (βαθμός, εφεδρεία, γωνία κλίσης, οριακή τιμή).
- Πληροφορίες για την τρέχουσα και ειδική νομοθεσία/τυποποιημένο άρθρο και έκδοση.
- Διάγνωση χωρίς πραγματικά δεδομένα μέτρησης του ιστότοπού σας.
- Κρίσιμη απόφαση για την ασφάλεια: έγκριση σχεδιασμού εκρήξεων, απόφαση εκκένωσης, δυνατότητα συντήρησης.
Ταξινόμηση βάσει κινδύνου: το φίλτρο πριν από τη χρήση AI
Δεν είναι κάθε εργασία στο ίδιο επίπεδο κινδύνου. Ταξινομήστε την εργασία ανά επίπεδο κινδύνου πριν χρησιμοποιήσετε AI. Ο παρακάτω πίνακας παρέχει ένα πλαίσιο αποφάσεων που θα χρησιμοποιήσετε σε όλη αυτή την ενότητα.
Επίπεδο κινδύνου
δείγμα εργασίας
ρόλος AI
Υποχρεωτική επαλήθευση
χαμηλά
Εξήγηση έννοιας, σχέδιο κειμένου, σκελετός κώδικα
δωρεάν χρήση
Η κριτική είναι αρκετή
μεσαίο
Καθαρισμός δεδομένων, λίστα υποθέσεων, ρύθμιση υπολογισμών
Σχέδιο/συν-συγγραφέας
Χειροκίνητος έλεγχος + επιβεβαίωση πηγής
ψηλά
Εκτίμηση εφεδρείας, όριο pit, παράμετρος ανατίναξης
γεννήτρια ιδεών
Πρότυπο + μέτρηση πεδίου + λογισμικό
κριτικό
Απόφαση εκκένωσης, ασφάλεια πλαγιάς, απόφαση επισκευής/καταλληλότητας
Μόνο πρόχειρο/σάρωση
Έγκριση ικανού μηχανικού + διαπιστευμένες δοκιμές
Συμβουλή: Εάν έχετε επισημάνει μια εργασία ως "κρίσιμη", η έξοδος του AI δεν είναι ποτέ το τελικό έγγραφο. Το πολύ μπορεί να είναι ένα προσχέδιο ή μια λίστα ελέγχου. Την υπογραφή και την ευθύνη αναλαμβάνει ο αρμόδιος μηχανικός.
Ροή από άκρο σε άκρο: ενσωμάτωση τεχνητής νοημοσύνης στη ροή εργασίας σας
Ένας τυπικός κύκλος επίλυσης προβλημάτων στην εξόρυξη έχει ως εξής, με την τεχνητή νοημοσύνη να εμπλέκεται σε κάθε βήμα αλλά να μην κλείνει κανένα από αυτά μόνο:
- Καθορίστε το πρόβλημα: Τι να προβλέψετε, ποια απόφαση να λάβετε, ποιος περιορισμός υπάρχει; (AI: διευκρινίζει την ερώτηση.)
- Συλλέξτε και καθαρίστε δεδομένα: Γεωτρήσεις, παραγωγή, παρακολούθηση, εργαστηριακά δεδομένα. (AI: ισχυρός στον καθαρισμό και τον έλεγχο ασυνέπειας.)
- Δημιουργήστε υποθέσεις/σενάρια: Πιθανές αιτίες, εναλλακτικά σχέδια. (AI: παράγει συστηματική λίστα.)
- Ανάλυση: Υπολογισμός, γεωστατιστική, μοντέλο, επεξεργασία εικόνας. (AI: δημιουργεί κώδικα και φαντασία υπολογισμού.)
- Επαλήθευση: Τυπικό, πεδίο, αυτόνομος λογαριασμός, λογισμικό. (Το AI είναι στο περιθώριο, οι άνθρωποι και η μέτρηση αποφασίζουν.)
- Αναφέρετε και αποφασίστε: Την ευθύνη αναλαμβάνει ο αρμόδιος μηχανικός. (AI: συντάκτης σχεδίου.)
Λάβετε υπόψη σας αυτά τα έξι βήματα. Η υπόλοιπη ενότητα σάς δείχνει πώς να χρησιμοποιείτε την τεχνητή νοημοσύνη με εργασίες εξόρυξης σκυροδέματος, βήμα προς βήμα.
τρεις μίνι θήκες
Περίπτωση 1 — Μέσος όρος βαθμολογίας. Ένας ασκούμενος ρωτά το εργαλείο συνομιλίας AI σχετικά με τη μέση βαθμολογία ενός έργου χαλκού. Το AI λέει "περίπου 0,65% Cu." Ο ασκούμενος το βάζει αυτό στην παρουσίαση της επένδυσης. Ωστόσο, η τεχνητή νοημοσύνη δεν έχει δει ούτε ένα στοιχείο γεώτρησης αυτού του έργου. παρήγαγε έναν τυπικό αριθμό για το «χάλκινο έργο». Η πραγματική αξία προέρχεται μόνο από τα σύνθετα δεδομένα γεώτρησης και τη γεωστατιστική εκτίμηση του ίδιου του έργου. Η πραγματική αξία σε αυτό το έργο είναι 0,38%. Η διαφορά είναι η διαφορά μεταξύ της επένδυσης που φαίνεται κερδοφόρα και της ζημίας. Η σωστή στάση είναι να μην «ρωτάτε» ποτέ τον βαθμό για το AI, αλλά να τον υπολογίζετε από τη δική σας βάση δεδομένων.
Περίπτωση 2 — Ανύπαρκτη ρήτρα ρύθμισης. Ένας μηχανικός ζητά από το AI τη μέγιστη δόνηση του εδάφους (PPV: μέγιστη ταχύτητα σωματιδίων, mm/s) που επιτρέπεται κατά την ανατίναξη. Το AI λέει "10 mm/s σύμφωνα με τον κανονισμό" και αποτελεί έναν αριθμό αντικειμένου. Ο μηχανικός γράφει την αναφορά ανάλογα. Κατά την επιθεώρηση, αποκαλύπτεται ότι ο αριθμός του είδους δεν είναι πραγματικός και η οριακή τιμή ποικίλλει ανάλογα με την απόσταση και τον τύπο του κτιρίου. Η σωστή στάση είναι να ανοίξετε τον τρέχοντα κανονισμό από την επίσημη πηγή και να επιβεβαιώσετε την αξία και την ουσία. Ακόμα κι αν η τεχνητή νοημοσύνη γνωρίζει σωστά το όνομα του κανονισμού, μπορεί να έχει ψευδαισθήσεις για τον αριθμό του άρθρου.
Περίπτωση 3 — Σωστή χρήση. Ένας γεωλόγος υποπτεύεται ότι υπάρχει ασυμφωνία στη στήλη βαθμού σε ένα σύνολο δεδομένων 40 γεωτρήσεων. Λέει στην τεχνητή νοημοσύνη να "καταγράψει τις σειρές σε αυτόν τον πίνακα που μπορεί να έχουν ασυνέπειες μονάδων, αρνητικές τιμές, ορατά άκρα και κενά κελιά και να γράψει ό,τι υποπτεύεστε για καθεμία. ΜΗΝ διορθώσετε, απλώς σημειώστε." Το AI επισημαίνει μερικές γραμμές αναμεμειγμένες με % ανάμιξη με ppm, δύο αρνητικούς βαθμούς και μια τιμή κωδικού 999. Ο γεωλόγος ελέγχει και τα διορθώνει ένα προς ένα από τα ακατέργαστα κούτσουρα. Εδώ το AI χρησιμοποιήθηκε σωστά: τράβηξε την προσοχή, ο άνθρωπος πήρε την απόφαση και τη διόρθωση.
Αντιγράψιμα πρότυπα προτροπών
Μπορείτε να χρησιμοποιήσετε τα παρακάτω πρότυπα προσαρμόζοντάς τα στη δική σας επιχείρηση. Σε καθένα από αυτά, υπάρχει μια συνειδητή οδηγία «να δώσετε έναν ακριβή αριθμό, να αναφέρετε την πηγή, να εξηγήσετε την αβεβαιότητα».
ΠΡΟΤΥΠΟ ΡΟΛΩΝ ΚΑΙ ΟΡΙΩΝ "Ρόλος: Είστε ένας έμπειρος βοηθός μηχανικού ορυχείων. Εργασία: [γράψτε το θέμα]. Κανόνες: Όταν δίνετε την ακριβή αριθμητική τιμή (βαθμός, αποθεματικό, όριο), προσδιορίστε την ΠΗΓΗ. Εάν δεν είστε βέβαιοι, πείτε "πρέπει να επαληθευτεί". Εάν δίνετε κανονισμό/τυπικό άρθρο, υπενθυμίστε την από την επίσημη έκδοση, αλλά επιβεβαιώστε την από την επίσημη πηγή του. απαντήστε, γράψτε "τι πρέπει να επαληθευτεί με μέτρηση/υπολογισμό πεδίου" ανά στοιχείο."
ΠΡΟΤΥΠΟ ΓΕΝΕΙΑΣ ΥΠΟΘΕΣΕΩΝ"Δημιουργήστε μια συστηματική λίστα πιθανών λόγων για την ακόλουθη κατάσταση: [περιγράψτε την κατάσταση, τι παρατηρήθηκε, ποια δεδομένα είναι διαθέσιμα]. Για κάθε υπόθεση: (1) ποια στοιχεία την υποστηρίζουν, (2) ποια μέτρηση ή υπολογισμός πρέπει να γίνει για να την επιβεβαιώσετε/διαψεύσετε. ΚΑΝΤΕ μια οριστική διάγνωση. Δημιουργήστε μια οδό διερεύνησης."
ΠΡΟΤΥΠΟ ΛΙΣΤΟΥ ΕΛΕΓΧΟΥ ΕΠΑΛΗΘΕΥΣΗΣ"Παραγράψτε ΚΑΘΕ αριθμητική τιμή και ΚΑΘΕ κανονισμό/τυπική αναφορά στο προσχέδιο αναφοράς παρακάτω. Για καθεμία, υποδείξτε από ποια πηγή (δεδομένα αυτοδιάτρησης, κανονιστικό κείμενο, έκθεση εργαστηρίου, επιτόπια έρευνα) θα πρέπει να επαληθευτεί. Συλλέξτε εκείνες αβέβαιης προέλευσης στην ενότητα "δεν μπορεί να χρησιμοποιηθεί χωρίς επαλήθευση". Κείμενο:
ΠΡΟΤΥΠΟ ΠΡΟΕΛΕΓΧΟΥ ΑΝΩΝΥΜΙΩΣΗΣ "Πριν δώσετε το ακόλουθο κείμενο σε ένα εργαλείο τεχνητής νοημοσύνης, επισημάνετε το εμπορικό μυστικό ή προσωπικά/ρυθμιστικά ευαίσθητα μέρη: αριθμοί δέσμευσης, αριθμός άδειας, πραγματικές συντεταγμένες, ονόματα πελατών/προσωπικού, εμπιστευτικά δεδομένα κόστους. Προτείνετε πώς μπορώ να τα ανωνυμοποιήσω. Κείμενο: [επικόλληση]."
Αδύναμη προτροπή / Ισχυρή προτροπή
Η υποβολή της ίδιας ερώτησης με δύο τρόπους θα αποφέρει πολύ διαφορετικά αποτελέσματα.
ΑΔΥΝΑΤΗ ΠΡΟΤΑΣΗ: "Πόσο είναι το απόθεμα αυτού του ορυχείου;"
STRONG PROMPT: "Ρόλος: Είστε ο βοηθός γεωλόγος πόρων. Εξηγήστε ποια βήματα πρέπει να περάσει μια εκτίμηση αποθεματικού/πόρων (σύνθεση, βαριόγραμμα, κρίγινγκ, ταξινόμηση, οικονομικό όριο) και ποια δεδομένα και ποιου αρμόδιου ατόμου απαιτείται έγκριση σε κάθε βήμα. ΜΗ ΔΙΝΕΤΕ ΑΚΡΙΒΗ αποθεματικό αριθμό. Υπογραμμίστε ότι αυτός ο κωδικός του έργου μπορεί να υπολογιστεί μόνο από τα δεδομένα του πλαισίου. JORC/UMREK."
Το αδύναμο μήνυμα προσκαλεί την τεχνητή νοημοσύνη να αναπληρώσει. Η ισχυρή προτροπή το κρατά στη σωστή δουλειά (περιγραφή διαδικασίας) και αποτρέπει την ψηφιακή ψευδαίσθηση να συμβεί εξαρχής.
Συνήθη λάθη
- «Ζητώντας» από την τεχνητή νοημοσύνη αριθμούς για συγκεκριμένους κύκλους μαθημάτων, όπως βαθμό, εφεδρικό κ.λπ. Η τεχνητή νοημοσύνη δεν γνωρίζει τα δεδομένα σας. Αυτοί οι αριθμοί υπολογίζονται αποκλειστικά από τη δική σας βάση δεδομένων.
- Χρήση της νομοθεσίας/τυποποιημένης ρήτρας χωρίς επιβεβαίωση. Ο αριθμός και η αξία του αντικειμένου παρουσιάζουν συχνά παραισθήσεις.
- Βασίζοντας την κρίσιμη για την ασφάλεια απόφαση στην έξοδο AI. Οι αποφάσεις εκκένωσης, έγκρισης ανατινάξεων και λειτουργικότητας λαμβάνονται από τον αρμόδιο μηχανικό.
- Επικόλληση ευαίσθητων δεδομένων στο εργαλείο cloud χωρίς την ανωνυμοποίησή του. Τα δεδομένα κράτησης, συντονισμού και κόστους είναι εμπορικά μυστικά.
- Περιμένοντας μια ερώτηση και μια απάντηση. Χρησιμοποιήστε το AI επαναληπτικά: δημιουργήστε προσχέδια, κριτική, επαλήθευση, διόρθωση.
Προσοχή: Όσο πιο ακριβής και σίγουρος ένας αριθμός εμφανίζεται σε μια έξοδο AI, τόσο μεγαλύτερη είναι η ανάγκη για επαλήθευση. Η ακρίβεια δεν αποτελεί εγγύηση ακρίβειας.
Συνοπτικά
Σε αυτήν την ενότητα έχετε δει ότι η τεχνητή νοημοσύνη είναι βοηθός στην εξόρυξη, όχι λήπτης αποφάσεων. Τα LLM είναι γλωσσικά προγνωστικά. Είναι ισχυρό στην εξήγηση εννοιών, στον καθαρισμό δεδομένων, στη δημιουργία υποθέσεων και κωδικών, αλλά επικίνδυνο στην παραγωγή ακριβών αριθμών και νομοθεσίας (ψευδαίσθηση). Ταξινομήστε εργασίες ως χαμηλές/μεσαίες/υψηλές/κρίσιμες και προσαρμόστε ανάλογα το βάθος επαλήθευσης. Επαληθεύστε κάθε αριθμητική τιμή από τα δικά σας δεδομένα ή μέτρηση πεδίου, κάθε κανονιστική αναφορά από την επίσημη πηγή. Οι κρίσιμες για την ασφάλεια αποφάσεις παραμένουν πάντα στον αρμόδιο μηχανικό και ανωνυμοποιούν τα ευαίσθητα δεδομένα πριν από τη χρήση.
Εργασία εφαρμογής
Επιλέξτε πέντε εργασίες από τη δική σας επιχείρηση (ή ένα πλασματικό έργο εξόρυξης): μια περιγραφή έννοιας, έναν καθαρισμό δεδομένων, μια λίστα υποθέσεων, μια αποθεματική/αριθμητική τιμή και μια κανονιστική ερώτηση. Τοποθετήστε το καθένα στον παραπάνω πίνακα κινδύνου. Στη συνέχεια, αναθέστε δύο εργασίες χαμηλού/μεσαίου κινδύνου στο AI με το πρότυπο «Ρόλος και όρια» και σημειώστε κάθε αριθμητικό/ρυθμιστικό στοιχείο της εξόδου με το πρότυπο «Λίστα ελέγχου επαλήθευσης». Σημειώστε ποια στοιχεία δεν μπορούν να χρησιμοποιηθούν χωρίς επαλήθευση.
λίστα ελέγχου
- [ ] Τοποθέτησα την αποστολή σε επίπεδο κινδύνου (χαμηλό/μέσο/υψηλό/κρίσιμο) πριν τη χρησιμοποιήσω.
- [ ] Υπολόγισα αριθμούς για συγκεκριμένο πεδίο, όπως βαθμό, αποθεματικό κ.λπ. από τη δική μου απόδοση αντί να ρωτήσω το AI.
- [ ] Έχω επαληθεύσει κάθε νομοθεσία/τυπική αναφορά από την επίσημη πηγή.
- [ ] Ανωνυμοποίησα ευαίσθητα δεδομένα (απόθεμα, συντεταγμένες, όνομα, κόστος).
- [ ] Άφησα την κρίσιμη για την ασφάλεια απόφαση στην έγκριση αρμόδιου μηχανικού, που δεν βασίζεται στην έξοδο AI.
- [ ] Σάρωσα κάθε αριθμητική τιμή στην έξοδο AI για "δεν μπορεί να χρησιμοποιηθεί χωρίς επαλήθευση".