تجزیه و تحلیل داده های کاوی با پایتون و مرزهای هوش مصنوعی

سود:

امکان تولید اسکریپت هایی که حفاری، تولید و نظارت بر داده ها را با پایتون، با پشتیبانی هوش مصنوعی، تمیز و تجسم می کند.
توانایی تشخیص کیفیت داده ها، یادگیری بیش از حد و خطرات برون یابی هنگام ساخت مدل های ساده پیش بینی و ناهنجاری
امکان تایید کد و نتیجه تولید شده توسط هوش مصنوعی با کنترل واحد، محاسبه مستقل و قابلیت مهندسی

در هر واحد از این ماژول، هوش مصنوعی در کدنویسی قدرتمند است: تمیز کردن گمانه، تعادل جرم، اسکلت کریجینگ، خلاصه ناوگان، تجزیه و تحلیل ارتعاش، اسکن محیطی. این بخش آخر بر پایتون، ابزار مشخص برای آن کد، و نظم و انضباط مناسب تولید کد با هوش مصنوعی تمرکز دارد. پایتون به استاندارد واقعی در تجزیه و تحلیل داده‌های کاوی تبدیل شده است، زیرا رایگان است، کتابخانه‌های قدرتمندی دارد (پانداها: دستکاری داده‌های جدولی، numpy: محاسبات عددی، matplotlib: ترسیم، scikit-learn: یادگیری ماشین)، و کارهای تکراری را خودکار می‌کند. هوش مصنوعی سرعت نوشتن کد را چند برابر می کند. اما کدی که تولید می کند همیشه صحیح نیست. اصل اصلی این واحد: هرگز کدی را که هوش مصنوعی می نویسد بدون اینکه ابتدا آن را بخوانید، واحد آن را اعتبارسنجی کرده و با مقدار کمی از داده های شناخته شده آزمایش کنید، اجرا نکنید. کد ممکن است بی سر و صدا نتیجه اشتباهی را ایجاد کند که می تواند به یک تصمیم مهندسی بد در معدن تبدیل شود.

جریان اصلی تولید کد با هوش مصنوعی

دریافت کد از هوش مصنوعی یک چرخه مهندسی است، نه یک مکالمه:

تکلیف را به وضوح توصیف کنید. ورودی (ستون ها، واحدها، ردیف نمونه)، خروجی مورد نظر و محدودیت ها. درخواست مبهم کد مبهم تولید می کند.
بخواهید کوچک و خوانا باشد. به جای یک تابع غول پیکر، کد گام به گام و نظر داده شده را بخواهید.
بخوانید و بفهمید. درک کنید که هر خط چه کاری انجام می دهد. کدهایی را که متوجه نمی شوید اجرا نکنید.
با داده های کوچک تست کنید. آن را به صورت دستی با 5-10 خط اجرا کنید که نتایج آنها را می دانید و خروجی مورد انتظار را تأیید کنید.
موارد لبه سوال. سلول خالی، مقدار منفی، تکان دادن واحد، تکرار رکورد رفتار کد چگونه است؟
مقیاس و بررسی منطق. اجرا بر روی تمام داده ها؛ آیا نتیجه از نظر مهندسی معقول است؟

نکته: رایج‌ترین خطاهایی که کد هوش مصنوعی را وارد می‌کنند بی‌صدا هستند: نام اشتباه ستون، اختلاط واحد (m در مقابل ft، g/t در مقابل ppm)، ردیف‌های بی‌صدا (مانند dropna)، میانگین اشتباه (میانگین ساده زمانی که باید وزن‌دهی شود). اینها باعث خطا نمی شوند. فقط عدد اشتباهی تولید می کند. بنابراین "خطا دریافت نکرد" هرگز به معنای "درست" نیست.

وظایف معمول پایتون در ماینینگ

پاکسازی داده ها: ادغام جداول حفاری/تولید/نظارت، پرچم گذاری ناسازگاری، عادی سازی واحد.
خلاصه و تجسم: هیستوگرام، سری زمانی، منحنی درجه تناژ، نمودارهای OEE.
آمار و زمین آمار: آمار خلاصه، همبستگی، واریوگرام/کریجینگ (با کتابخانه های ویژه).
تشخیص ناهنجاری: گرفتن دریفت مبتنی بر آستانه یا مدل ساده.
مدل‌های پیش‌بینی ساده: به عنوان مثال، رابطه اندازه-بازده آسیاب با رگرسیون.

برای اکثر این وظایف، هوش مصنوعی کد شروع عالی را ارائه می دهد. اما دو مشکل وجود دارد: کیفیت داده ها و محدودیت های مدل. دانستن هر دو کلید برای استفاده ایمن از کد هوش مصنوعی است.

محدودیت های مدل: یادگیری بیش از حد و برون یابی

مدل های پیش بینی ساده ای که هوش مصنوعی به راحتی می سازد در برابر دو خطر عمده آسیب پذیر هستند. برازش بیش از حد: مدل داده‌های آموزشی را به خاطر می‌سپارد اما روی داده‌های جدید ضعیف عمل می‌کند. ساخت مدل‌های پیچیده با داده‌های کم، این امر را دعوت می‌کند. برون یابی: مدل زمانی غیر قابل اعتماد می شود که مجبور به پیش بینی در محدوده ای خارج از داده های آموزشی شود. به عنوان مثال، مدلی که در محدوده 0.3-0.8 گرم در تن آموخته شده است ممکن است برای 5 گرم در تن نتایج بی معنی بدهد. هوش مصنوعی "خود به خود" این خطرات را برای شما مدیریت نمی کند. این به شما بستگی دارد که مدل را بطور انتقادی بخوانید، تمایز تمرین/آزمون را ایجاد کنید، به فاصله اطمینان نگاه کنید و بررسی کنید که آیا پیش‌بینی از نظر فیزیکی قابل قبول است یا خیر. مهم نیست که یک عدد مدل چقدر دقیق به نظر می رسد، نمی تواند مبنایی برای یک تصمیم مهندسی خارج از محدوده داده باشد.

سه کیف کوچک

مورد 1 - خطای صدای بی صدا. یک مهندس کدی می خواهد که هوش مصنوعی را وادار می کند میانگین نمره را از داده های سنجش محاسبه کند. کد کار می کند، نتیجه 2.1 گرم در تن است. مهندس کد را می خواند. توجه داشته باشید که میانگین با طول بازه وزن نمی شود، بلکه به عنوان میانگین مستقیم در نظر گرفته می شود. نمرات بالا در فواصل زمانی کوتاه به طور ناعادلانه وزن اضافه می کردند. هنگام حرکت به میانگین وزنی، مقدار به 1.7 گرم در تن کاهش می یابد. کد هیچ خطایی نداد. خواندن خطا را گرفت.

مورد 2 - افت خط خاموش. در یک کد خلاصه تولید، هوش مصنوعی ردیف‌های دارای مقادیر گمشده را با dropna پاک کرد. کد به خوبی اجرا می شود، اما تناژ کل دست کم گرفته می شود زیرا برخی از ردیف های معتبر به دلیل یک ستون خالی به طور کلی حذف شدند. وقتی مهندس تعداد خطوط بین ورودی و خروجی را مقایسه می کند، تفاوت را می بیند و منطق تمیز کردن را اصلاح می کند. درس: همیشه تعداد خطوط ورودی و خروجی را مقایسه کنید.

مورد 3 - تله برون یابی. یک تیم یک مدل رگرسیون آموخته شده در محدوده درجه پایین را به یک منطقه درجه بالا اعمال می کند. این مدل یک تخمین بازده غیرمعمول بالا ارائه می دهد. خوشبختانه، مهندس نتیجه را رد می کند و می گوید "این منطقه بسیار خارج از محدوده ای است که مدل دیده می شود" و درخواست آزمایش متالورژیکی می کند. درس: محدوده داده هایی که مدل برای آنها معتبر است را بدانید. از برآورد خارج از ایالت استفاده نکنید.

الگوهای درخواستی قابل کپی

کد پاکسازی ایمن داده "نقش: شما یک دستیار تحلیلگر داده پایتون هستید. کدی را با پانداها بنویسید که جدول زیر را پاک می کند. ستون ها و واحدها: [فهرست]. قوانین: (1) چاپ تعداد سطرها قبل و بعد از انداختن سطرها؛ (2) گزارش دهید کدام ردیف ها به جای میانگین وزن حذف شده اند (4) وزن واحدها در کجا استفاده شده است. ساده هر مرحله را با یک خط نظر توضیح دهید."

درخواست بازبینی کد "کد پایتون زیر را خط به خط توضیح دهید و به نقاط خطر زیر اشاره کنید: فرض نام ستون نادرست، سردرگمی واحد، ردپای بی‌صدا، خطای میانگین وزنی، رفتار حاشیه‌ای (تهی/منفی). کد را اصلاح نکنید؛ فقط کد را فهرست کنید.

TEST SETUP WITH SMALL DATA "برای این تابع، به صورت دستی یک داده آزمایشی کوچک (5-6 خط) تولید کنید که من نتیجه و خروجی مورد انتظار را می دانم؛ یک بلوک آزمایشی بنویسید که بررسی کند آیا عملکرد روی این داده درست کار می کند یا خیر. همچنین موارد شدید (سلول خالی، منفی، مقدار شدید واحد) را تست کنید.

SIMPLE MODEL + BOUNDARY WARNING"یک رگرسیون ساده برای [x -> y] با داده های زیر تنظیم کنید. بین آموزش/آزمایش تفاوت قائل شوید، معیار خطا را گزارش کنید، و محدوده x را که مدل معتبر است به وضوح بیان کنید. اگر پیش بینی هایی خارج از این محدوده انجام شده است، هشدار دهید. در مورد خطر نادرست بودن داده ها نظر دهید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف: "متوسط نمره را از این داده ها محاسبه کنید."

STRONG PROMPT: "نقش: شما یک دستیار پایتون هستید. ستون ها: HoleID، From(m)، To(m)،Au(g/t). میانگین نمره وزنی را با طول بازه محاسبه کنید. کد: (1) تعداد ردیف های ورودی/خروجی را چاپ کنید؛ (2) مقادیر تهی/منفی را گزارش کنید. همچنین می توان قبل از رها کردن آنها واحد را تایید کرد؛ (3) نتیجه به صورت دستی: [پیست کردن]."

جدول مقایسه: خطر و احتیاط

ریسک

علامت

احتیاط

تداخل واحد

عدد معقول اما اشتباه

واحد را با کد نظر دهید، آن را بررسی کنید

افت خط بی صدا

توتال گم شده است

تعداد خطوط ورودی/خروجی را مقایسه کنید

ساده در مقابل میانگین وزنی

میانگین اشتباه

بررسی وزن

یادگیری بیش از حد

بد در داده های تست

آموزش/آزمایش جداسازی، آن را ساده نگه دارید

برون یابی

حدس بیهوده خارج از محدوده

محدوده معتبر را محدود کنید

اشتباهات رایج

اجرای کد بدون خواندن آن "هیچ خطایی دریافت نکرد" به این معنی نیست که درست است.
با داده های کوچک تست نمی شود. اعتماد بدون مثال قابل تأیید نادرست است.
عدم مقایسه تعداد خطوط ورودی/خروجی. اینگونه است که ضررهای خاموش فرار می کنند.
نادیده گرفتن محدوده مدل برآوردهای برون یابی غیرقابل اعتماد هستند.
اعتماد به زیبایی نمودار. یک نمودار شیک می تواند عدد اشتباه را پنهان کند.

توجه: اگر کد هوش مصنوعی وارد یک حساب مهندسی شود، آن کد به اندازه یک حساب کاربری مسئول است. هر جا که نتیجه به تصمیم ماینینگ تبدیل شد، کد و خروجی آن را از طریق بررسی منطقی مستقل و در صورت امکان با روش دوم مقایسه کنید.

به طور خلاصه

پایتون ابزار واقعی برای تجزیه و تحلیل داده‌های کاوی است و هوش مصنوعی سرعت نوشتن آن را تا حد زیادی افزایش می‌دهد. اما کد هوش مصنوعی می‌تواند حاوی اشکالات بی‌صدا (گیج‌گی واحد، حذف ردیف، میانگین‌گیری اشتباه) و تله‌های مدل (بیش‌آموزی، برون‌یابی) باشد. جریان امن: به وضوح توصیف کنید، می خواهید کوچک و قابل خواندن باشد، بخوانید و بفهمید، با داده های کوچک شناخته شده آزمایش کنید، موارد لبه پرس و جو، مقیاس و بررسی منطقی. خروجی مدل نمی تواند مبنای تصمیم گیری خارج از محدوده داده باشد. و هر کد اگر به تصمیم ماینینگ تبدیل شود به اندازه یک حساب مسئولیت دارد.

وظیفه کاربردی

برای دریافت کد از هوش مصنوعی، از الگوی «کد سالم‌سازی داده‌های امن» با میانگین نمره یا خلاصه تولید استفاده کنید. کد را با الگوی "درخواست بازبینی کد" حذف کنید. سپس با الگوی "Test setup with small data" به صورت دستی یک مجموعه داده ایجاد کنید که نتایج آن را می دانید و کد را تأیید کنید. در نهایت، برای یک رابطه ساده، یک مدل با الگوی «Simple model + limit warning» راه‌اندازی کنید و آزمایش کنید که وقتی از محدوده معتبر خارج می‌شود، هشدار می‌دهد.

چک لیست

[ ] من کد هوش مصنوعی را خواندم و هر خط را فهمیدم، کورکورانه آن را اجرا نکردم.
[ ] من آن را با داده های کوچک و قابل تأیید دستی آزمایش کردم.
[ ] من تعداد خطوط ورودی و خروجی را مقایسه کردم.
[ ] من ثبات و وزن واحد را تأیید کردم.
[ ] من محدوده داده معتبر مدل را محدود کردم و از برون یابی اجتناب کردم.
[ ] من نتیجه را که به یک تصمیم تبدیل شد، با منطق مستقل/روش دوم بررسی کردم.

امتحان ماژول

1. یک کارآموز از ابزار چت هوش مصنوعی در مورد عیار متوسط بدنه سنگ معدن می پرسد و مقدار حاصل از "1.8 گرم در تن طلا" را مستقیماً در گزارش ذخیره می نویسد. اشتباه اساسی در این رویکرد چیست؟

الف) مقدار درجه باید از داده‌های حفاری/تحلیل خود پروژه و پیش‌بینی تأیید شده حاصل شود. شماره تولید شده توسط هوش مصنوعی ممکن است ساختگی بدون منبع باشد ✔
ب) باید به جای گرم، هوش مصنوعی را بر حسب اونس خواسته می شد
ج) مقدار صحیح است، فقط باید به جای کاما از نقطه استفاده می شد
د) کافی است سه بار همین سوال را از هوش مصنوعی بپرسید و میانگین بگیرید

توضیح: مدل زبان داده های حفاری پروژه شما را نمی داند. عددی را تولید می کند که محتمل ترین به نظر می رسد (توهم). این درجه فقط از داده های ترکیبی حفاری و برآورد زمین آماری پروژه بدست می آید. خروجی هوش مصنوعی بدون تایید یک فرد ذیصلاح نمی تواند در گزارش گنجانده شود.

2. «طبقه بندی مبتنی بر ریسک» چه چیزی را در استفاده از هوش مصنوعی در مهندسی معدن امکان پذیر می کند؟

الف) قیمت ابزار هوش مصنوعی را کاهش دهید
ب) نقش هوش مصنوعی و عمق اجباری تأیید را با توجه به سطح خطر کار تعیین کنید ✔
ج) دستورات باید کوتاهتر نوشته شوند
د) به طور خودکار تمام تصمیمات را به هوش مصنوعی واگذار کنید

توضیح: هر ماموریتی در سطح ریسک یکسانی نیست. طبقه‌بندی کار به‌عنوان کم/متوسط/بالا/بحرانی تعیین می‌کند که کدام خروجی می‌تواند آزادانه استفاده شود و کدام یک به تأیید استاندارد و میدانی و تأیید مهندس صالح نیاز دارد.

3. مدل «واریوگرام» در زمین آمار چیست؟

الف) مصرف سوخت تجهیزات
ب) تغییر قیمت فلز در طول زمان
ج) پیوستگی فضایی بسته به فاصله. ✔ چگونه با دورتر شدن نقاط شباهت کاهش می یابد
د) فرکانس ارتعاش ایجاد شده در اثر انفجار

توضیحات: واریوگرام توضیح می دهد که چگونه شباهت نمونه ها به یکدیگر کاهش می یابد (پیوستگی فضایی) با افزایش فاصله بین دو نقطه. کریجینگ از این مدل برای تخمین نقاط اندازه گیری نشده با حاشیه عدم قطعیت استفاده می کند.

4. بهترین رویکرد هنگام داشتن سنگ شناسی پیش طبقه بندی هوش مصنوعی از عکاسی هسته مته چیست؟

الف) پردازش نوع سنگ داده شده توسط هوش مصنوعی مستقیماً در سیاهههای حفاری
ب) کپی کردن متن هوش مصنوعی در گزارش بدون بررسی عکس
ج) لغو رصد زمین شناس و تکیه صرف بر هوش مصنوعی
د) خروجی را یک پیش‌بینی/فرضیه اولیه در نظر بگیرید و آن را با مشاهدات زمین‌شناس و آنالیز آزمایشگاهی تأیید کنید.

توضیحات: هوش مصنوعی می تواند یک لیست پیش بینی و توجه را از تصویر ایجاد کند. با این حال، تصمیم نهایی سنگ شناسی/تغییر توسط مشاهده و تجزیه و تحلیل آزمایشگاهی زمین شناس گرفته می شود. خروجی هوش مصنوعی یک شروع است، فرضیه ای که باید تأیید شود.

5. "نسبت سلب" در برنامه ریزی روباز به چه معناست؟

الف) مقدار زنگ (سنگ ضایعاتی) که باید حذف شود تا به یک واحد سنگ معدن برسد ✔
ب) درصد فلز در سنگ معدن
ج) تعداد سفر روزانه کامیون ها
د) مقدار ماده منفجره استفاده شده در انفجار

توضیحات : نرخ سلب بندی مقدار ضایعاتی است (نوار/ضایعات) که برای دستیابی به یک واحد سنگ معدن باید حذف شود. حد نهایی چاله و اقتصاد تا حد زیادی به این نسبت بستگی دارد. حتی اگر هوش مصنوعی سناریوهایی را ایجاد کند، تصمیم گیری در مورد مرز به عهده مهندس صالح است.

6. وقتی هوش مصنوعی «ناهنجاری» را در داده‌های لرزش و دما پیدا می‌کند، در نگهداری پیش‌بینی‌کننده چه معنایی دارد؟

الف) اثبات اینکه تجهیزات قطعاً از کار افتاده است
ب) هشداری مبنی بر انحراف داده ها از حالت عادی. این یک تشخیص قطعی نقص نیست، بلکه نشانه ای است که باید با معاینه فیزیکی تایید شود ✔
ج) دستور دهید که تجهیزات باید به طور خودکار متوقف شوند
د) تضمین کنید که داده ها نادرست ثبت شده اند

توضیح: ناهنجاری انحراف داده ها از رفتار عادی است و ممکن است نشان دهنده یک نقص باشد. اما تشخیص قطعی نیست. تصمیم برای توقف تجهیزات یا تعویض قطعات با معاینه فیزیکی تیم تعمیر و نگهداری و تایید مدیر عملیات گرفته می شود.

7. هنگام استفاده از هوش مصنوعی در طراحی مته انفجار کدام یک برای ایمنی ضروری است؟

الف) اجرای توصیه AI به طور مستقیم در این زمینه
ب) رد شدن از اندازه گیری ارتعاش
ج) تأیید طرح پیشنهادی هوش مصنوعی با اندازه‌گیری میدانی، محدودیت نظارتی و تأیید کارشناس مجاز انفجار ✔
د) تعیین میزان مواد منفجره با حداکثر داده شده توسط هوش مصنوعی

توضیحات: انفجار; این خطرات ایمنی و نظارتی جدی مانند لرزش، شوک هوا و سنگ های پرنده را به همراه دارد. هوش مصنوعی می تواند یک طرح طراحی و توصیه پارامتر تولید کند. با این حال، طرح نهایی باید اندازه‌گیری میدانی، محدودیت‌های نظارتی و تایید کارشناس مجاز انفجار (چاپ‌کن/مسئول) را پشت سر بگذارد.

8. رابطه معمولی بین «بازیابی» و «عیار کنسانتره» در فرآوری مواد معدنی چیست و هوش مصنوعی هنگام تفسیر این موضوع چه چیزی را باید به خاطر بسپارد؟

الف) این دو همیشه با هم زیاد می شوند
ب) هیچ رابطه ای بین آنها وجود ندارد
ج) رابطه در همه امکانات ثابت و یکسان است
د) معمولاً تعادل معکوس وجود دارد (با افزایش عیار بازده کاهش می یابد). مقادیر واقعی باید با آزمایش متالورژی و تعادل جرم تأیید شوند

توضیح: عموماً با تلاش برای بدست آوردن عیار غلیظ بالاتر، عملکرد کاهش می یابد (تراز عیار-بازده). هوش مصنوعی می تواند این روند را توضیح دهد، اما مقادیر واقعی عملیاتی باید با آزمایش متالورژی و تعادل جرم تأیید شود. روند کلی جایگزینی برای واقعیت خاص سایت نیست.

9. مناسب ترین استفاده از تجزیه و تحلیل داده های نزدیک به تصادف با هوش مصنوعی در ایمنی شغلی چیست؟

الف) سوابق متنی رایگان را طبقه بندی کنید و الگوهای ریسک تکرار شونده را استخراج کنید. تصمیم گیری را به کارشناس OHS بسپارید ✔
ب) به طور خودکار مقصر حوادث را مشخص می کند
ج) واگذاری دستور توقف کار به هوش مصنوعی
د) بایگانی سوابق نزدیک به از دست رفتن بدون بررسی آنها

توضیحات: هوش مصنوعی می‌تواند مقادیر زیادی از رکوردهای متن آزاد را طبقه‌بندی کند و الگوهای تکراری و شرایط خطرناک را به سرعت استخراج کند. با این حال، تصمیم برای توقف یک کار، تخلیه یک منطقه یا علت اصلی در چارچوب کارشناس OHS و قانون گرفته می شود. خروجی هوش مصنوعی ورودی است نه تصمیم.

10. چرا "شتاب نرخ تغییر شکل" یک علامت مهم در داده های رادار/منشور در پایش شیب است؟

الف) قطعاً نشان دهنده خرابی دستگاه اندازه گیری است.
ب) ممکن است یک شکست پیشرونده را بشارت دهد. هشدار اولیه و تصمیم تخلیه متعلق به مهندس ژئوتکنیک ✔
ج) نشان می دهد که شیب کاملاً ایمن است
د) تنها زمانی که بارندگی وجود داشته باشد قابل توجه است و می توان از آن چشم پوشی کرد

توضیح: قبل از شکست شیب، به طور کلی افزایش تدریجی نرخ تغییر شکل (شتاب) مشاهده می شود. این ممکن است نشانه ای از شکست پیشرونده باشد. هوش مصنوعی می تواند روند را برجسته کند، اما تصمیم تخلیه/هشدار اولیه توسط آنالیز و پروتکل مهندس ژئوتکنیک گرفته می شود.

11. در پایش محیطی، دقیق‌ترین پاسخ به علامت «تعدی» که هوش مصنوعی در یک سری زمانی کیفیت آب پیدا می‌کند، چیست؟

الف) گزارش خروجی هوش مصنوعی به طور مستقیم به سازمان دولتی
ب) هشدار را نادیده بگیرید و به تماشا ادامه دهید
ج) تایید با نتیجه آزمایشگاه معتبر، حد نظارتی و ارزیابی مهندس محیط زیست ✔
د) تنها با تکیه بر هوش مصنوعی و لغو آنالیز آزمایشگاهی

توضیحات: هوش مصنوعی ممکن است به زودی نشانه نقض احتمالی باشد. با این حال، تصمیم رسمی انطباق با تجزیه و تحلیل آزمایشگاهی معتبر، مقادیر حد در قانون و ارزیابی مهندس محیط زیست انجام می شود. خروجی هوش مصنوعی یک هشدار غربالگری است، نه یک تصمیم قانونی/فنی.

12. زمانی که از هوش مصنوعی شماره بند استانداردی مانند JORC یا NI 43-101 را می‌خواهید، مطمئن‌ترین راه برای جلوگیری از دریافت یک مرجع ساختگی (توهم) چیست؟

الف) با تکیه بر شماره آیتم داده شده توسط هوش مصنوعی
ب) پرسیدن مجدد همان سوال با کلمات متفاوت
ج) نگاه کردن به یک پست وبلاگ به جای استاندارد
د) باز کردن و تایید هر مرجع مقاله از متن رسمی فعلی استاندارد و اخذ تاییدیه از شخص ذیصلاح ✔

توضیح: اگرچه مدل زبان نام استاندارد را به درستی می‌داند، اما ممکن است شماره مقاله و متن را دچار توهم کند. هر مرجع ماده باید از متن رسمی فعلی استاندارد باز و تأیید شود و انطباق نهایی باید توسط شخص ذیصلاح (CP/QP) تأیید شود.

13. مهم ترین بررسی قبل از اجرای اسکریپت تحلیل پایتون نوشته شده با هوش مصنوعی چیست؟

الف) خواندن کد و تأیید تطابق واحد/ستون، آزمایش با داده های کوچک شناخته شده و بررسی معقول بودن نتیجه ✔
ب) اجرای کد به طور مستقیم بر روی کل مجموعه داده بدون خواندن آن
ج) فقط دیدن اشتباه و قبول نتیجه
د) تکیه بر گرافیک خروجی برای زیبا به نظر رسیدن.

توضیحات: کد هوش مصنوعی ممکن است واحدها را ترکیب کند، نام ستون‌ها را اشتباه فرض کند، یا ردیف‌ها را بی‌صدا رها کند. خواندن کد، تأیید تطابق حجم و ستون، آزمایش با مقدار کمی از داده های شناخته شده و بررسی اینکه آیا نتیجه مهندسی معقول است، ضروری است.

14. بهترین رفتار از نظر حفظ حریم خصوصی هنگام ارائه داده های استخراج به ابزار هوش مصنوعی مبتنی بر ابر چیست؟

الف) چسباندن تمام داده های خام همانطور که هست
ب) زمینه را ناشناس کنید و داده‌های ذخیره/هماهنگ/تولید حساس را پاک کنید و از ابزار شرکتی مطابق با خط‌مشی استفاده کنید ✔
ج) با فرض اینکه ارائه مختصات واقعی برای کیفیت نتیجه ضروری است
د) نادیده گرفتن سیاست حفظ حریم خصوصی

توضیح: ارقام ذخیره، اطلاعات مجوز/ مختصات و داده های تولید از نظر اسرار تجاری و قوانین حساس هستند. ناشناس کردن زمینه، پاک کردن مختصات و نام‌های واقعی، انتخاب ابزار تضمینی شرکت/حریم خصوصی و رعایت خط‌مشی شرکت ضروری است.