سود:
- توانایی درک این نکته
- امکان حفظ سیگنال واقعی با ارزیابی موارد پرت در کنترل کیفیت با بازگشت به منبع بدون حذف کامل آنها
- امکان حفظ زبان عدم قطعیت با تشخیص خطر توهم و دقت بیش از حد در پیش نویس گزارش هوش مصنوعی و اتصال هر شماره/مرجع به منبع
ارزش یک پروژه ژئوفیزیکی نه از داده های خام، بلکه از تصویر قابل درک و قابل دفاع استخراج شده از آن داده ها ناشی می شود. حجم لرزه ای، مدل مقاومت یا فهرست زلزله. تنها زمانی برای تصمیم گیرنده مفید است که به درستی تجسم و گزارش شود. تجسم داده ها تبدیل داده های ژئوفیزیکی چند بعدی به قالب هایی (بخش، نقشه، حجم سه بعدی، هیستوگرام) است که چشم انسان می تواند الگوهایی را ثبت کند. در این بخش، توضیح خواهیم داد که چگونه هوش مصنوعی (AI) یک شتاب دهنده در تجسم، کنترل کیفیت (QC) و گزارش است. اما خواهیم دید که چگونه به راحتی تصویر می تواند گمراه کننده شود و چرا تصویر صادقانه یک مسئولیت اخلاقی است.
قدرت و خطر بصری
در ژئوفیزیک، بصری هم قدرتمندترین ابزار ارتباطی و هم آسانترین لایه است که دستکاری میشود. بسته به نقشه رنگی و تنظیم بهره، ممکن است همان بخش لرزه ای "تمیز و شفاف" یا "پر سر و صدا و مبهم" به نظر برسد. همین مدل مقاومت میتواند یک ناهنجاری را با تغییر مرزهای مقیاس، قابل توجه یا ظریف جلوه دهد. بنابراین تصمیمات تجسم - رنگ، مقیاس، اغراق عمودی، آستانه - در واقع تصمیمات تفسیری هستند و نیازمند صداقت هستند.
هوش مصنوعی در اینجا به دو روش کمک می کند: (1) تولید سریع تعداد زیادی تصویر (مقطع/نقشه خودکار با پایتون)، (2) توصیه و QC که در آن تجسم داده ها را به طور عادلانه نشان می دهد. اما هوش مصنوعی همچنین میتواند «خیرکنندهترین تصویر» را تولید کند. بنابراین، انتخاب تصاویر باید آگاهانه باشد.
نکته: قبل از گزارش یک ناهنجاری، آن را با طیف های رنگی و مقیاس های متعدد بکشید. ساختاری که تنها در یک مقیاس تهاجمی ظاهر می شود، اغلب یک مصنوع تجسم است تا واقعیت. ساختار در صورتی قابل اعتماد است که در اکثر مقیاس های معقول سازگار باشد.
کنترل کیفیت (QC): واقعی قبل از تصویر
گزارش خوب با QC خوب شروع می شود. QC برای بررسی سازگاری فیزیکی/آماری داده ها و محصولات مشتق شده است: نقاط پرت، شکاف ها، رانش کالیبراسیون، خطاهای واحد، عدم تطابق مرجع مختصات/زمان. هوش مصنوعی میتواند به سرعت ردیابیهای غیرعادی، مهرهای زمانی ناسازگار و تغییرات توزیع را در مجموعههای داده بزرگ علامتگذاری کند. اما هر «فرت» پرچمهای هوش مصنوعی در واقع یک اشکال نیست - گاهی اوقات نقطه پرت با ارزشترین سیگنال است (مثلاً یک ناهنجاری جزئی واقعی). به همین دلیل است که نشانههای QC قبل از حذف بهطور ماهرانه ارزیابی میشوند.
احتیاط: حذف علائم پرت به صورت عمده به نام "تمیز بودن" رایج ترین راه برای از بین بردن سیگنال واقعی در ژئوفیزیک است. هنگامی که هوش مصنوعی یک مقدار را "غیرطبیعی" می نامد، ابتدا به منبع برگردید و بپرسید که آیا این مقدار یک خطای اندازه گیری است یا یک امضای فیزیکی واقعی.
هوش مصنوعی در گزارش گیری: پیش نویس بله، ساختگی خیر
هوش مصنوعی (مخصوصاً مدلهای زبان) سرعت بالایی در نوشتن گزارش فراهم میکند: خلاصه اجرایی، بخش روش، توضیح نتایج به زبان ساده، تعاریف اصطلاحات. اما دو خطر وجود دارد. اولین مورد توهم است - زمانی که مدل اطلاعات، اعداد یا ارجاعات جعلی تولید می کند: هوش مصنوعی می تواند نام چاهی را ایجاد کند که وجود ندارد، عمق اشتباه یا منبعی که وجود ندارد. دوم دقت بیش از حد است: هوش مصنوعی میتواند یافتههای نامشخص را بهعنوان «مخزن معین» حذف کند. به همین دلیل است که هر شماره، هر نام، هر ادعایی که توسط هوش مصنوعی نوشته شده است به منبع آن پیوند داده می شود و تأیید می شود. زبان عدم قطعیت حفظ شده است.
اصول بصری صادقانه
برای صادق بودن یک تصویر ژئوفیزیکی: (1) مقیاس رنگ و مرزها باید به وضوح بیان شود. (2) اغراق عمودی باید نوشته شود. (3) مناطق درون یابی/پیش بینی شده باید علامت گذاری شوند. (4) عدم قطعیت یا وضوح باید نشان داده شود. (5) محورها و واحدها باید کامل باشند. هوش مصنوعی این اصول را به یک چک لیست تبدیل می کند و به بررسی هر تصویر کمک می کند.
سه کیف کوچک
مورد 1 - توهم مقیاس رنگ. در یک گزارش، ناهنجاری مقاومت قابل توجه به نظر می رسید. در طول معاینه، متوجه شد که محدودیت های مقیاس به گونه ای محدود شده است که بر ناهنجاری تأکید می کند. در محدوده های معقول، ناهنجاری بسیار کم رنگ تر بود. هنگامی که تیم مقیاس را استاندارد کرد و عدم اطمینان را اضافه کرد، ارائه صادقانه و قابل دفاع شد.
مورد 2 - سیگنال واقعی حذف شده است. در QC گرانشی، هوش مصنوعی چندین ایستگاه را بهعنوان «خارج» علامتگذاری کرد و تمیز کردن خودکار آنها را دور انداخت. بعداً معلوم شد که این ایستگاهها بر روی یک ناهنجاری چگالی محلی واقعی بودند: «خطهای پرت» حذفشده در واقع خود هدف بودند. بدون نظم و انضباط برای بازگشت به منبع، سیگنال از بین می رود.
مورد 3 - گزارش با مرجع ساختگی. پیشنویس گزارشی که با هوش مصنوعی تهیه شده بود، سه منبع را بهعنوان «سه مطالعه قبلی در این منطقه» ذکر کرد. دو تا از آنها کاملا ساختگی بود. مفسر هر مرجعی را بررسی کرد و جعلیات را حذف کرد. درس: هر مرجع یا شماره ای که توسط هوش مصنوعی ایجاد می شود بدون تأیید وارد گزارش نمی شود.
چهار قالب قابل کپی
1) چک لیست بصری صادقانه:
نقش شما: مشاور تجسم ژئوفیزیک. در حال تهیه [برش لرزه ای / مدل مقاومت / نقشه ناهنجاری] هستم. یک چک لیست بصری صادقانه به من بدهید: وسعت رنگ، محدودیتهای مقیاس، اغراق عمودی، علامتگذاری منطقه درونیابی، نمایش عدم قطعیت، محور/واحد. روش معمول گمراه کردن را در هر مورد بنویسید.
2) ارزیابی دورافتاده QC:
در بازده، هوش مصنوعی برخی از معیارها را به عنوان شاخصهای پرت علامتگذاری کرد. چگونه می توانم تشخیص دهم که قبل از حذف هر عدد یک خطای اندازه گیری است یا یک سیگنال واقعی؟ چه بررسی هایی (بازگشت به منبع، سازگاری همسایه، تکرار اندازه گیری) انجام دهم؟ یک جریان تصمیم گیری بدهید.
3) تأیید پیشنویس را گزارش دهید:
من یک پیش نویس گزارش ژئوفیزیکی با هوش مصنوعی نوشتم. یک چک لیست تأیید به من بدهید: چه اعداد، نام ها، مراجع، عمق ها را باید به منبع پیوند دهم. چگونه عبارات یقین شدید را پیدا می کنم و آنها را به زبان عدم قطعیت ترجمه می کنم. چگونه مرجع ساختگی را ضبط کنم؟
4) تست بصری ناهنجاری:
قبل از قرار دادن یک ناهنجاری در گزارش، میخواهم مطمئن شوم که مصنوعات تجسمی وجود ندارد. چگونه می توانم همان ناهنجاری را با فضای رنگی متفاوت و محدودیت های مقیاس آزمایش کنم؟ در چه شرایطی اگر ساختار ناپدید شود واقعی نیست؟ قدم به قدم بگو
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
از این نتایج یک گزارش چشمگیر و تصویری تهیه کنید.
اگر "مطلوب" مقدم بر صداقت باشد، هوش مصنوعی در مورد ناهنجاری اغراق می کند، شاید یک مرجع ساختگی اضافه کند.
اعلان قدرتمند:
نقش شما: متخصص گزارش ژئوفیزیک. ورودی: [مدل وارونگی + عدم قطعیت + تایید چاه]. وظیفه: (1) نوشتن خلاصه اجرایی و بخش روش های پیش نویس. (2) هر عدد/نام/عمق را با [منبع] برچسب گذاری کنید، که نشان می دهد آنهایی که باید تایید شوند. (3) حفظ زبان ابهام، اجتناب از دقت بیش از حد. (4) مقیاس رنگ، مقیاس و حاشیه نویسی منطقه درون یابی را در تصاویر پیشنهاد می کند. یک مرجع یا شماره ساخته شده را اضافه کنید. اگر مطمئن نیستید، آن را به عنوان "باید تایید شود" علامت بزنید.
انتساب به منابع، زبان ابهام و منع جعل، گزارش را قابل اعتماد می کند.
تصمیمات تجسم و تاثیر
تصمیم گیری
استفاده منصفانه
استفاده گمراه کننده
سهم هوش مصنوعی
مقیاس رنگ
استاندارد، باز
در مورد ناهنجاری اغراق نکنید
توصیه + QC
محدودیت مقیاس
منطقی، سازگار
فروپاشی انتخابی
تست کنید
اغراق عمودی
مشخص شده است
تحریف پنهان
یادداشت ها را اضافه کنید
پرت
ارزیابی کنید و تصمیم بگیرید
دستمال پاک کن عمده فروشی
علامت گذاری
مرجع / شماره
جوش داده شده
مناسب
پیش نویس (تأیید شد)
اشتباهات رایج
- ارائه ناهنجاری در مقیاس تهاجمی واحد. ممکن است مصنوعات تجسمی وجود داشته باشد. تست در مقیاس های چندگانه
- حذف عمده فروشی های پرت. سیگنال واقعی ممکن است از بین برود. بازگشت به منبع
- استفاده از شماره/مرجع هوش مصنوعی بدون تایید. توهم در گزارش درز کرده است.
- رفع ابهام از تصویر قاطعیت و اعتماد باید نشان داده شود.
- پنهان کردن اغراق عمودی تفسیر تصویر، حالت را مخدوش می کند.
به طور خلاصه
تجسم و گزارش آخرین پلی است که از طریق آن ارزش ژئوفیزیکی به تصمیم گیرنده می رسد و همچنین لایه ای است که به راحتی تحریف می شود. هوش مصنوعی این یک شتاب دهنده قدرتمند برای تولید سریع تصویر، علامت گذاری QC و تهیه گزارش است. اما تصمیمات بصری تصمیمات تفسیری هستند. توهم رنگ/مقیاس، پاک کردن سیگنال واقعی، ارجاعات توهم آمیز خطرات واقعی هستند. استفاده صحیح؛ این برای آزمایش ناهنجاری در مقیاس چندگانه، ارزیابی نقاط پرت با بازگشت به منبع، تأیید هر عدد و مرجع، و نشان دادن عدم قطعیت به صورت بصری است. تصاویر صادقانه یک مسئولیت زیبایی شناختی نیست، بلکه یک مسئولیت حرفه ای است.
وظیفه کاربردی
یک نتیجه ژئوفیزیکی (بخش، مدل یا نقشه) را انتخاب کنید. تصویر خود را با الگوی "چک لیست تصویر صادقانه" بررسی کنید و حداقل دو نمونه رنگ/مقیاس رنگ را دوباره ترسیم کنید تا ارزیابی کنید که آیا ناهنجاری سازگار است یا خیر. سپس یک پیش نویس گزارش کوتاه با الگوی "گزارش تایید پیش نویس" تهیه کنید و هر موضوع و ارجاع در آن را به منبع پیوند دهید. حداقل یک بیانیه قطعیت شدید را به زبان عدم قطعیت ترجمه کنید.
چک لیست
- [ ] من این ناهنجاری را در مقیاس های رنگی متعدد آزمایش کردم.
- [ ] من به منبع برگشتم و قبل از حذف موارد پرت ارزیابی کردم.
- [ ] من هر شماره، نام و مرجع در گزارش را تأیید کرده ام.
- [ ] من عبارات یقین شدید را به زبان عدم قطعیت ترجمه کردم.
- [ ] من مقیاس، اغراق عمودی و منطقه درون یابی را در تصویر مشخص کرده ام.