Täielik töövoog, Python, eetika, privaatsus ja vastutustundlik kasutamine

Kasu:

• Võimalus manustada tehisintellekti igas etapis, alates planeerimisest kuni aruandluseni, kooskõlas inimese kontrollivärava ja üleminekutingimustega
• Võimalus ära tunda geofüüsika Pythoni tööriistakomplekti (ObsPy, segyio, scikit-learn jne) ja kontrollida tehisintellekti loodud koodi ühiku/telje/lekke osas
• Võimalus lisada töövoosse inimvastutuse, andmete privaatsuse, mõõdetud turvalisuse, ennustuste deterministliku tagasilükkamise ja läbipaistvuse põhimõtted

Siiani oleme arutanud geofüüsika üksikuid rõngaid – töötlemist, tõlgendamist, potentsiaalseid välju, inversiooni, maavärinat, pinnalähedast, visualiseerimist, ressursside uurimist, määramatust – eraldi. Selles viimases üksuses ühendame need kõik üheks täielikuks töövooguks: näeme, kuidas tehisintellekti (AI) järjekindlalt manustada projekti algusest kuni aruande lõpuni, kusjuures igas etapis on inimese kontrollivärav. Vaatleme ka Pythoni ökosüsteemi, mis on AI konkreetne tööriist geofüüsikas, ning eetika, privaatsuse ja vastutustundliku kasutamise põhimõtted, mis tulenevad elukutse turvalisuse kriitilisusest. Alustame algusest: AI on kiirendi ja assistent; Vastutus maa-aluse mudeli, uurimisotsuse ja elu-/varaohutust puudutavate kommentaaride eest lasub alati pädeval geofüüsikul.

Otsast lõpuni töövoog: kontrolliväravad

Hea AI-toega projekt on kihiline struktuur, mille igas etapis on „üleminekutingimus”. Järk-järgulised inimväravad takistavad üksiku tehisintellekti vea lekkimist aruandesse:

1. Planeerimine ja kogumine: AI koostab kontrollnimekirja/plaani kontuuri; saidi ohutuse, lubade andmise ja kogumise otsused on inimese teha. Uks: kas plaan vastab kohalikele seadustele?
2. Töötlemine/QC: tehisintellekti mürasummutus teostab kõrvalekallete märgistamise. Värav: kas erinevuse graafik on puhas, kas signaal säilib?
3. Visualiseerimine/tõlgendus: AI genereerib horisondi/vea/faciesi kandidaadi. Uks: kas kaevu sidumine ja visuaalne kontroll on tehtud?
4. Pöördlahendus: AI kiireneb. Uks: kinnitus reaalfüüsikaga, määramatus mõõdetud?
5. Integreerimine/otsus: AI ühendab andmeid, genereerib stsenaariume. Uks: mitme meetodi kinnitus, kas tagasitest on tehtud?
6. Aruandlus: AI kirjutab mustandit. Värav: kas iga number/viide on lingitud allikaga, kas mitmetähenduslik keel on säilinud?

Järgmise ukse juurde ei saa liikuda ilma sealt läbimata. See on konstruktsioon, mis tagab kiiruse säilitamise ohutuse.

Näpunäide. Kinnitage igale tehisintellekti väljundile "krediidisilt": millised andmed, milline mudel/versioon, milline parameeter, kes kinnitas, millal. See silt on oluline nii korratavuse kui ka auditeerimise jaoks, kui viga leitakse hiljem.

Python: geofüüsiku AI tööriistakomplekt

AI konkreetne keel geofüüsikas on suures osas Python. AI soovituste rakendamiseks ja jälgimiseks on vaja elementaarset kirjaoskust. Sageli kasutatavad raamatukogud:

• NumPy / SciPy: numbriline arvutus, signaalitöötlus (filter, FFT).
• Matplotlib: lõige, kaart, visualiseerimine.
• ObsPy: seismoloogia standardteek (lainekuju lugemine, faas, maavärina andmed).
• scikit-learn: klassikaline masinõpe (klassifikatsioon, rühmitamine, ristvalideerimine).
• PyTorch / TensorFlow: sügav õppimine (CNN-i mürasummutus, faasi eraldamine).
• segyio: SEG-Y seismiliste andmete vormingu lugemine/kirjutamine.

AI ​​(keelemudel) on nende teekide abil koodikavandite loomisel väga kiire. Kuid loodud koodi ei käivitata ilma kontrollimiseta: üksuse vead, vale telg, lekkiv treening-testi eraldamine või hallutsineeritud olematu funktsioonikutse on tavalised.

Ettevaatust. Ärge rakendage tehisintellekti loodud Pythoni koodi suurtele andmetele ilma seda väikeses teadaolevas proovis testimata. Eelkõige kontrollige käsitsi koordinaatide/aja viiteväärtust, ühikut (ms/s, m/ft) ja treeningkatse eraldust; üks ühikuviga rikub vaikselt kogu tõlgenduse.

Eetika, privaatsus ja vastutustundlik kasutamine

Geofüüsika on inseneriteaduse valdkond, mille tulemused mõjutavad elu- ja varaohutust, keskkonda ja suuri investeeringuid. See paneb tehisintellekti kasutamisele erikohustused:

• Inimvastutus: lõpliku mudeli, uurimisotsuse ja ohuhinnangu eest vastutab ekspert; "AI ütles nii" ei ole vabandus.
• Andmete privaatsus: seismilised andmed, kaevude logid ja uurimistulemused on sageli ärisaladuste või litsentsidega kaetud. Nende üleslaadimine välistesse/pilve-AI-tööriistadesse võib tekitada privaatsuse rikkumisi ja konkurentsiauke; andmete klassifikatsioon ja heakskiidetud sõidukite nimekiri on olulised.
• Täpsus ja liigsete väidete keeld: tehisintellekti väljundi ülehindamine ohutusküsimustes, nagu maavärinaoht, maalihe, maapinna veeldamine, seab inimelud ohtu; Kasutatakse mõõdetud, ebamäärast keelt.
• Deterministlik maavärina ennustuse tagasilükkamine: tulevase maavärina päeva ennustamine on ebateaduslik; Sellist väidet ei saa tehisintellektiga esitada.
• Läbipaistvus: AI kasutamine on aruandes selgelt välja toodud; Millises etapis, kuidas seda kasutatakse ja kuidas seda kontrollitakse, on kirjas.
• Keskkond ja ühiskond: ressursside uurimise tulemused avaldavad keskkonna- ja sotsiaalseid mõjusid; Nende mõjude arvestamise eest vastutab geofüüsik.

Näpunäide. Enne tehisintellekti tööriistale andmete andmist esitage kolm küsimust: (1) Kas mul on lubatud neid andmeid jagada? (2) Kas see sisaldab isiklikku/konfidentsiaalset äriteavet? (3) Kas see tööriist säilitab koolituse jaoks andmeid? Kui mõni kolmest on ebaselge, ärge laadige andmeid ega kasutage kohapealset/isoleeritud lahendust.

kolm minikarpi

Juhtum 1 – lekkinud litsentsiandmed. Insener laadis litsentsitud seismilise mahu välisesse tehisintellekti teenusesse kiireks tõlgendamiseks. Leping keelas andmete edastamise kolmandale isikule; Juhtum muutus tõsiseks lepingurikkumiseks. Seejärel kehtestas agentuur poliitika töötada ainult isoleeritud heakskiidetud sõidukitega.

Juhtum 2 – koodiühiku viga. Pythoni skript, mille AI genereeris, oletati sügavust meetrites, mitte jalgades (jalgades); Kaart tuli välja 30% madalas ja kaev oli planeeritud valesse sihtmärki. Kui testida väikese valimiga, oleks viga juba algusest peale tabatud; õppetund: loodud koodi kontrollitakse alati tuntud näite põhjal.

Juhtum 3 – liialdatud ohuavaldus. Ühes mustandis kirjutas YZ kehvade andmete põhjal lõplikult, et "piirkonnal on suur vedeldamise oht". Geofüüsik parandas seda, öeldes: "kättesaadaolevad piiratud andmed võivad viidata veeldamise võimalusele; lõplikuks hindamiseks on vaja täiendavat välitööd." Mõõdetud turvalisus oli nii aus kui ka vastutustundlik.

Neli kopeeritavat malli

1) Otsast lõpuni kontrolliväravad:

Sinu roll: geofüüsikalise projekti konsultant. Minu projekt: [tüüp]. Ilmub kontrollväravate tabel planeerimiseks, töötlemiseks, tõlgendamiseks, ümberpööramiseks, integreerimiseks ja aruandluseks: milline peaks olema tehisintellekti töö, inimese otsus ja PASSAGE CONDITION (kontroll) igas etapis? Järgmise ukse juurde ei tohiks minna ilma sealt läbimata.

2) Pythoni koodi valideerimine:

Kirjutasin tehisintellektiga geofüüsikalise Pythoni skripti ([SEG-Y read/filter/classifier]). Mida peaksin enne jooksmist kontrollima: ühiku/telje/koordinaatide kooskõla, treening-testi leke, olematu funktsioon, servajuhtumid? Kuidas seadistada väikest testproovi? Andke mulle kontrollnimekiri.

3) Andmete privaatsuse kontroll:

Teie roll: andmehalduse nõustaja. Ma mõtlen geofüüsikaliste andmete ([seismilise/kaevu logi) andmisele AI-tööriistale. Andke mulle privaatsuse kontroll-loend: jagamisluba, äriline/isiklik konfidentsiaalne teave, tööriista andmete säilitamiseeskirjad, isoleeritud/kohalik alternatiiv. Mida ma peaksin tegema, kui see on riskantne?

4) Vastutav aruandluskeel:

Minu tehisintellekti aruandes on avaldusi turvaprobleemide kohta ([maavärina oht / veeldamine / maalihe]). Kuidas leida äärmuslikku väidet ja tõlkida see mõõdetud, ühemõttelisse keelde? Kuidas saan aruandes tehisintellekti kasutamist läbipaistvalt näidata ja vältida deterministlikku oletamist? Näidake koos konversioonide näitega.

Nõrk viip / Tugev viip

Nõrk viip:

Tehke tehisintellektiga seda projekti algusest lõpuni kiiresti.

Puudub kontrollvärav, privaatsus ja vastutus; Kiiruse huvides tekib vastuvõetamatu ja riskantne tulemus.

Võimas viip:

Sinu roll: geofüüsika vanemprojektijuht. Minu projekt: [tüüp, andmetüübid, privaatsuse olek]. Ülesanne: (1) luua läbiv töövoog valideerimisväravatega; (2) kirjutage igas etapis üles tehisintellekti töö, inimese otsus ja üleminekutingimused; (3) pakkuda välja heakskiidetud tööriistu ja eraldatud lahendusi andmete privaatsuse tagamiseks; (4) Lisage turvalisuse küsimustes mõõdukas keelekasutus ja läbipaistvuse reegel. Lõplik mudel näitab, et otsus ja vastutus lasub igal etapil inimesel.

Uksed, privaatsus ja vastutusraamistik muudavad AI kiireks, kuid turvaliseks.

Töövoo etapid ja vastutus

Lava

AI töö

inimlik otsus

ülemineku tingimus

Planeerimine/kogumine

kava eelnõu

turvalisus, luba

Kas see on seadusega kooskõlas?

Töötlemine/QC

trükkimine, markeerimine

Parameetri kinnitus

Kas signaal säilib?

Tõlgendus

Kandidaatide genereerimine

kontrollimine

Kas kaev on ühendatud?

pöördlahend

kiirendus

füüsiline kehtivus

Kas määramatust on mõõdetud?

Otsustamine/integratsioon

Stsenaarium, koostamine

riskiotsus

Kas ristkontroll on tehtud?

Aruandlus

mustand

Heakskiit, vastutus

Kas see on allikaga ühendatud?

Levinud vead

• Kinnitusväravatest möödahiilimine. Inimkontrolli eemaldamine kiiruse huvides toob raportile kaasa riski.
• Konfidentsiaalsete/litsentsitud andmete üleslaadimine välisesse tööriista. See tekitab lepingurikkumisi ja konkurentsi puudujääki.
• Loodud koodi käivitamine ilma seda testimata. Ühiku/telje viga rikub vaikselt tõlgenduse.
• Ülemäärased väited turvalisuse kohta. Kasutage mõõdetud, ebamäärast keelt.
• AI kasutamise peitmine. Läbipaistvus ja allika omistamine on kohustuslikud.

Kokkuvõttes

End-to-end geofüüsikalises projektis lisab AI väärtust igal etapil; kuid väärtuse teevad turvaliseks inimlikud kontrolliväravad, mis etappe ühendavad. Python on selle AI konkreetne tööriist ja iga loodud kood on kontrollitud. kutseala ohutuskriitiline olemus; See nõuab andmete privaatsust, mõõdetud keelt, ennustamise deterministlikku eitamist, läbipaistvust ja keskkonna-sotsiaalset vastutust. Tehisintellekt ei saa kunagi muutuda vabanduseks "AI ütles nii": lõplik vastutus maa-aluse mudeli, uurimisotsuse ja ohutuse tõlgenduse eest lasub alati pädeval geofüüsikul.

Rakenduse ülesanne

Valige reaalne või väljamõeldud geofüüsikaline projekt. Malliga „Otsast lõpuni kinnitamise väravad“ pange kõik etapid koos üleminekutingimustega tabelisse. Seejärel kasutage andmetüübi jaoks malli „Andmete privaatsuse kontroll”, et hinnata, kas on asjakohane neid andmeid AI-tööriistale anda. Lõpuks kirjutage turvateatis ja tõlkige see mõõdetud, läbipaistvasse ja ühemõttelisse keelde malliga „Vastutustundlik aruandluskeel“.

kontrollnimekiri

• [ ] Seadistasin kogu töövoo koos valideerimisväravate ja üleminekutingimustega.
• [ ] Olen konfidentsiaalseid/litsentsitud andmeid töödelnud ainult heakskiidetud/isoleeritud vahenditega.
• [ ] Testisin AI-ga loodud Pythoni koodi tuntud näitega.
• [ ] Turvaküsimustes kasutasin mõõdetud, ebamäärast keelt.
• [ ] Teatasin selgelt tehisintellekti kasutamisest ja jätsin lõpliku vastutuse inimese kanda.

Mooduli eksam

1. Milline järgmistest on geofüüsika tehisintellekti jaoks kõige täpsem positsioneerimine?

• A) Tehisintellekt on assistent; Vastutus lõpliku maapinna mudeli, uurimisotsuse ja ohutuse tõlgendamise eest lasub geofüüsikul ✔
• B) Tehisintellekt suudab maa-aluse mudeli lõplikult välja töötada ja määrata kaevu asukoha ilma inimese nõusolekuta
• C) Tehisintellekt loob ühe ja täpse mudeli, kuna see välistab polüseemia.
• D) Tehisintellekt on kasulik ainult aruannete kirjutamisel, sellel pole midagi pistmist andmete töötlemise ja tõlgendamisega

Kirjeldus: Tehisintellekt; See on assistent, mis summutab müra, tuvastab mustreid, kiirendab arvutusi ja genereerib aruannete mustandeid. Geofüüsikale omase polüseemia tõttu (mitme maapinna mudeli sobitamine samadele andmetele) on iga väljund hüpotees; Pädev geofüüsik on viimane asutus, kes kinnitab lõpliku maapinna mudeli, uuringuotsuse ja ohutuse tõlgenduse ning võtab endale riski.

2. Mis on kõige usaldusväärsem viis signaali kadumise kontrollimiseks pärast AI-põhise mürasummuti rakendamist?

• A) Piisab, kui näeme, et signaali-müra suhe suureneb
• B) Vaadake eemaldatud komponenti erinevuse diagrammiga ja vaadake, kas sellel on ühtlane peegeldus ✔
• C) Kuna supressoriks on tehisintellekt, siis ei ole vaja täiendavat juhtimist
• D) Kui väljund tundub visuaalselt puhtam, on toiming edukas

Kirjeldus: erinevuse graafik näitab summuti eemaldatud komponenti eraldi ristlõikena. Hea repressori jääk ilmub juhuslikult; Kui eemaldatud osas on viltused pidevad peegeldused, on filter nõrga, kuid reaalse signaali kustutanud ja parameetrit tuleks pehmendada. Ilma selle kontrollita võib agressiivne summuti hävitada tõelise peegelduse.

3. Mis on automaatse horisondijälgija tekitatud siledal pinnal kõige levinum ja geoloogiliselt ebaõigem viga?

• A) Jälgija töötab väga aeglaselt
• B) Pind tundub alati mürarikas
• C) Tsükli vahelejätmine: peegelduse tipust naabertippu hüppamine ja vale, kuid sileda pinna tekitamine ✔
• D) Pinna värviskaala vale valik

Kirjeldus: ratta vahelejätmine on siis, kui jälgija lahkub peegeldusmäelt ja jätkab hüppamisega naabermäele; Tulemuseks on pealtnäha sile, kuid geoloogiliselt ebatäpne pind. Seetõttu ei tohiks automaatset horisonti hajutada kogu helitugevuse ulatuses, ilma et seda oleks visuaalselt kontrollitud ja korrigeeritud ning piirkondades, kus see jätab tugeva peegelduse ja hüppab nõrgale tipule.

4. Mis on geofüüsikale omane fundamentaalne määramatus gravitatsioonianomaalia tõlgendamisel ja kuidas peaks tehisintellekt sellesse suhtuma?

• A) Ebakindlust pole; anomaalia on alati otse allika kohal ja tekib üks muster
• B) on sügavus-amplituudi määramatus; AI peaks ühe mudeli asemel tootma mitu stsenaariumi ✔
• C) Anomaalia selgitab ainult üksainus kõrgeima eraldusvõimega mudel, alternatiivi pole vaja
• D) Määramatus esineb ainult seismilistes, mitte potentsiaalsetes väljades

Selgitus: Potentsiaalsetes piirkondades on sügavuse amplituudi ebakindlus: väike, madal allikas ja suur sügav allikas võivad tekitada peaaegu sama pinnaanomaalia. See on seismilise polüseemia potentsiaalne väljaseisund. AI saab seda varjata, andes ühe kindla mudeli; Õige viis on koostada rohkem kui üks stsenaarium, mis anomaaliat selgitab, ja küsida selle eristamiseks lisaandmeid.

5. Miks võib olla riskantne valida põhjapoolkera magnetanomaalia keskpunkt otseseks puurimise sihtmärgiks?

• A) Magnetilised anomaaliad on alati otse allika kohal, ohtu pole
• B) Magnetmeetod ei saa üldse sügavust anda, seega on see riskantne.
• C) anomaalia ei pruugi laiuskraadi mõju/polaarsuse tõttu olla otse allika kohal; Vajalik vähendamine poolusse ✔
• D) Probleem on ainult värviskaalas, füüsilist nihet pole

Selgitus: laiuskraadi mõjude ja polaarsuse tõttu ei pruugi magnetanomaalia olla vahetult allika kohal; Põhjapoolkeral võib anomaalia nihkuda allikast lõuna poole. Anomaaliakeskuse käsitlemine allikana ilma pooluseks taandamata viib kaevu planeerimiseni valesse kohta. Seetõttu tuleb asendit korrigeerida pooluse vähendamisega.

6. Milline väide kirjeldab inversiooni olemust kõige täpsemalt?

• A) See on hästi püstitatud probleem; kõigile andmetele vastab üks ja täpne mudel
• B) see on halvasti püstitatud ja väga oluline probleem; väljund on mudelite perekond, mida piirab määramatus ✔
• C) See on täiesti täpne arvutus, mis ei vaja reguleerimist.
• D) See on protsess ilma määramatuseta, mida saab lahendada ainult tehisintellekti abil.

Selgitus: pöördlahendus on valesti püstitatud probleem: sellel ei pruugi olla lahendust, neid võib olla rohkem kui üks või väike müra andmetes võib põhjustada mudelis suure muutuse. Seetõttu saavutatakse tasakaal andmete sobivuse ja seadustamise vahel ning väljundiks ei ole üksainus tõde, vaid ebakindlusega piiratud mudelite perekond.

7. Mis on kõige kriitilisem valideerimine enne kiirendatud pöördtulemuse aktsepteerimist surrogaat-AI mudeliga?

• A) Tulemuse otsene vastuvõtmine, kuna asendusmudel on kiire
• B) Lihtsalt vaadates, kas tulemus tundub visuaalselt mõistlik
• C) Tulemuse allutamine reaalsele (füüsilisele) täiustatud modelleerimisele ja saadud andmete võrdlemine vaadeldavate andmetega ✔
• D) Lähtestage reguleerimise kaal ja sobitage andmed täpselt

Selgitus: Asendusmudel on raske ettepoole suunatud lähendus ja võib ebaõnnestuda väljaspool treeningulatust. Seetõttu tuleks saadud mudel allutada tegelikule (füüsilisele) täiustatud modelleerimisele ja selle toodetud andmeid võrrelda vaadeldavate andmetega. Lahendus, mille asendaja ütleb "sobib", on kehtetu, kui see ei sisalda reaalses füüsikas täheldatud andmeid.

8. Kuidas tuleks kontrollida tehisintellekti faasiekstraktori poolt antud P ja S saabumisaegu enne nende sisestamist maavärina asukoha lahendusse?

• A) Asukohalahenduses jääkväärtuste vaatamine ja suure jääkväärtuse andva jaama faasi ülevaatamine ✔
• B) Pole vaja mingit kontrolli, sest tehisintellekt sorteerib
• C) Kasutage kõiki faase nii nagu need on ja saate kiireima lahenduse
• D) Kasutage ainult suurima amplituudiga jaama ja visake teised ära

Selgitus: väikesed vead faasiaegades muutuvad suurteks positsioonivigadeks. Uuritakse asukohalahenduse jääkväärtusi; Suur jääk jaamas näitab, et see faas on valesti sorteeritud ja seda ei tohiks pimesi lahendada. See kontroll on vajalik olenemata sellest, kui võimas on AI ekstraktor.

9. Juht palub teil tehisintellekti abil ennustada "piirkonna järgmise maavärina kuupäev". Milline on õige professionaalne vastus?

• A) Piisavate andmete olemasolul suudab tehisintellekt täpset kuupäeva ennustada
• B) Kui mudel annab kuupäeva, tuleb see otse juhtkonnale edastada
• C) Deterministlik päevaennustus on ebateaduslik; Keelduda ja esitada ainult tõenäosuslik ohuhinnang ✔
• D) Isegi kui seda ei saa ennustada, piisab kuupäeva kokkuleppimisest ja määramatuse marginaali lisamisest.

Kirjeldus: tehisintellekt suudab ennustada maavärina asukohta/tugevust; Tulevase maavärina päeva deterministlik ennustamine pole aga teaduslikult võimalik ja see on seismoloogia poolt kokku lepitud piir. Selline väide on eksitav ja ebaeetiline. Õiguspärane on pikaajaline tõenäosuslik ohuhinnang; See ei ole täpne päevane hinnang.

10. Tehisintellekt märkis GPR (ground penetrating radar) andmetes hüperboole ja andis sügavuse. Milline samm on oluline enne nende sügavuste usaldamist?

• A) Kalibreerimist pole vaja, hüperboolide arv on otseselt objektide arv
• B) Kalibreerige ümbritsevat kiirust teadaoleva sihtmärgiga ja eraldage mitu peegeldust tegelikust objektist ✔
• C) GPR ei saa kunagi sügavust mõõta, seega tuleks väljund ära visata
• D) Pole vahet, kas maapind on kuiv või märg.

Selgitus: Hüperbooli kõverus annab keskkonna lainekiiruse ja hinnanguline sügavus sõltub otseselt sellest kiirusest. Kui kiirus on vale, on sügavus vale. Seetõttu tuleb teadaoleva sügavusega sihtmärgil (nt teadaoleval torul) kiirus kalibreerida; Lisaks tuleb reaalsest objektist eristada mitut peegeldust. Ilma kalibreerimiseta sügavused põhjustavad tõsiseid vigu.

11. Kuidas enne geofüüsikalise anomaalia aruandesse lisamist veenduda, et visualiseerimisobjekte pole?

• A) Valige üks skaala, mis tundub kõige silmatorkavam, ja lisage see aruandesse
• B) Anomaalia on vaja joonistada ainult üks kord vaikimisi värviskaalas
• C) Kui pilt on muljetavaldav, pole kontrollimist vaja
• D) Joonistage anomaalia rohkem kui ühe mõistliku värviskaala ja mõõtkavaga ning vaadake, kas see jääb järjepidevaks ✔

Selgitus: värviskaala ja skaala piirid võivad muuta anomaalia silmatorkavaks või nõrgaks; Need otsused on tegelikult tõlgendusotsused. Anomaalia on usaldusväärne, kui see näib ühtlane enamiku piltide puhul, kui see on joonistatud rohkem kui ühe mõistliku värviskaala ja skaalaga. Struktuur, mis ilmub ainult ühel agressiivsel skaalal, on tavaliselt pigem visualiseerimise artefakt kui tegelikkus.

12. Kvaliteedikontrollis märkis AI mõned geofüüsikalised mõõtmised kõrvalekalleteks. Milline on parim lähenemine?

• A) Kustutage aja säästmiseks automaatselt kõik kõrvalekalded
• B) Enne kustutamist tagastage iga väärtus selle allikale ja hinnake, kas tegemist on mõõtmisveaga või reaalse signaaliga. ✔
• C) Eemaldage see kahtlemata, sest tehisintellekt ütleb, et see on vastupidine
• D) Kõrvaliste näitajate esiletõstmine tõelistest andmetest usaldusväärsematena

Selgitus: kõrvalekallete hulgi kustutamine on geofüüsikas kõige levinum viis reaalse signaali hävitamiseks; mõnikord on kõrvalekalle kõige väärtuslikum signaal (tõeline lokaalne anomaalia). Seetõttu tuleks enne kustutamist hinnata iga märgistatud väärtust, naases selle allika juurde, kas tegemist on mõõtmisveaga või reaalse füüsilise signatuuriga.

13. Mis on kõige olulisem test, mis tuleb teha enne tehisintellekti koostatud lootuseskoori (väljavaadete) kaardi kasutamist ressursiotsingus?

• A) Skoori tagasitestimine piirkonna teadaolevate avastuste ja kuivade kaevudega ✔
• B) Kaevu planeerimine otse kõrgeima punktipunktini
• C) Hinde aktsepteerimine pigem garantii kui tõenäosusena
• D) Backtest pole vajalik; mudel kehtib alati uuel väljal

Selgitus: lootuseskoor ei ole garantii, vaid tõenäosuse oletus ja mudeliga õpitud ajalugu ei pruugi uue välja puhul kehtida. Seetõttu on kaarti tagasitestitud piirkonna teadaolevate avastuste ja kuivade kaevude suhtes. Hea mudel saavutab teadaolevate õnnestumiste korral kõrge ja teadaolevate ebaõnnestumiste puhul madala hinde; Vastasel juhul on selle skoor uute sihtmärkide puhul samuti ebausaldusväärne.

14. AI klassifikaator annab 94% täpsust; kuid samast kaevust naaberproovid on nii koolitus- kui ka testimiskomplektides. Mida see olukord näitab?

• A) Mudel on tõesti väga võimas ja seda saab otse kasutada
• B) Mida suurem on täpsus, seda usaldusväärsem
• C) andmete leke suurendab teatatud täpsust; Eraldamine peaks toimuma kaevu/põllu alusel ✔
• D) Kalibreerimine on täiuslik ja usaldusskoorid on täpsed.

Selgitus: samast kaevust/väljast pärit proovide lisamine nii väljaõppesse kui ka testimisse on andmete lekkimine ja suurendab teatatud täpsust kunstlikult. Tõelise üldistuse nägemiseks tuleb eraldamine teha kaevu/välja alusel; Eraldamisel langeb täpsus sageli oluliselt. Suure täpsusega näiv peegeldab leket, mitte mudeli tegelikku võimsust.

15. Kuidas on kõige tõhusam viis kaitsta täielikku tehisintellektil töötavat geofüüsikaprojekti ühe aruandesse lekkiva vea eest?

• A) Delegeerige kogu protsess ühele AI-tööriistale ja vaadake lõppu
• B) Igas etapis inimese kontrollimise värava ja läbipääsu tingimuse seadmine (kihiline kontrollimine) ✔
• C) Eemaldage kiiruse vahekontrollid ja vaadake ainult aruande etappi
• D) Iga ekspert saab oma tööriista vabalt kasutada ilma allika ID-d ja kirjeid pidamata.

Kirjeldus: Igas etapis (planeerimine, töötlemine, tõlgendamine, ümberpööramine, integreerimine, aruanne) asetatakse inimese kontrollivärav ja selge üleminekutingimus (kas signaal on säilinud, kas on hästi seotud, kas mõõdetakse määramatust, kas see on allikaga ühendatud). Sa ei saa läbida ühest uksest teise läbimata; See kihiline struktuur hoiab ära ühe AI ​​vea lekkimise aruandesse.

16. Milline on õige poliitika geofüüsiku jaoks, kes soovib üles laadida litsentsitud või ärisaladusi seismiliste/kaevude andmeid välisesse pilve tehisintellekti tööriista?

• A) Andmete üleslaadimine kiiruse tagamiseks otse kõige kaasaegsemasse välistööriista
• B) Kuna andmed on geofüüsilised, siis privaatsusreeglid ei kehti
• C) kontrollitakse tööriista jagamisluba, konfidentsiaalset teavet ja salvestuspoliitikat; Kui see on riskantne, kasutatakse isoleeritud/tunnustatud sõidukit ✔
• D) Kuna andmeid ei saa anonüümseks muuta, ei arvestata privaatsust üldse

Avalikustamine: seismilised andmed, puuraugude logid ja uurimistulemused on sageli ärisaladuste või litsentsidega kaetud; Nende üleslaadimine välistesse/pilvetööriistadesse võib põhjustada privaatsuse rikkumist, lepingu rikkumist ja haavatavust konkurentsis. Õige lähenemine on jagamislubade, konfidentsiaalse teabe sisu ja tööriista andmete säilitamise poliitika kontrollimine; Kui see on riskantne, ärge laadige andmeid üles ja kasutage isoleeritud/asutusesisest heakskiidetud tööriista.