مقدمه ای بر هوش مصنوعی در مهندسی معدن: مرزها، اعتبارسنجی، مسئولیت و اخلاق

سود:

• توانایی تشخیص محل هایی که هوش مصنوعی در زمان واقعی در جریان کار مهندسی معدن صرفه جویی می کند و مسئولیت حیاتی ایمنی باید با مهندس ذیصلاح باقی بماند، بسته به سطح خطر.
• توانایی اجرای یک رشته اعتبار سنجی چند لایه که هر خروجی هوش مصنوعی را در برابر محاسبه استاندارد، مستقل و اندازه گیری میدانی آزمایش می کند.
• توانایی ناشناس کردن زمینه و به دست آوردن عادت انتخاب وسایل نقلیه ایمن برای محافظت از داده های ذخیره، اطلاعات مجوز و داده های پرسنل/تولید

کار یک مهندس معدن این است که عدم قطعیت زیر زمین را با تصمیمات بالای زمین پل بزند. تخمین بدنه سنگ از داده‌های حفاری، محاسبه ذخیره، برنامه‌ریزی گودال، مدیریت ناوگان تجهیزات، نظارت بر رفتار شیب، اطمینان از ایمنی شغلی، اندازه‌گیری اثرات زیست‌محیطی و گزارش همه این موارد مطابق با قوانین. ویژگی مشترک این مشاغل این است که با تعداد زیادی اندازه گیری و داده کار می کنند، اما هر تصمیمی منجر به جان انسان ها، میلیون ها لیره سرمایه گذاری و پیامدهای زیست محیطی غیرقابل برگشت در این زمینه می شود. هوش مصنوعی (به اختصار AI؛ سیستم‌های نرم‌افزاری که روی متن، اعداد و تصاویر با داده‌های بزرگ و مدل‌های زبان کار می‌کنند) کمک قدرتمندی در این زمینه داده‌ای فشرده اما حیاتی برای تصمیم‌گیری است. این واحد به شما می آموزد که کجا به طور ایمن از هوش مصنوعی در استخراج استفاده کنید، کجا خطرناک است و چرا باید هر خروجی هوش مصنوعی را بر اساس استانداردها، اندازه گیری میدانی و قضاوت مهندسی اعتبار سنجی کنید.

اصل اصلی که در این ماژول استفاده خواهید کرد این است: هوش مصنوعی یک دستیار است، نه یک تصمیم گیرنده. یک مقدار عیار (نسبت فلز در سنگ معدن)، یک زاویه شیب، یک رقم ذخیره، یک حد ایمنی یا یک ماده قانونی فقط به این دلیل درست نمی شود که "AI چنین گفته است". این فقط یک فرضیه است تا زمانی که با اندازه گیری، مرجع و قضاوت مهندس صالح تأیید شود. این جمله را دوباره در هر واحد از ماژول خواهید دید، زیرا در ماینینگ، یک عدد اشتباه اغلب به معنای سقوط یک سرمایه گذاری، فروریختن یک شیب یا آسیب دیدن یک فرد است.

LLM چیست و در ماینینگ چه می کند؟

LLM (Large Language Model) نرم افزاری است که الگوها را از تکه های بسیار بزرگ متن یاد می گیرد و «کلمه بعدی» را بر اساس احتمال پیش بینی می کند. این موتور ابزارهایی مانند ChatGPT، Claude، Gemini است. نکته اینجاست: LLM یک "برآورنده زبان" است، نه یک "پایه دانش". اصطلاحات معدن را روان صحبت می کند، اما نمره را اندازه نمی گیرد. عددی را تولید می کند که محتمل ترین به نظر می رسد. بنابراین، او ممکن است پاسخ های مطمئن اما نادرست در مورد میانگین نمره، نرخ سلب، یک بند نظارتی، یا یک حد انفجاری بدهد. به این حالت توهم (ساختگی) می گویند. توهم یک نقص نیست، بلکه یکی از ویژگی های ذاتی این فناوری است. بنابراین، تأیید یک "مرحله اضافی" نیست، بلکه بخشی جدایی ناپذیر از کار است.

وظایفی که هوش مصنوعی در ماینینگ قوی است:

• توضیح مفهوم و آموزش: واریوگرام چیست، قانون اهرم چگونه کار می کند، زهکشی معدن اسید چگونه اتفاق می افتد.
• تمیز کردن و سازماندهی داده ها: تبدیل سیاهههای مربوط به گمانه های پراکنده به یک جدول منسجم، ثبت عدم تطابق واحد.
• ایجاد فهرستی از فرضیه ها: فهرست بندی منظم علل احتمالی کاهش تولید.
• کدگذاری: اسکریپت های پاکسازی داده ها، نمودارها، زمین آمار و تجزیه و تحلیل ناهنجاری با پایتون.
• متن پیش نویس: JSA (تحلیل ایمنی شغل)، گزارش نظارت بر محیط زیست، پیش نویس مناقصه/مشخصات فنی.
• طوفان فکری: مقایسه سناریو، ایده های طرح آزمایش/ اندازه گیری.

جایی که هوش مصنوعی ضعیف و پرخطر است:

• دادن مقدار عددی دقیق (درجه، رزرو، زاویه شیب، مقدار حد).
• قوانین فعلی و خاص / مقاله استاندارد و اطلاعات نسخه.
• تشخیص بدون داده های اندازه گیری واقعی سایت شما.
• تصمیم حیاتی ایمنی: تأیید طراحی انفجار، تصمیم تخلیه، قابلیت سرویس.

طبقه بندی بر اساس ریسک: فیلتر قبل از استفاده از هوش مصنوعی

همه وظایف در سطح یکسانی از خطر نیستند. قبل از استفاده از هوش مصنوعی، کار را بر اساس سطح خطر طبقه بندی کنید. جدول زیر چارچوب تصمیم گیری را ارائه می دهد که در این ماژول از آن استفاده خواهید کرد.

سطح ریسک

نمونه کار

نقش هوش مصنوعی

تایید اجباری

پایین

توضیح مفهوم، متن پیش نویس، اسکلت کد

استفاده رایگان

بررسی کافی است

متوسط

پاکسازی داده ها، فهرست فرضیه ها، تنظیم محاسبات

پیش نویس/نویسنده مشترک

کنترل دستی + تایید منبع

بالا

تخمین ذخیره، حد گودال، پارامتر انفجار

ایده پرداز

استاندارد + اندازه گیری میدانی + نرم افزار

انتقادی

تصمیم تخلیه، ایمنی شیب، تصمیم گیری قابلیت سرویس/مناسب بودن

فقط پیش نویس/اسکن

تاییدیه مهندس صالح + تست معتبر

نکته: اگر کاری را به عنوان "بحرانی" علامت گذاری کرده اید، خروجی هوش مصنوعی هرگز سند نهایی نیست. حداکثر می تواند یک پیش نویس اولیه یا چک لیست باشد. مهندس ذیصلاح امضا و مسئولیت را بر عهده می گیرد.

جریان انتها به انتها: تعبیه هوش مصنوعی در گردش کار شما

یک چرخه معمولی حل مسئله در ماینینگ به این صورت پیش می‌رود که هوش مصنوعی در هر مرحله درگیر می‌شود اما هیچ یک از آنها را به تنهایی نمی‌بندد:

1. مشکل را تعریف کنید: چه چیزی را پیش بینی کنیم، چه تصمیمی بگیریم، چه محدودیتی وجود دارد؟ (AI: سوال را روشن می کند.)
2. جمع آوری و تمیز کردن داده ها: حفاری، تولید، نظارت، داده های آزمایشگاهی. (هوش مصنوعی: قوی در پاکسازی و بررسی ناسازگاری.)
3. ایجاد فرضیه ها/سناریوها: علل احتمالی، طرح های جایگزین. (هوش مصنوعی: لیست سیستماتیک تولید می کند.)
4. تجزیه و تحلیل: محاسبه، زمین آمار، مدل، پردازش تصویر. (AI: کد و داستان محاسباتی تولید می کند.)
5. تأیید: استاندارد، فیلد، حساب مستقل، نرم افزار. (هوش مصنوعی در حاشیه است؛ انسان و سنجش تصمیم می گیرند.)
6. گزارش و تصمیم گیری: مهندس ذیصلاح مسئولیت را بر عهده می گیرد. (AI: نویسنده پیش نویس.)

این شش مرحله را در ذهن داشته باشید؛ بقیه ماژول به شما نشان می دهد که چگونه از هوش مصنوعی با وظایف استخراج بتن، گام به گام استفاده کنید.

سه کیف کوچک

مورد 1 - نمره متوسط ساخته شده. یک کارآموز از ابزار چت هوش مصنوعی در مورد میانگین نمره یک پروژه مس می پرسد. هوش مصنوعی می گوید "حدود 0.65٪ مس". کارآموز این را در ارائه سرمایه گذاری قرار می دهد. با این حال، هوش مصنوعی حتی یک داده حفاری از این پروژه را ندیده است. یک عدد معمولی برای "پروژه مس" تولید کرد. ارزش واقعی فقط از داده های ترکیبی حفاری پروژه و برآورد زمین آماری بدست می آید. ارزش واقعی در این پروژه 0.38 درصد است. تفاوت بین سودآور به نظر رسیدن سرمایه گذاری و زیان دهی است. نگرش صحیح این است که هرگز نمره هوش مصنوعی را «نپرسید»، بلکه آن را از پایگاه داده خودتان محاسبه کنید.

مورد 2 - بند مقررات غیر موجود. یک مهندس از هوش مصنوعی حداکثر ارتعاش زمین (PPV: حداکثر سرعت ذرات، میلی‌متر بر ثانیه) مجاز در انفجار را می‌پرسد. هوش مصنوعی می‌گوید "10 میلی‌متر بر ثانیه طبق مقررات" و شماره مورد را تشکیل می‌دهد. مهندس بر این اساس گزارش را می نویسد. در بازرسی مشخص می شود که شماره اقلام واقعی نیست و مقدار حد مجاز بسته به مسافت و نوع ساختمان متفاوت است. نگرش صحیح این است که مقررات فعلی را از منبع رسمی باز کنید و ارزش و ماهیت آن را تأیید کنید. حتی اگر هوش مصنوعی نام مقررات را به درستی بداند، ممکن است شماره مقاله را دچار توهم کند.

مورد 3 - استفاده صحیح. یک زمین شناس به وجود اختلاف در ستون درجه در مجموعه داده های 40 گمانه مشکوک است. به هوش مصنوعی می‌گوید: «ردیف‌هایی را در این جدول فهرست کنید که ممکن است دارای تناقضات واحد، مقادیر منفی، نقاط پرت قابل مشاهده و سلول‌های خالی باشند، و آنچه را که برای هر کدام مشکوک هستید بنویسید؛ درست نکنید، فقط علامت‌گذاری کنید». هوش مصنوعی چند خط را با درصد مخلوط با ppm، دو درجه منفی و مقدار کد 999 علامت‌گذاری می‌کند. زمین شناس اینها را یکی یکی از لاگ های خام بررسی و تصحیح می کند. در اینجا هوش مصنوعی به درستی استفاده شد: توجه را جلب کرد، انسان تصمیم گرفت و اصلاح کرد.

الگوهای درخواستی قابل کپی

شما می توانید با تطبیق الگوهای زیر با کسب و کار خود از آنها استفاده کنید. در هر یک از آنها دستورالعمل آگاهانه وجود دارد که "عدد دقیق بدهید، منبع را مشخص کنید، عدم قطعیت را توضیح دهید".

الگوی نقش و مرز "نقش: شما یک دستیار مهندس معدن با تجربه هستید. وظیفه: [موضوع را بنویسید]. قوانین: هنگام ارائه مقدار عددی دقیق (درجه، رزرو، حد)، منبع را مشخص کنید؛ اگر مطمئن نیستید، بگویید "باید تایید شود". اگر یک مقررات/مقاله استاندارد را ارائه می‌دهید، در پایان نسخه رسمی آن را تایید کنید، اما باید منبع آن را تایید کنید. پاسخ دهید، عبارت به مورد بنویسید «آنچه باید با اندازه‌گیری/محاسبه میدانی تأیید شود».

الگوی تولید فرضیه"لیست منظمی از دلایل احتمالی برای وضعیت زیر تهیه کنید: [شرایط را توصیف کنید؛ آنچه مشاهده شد، چه داده‌هایی در دسترس است]. برای هر فرضیه: (1) چه شواهدی آن را تایید می‌کند، (2) چه اندازه‌گیری یا محاسبه‌ای باید انجام شود تا آن را تأیید/رد کند. یک تشخیص قطعی انجام دهید؛ یک راه‌حل تحقیق تهیه کنید."

الگوی فهرست چک تأیید "هر مقدار عددی و هر مرجع مقررات/استاندارد را در پیش‌نویس گزارش زیر فهرست کنید. برای هر کدام، مشخص کنید که از کدام منبع (داده‌های خود حفاری، متن نظارتی، گزارش آزمایشگاهی، بررسی میدانی) باید تأیید شود. مواردی را که منشأ نامشخص دارند در زیر «نمی‌توان بدون تأیید استفاده کرد» جمع‌آوری کنید. متن:

الگوی پیش‌بررسی ناشناس "قبل از دادن متن زیر به ابزار هوش مصنوعی، اسرار تجاری یا بخش‌های حساس شخصی/قانونی را پرچم‌گذاری کنید: شماره‌های رزرو، شماره مجوز، مختصات واقعی، نام مشتریان/کارکنان، داده‌های هزینه محرمانه. پیشنهاد کنید چگونه می‌توانم اینها را بی‌نام کنم. متن: [جای‌گذاری]."

اعلان ضعیف / اعلان قوی

پرسیدن یک سوال به دو صورت نتایج بسیار متفاوتی به همراه خواهد داشت.

پیام ضعیف: "ذخیره این معدن چقدر است؟"

STRONG PROMPT: "نقش: شما دستیار زمین شناس منابع هستید. توضیح دهید که تخمین ذخیره/منبع باید طی شود (ترکیب، واریوگرام، کریجینگ، طبقه بندی، محدودیت اقتصادی) و کدام داده ها و تایید کدام فرد ذیصلاح در هر مرحله مورد نیاز است. یک عدد ذخیره دقیق ندهید؛ تاکید کنید که این کد را فقط می توان از روی داده های پروژه محاسبه کرد. JORC/UMREK."

اعلان ضعیف هوش مصنوعی را به جبران دعوت می کند. اعلان قوی آن را در کار درست نگه می دارد (شرح فرآیند) و از وقوع توهم دیجیتال در وهله اول جلوگیری می کند.

اشتباهات رایج

• «پرسیدن» از هوش مصنوعی برای اعداد خاص دوره مانند نمره، رزرو و غیره. هوش مصنوعی اطلاعات شما را نمی‌داند. این اعداد فقط از پایگاه داده خود شما محاسبه می شوند.
• استفاده از قانون/بند استاندارد بدون تایید آن. تعداد و ارزش اقلام اغلب دارای توهم هستند.
• مبنا قرار دادن تصمیم حیاتی ایمنی بر روی خروجی هوش مصنوعی. تصمیمات تخلیه، تایید انفجار و قابلیت سرویس توسط مهندس ذیصلاح گرفته می شود.
• چسباندن داده های حساس در ابزار ابری بدون ناشناس کردن آن. داده های رزرو، هماهنگی و هزینه اسرار تجاری هستند.
• منتظر یک سوال و یک جواب به طور مکرر از هوش مصنوعی استفاده کنید: پیش نویس ها را ایجاد کنید، نقد کنید، تأیید کنید، تصحیح کنید.

احتیاط: هرچه عددی دقیق‌تر و مطمئن‌تر در خروجی هوش مصنوعی ظاهر شود، نیاز به تأیید بیشتر است. دقت تضمینی برای دقت نیست.

به طور خلاصه

در این واحد دیدید که هوش مصنوعی یک دستیار در استخراج است نه تصمیم گیرنده. LLM ها پیش بینی کننده زبان هستند. در توضیح مفهوم، پاکسازی داده ها، فرضیه ها و تولید کد قدرتمند است، اما در تولید اعداد و قوانین دقیق (توهم) خطرناک است. وظایف را به‌عنوان کم/متوسط/بالا/بحرانی طبقه‌بندی کنید و بر این اساس عمق تأیید را تنظیم کنید. هر مقدار عددی را از داده‌های خود یا اندازه‌گیری میدانی، هر مرجع نظارتی از منبع رسمی تأیید کنید. تصمیمات حیاتی امنیتی همیشه با مهندس ذیصلاح باقی می ماند و قبل از استفاده، داده های حساس را ناشناس می کند.

وظیفه کاربردی

پنج کار را از کسب و کار خود (یا یک پروژه ماینینگ ساختگی) انتخاب کنید: شرح مفهوم، پاکسازی داده ها، فهرستی از فرضیه ها، مقدار ذخیره/عددی، و یک سوال نظارتی. هر کدام را در جدول ریسک بالا قرار دهید. سپس با الگوی «نقش و مرز» دو وظیفه با ریسک کم/متوسط ​​را به هوش مصنوعی برون سپاری کنید و هر عنصر عددی/قانونی خروجی را با الگوی «چک لیست تأیید» علامت‌گذاری کنید. بنویسید که کدام عناصر را نمی توان بدون تأیید استفاده کرد.

چک لیست

• [ ] من ماموریت را قبل از استفاده در سطح خطر (کم/متوسط/بالا/بحرانی) قرار دادم.
• [ ] من به جای اینکه از هوش مصنوعی بپرسم، اعداد مخصوص رشته مانند درجه، ذخیره و غیره را از بازدهی خودم محاسبه کردم.
• [ ] من هر قانون / مرجع استاندارد را از منبع رسمی تأیید کرده ام.
• [ ] من داده های حساس (رزرو، مختصات، نام، هزینه) را ناشناس کردم.
• [ ] من تصمیم حیاتی ایمنی را به تایید مهندس صالح واگذار کردم، نه بر اساس خروجی هوش مصنوعی.
• [ ] من هر مقدار عددی در خروجی هوش مصنوعی را برای "نمی توان بدون تأیید استفاده کرد" اسکن کردم.