Ανάλυση δεδομένων εξόρυξης με Python και τα σύνορα της τεχνητής νοημοσύνης — Τεχνητή Νοημοσύνη στη Μηχανική Μεταλλείων

Κέρδη:

Δυνατότητα παραγωγής σεναρίων που καθαρίζουν και οπτικοποιούν δεδομένα γεωτρήσεων, παραγωγής και παρακολούθησης με Python, με υποστήριξη AI
Ικανότητα αναγνώρισης της ποιότητας των δεδομένων, των κινδύνων υπερμάθησης και παρέκτασης κατά τη δημιουργία απλών μοντέλων πρόβλεψης και ανωμαλιών
Δυνατότητα επαλήθευσης κώδικα και αποτελέσματος που δημιουργείται από AI με έλεγχο μονάδας, ανεξάρτητους υπολογισμούς και μηχανική αληθοφάνεια

Σε κάθε μονάδα αυτής της ενότητας έχετε δει ότι η τεχνητή νοημοσύνη είναι ισχυρή στην κωδικοποίηση: καθαρισμός γεωτρήσεων, ισορροπία μάζας, σκελετός kriging, περίληψη στόλου, ανάλυση κραδασμών, περιβαλλοντική σάρωση. Αυτή η τελευταία ενότητα εστιάζει στην Python, το συγκεκριμένο εργαλείο για αυτόν τον κώδικα, και την κατάλληλη πειθαρχία δημιουργίας κώδικα με AI. Η Python έχει γίνει το de facto πρότυπο στην ανάλυση δεδομένων εξόρυξης επειδή είναι δωρεάν, διαθέτει ισχυρές βιβλιοθήκες (pandas: χειρισμός δεδομένων σε πίνακα, numpy: αριθμητικός λογισμός, matplotlib: σχεδίαση, scikit-learn: μηχανική μάθηση) και αυτοματοποιεί επαναλαμβανόμενες εργασίες. Το AI πολλαπλασιάζει την ταχύτητα με την οποία γράφετε αυτόν τον κώδικα. αλλά ο κωδικός που παράγει δεν είναι πάντα σωστός. Η κεντρική αρχή αυτής της μονάδας: Μην εκτελείτε ποτέ τον κώδικα που γράφει το AI χωρίς να τον διαβάσετε πρώτα, να επικυρώσετε τη μονάδα του και να τον δοκιμάσετε με μια μικρή ποσότητα γνωστών δεδομένων. Ο κώδικας μπορεί να παράγει σιωπηλά το λάθος αποτέλεσμα, το οποίο μπορεί να μετατραπεί σε μια κακή απόφαση μηχανικής στην εξόρυξη.

Βασική ροή δημιουργίας κώδικα με AI

Η λήψη κώδικα από την τεχνητή νοημοσύνη είναι ένας κύκλος μηχανικής, όχι μια συνομιλία:

Περιγράψτε την εργασία με σαφήνεια. Είσοδος (στήλες, μονάδες, σειρά δείγματος), επιθυμητή έξοδος και περιορισμοί. Το διφορούμενο αίτημα παράγει διφορούμενο κώδικα.
Ζητήστε να είναι μικρό και ευανάγνωστο. Ζητήστε βήμα προς βήμα, σχολιασμένο κώδικα αντί για μια γιγάντια συνάρτηση.
Διαβάστε και κατανοήστε. Κατανοήστε τι κάνει κάθε γραμμή. Μην εκτελείτε κώδικα που δεν καταλαβαίνετε.
Δοκιμή με μικρά δεδομένα. Εκτελέστε το χειροκίνητα με 5-10 γραμμές των οποίων τα αποτελέσματα γνωρίζετε και επαληθεύστε την αναμενόμενη έξοδο.
Θήκες άκρων ερωτήσεων. Κενό κελί, αρνητική τιμή, ανακάτεμα μονάδας, επανάληψη εγγραφής Πώς συμπεριφέρεται ο κώδικας;
Κλιμακώστε και ελέγξτε τη λογική. Εκτέλεση σε όλα τα δεδομένα. Είναι το αποτέλεσμα μηχανολογικά λογικό;

Συμβουλή: Τα πιο συνηθισμένα σφάλματα που εισάγουν τον κωδικό τεχνητής νοημοσύνης είναι αθόρυβα: λάθος όνομα στήλης, ανάμειξη μονάδας (m vs ft, g/t vs ppm), αθόρυβα απορριπτόμενες σειρές (όπως dropna), λάθος μέσος όρος (απλός μέσος όρος όταν πρέπει να σταθμιστεί). Αυτά δεν προκαλούν σφάλματα. Απλώς παράγει λάθος αριθμό. Άρα το "n't get an error" δεν σημαίνει ποτέ "σωστό".

Τυπικές εργασίες Python στο mining

Καθαρισμός δεδομένων: Συγχώνευση πινάκων γεώτρησης/παραγωγής/παρακολούθησης, επισήμανση ασυνέπειας, κανονικοποίηση μονάδας.
Περίληψη και οπτικοποίηση: Ιστόγραμμα, χρονοσειρές, καμπύλη βαθμού-τονάζ, γραφήματα ΟΕΕ.
Στατιστική και γεωστατιστική: Συνοπτική στατιστική, συσχέτιση, βαριόγραμμα/κρίγκινγκ (με ειδικές βιβλιοθήκες).
Ανίχνευση ανωμαλιών: Λήψη μετατόπισης βάσει κατωφλίου ή απλής βάσης μοντέλου.
Απλά μοντέλα πρόβλεψης: Για παράδειγμα, σχέση μεγέθους-απόδοσης λείανσης με παλινδρόμηση.

Για τις περισσότερες από αυτές τις εργασίες, το AI παρέχει εξαιρετικό αρχικό κώδικα. Υπάρχουν όμως δύο παγίδες: ποιότητα δεδομένων και όρια μοντέλου. Η γνώση και των δύο είναι το κλειδί για την ασφαλή χρήση του κώδικα AI.

Όρια μοντέλου: υπερμάθηση και παρέκταση

Τα απλά προγνωστικά μοντέλα που δημιουργεί εύκολα η τεχνητή νοημοσύνη είναι ευάλωτα σε δύο σημαντικούς κινδύνους. Υπερπροσαρμογή: Το μοντέλο απομνημονεύει δεδομένα προπόνησης αλλά έχει κακή απόδοση σε νέα δεδομένα. Η κατασκευή πολύπλοκων μοντέλων με λίγα δεδομένα το απαιτεί. Παρέκταση: Το μοντέλο γίνεται αναξιόπιστο όταν αναγκάζεται να κάνει μια πρόβλεψη σε ένα εύρος εκτός των δεδομένων εκπαίδευσης. Για παράδειγμα, ένα μοντέλο που μαθαίνεται στο εύρος 0,3-0,8 g/t μπορεί να δώσει χωρίς νόημα αποτελέσματα για 5 g/t. Η τεχνητή νοημοσύνη δεν διαχειρίζεται «αυθόρμητα» αυτούς τους κινδύνους για εσάς. Εναπόκειται σε εσάς να διαβάσετε κριτικά το μοντέλο, να κάνετε τη διάκριση εκπαίδευσης/δοκιμής, να εξετάσετε το διάστημα εμπιστοσύνης και να ελέγξετε εάν η πρόβλεψη είναι λογικά εύλογη. Ανεξάρτητα από το πόσο ακριβής εμφανίζεται ένας αριθμός μοντέλου, δεν μπορεί να αποτελέσει τη βάση για μια απόφαση μηχανικής εκτός του εύρους δεδομένων.

τρεις μίνι θήκες

Περίπτωση 1 — Σφάλμα αθόρυβης έντασης. Ένας μηχανικός θέλει κώδικα που κάνει το AI να υπολογίζει τη μέση βαθμολογία από τα δεδομένα της ανάλυσης. Ο κωδικός λειτουργεί, το αποτέλεσμα είναι 2,1 g/t. Ο μηχανικός διαβάζει τον κώδικα. Παρατηρήστε ότι ο μέσος όρος δεν σταθμίζεται με το μήκος του διαστήματος, αλλά λαμβάνεται ως ευθύς μέσος όρος. Οι υψηλοί βαθμοί σε μικρά διαστήματα κέρδιζαν άδικα βάρος. Κατά τη μετάβαση στο σταθμισμένο μέσο όρο, η τιμή μειώνεται σε 1,7 g/t. Ο κώδικας δεν έδωσε σφάλματα. η ανάγνωση έπιασε το λάθος.

Περίπτωση 2 — Αθόρυβη πτώση γραμμής. Σε έναν κωδικό σύνοψης παραγωγής, το AI καθάρισε σειρές με τιμές που λείπουν με το dropna. Ο κωδικός εκτελείται ομαλά, αλλά η συνολική χωρητικότητα υποεκτιμάται επειδή ορισμένες έγκυρες σειρές απορρίφθηκαν εντελώς λόγω μίας κενή στήλης. Όταν ο μηχανικός συγκρίνει τον αριθμό των γραμμών μεταξύ εισόδου και εξόδου, βλέπει τη διαφορά και διορθώνει τη λογική καθαρισμού. Μάθημα: συγκρίνετε πάντα τον αριθμό των γραμμών εισόδου και εξόδου.

Περίπτωση 3 — Παγίδα παρεκβολής. Μια ομάδα εφαρμόζει ένα μοντέλο παλινδρόμησης που έχει μάθει στο εύρος χαμηλού βαθμού σε μια περιοχή υψηλής ποιότητας. Το μοντέλο δίνει μια παράλογα υψηλή εκτίμηση απόδοσης. Ευτυχώς, ο μηχανικός απορρίπτει το αποτέλεσμα, λέγοντας ότι «αυτή η περιοχή είναι πολύ έξω από το εύρος που βλέπει το μοντέλο» και ζητά μεταλλουργικές δοκιμές. Μάθημα: γνωρίζει το εύρος δεδομένων για το οποίο ισχύει το μοντέλο. Μην χρησιμοποιείτε εκτίμηση εκτός πολιτείας.

Αντιγράψιμα πρότυπα προτροπών

ΚΩΔΙΚΟΣ ΑΣΦΑΛΕΙΑΣ ΚΑΘΑΡΙΣΜΟΥ ΔΕΔΟΜΕΝΩΝ "Ρόλος: Είστε βοηθός αναλυτή δεδομένων Python. Γράψτε κώδικα με panda που καθαρίζει τον παρακάτω πίνακα. Στήλες και μονάδες: [λίστα]. Κανόνες: (1) εκτυπώστε τον αριθμό των σειρών ΠΡΙΝ και ΜΕΤΑ την απόθεση των σειρών. (2) αναφέρετε ποιες σειρές απορρίφθηκαν αντί για το μέτρο βάρος (4) χρησιμοποιήθηκαν το μέσο βάρος των μονάδων. Εξηγήστε το κάθε βήμα με μια γραμμή σχολίων."

ΑΙΤΗΣΗ ΕΠΑΝΕΞΕΤΑΣΗΣ ΚΩΔΙΚΟΥ "Εξηγήστε γραμμή προς γραμμή τον ακόλουθο κώδικα Python και επισημάνετε τα ακόλουθα σημεία κινδύνου: εσφαλμένη υπόθεση ονόματος στήλης, σύγχυση μονάδας, αθόρυβη εμφάνιση, επίπεδο/σταθμισμένο μέσο σφάλμα, ακραία περίπτωση (μηδενικό/αρνητικό) συμπεριφορά. ΜΗΝ ΕΠΙΔΙΟΡΘΩΣΕΤΕ τον κώδικα. Απλώς καταχωρήστε τον κωδικό: [επικολλήστε τους κινδύνους]."

ΔΟΚΙΜΗ ΡΥΘΜΙΣΗ ΜΕ ΜΙΚΡΑ ΔΕΔΟΜΕΝΑ "Για αυτή τη συνάρτηση, παράγετε χειροκίνητα μικρά δεδομένα δοκιμής (5-6 γραμμές) των οποίων γνωρίζω το αποτέλεσμα και την αναμενόμενη έξοδο. Γράψτε ένα δοκιμαστικό μπλοκ που ελέγχει εάν η συνάρτηση λειτουργεί σωστά σε αυτά τα δεδομένα. Ελέγξτε επίσης τις ακραίες περιπτώσεις (κενό κελί, αρνητικό, ακραία τιμή μονάδας). Λειτουργία: [επικόλληση]."

ΑΠΛΟ ΜΟΝΤΕΛΟ + ΠΡΟΕΙΔΟΠΟΙΗΣΗ ΟΡΙΩΝ"Ρυθμίστε μια απλή παλινδρόμηση για [x -> y] με τα ακόλουθα δεδομένα. Διαφοροποιήστε μεταξύ εκπαίδευσης/δοκιμής, αναφέρετε τη μέτρηση σφάλματος και αναφέρετε ξεκάθαρα το εύρος x για το οποίο είναι ΕΓΚΥΡΟ το μοντέλο. Προειδοποιήστε εάν γίνονται προβλέψεις ΕΚΤΟΣ από αυτό το εύρος. Σχολιασμός για τον κίνδυνο δεδομένων: υπέρβασης.

Αδύναμη προτροπή / Ισχυρή προτροπή

ΑΔΥΝΑΤΗ ΕΝΔΕΙΞΗ: "Υπολογίστε τη μέση βαθμολογία από αυτά τα δεδομένα."

STRONG PROMPT:"Ρόλος: Είστε βοηθός Python. Στήλες: HoleID, From(m), To(m),Au(g/t). Υπολογίστε WEIGHTED μέσο όρο βαθμολογίας με μήκος διαστήματος. Κώδικας: (1) εκτυπώστε τον αριθμό των σειρών εισόδου/εξόδου. (2) αναφέρετε null/αρνητικές τιμές. Επίσης, πριν από την απόρριψη της μονάδας μπορώ να επιβεβαιώσω το άθροισμα ως άθροισμα. (3) αποτέλεσμα χειροκίνητα Δεδομένα: [επικόλληση]."

Συγκριτικός πίνακας: κίνδυνος και προφύλαξη

Κίνδυνος

σύμπτωμα

προφύλαξη

Παρεμβολή μονάδας

Λογικό αλλά λάθος νούμερο

Σχολιάστε τη μονάδα σε κωδικό, ελέγξτε την

Αθόρυβη πτώση γραμμής

Το σύνολο λείπει

Συγκρίνετε τον αριθμό των γραμμών εισόδου/εξόδου

Απλός έναντι σταθμισμένου μέσου όρου

λάθος μέσος όρος

Επαληθεύστε τη στάθμιση

υπερμάθηση

Κακό σε δεδομένα δοκιμής

Διαχωρισμός προπόνησης/δοκιμών, κρατήστε τον απλό

παρέκταση

Ανοησίες εικασίες εκτός εμβέλειας

Περιορίστε το έγκυρο εύρος

Συνήθη λάθη

Εκτέλεση του κώδικα χωρίς να τον διαβάσετε. "Δεν έλαβε κανένα σφάλμα" δεν σημαίνει ότι είναι αλήθεια.
Όχι δοκιμή με μικρά δεδομένα. Η εμπιστοσύνη χωρίς επαληθεύσιμο παράδειγμα είναι ψευδής.
Μη σύγκριση του αριθμού των γραμμών εισόδου/εξόδου. Έτσι ξεφεύγουν οι σιωπηλές απώλειες.
Αγνοώντας το εύρος του μοντέλου. Οι εκτιμήσεις παρέκτασης είναι αναξιόπιστες.
Εμπιστευόμαστε την ομορφιά του γραφήματος. Ένα κομψό γράφημα μπορεί να κρύψει τον λάθος αριθμό.

Προσοχή: Εάν ο κωδικός AI εισέλθει σε έναν λογαριασμό μηχανικής, αυτός ο κωδικός είναι εξίσου υπεύθυνος με έναν λογαριασμό. Όπου το αποτέλεσμα γίνεται απόφαση εξόρυξης, εκτελέστε τον κώδικα και την έξοδο του μέσω ενός ανεξάρτητου λογικού ελέγχου και σύγκρισης με μια δεύτερη μέθοδο, εάν είναι δυνατόν.

Συνοπτικά

Η Python είναι το de facto εργαλείο για την ανάλυση δεδομένων εξόρυξης και η τεχνητή νοημοσύνη αυξάνει σημαντικά την ταχύτητα με την οποία το γράφετε. Αλλά ο κώδικας AI μπορεί να φιλοξενεί σιωπηλά σφάλματα (σύγχυση μονάδων, πτώση σειρών, λάθος μέσο όρο) και παγίδες μοντέλων (υπερμάθηση, παρέκταση). Ασφαλής ροή: περιγράψτε με σαφήνεια, θέλετε μικρό και ευανάγνωστο, διαβάστε και κατανοήστε, δοκιμάστε με μικρά γνωστά δεδομένα, περιπτώσεις ακμών ερωτήματος, έλεγχος κλίμακας και λογικής. Μια έξοδος μοντέλου δεν μπορεί να είναι η βάση για μια απόφαση εκτός του εύρους δεδομένων. και κάθε κωδικός φέρει τόση ευθύνη όση και ένας λογαριασμός εάν μετατραπεί σε απόφαση εξόρυξης.

Εργασία εφαρμογής

Χρησιμοποιήστε το πρότυπο "Secure data sanitization code" με μια εργασία υπολογισμού μέσου όρου βαθμών ή σύνοψης παραγωγής για να λάβετε τον κωδικό από το AI. Καταργήστε τον κωδικό με το πρότυπο "Αίτημα ελέγχου κώδικα". Στη συνέχεια, με το πρότυπο "Δοκιμαστική ρύθμιση με μικρά δεδομένα", δημιουργήστε μη αυτόματα ένα σύνολο δεδομένων του οποίου τα αποτελέσματα γνωρίζετε και επαληθεύστε τον κωδικό. Τέλος, για μια απλή σχέση, ρυθμίστε ένα μοντέλο με το πρότυπο "Απλό μοντέλο + προειδοποίηση ορίου" και ελέγξτε ότι δίνει μια προειδοποίηση όταν ξεφεύγει από το έγκυρο εύρος.

λίστα ελέγχου

[ ] Διάβασα τον κώδικα AI και κατάλαβα κάθε γραμμή, δεν τον έτρεξα στα τυφλά.
[ ] Το δοκίμασα με μικρά, χειροκίνητα επαληθεύσιμα δεδομένα.
[ ] Σύγκρισα τον αριθμό των γραμμών εισόδου και εξόδου.
[ ] Επιβεβαίωσα τη συνοχή και τη στάθμιση της μονάδας.
[ ] Περιόρισα το έγκυρο εύρος δεδομένων του μοντέλου, αποφεύγοντας την παρέκταση.
[ ] Έλεγξα το αποτέλεσμα, το οποίο μετατράπηκε σε απόφαση, με ανεξάρτητη λογική/δεύτερη μέθοδο.

Εξέταση Ενοτήτων

1. Ένας ασκούμενος ρωτά το εργαλείο συνομιλίας AI σχετικά με τη μέση ποιότητα του μεταλλεύματος και γράφει την προκύπτουσα τιμή «1,8 g/t χρυσού» απευθείας στην αναφορά του αποθεματικού. Ποιο είναι το θεμελιώδες λάθος σε αυτή την προσέγγιση;

Α) Η τιμή βαθμού πρέπει να προέρχεται από τα δεδομένα γεώτρησης/ανάλυσης του ίδιου του έργου και την επαληθευμένη πρόβλεψη. Ο αριθμός που δημιουργείται από το AI μπορεί να είναι κατασκευή χωρίς πηγή ✔
Β) Θα έπρεπε να είχε ζητηθεί AI σε ουγγιές αντί για γραμμάρια
Γ) Η τιμή είναι σωστή, θα έπρεπε να είχε χρησιμοποιηθεί μόνο τελεία αντί κόμμα
Δ) Αρκεί να κάνετε στην AI την ίδια ερώτηση τρεις φορές και να πάρετε τον μέσο όρο

Επεξήγηση: Το μοντέλο γλώσσας δεν γνωρίζει τα δεδομένα γεωτρήσεων του έργου σας. παράγει έναν αριθμό που φαίνεται πιο πιθανός (ψευδαίσθηση). Ο βαθμός προέρχεται μόνο από τα σύνθετα δεδομένα γεώτρησης και τη γεωστατιστική εκτίμηση του ίδιου του έργου. Τα αποτελέσματα AI δεν μπορούν να συμπεριληφθούν στην αναφορά χωρίς την έγκριση αρμόδιου προσώπου.

2. Τι επιτρέπει η «ταξινόμηση βάσει κινδύνου» στη χρήση της τεχνητής νοημοσύνης στη μηχανική εξόρυξης;

Α) Μειώστε την τιμή του εργαλείου AI
Β) Προσδιορίστε τον ρόλο της τεχνητής νοημοσύνης και το υποχρεωτικό βάθος επαλήθευσης σύμφωνα με το επίπεδο κινδύνου της εργασίας ✔
Γ) Οι προτροπές πρέπει να γράφονται πιο σύντομα
Δ) Αυτόματη ανάθεση όλων των αποφάσεων στο AI

Εξήγηση: Δεν είναι κάθε αποστολή στο ίδιο επίπεδο κινδύνου. Η ταξινόμηση της εργασίας ως χαμηλής/μέτριας/υψηλής/κρίσιμης καθορίζει ποια έξοδος μπορεί να χρησιμοποιηθεί ελεύθερα και ποια απαιτεί τυπική και επιτόπια επαλήθευση και έγκριση αρμόδιου μηχανικού.

3. Τι μοντέλο «βαριογράμματος» στη γεωστατιστική;

Α) Κατανάλωση καυσίμου του εξοπλισμού
Β) Μεταβολή της τιμής του μετάλλου με την πάροδο του χρόνου
Γ) Χωρική συνέχεια ανάλογα με την απόσταση. ✔ πώς η ομοιότητα μειώνεται καθώς οι πόντοι απομακρύνονται περισσότερο
Δ) Η συχνότητα δόνησης που δημιουργείται από την ανατίναξη

Περιγραφή: Το βαριόγραμμα περιγράφει πώς μειώνεται η ομοιότητα των δειγμάτων μεταξύ τους (χωρική συνέχεια) καθώς αυξάνεται η απόσταση μεταξύ δύο σημείων. Ο Kriging χρησιμοποιεί αυτό το μοντέλο για να εκτιμήσει μη μετρημένα σημεία με περιθώριο αβεβαιότητας.

4. Ποια είναι η καλύτερη προσέγγιση όταν υπάρχει λιθολογία προ-ταξινόμησης τεχνητής νοημοσύνης από τη φωτογραφία πυρήνα τρυπανιού;

Α) Επεξεργασία του τύπου βράχου που δίνεται από την AI απευθείας στο κούτσουρο γεώτρησης
Β) Αντιγραφή του κειμένου του AI στην αναφορά χωρίς να εξεταστεί καθόλου η φωτογραφία
Γ) Ακύρωση της παρατήρησης του γεωλόγου και βασιζόμενος αποκλειστικά στην ΑΙ
Δ) Θεωρήστε το αποτέλεσμα μια προκαταρκτική πρόβλεψη/υπόθεση και επαληθεύστε το με γεωλόγο παρατήρηση και εργαστηριακή ανάλυση ✔

Περιγραφή: Το AI μπορεί να δημιουργήσει μια λίστα προβλέψεων και προσοχής από την εικόνα. Ωστόσο, η τελική απόφαση λιθολογίας/αλλοίωσης λαμβάνεται από την παρατήρηση και την εργαστηριακή ανάλυση του γεωλόγου. Η έξοδος AI είναι μια αρχή, μια υπόθεση που πρέπει να επαληθευτεί.

5. Τι σημαίνει «αναλογία απογύμνωσης» στον προγραμματισμό ανοιχτών χώρων;

Α) Η ποσότητα σκουριάς (άχρηστος βράχος) που πρέπει να αφαιρεθεί για να φτάσει σε μια μονάδα μεταλλεύματος ✔
Β) Ποσοστό μετάλλου στο μετάλλευμα
Γ) Ημερήσιος αριθμός ταξιδιών φορτηγών
Δ) Η ποσότητα της εκρηκτικής ύλης που χρησιμοποιείται στις ανατινάξεις

Περιγραφή: Ο ρυθμός απογύμνωσης είναι η ποσότητα αποβλήτων (λωρίδα/απόβλητο) που πρέπει να αφαιρεθεί για να επιτευχθεί μία μονάδα μεταλλεύματος. Το τελικό όριο pit και η οικονομία εξαρτώνται σε μεγάλο βαθμό από αυτή την αναλογία. Παρόλο που η τεχνητή νοημοσύνη δημιουργεί σενάρια, η απόφαση για τα όρια εξαρτάται από τον αρμόδιο μηχανικό.

6. Τι σημαίνει στην προγνωστική συντήρηση όταν η τεχνητή νοημοσύνη βρίσκει «ανωμαλίες» στα δεδομένα κραδασμών και θερμοκρασίας;

Α) Απόδειξη ότι ο εξοπλισμός έχει σίγουρα αποτύχει
Β) Προειδοποίηση ότι τα δεδομένα αποκλίνουν από το κανονικό. Δεν είναι οριστική διάγνωση δυσλειτουργίας, αλλά σημάδι που πρέπει να επιβεβαιωθεί με φυσική εξέταση ✔
Γ) Διατάξτε ότι ο εξοπλισμός πρέπει να σταματήσει αυτόματα
Δ) Εγγύηση ότι τα δεδομένα καταγράφηκαν εσφαλμένα

Εξήγηση: Μια ανωμαλία είναι μια απόκλιση δεδομένων από την κανονική συμπεριφορά και μπορεί να υποδηλώνει δυσλειτουργία. αλλά δεν είναι οριστική διάγνωση. Η απόφαση για διακοπή του εξοπλισμού ή αντικατάσταση εξαρτημάτων λαμβάνεται με τη φυσική εξέταση της ομάδας συντήρησης και την έγκριση του υπεύθυνου εργασιών.

7. Τι είναι απαραίτητο για την ασφάλεια κατά τη χρήση της τεχνητής νοημοσύνης στη σχεδίαση τρυπάνι-blast;

Α) Εφαρμογή της σύστασης AI απευθείας στο πεδίο
Β) Παράλειψη μέτρησης κραδασμών
Γ) Επαλήθευση του προτεινόμενου σχεδιασμού της AI με μέτρηση πεδίου, ρυθμιστικό όριο και έγκριση εξουσιοδοτημένου εμπειρογνώμονα ανατινάξεων ✔
Δ) Καθορισμός της ποσότητας των εκρηκτικών με το μέγιστο που δίνει η Α.Ι

Περιγραφή: Ανατινάξεις. Εγκυμονεί σοβαρούς κινδύνους ασφαλείας και ρυθμιστικούς κινδύνους, όπως κραδασμούς, κρούσεις αέρα και πέτρες που πετούν. Το AI μπορεί να παράγει ένα σχέδιο σχεδίασης και μια πρόταση παραμέτρων. Ωστόσο, η τελική μελέτη πρέπει να περάσει από μέτρηση πεδίου, ρυθμιστικά όρια και έγκριση από τον εξουσιοδοτημένο εμπειρογνώμονα ανατινάξεων (πυροκροτητής/υπεύθυνος).

8. Ποια είναι η τυπική σχέση μεταξύ «ανάκτησης» και «βαθμού συμπυκνώματος» στην επεξεργασία ορυκτών και τι πρέπει να θυμάται η τεχνητή νοημοσύνη όταν το ερμηνεύει;

Α) Τα δύο αυξάνονται πάντα μαζί
Β) Δεν υπάρχει σχέση μεταξύ τους
Γ) Η σχέση είναι σταθερή και ίδια σε όλες τις εγκαταστάσεις
Δ) Συνήθως υπάρχει αντίστροφη ισορροπία (η απόδοση μειώνεται καθώς αυξάνεται ο βαθμός). Οι πραγματικές τιμές πρέπει να επαληθεύονται με μεταλλουργικές δοκιμές και ισορροπία μάζας ✔

Επεξήγηση: Γενικά, καθώς προσπαθούμε να επιτύχουμε υψηλότερο συγκεντρωμένο βαθμό, η απόδοση μειώνεται (ισοζύγιο βαθμού-απόδοσης). Η τεχνητή νοημοσύνη μπορεί να εξηγήσει αυτήν την τάση, αλλά οι πραγματικές τιμές λειτουργίας πρέπει να επιβεβαιωθούν από μεταλλουργικές δοκιμές και ισορροπία μάζας. η γενική τάση δεν υποκαθιστά την πραγματικότητα για συγκεκριμένο χώρο.

9. Ποια είναι η καταλληλότερη χρήση της ανάλυσης δεδομένων παρ' ολίγον ατυχήματος με τεχνητή νοημοσύνη στην επαγγελματική ασφάλεια;

Α) Ταξινόμηση αρχείων ελεύθερου κειμένου και εξαγωγή μοτίβων επαναλαμβανόμενων κινδύνων. Αφήστε την απόφαση στον ειδικό OHS ✔
Β) Αυτόματος προσδιορισμός του υπαίτιου των ατυχημάτων
Γ) Ανάθεση εντολών διακοπής εργασίας στην ΑΙ
Δ) Αρχειοθέτηση εγγραφών που παραλίγο να χάσετε χωρίς να τα ελέγξετε

Περιγραφή: Η τεχνητή νοημοσύνη μπορεί να ταξινομήσει μεγάλες ποσότητες αρχείων ελεύθερου κειμένου και να εξαγάγει γρήγορα επαναλαμβανόμενα μοτίβα και επικίνδυνες συνθήκες. Ωστόσο, η απόφαση να σταματήσει μια εργασία, να εκκενωθεί μια περιοχή ή μια βασική αιτία λαμβάνεται στο πλαίσιο του εμπειρογνώμονα OHS και της νομοθεσίας. Η έξοδος AI είναι είσοδος, όχι απόφαση.

10. Γιατί η «επιτάχυνση του ρυθμού παραμόρφωσης» είναι κρίσιμο σημάδι στα δεδομένα ραντάρ/πρίσματος στην παρακολούθηση κλίσης;

Α) Υποδεικνύει οπωσδήποτε ότι η συσκευή μέτρησης είναι χαλασμένη.
Β) Μπορεί να προαναγγέλλει μια προοδευτική ήττα. Η απόφαση έγκαιρης προειδοποίησης και εκκένωσης ανήκει στον γεωτεχνικό μηχανικό ✔
Γ) Δείχνει ότι η κλίση είναι απολύτως ασφαλής
Δ) Είναι σημαντικό μόνο όταν υπάρχει βροχόπτωση και μπορεί να αγνοηθεί

Επεξήγηση: Πριν από αστοχίες κλίσης, γενικά παρατηρείται μια σταδιακή αύξηση του ρυθμού παραμόρφωσης (επιτάχυνση). Αυτό μπορεί να είναι σημάδι προοδευτικής αποτυχίας. Η τεχνητή νοημοσύνη μπορεί να τονίσει την τάση, αλλά η απόφαση εκκένωσης/ έγκαιρης προειδοποίησης λαμβάνεται από την ανάλυση και το πρωτόκολλο του γεωτεχνικού μηχανικού.

11. Στην περιβαλλοντική παρακολούθηση, ποια είναι η πιο ακριβής απάντηση σε ένα σημάδι «υπέρβασης» που βρίσκει η τεχνητή νοημοσύνη σε μια χρονοσειρά ποιότητας νερού;

Α) Αναφορά της παραγωγής AI απευθείας στην κρατική υπηρεσία
Β) Αγνοήστε την προειδοποίηση και συνεχίστε να παρακολουθείτε
Γ) Επαλήθευση με διαπιστευμένο εργαστηριακό αποτέλεσμα, ρυθμιστικό όριο και αξιολόγηση περιβαλλοντικού μηχανικού ✔
Δ) Στηριζόμενη μόνο στην τεχνητή νοημοσύνη και ακύρωση εργαστηριακής ανάλυσης

Περιγραφή: Η τεχνητή νοημοσύνη μπορεί να σηματοδοτήσει νωρίς μια πιθανή παραβίαση. Ωστόσο, η επίσημη απόφαση συμμόρφωσης λαμβάνεται με διαπιστευμένη εργαστηριακή ανάλυση, οριακές τιμές στη νομοθεσία και την αξιολόγηση του μηχανικού περιβάλλοντος. Η έξοδος AI είναι μια προειδοποίηση ελέγχου, όχι μια νομική/τεχνική απόφαση.

12. Ποιος είναι ο πιο αξιόπιστος τρόπος για να αποφύγετε μια επινοημένη (παραισθησιολογική) αναφορά όταν ζητάτε από το AI τον αριθμό ρήτρας ενός προτύπου όπως το JORC ή το NI 43-101;

Α) Βασιζόμενος στον αριθμό αντικειμένου που δίνεται από το AI
Β) Κάνοντας ξανά την ίδια ερώτηση με διαφορετικές λέξεις
Γ) Κοιτάζοντας μια ανάρτηση ιστολογίου αντί για το τυπικό
Δ) Άνοιγμα και επιβεβαίωση κάθε αναφοράς άρθρου από το τρέχον επίσημο κείμενο του προτύπου και λήψη έγκρισης από αρμόδιο πρόσωπο ✔

Επεξήγηση: Παρόλο που το γλωσσικό μοντέλο γνωρίζει σωστά το όνομα του προτύπου, μπορεί να παραπέμπει στον αριθμό και το κείμενο του άρθρου. Κάθε αναφορά ουσίας πρέπει να ανοιχθεί και να επιβεβαιωθεί από το τρέχον επίσημο κείμενο του προτύπου και η τελική συμμόρφωση πρέπει να επιβεβαιωθεί από το αρμόδιο άτομο (CP/QP).

13. Ποιος είναι ο πιο κρίσιμος έλεγχος πριν εκτελέσετε ένα σενάριο ανάλυσης Python γραμμένο με AI;

Α) Ανάγνωση του κώδικα και επαλήθευση αντιστοίχισης μονάδας/στήλης, δοκιμή με μικρά γνωστά δεδομένα και έλεγχος της αληθοφάνειας του αποτελέσματος ✔
Β) Εκτέλεση του κώδικα απευθείας σε ολόκληρο το σύνολο δεδομένων χωρίς να το διαβάσετε
Γ) Βλέποντας μόνο ότι δεν υπάρχει λάθος και αποδεχόμενοι το αποτέλεσμα
Δ) Βασιζόμενος στα γραφικά της εξόδου για να δείχνεις ωραίος.

Περιγραφή: Ο κώδικας AI μπορεί να συνδυάζει μονάδες, να υποθέτει εσφαλμένα ονόματα στηλών ή να ρίχνει σιωπηλά σειρές. Είναι απαραίτητο να διαβάσετε τον κώδικα, να επαληθεύσετε την αντιστοίχιση τόμου και στηλών, να δοκιμάσετε με μια μικρή ποσότητα γνωστών δεδομένων και να ελέγξετε εάν το αποτέλεσμα είναι λογικό από τεχνικής άποψης.

14. Ποια είναι η καλύτερη συμπεριφορά όσον αφορά το απόρρητο κατά την παροχή δεδομένων εξόρυξης σε ένα εργαλείο τεχνητής νοημοσύνης που βασίζεται σε σύννεφο;

Α) Επικόλληση όλων των πρωτογενών δεδομένων ως έχουν
Β) Ανωνυμοποιήστε το πλαίσιο και καθαρίστε τα ευαίσθητα δεδομένα αποθεματικού/συντονισμού/παραγωγής και χρησιμοποιήστε εταιρικό εργαλείο συμβατό με την πολιτική ✔
Γ) Υποθέτοντας ότι η παροχή πραγματικών συντεταγμένων είναι απαραίτητη για την ποιότητα του αποτελέσματος
Δ) Καθόλου αγνόηση της πολιτικής απορρήτου

Επεξήγηση: Τα στοιχεία αποθεματικών, οι πληροφορίες αδειών/συντεταγμένων και τα δεδομένα παραγωγής είναι ευαίσθητα όσον αφορά τα εμπορικά μυστικά και τη νομοθεσία. Είναι απαραίτητο να ανωνυμοποιήσετε το πλαίσιο, να καθαρίσετε τις πραγματικές συντεταγμένες και τα ονόματα, να επιλέξετε το εργαλείο εταιρικής/διασφάλισης απορρήτου και να συμμορφωθείτε με την πολιτική της εταιρείας.