Κέρδη:
- Ικανότητα να διακρίνουμε πού η τεχνητή νοημοσύνη εξοικονομεί πραγματικό χρόνο στη ροή εργασιών της γεωλογικής μηχανικής και ποιες αποφάσεις θα πρέπει να παραμείνουν στην ευθύνη του μηχανικού
- Δυνατότητα εφαρμογής μιας πειθαρχίας που επικυρώνει κάθε έξοδο AI με τάξη μεγέθους, γεωλογική αληθοφάνεια και στοιχεία πεδίου
- Αναγνωρίστε τους κινδύνους της ασάφειας, των παραισθήσεων και του απορρήτου των δεδομένων και αναπτύξτε τη συνήθεια να δημιουργείτε ασφαλή μηνύματα προτροπής ανωνυμοποιώντας το πλαίσιο.
Η γεωλογική μηχανική είναι ένα επάγγελμα στο οποίο δεν μπορούμε ποτέ να δούμε πλήρως την αλήθεια κάτω από το έδαφος. Μια γεώτρηση λαμβάνει δείγματα μόνο μιας φέτας εκατοστών πολλών χιλιομέτρων γης. μια γεωφυσική τομή είναι μια έμμεση σκιά. Ένας χάρτης είναι μια ερμηνεία των κενών μεταξύ των παρατηρήσεων. Γι' αυτό η γεωλογία είναι ένας κλάδος που λειτουργεί εγγενώς με αβεβαιότητα. Η τεχνητή νοημοσύνη (AI, συστήματα λογισμικού που μαθαίνουν από μοτίβα μεγάλων δεδομένων και παράγουν κείμενο/εικόνες/αριθμούς) είναι ένα ισχυρό εργαλείο για τη διαχείριση αυτής της αβεβαιότητας, αλλά είναι επίσης ένα εργαλείο που μπορεί να κρύψει επικίνδυνα την ίδια αβεβαιότητα. Αυτή η ενότητα θέτει τα δύο θεμέλια πάνω στα οποία θα χτιστεί ολόκληρη η ενότητα: πού στη ροή εργασιών γεωλογίας παράγει η τεχνητή νοημοσύνη πραγματική αξία και πώς επικυρώνουμε κάθε έξοδο.
Ας είμαστε ξεκάθαροι από την αρχή: καμία τεχνική που θα μάθετε κατά τη διάρκεια αυτής της ενότητας δεν θα αντικαταστήσει την υπογραφή, την επιτόπια παρατήρηση και τη μηχανική κρίση ενός ικανού γεωλόγου μηχανικού. Η τεχνητή νοημοσύνη είναι βοηθός. Διαβάζει γρήγορα, γράφει γρήγορα, πιάνει μοτίβα. Αλλά εάν μια πλαγιά αποτύχει, ένα θεμέλιο φράγματος καταρρεύσει ή ένα απόθεμα ορυκτών αναφέρεται ότι είναι μεγαλύτερο από ό, τι είναι, η ευθύνη δεν βαρύνει το λογισμικό, αλλά τον μηχανικό που το υπέγραψε. Θα δείτε ξανά αυτήν την πρόταση με διαφορετικές μορφές σε κάθε μονάδα της ενότητας, επειδή αυτή είναι η μόνη αλήθεια στην κρίσιμη για την ασφάλεια μηχανική.
Πού δημιουργεί αξία η τεχνητή νοημοσύνη στη ροή εργασιών γεωλογίας;
Η εβδομάδα ενός γεωλόγου μηχανικού χωρίζεται χονδρικά σε τρεις τύπους εργασίας: προετοιμασία δεδομένων (ψηφιοποίηση αρχείων καταγραφής, επεξεργασία σημειώσεων πεδίου, καθαρισμός πίνακα), ερμηνεία και ανάλυση (ταξινόμηση λιθολογίας, συσχέτιση, εκτίμηση πόρων, εκτίμηση επικινδυνότητας) και επικοινωνία (αναφορά, χάρτης, παρουσίαση, αλληλογραφία). Η τεχνητή νοημοσύνη αγγίζει και τις τρεις περιοχές, αλλά η συνεισφορά και ο κίνδυνος της είναι διαφορετικοί σε καθεμία.
Η προετοιμασία δεδομένων είναι ο ασφαλέστερος και πιο κερδοφόρος τομέας της τεχνητής νοημοσύνης. Μετάφραση περιγραφών πυρήνα ελεύθερου κειμένου σε δομημένο πίνακα, τυποποίηση ασυνεπών ενοτήτων, επισήμανση ακραίων τιμών σε χιλιάδες γραμμές εργαστηριακών αποτελεσμάτων—αυτές είναι επαναλαμβανόμενες εργασίες, βασισμένες σε κανόνες και εύκολα επαληθεύσιμες. Ακόμα κι αν υπάρχει κάποιο σφάλμα εδώ, θα χρειαστούν λίγα λεπτά για να επιστρέψετε στην πηγή (ακατέργαστο αρχείο καταγραφής) και να το ελέγξετε.
Το πεδίο της ερμηνείας και της ανάλυσης φέρει την υψηλότερη αξία και τον υψηλότερο κίνδυνο. Το AI μπορεί να προτείνει μια πιθανή γεωμετρία σφάλματος από ένα τμήμα τρυπανιού. Αυτό μπορεί να αποκαλύψει ένα μοτίβο που μπορεί να χάσει ακόμη και ένα έμπειρο μάτι. Αλλά το ίδιο μοντέλο μπορεί να χωρέσει με σιγουριά μια ανύπαρκτη στρωματογραφική μονάδα (αυτό το φαινόμενο ονομάζεται ψευδαίσθηση: το μοντέλο παράγει πληροφορίες που στην πραγματικότητα δεν υπάρχουν, σαν να ήταν αληθινές). Σε αυτόν τον τομέα, η τεχνητή νοημοσύνη είναι ένας παράγοντας υποθέσεων και όχι ένας λήπτης αποφάσεων.
Στον τομέα των επικοινωνιών, η τεχνητή νοημοσύνη είναι ένας επιταχυντής βύθισης. Σχεδιάζει την ενότητα μεθόδων μιας γεωτεχνικής αναφοράς, μιας περίληψης βιβλιογραφίας ή ενός e-mail μέσα σε λίγα λεπτά. Ο κίνδυνος εδώ είναι ότι κατασκευασμένες πηγές και λανθασμένοι αριθμοί μπορούν να γλιστρήσουν στην υπογραφή απαρατήρητες σε ένα ρέον κείμενο.
Πειθαρχία επικύρωσης: Ο κανόνας των τριών αγκυρώσεων
Η καρδιά αυτής της ενότητας είναι μια ενιαία συνήθεια: να μην ενσωματώνετε οποιαδήποτε έξοδο AI σε μια απόφαση μηχανικής χωρίς να την επικυρώνετε. Βασίζουμε την επικύρωση σε τρεις ανεξάρτητες αγκυρώσεις.
Πρώτη άγκυρα — Τάξη μεγέθους. Είναι το αποτέλεσμα περίπου εντός της αναμενόμενης ισχύος των 10; Η υδραυλική αγωγιμότητα ενός υδροφόρου ορίζοντα άμμου είναι συνήθως της τάξης των μέτρων ανά ημέρα. Αν το μοντέλο δίνει χιλιόμετρα/ημέρα, υπάρχει σφάλμα μονάδας ή επεξεργασίας και μπορεί να γίνει κατανοητό χωρίς να μπω σε λεπτομέρειες. Η μονοαξονική θλιπτική αντοχή ενός ασβεστόλιθου κυμαίνεται από 30-200 MPa. 3000 MPa είναι γελοίο. Αυτός ο έλεγχος διαρκεί δευτερόλεπτα και εντοπίζει τα περισσότερα σφάλματα.
Δεύτερη άγκυρα — Γεωλογική αληθοφάνεια. Είναι το αποτέλεσμα συνεπές με τη γεωλογική ιστορία του πεδίου; Εάν το μοντέλο έχει τοποθετήσει μια νεαρή προσχώσεις κάτω από έναν θαλάσσιο ασβεστόλιθο, είτε υπάρχει αντίστροφο σφάλμα (και αυτό πρέπει να αποδειχθεί ξεχωριστά) είτε το μοντέλο είναι μαλακία. Η στρωματογραφική ακολουθία, το τεκτονικό πλαίσιο και το περιβάλλον αποθέσεως είναι το φίλτρο αληθοφάνειας από το οποίο πρέπει να περάσει κάθε ερμηνεία.
Τρίτη άγκυρα — Ένδειξη πεδίου. Αυτή είναι η πιο δυνατή άγκυρα. Βασικό δείγμα, παρατήρηση προεξοχής, επαλήθευση πεδίου. Μια ερμηνεία λιθολογίας που βασίζεται σε ημερολόγιο συγκρίνεται με τον πυρήνα που λαμβάνεται από το ίδιο βάθος. Μια ζώνη αλλοίωσης που χαρτογραφείται με τηλεπισκόπηση δοκιμάζεται με δείγματα σε πολλά σημεία του πεδίου. Η επίγεια αλήθεια πάντα κερδίζει.
Three Mini Cases: By the Numbers
Περίπτωση 1 — Εξοικονόμηση χρόνου στην ψηφιοποίηση αρχείων καταγραφής. Ένας μηχανικός ψηφιοποιούσε χειροκίνητα 42 σαρωμένα (χάρτινα) κορμούς γεωτρήσεων από τη δεκαετία του 1980. Μέσος όρος 35 λεπτά ανά αρχείο καταγραφής, περίπου 24 ώρες συνολικά. Με μια ροή εργασίας χαρτογράφησης με τεχνητή νοημοσύνη, μείωσε το πρώτο προσχέδιο σε 6 λεπτά, αφιερώνοντας τον υπόλοιπο χρόνο στην οπτική επαλήθευση. Ο συνολικός χρόνος μειώθηκε σε περίπου 8 ώρες. Αυτό που ήταν κρίσιμο ήταν ότι ο χρόνος που αποκτήθηκε ξοδεύτηκε στον έλεγχο.
Περίπτωση 2 — Αιχμαλωτισμένη ψευδαίσθηση. Όταν ένας ασκούμενος ζήτησε από την τεχνητή νοημοσύνη να συνοψίσει τη στρωματογραφία ενός χωραφιού, το κείμενο περιελάμβανε την πρόταση "Ο σχηματισμός της Τούζλα εξατμίζεται κοινός στην περιοχή". Δεν υπήρχε εξάτμιση στο σημείο. το μοντέλο είχε μπερδεμένες πληροφορίες από άλλη λεκάνη. Το φίλτρο γεωλογικής αληθοφάνειας (το τεκτονικό πλαίσιο της περιοχής δεν ήταν κατάλληλο για εναπόθεση εξατμιστών) εντόπισε το σφάλμα πριν από την υπογραφή της έκθεσης.
Περίπτωση 3 — Σφάλμα μονάδας. Σε έναν υπολογισμό πηγής, το μοντέλο διόγκωσε την παραγωγή κατά τονάζ κατά έναν συντελεστή 1000, μπερδεύοντας την πυκνότητα με 2,7 t/m³ αντί για 2,7 g/cm³ (στην πραγματικότητα τα δύο είναι ίσα, αλλά το ενδιάμεσο βήμα του μοντέλου ήταν λανθασμένο και διόγκωσε το αποτέλεσμα κατά 1000). Ο έλεγχος της τάξης μεγέθους — «αυτό το μπλοκ δεν μπορεί να είναι 5 εκατομμύρια τόνοι αλλά 5 δισεκατομμύρια τόνοι» — έδειξε αμέσως το σφάλμα.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Συνοψίστε τη γεωλογία αυτού του πεδίου και αξιολογήστε το ορυκτό του δυναμικό.[δεδομένα]
Ισχυρή προτροπή:
Ο ρόλος σας: Ανώτερος γεωλόγος εξερεύνησης. Ερμηνεύστε την παρακάτω περίληψη γεωτρήσεων με βάση ΜΟΝΟ τα δεδομένα που δίνονται. - Μην προσθέτετε σχηματισμούς, ορυκτά ή ηλικίες που δεν περιλαμβάνονται στα δεδομένα. - Δείξτε τη γραμμή δεδομένων στην οποία βασίζεστε με παρενθέσεις δίπλα σε κάθε σχόλιο. - Γράψτε "δεδομένα ανεπαρκή" όπου δεν είστε σίγουροι, μην κάνετε εικασίες. - Τέλος: κάντε μια ξεχωριστή λίστα με 3 υποθέσεις που πρέπει να επαληθευτούν. Δεδομένα: [περίληψη γεωτρήσεων]
Η ισχυρή προτροπή επιβάλλει τρία πράγματα στο μοντέλο: εμμονή στην πηγή, παραδοχή της αβεβαιότητας και επισήμανση πραγμάτων προς επαλήθευση. Αυτό δεν τελειώνει εντελώς την ψευδαίσθηση, αλλά την κάνει ορατή.
Τέσσερα αντιγράψιμα πρότυπα
1) Καθιέρωση ανωνυμοποιημένου πλαισίου:
Χρειάζομαι βοήθεια με μια εργασία γεωλογικού μηχανικού. Το όνομα πεδίου, οι συντεταγμένες και οι πληροφορίες εταιρείας είναι ΕΜΠΙΣΤΕΥΤΙΚΑ. Θα τα δώσω με αντιπροσωπευτικές εκφράσεις όπως «Πεδίο-Α», «Χ συντεταγμένη». Quest: [αποστολή]. Απλά βασιστείτε στα τεχνικά δεδομένα που δίνω.
2) Τρία αιτήματα επαλήθευσης αγκύρωσης:
Κάντε τρεις ελέγχους για την ακόλουθη έξοδο: 1) Τάξη μεγέθους: είναι κάθε αριθμός εντός του αναμενόμενου εύρους; Εάν όχι, σημειώστε. 2) Γεωλογική αληθοφάνεια: υπάρχει στρωματογραφικά/τεκτονικά ασυνεπής ισχυρισμός; 3) Λίστα επαλήθευσης: στοιχεία που πρέπει να επιβεβαιωθούν στο πεδίο/εργαστήριο. Έξοδος: [κείμενο]
3) Επιβολή ασάφειας:
Δώστε την ερμηνεία σας σε τρία επίπεδα σιγουριάς: - Υψηλή εμπιστοσύνη (υποστηρίζεται άμεσα από δεδομένα) - Μέση εμπιστοσύνη (εύλογη συμπεράσματα) - κερδοσκοπική (απαιτούνται πρόσθετα δεδομένα) Εργασία: [εργασία]. Δεδομένα: [δεδομένα]
4) Διάκριση απόφασης/υποστήριξης:
Χωρίστε την ακόλουθη εργασία σε δύο: Α) Δεδομένα/πρόχειρη εργασία που μπορεί να κάνει η τεχνητή νοημοσύνη με σιγουριάΒ) Σημεία απόφασης για τα οποία απαιτείται έγκριση εξουσιοδοτημένου μηχανικού Περιγραφή εργασίας: [ορισμός]
Ρόλος της AI: Κίνδυνος ανά τύπο αποστολής
Τύπος εργασίας
συνεισφορά AI
Επίπεδο κινδύνου
Πυκνότητα επαλήθευσης
Ψηφιοποίηση ημερολογίου/πίνακα
ψηλά
χαμηλά
επιτόπιος έλεγχος
Λιθολογική προκαταρκτική ταξινόμηση
ψηλά
μεσαίο
Πυρήνας + λογική
Υπολογισμός πόρων/τονάζ
μεσαίο
ψηλά
Λογαριασμός χειρός + ανεξάρτητος
Απόφαση ασφάλειας κλίσης/βάσης
περιορισμένη
πολύ ψηλά
Πλήρης έγκριση μηχανικού
Προσχέδιο έκθεσης/λογοτεχνίας
ψηλά
μεσαίο
επιβεβαίωση πηγής
Εκτίμηση κινδύνου/καταστροφών
περιορισμένη
πολύ ψηλά
Πεδίο + πρότυπο + έγκριση
Συμβουλή: Για να προσδιορίσετε το επίπεδο κινδύνου μιας εργασίας, κάντε μια ερώτηση: «Ποιο είναι το χειρότερο που θα μπορούσε να συμβεί εάν αυτό το αποτέλεσμα είναι λάθος;» Εάν η απάντηση είναι "Θα χάσω λίγα λεπτά", επαληθεύστε ελαφρά. Εάν «κάποιος μπορεί να πληγωθεί», αντιμετωπίστε το αποτέλεσμα ως υπόθεση και βάλτε το σε όλη τη διαδικασία μηχανικής.
Προσοχή: Το πιο επικίνδυνο χαρακτηριστικό της τεχνητής νοημοσύνης δεν είναι ότι κάνει λάθη, αλλά ότι κάνει λάθη με αυτοπεποίθηση. Ένα ρευστό, τεχνικό και προσεγμένο κείμενο δεν σημαίνει ότι είναι σωστό. Εμπιστευτείτε στοιχεία, όχι στυλ.
Συνήθη λάθη
- Λάθος της ευχέρειας για την ακρίβεια. Ανεξάρτητα από το πόσο επαγγελματικό εμφανίζεται το κείμενο, οι πραγματικοί ισχυρισμοί (ηλικία, σχηματισμός, αριθμός, πηγή) θα πρέπει να επαληθεύονται ανεξάρτητα.
- Μη κλιμάκωση του κινδύνου ανά τύπο εργασίας. Εξετάζοντας μια ανασκόπηση υγροποίησης με τον ίδιο τρόπο όπως ένα πρόχειρο email. Κλίμακες επικύρωσης με πιθανή βλάβη.
- Εισαγωγή εμπιστευτικών δεδομένων πεδίου χωρίς σκέψη. Οι πληροφορίες για τον συντονισμό, τη βαθμολογία και το αποθεματικό είναι εμπορικά και νομικά ευαίσθητες. ανωνυμοποιήστε πριν εισέλθετε στο μη ελεγχόμενο όχημα.
- Αγνοώντας την αβεβαιότητα. Ακριβώς επειδή το μοντέλο φαίνεται "σίγουρο" δεν σημαίνει ότι εξαφανίζεται η αβεβαιότητα. Ζητήστε εύρος και επίπεδο εμπιστοσύνης αντί για εκτίμηση ενός σημείου.
- Λάθος AI για τη λήψη αποφάσεων. Το μοντέλο δημιουργεί υποθέσεις. Ο υπεύθυνος μηχανικός παίρνει την απόφαση.
Συνοπτικά
- Η γεωλογία εγγενώς λειτουργεί με αβεβαιότητα. Η τεχνητή νοημοσύνη μπορεί να διαχειριστεί και να κρύψει επικίνδυνα αυτήν την αβεβαιότητα.
- Η τεχνητή νοημοσύνη είναι η ασφαλέστερη και πιο κερδοφόρα στην προετοιμασία δεδομένων, η πιο πολύτιμη αλλά πιο επικίνδυνη στην ερμηνεία/ανάλυση και ο επιταχυντής στην επικοινωνία.
- Κάθε έξοδος επικυρώνεται έναντι τριών αγκυρώσεων: τάξη μεγέθους, γεωλογική αληθοφάνεια, στοιχεία πεδίου.
- Ο κίνδυνος ενός αποτελέσματος είναι ίσος με τη ζημιά που θα προκαλέσει εάν είναι λάθος. κλίμακες επικύρωσης ανάλογα.
- Στην κρίσιμη για την ασφάλεια μηχανική, η έξοδος AI δεν υποκαθιστά ποτέ την έγκριση εξουσιοδοτημένου μηχανικού.
Εργασία εφαρμογής
Καταγράψτε πέντε εργασίες γεωλογίας που κάνετε σε μια εβδομάδα από τη δική σας εργασία (π.χ. επεξεργασία αρχείων καταγραφής, συσχέτιση, ενότητα αναφοράς, έλεγχος βαθμού, σημειογραφία κινδύνου). Τοποθετήστε το καθένα σε επίπεδο κινδύνου σύμφωνα με τον πίνακα αυτής της ενότητας και ρωτήστε «ποιο είναι το χειρότερο που θα συνέβαινε αν ήταν λάθος;» Απαντήστε στην ερώτηση με μία πρόταση. Στη συνέχεια, γράψτε μια ισχυρή ανώνυμη προτροπή για την εργασία χαμηλότερου κινδύνου και δοκιμάστε την. Ελέγξτε την έξοδο με τρεις αγκυρώσεις και σημειώστε ποια άγκυρα αντιμετώπισε πρόβλημα.
λίστα ελέγχου
- [ ] Μπορώ να διακρίνω πού η τεχνητή νοημοσύνη παράγει ασφαλή και πού επικίνδυνη αξία στη ροή εργασιών γεωλογίας.
- [ ] Απέκτησα το αντανακλαστικό για να επαληθεύσω κάθε έξοδο με τάξη μεγέθους, γεωλογική αληθοφάνεια και στοιχεία πεδίου.
- [ ] Το επίπεδο κινδύνου μιας εργασίας ρωτώντας "ποιο είναι το χειρότερο που θα μπορούσε να συμβεί αν πάει στραβά;" Μπορώ να προσδιορίσω με την ερώτηση.
- [ ] Ξέρω τι είναι η ψευδαίσθηση και η αβεβαιότητα και πώς να τα κάνω ορατά.
- [ ] Υιοθέτησα τη συνήθεια να ρυθμίζω μια ασφαλή προτροπή ανωνυμοποιώντας τα εμπιστευτικά δεδομένα πεδίου.