سود:
- توانایی تشخیص اینکه هوش مصنوعی در چه مکان هایی در زمان واقعی در جریان کار مهندسی زمین شناسی صرفه جویی می کند و کدام تصمیمات باید بر عهده مهندس باقی بماند.
- توانایی اعمال رشته ای که هر خروجی هوش مصنوعی را با ترتیب بزرگی، قابل قبول بودن زمین شناسی و شواهد میدانی تایید می کند.
- خطرات ابهام، توهم، و حفظ حریم خصوصی داده ها را بشناسید و عادت به تنظیم اعلان های ایمن با ناشناس کردن زمینه ایجاد کنید.
مهندسی زمین شناسی حرفه ای است که در آن هرگز نمی توانیم حقیقت را به طور کامل در زیر زمین ببینیم. یک گمانه تنها یک قطعه سانتی متری از چندین کیلومتر زمین را نمونه برداری می کند. یک بخش ژئوفیزیک یک سایه غیر مستقیم است. نقشه تفسیری از شکاف بین مشاهدات است. به همین دلیل زمین شناسی رشته ای است که ذاتاً با عدم قطعیت کار می کند. هوش مصنوعی (AI؛ سیستمهای نرمافزاری که از الگوهای کلان دادهها یاد میگیرند و متن/تصاویر/اعداد تولید میکنند) ابزار قدرتمندی در مدیریت این عدم قطعیت است، اما همچنین ابزاری است که میتواند بهطور خطرناکی همین عدم قطعیت را پنهان کند. این واحد دو پایه ای را ایجاد می کند که کل ماژول بر روی آنها ساخته می شود: کجا در جریان کار زمین شناسی، هوش مصنوعی ارزش واقعی تولید می کند و چگونه هر خروجی را تأیید می کنیم.
بیایید از ابتدا روشن کنیم: هیچ تکنیکی که در طول این ماژول یاد خواهید گرفت، جایگزین امضا، مشاهدات میدانی و قضاوت مهندسی یک مهندس زمین شناسی شایسته نخواهد شد. هوش مصنوعی یک دستیار است. سریع می خواند، سریع می نویسد، الگوها را می گیرد. اما اگر یک شیب از کار بیفتد، پایه یک سد فرو بریزد یا یک ذخیره معدنی بزرگتر از آنچه هست گزارش شود، مسئولیت آن بر عهده نرم افزار نیست، بلکه بر عهده مهندس امضاکننده است. شما دوباره این جمله را به اشکال مختلف در هر واحد از ماژول خواهید دید، زیرا این تنها حقیقت در مهندسی ایمنی- انتقادی است.
هوش مصنوعی کجا در گردش کار زمین شناسی ارزش ایجاد می کند؟
هفته مهندس زمین شناسی تقریباً به سه نوع کار تقسیم می شود: آماده سازی داده ها (رقومی سازی گزارش، ویرایش یادداشت میدانی، تمیز کردن جدول)، تفسیر و تجزیه و تحلیل (طبقه بندی سنگ شناسی، همبستگی، برآورد منابع، ارزیابی خطر)، و ارتباط (گزارش، نقشه، ارائه، مکاتبات). هوش مصنوعی هر سه حوزه را لمس می کند، اما سهم و ریسک آن در هر کدام متفاوت است.
آماده سازی داده امن ترین و سودآورترین زمینه هوش مصنوعی است. ترجمه توضیحات هسته متن آزاد به یک جدول ساختاریافته، استانداردسازی واحدهای ناسازگار، علامت گذاری نقاط پرت در هزاران خط خروجی آزمایشگاه - اینها وظایف تکراری، مبتنی بر قانون و به راحتی قابل تأیید هستند. حتی اگر در اینجا خطایی وجود داشته باشد، چند دقیقه طول می کشد تا به منبع (لاگ خام) برگردید و آن را بررسی کنید.
حوزه تفسیر و تحلیل دارای بالاترین ارزش و بالاترین ریسک است. هوش مصنوعی می تواند هندسه خطای احتمالی را از بخش مته پیشنهاد کند. این می تواند الگویی را نشان دهد که حتی یک چشم با تجربه ممکن است آن را از دست بدهد. اما همین مدل میتواند با اطمینان یک واحد چینهشناسی غیرموجود را متناسب کند (این پدیده توهم نامیده میشود: مدل اطلاعاتی را تولید میکند که در واقع وجود ندارد، گویی واقعی است). در این زمینه، هوش مصنوعی یک فرضیه ساز است، نه یک تصمیم گیرنده.
در حوزه ارتباطات، هوش مصنوعی یک شتاب دهنده پیش نویس است. بخش روش یک گزارش ژئوتکنیکی، خلاصه ادبیات، یا یک ایمیل را در چند دقیقه پیش نویس می کند. خطری که در اینجا وجود دارد این است که منابع ساختگی و اعداد نادرست می توانند بدون توجه به یک متن روان وارد امضا شوند.
انضباط اعتبارسنجی: قانون سه لنگر
قلب این ماژول یک عادت واحد است: اینکه هیچ خروجی هوش مصنوعی را بدون تأیید اعتبار در یک تصمیم مهندسی وارد نکنید. ما اعتبار سنجی را بر اساس سه لنگر مستقل قرار می دهیم.
لنگر اول - مرتبه قدر. آیا نتیجه تقریباً در محدوده توان مورد انتظار 10 است؟ هدایت هیدرولیکی یک سفره شنی معمولاً به ترتیب متر در روز است. اگر مدل کیلومتر/روز بدهد خطای واحد یا ویرایش وجود دارد و بدون وارد شدن به جزئیات می توان آن را فهمید. مقاومت فشاری تک محوری سنگ آهک در محدوده 30-200 مگاپاسکال است. 3000 مگاپاسکال مسخره است. این بررسی چند ثانیه طول می کشد و اکثر خطاها را می گیرد.
لنگر دوم - قابل قبول بودن زمین شناسی. آیا خروجی با داستان زمین شناسی میدان همخوانی دارد؟ اگر مدل یک آبرفت جوان را زیر یک سنگ آهک دریایی قرار داده باشد، یا خطای معکوس وجود دارد (و این باید جداگانه ثابت شود) یا مدل مزخرف است. توالی چینه شناسی، چارچوب تکتونیکی و محیط رسوبی فیلتر معقولیت است که هر تفسیری باید از آن عبور کند.
لنگر سوم - شواهد میدانی. این قوی ترین لنگر است. نمونه اصلی، مشاهده رخنمون، تأیید صحرایی. تفسیر سنگ شناسی مبتنی بر ورود به سیستم با هسته گرفته شده از همان عمق مقایسه می شود. یک منطقه تغییر نقشه برداری شده توسط سنجش از دور با نمونه ها در چندین نقطه در میدان آزمایش می شود. حقیقت زمینی همیشه برنده است.
سه مورد کوچک: با اعداد
مورد 1 - صرفه جویی در زمان در دیجیتالی کردن گزارش. یک مهندس به صورت دستی 42 سیاهههای گمانه اسکن شده (کاغذی) را از دهه 1980 دیجیتالی می کرد. به طور متوسط 35 دقیقه در هر گزارش، تقریباً 24 ساعت در کل. او با یک گردش کار نموداری مبتنی بر هوش مصنوعی، اولین پیش نویس را به 6 دقیقه کاهش داد و زمان باقی مانده را به تأیید بصری اختصاص داد. کل زمان به حدود 8 ساعت کاهش یافت. آنچه حیاتی بود این بود که زمان به دست آمده صرف کنترل شد.
مورد 2 - توهم ضبط شده. هنگامی که یک کارآموز از هوش مصنوعی خواست چینه نگاری یک میدان را خلاصه کند، متن شامل جمله "تبخیرهای سازند توزلا رایج در منطقه بود." هیچ تبخیری در محل وجود نداشت. مدل اطلاعات گیج کننده ای از حوضه دیگر داشت. فیلتر معقول زمین شناسی (چارچوب زمین ساختی منطقه برای رسوب تبخیر مناسب نبود) این خطا را قبل از امضای گزارش تشخیص داد.
مورد 3 - خطای واحد. در یک محاسبه منبع، مدل با اشتباه گرفتن چگالی با 2.7 t/m³ به جای 2.7 g/cm³، خروجی تناژ را با ضریب 1000 افزایش داد (در واقع این دو برابر هستند، اما مرحله میانی مدل نادرست بود و نتیجه را با ضریب 1000 باد کرد). بررسی ترتیب بزرگی - "این بلوک نمی تواند 5 میلیون تن باشد اما 5 میلیارد تن" - بلافاصله خطا را برطرف کرد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
خلاصه ای از زمین شناسی این میدان و ارزیابی پتانسیل معدنی آن.[داده]
اعلان قدرتمند:
نقش شما: زمین شناس ارشد اکتشافی. خلاصه حفاری زیر را فقط بر اساس داده های داده شده تفسیر کنید. - هیچ گونه سازنده، کانی یا سنی که در داده ها نیست اضافه نکنید. - خط داده ای که بر اساس آن هستید را با پرانتز در کنار هر نظر نشان دهید. - در جایی که مطمئن نیستید بنویسید "داده ناکافی است" حدس نزنید. - در نهایت: یک لیست جداگانه از 3 فرضی که نیاز به تأیید دارند تهیه کنید. داده ها: [خلاصه حفاری]
اعلان قوی سه چیز را بر مدل تحمیل می کند: پایبندی به منبع، اعتراف به عدم قطعیت، و علامت گذاری موارد برای تأیید. این توهم را به طور کامل پایان نمی دهد، اما آن را قابل مشاهده می کند.
چهار قالب قابل کپی
1) ایجاد زمینه ناشناس:
برای انجام کار مهندسی زمین شناسی به کمک نیاز دارم. نام فیلد، مختصات و اطلاعات شرکت محرمانه است. من آنها را با عبارات نماینده مانند "Field-A"، "X مختصات" ارائه خواهم کرد. جستار: [پرسش]. فقط به داده های فنی که می دهم تکیه کنید.
2) سه درخواست تأیید لنگر:
برای خروجی زیر سه بررسی انجام دهید: 1) ترتیب بزرگی: آیا هر عدد در محدوده مورد انتظار است؟ اگر نه، علامت بزنید. 2) منطقی بودن زمین شناسی: آیا ادعایی متناقض از نظر چینه شناسی/تکتونیکی وجود دارد؟ 3) فهرست تأیید: مواردی که باید در میدان/آزمایشگاه تأیید شوند.
3) اعمال ابهام:
تفسیر خود را در سه سطح اطمینان ارائه دهید: - اطمینان بالا (به طور مستقیم توسط داده ها پشتیبانی می شود) - اعتماد متوسط (استنتاج معقول) - گمانه زنی (اطلاعات اضافی مورد نیاز) وظیفه: [وظیفه]. داده ها: [داده]
4) تمایز تصمیم/حمایت:
کار زیر را به دو قسمت تقسیم کنید: الف) کار داده/پیش نویسی که هوش مصنوعی می تواند با اطمینان انجام دهد. ب) نقاط تصمیم گیری که برای آنها تأیید مهندس مجاز مورد نیاز است شرح وظیفه: [تعریف]
نقش هوش مصنوعی: ریسک بر اساس نوع ماموریت
نوع وظیفه
سهم هوش مصنوعی
سطح ریسک
تراکم تأیید
دیجیتالی کردن گزارش/جدول
بالا
پایین
چک نقطه ای
طبقه بندی اولیه سنگ شناسی
بالا
متوسط
هسته + معقول بودن
محاسبه منابع/تناژ
متوسط
بالا
اکانت دستی + مستقل
تصمیم ایمنی شیب/پایه
محدود است
بسیار بالا
تاییدیه کامل مهندس
پیش نویس گزارش/ادبیات
بالا
متوسط
تایید منبع
ارزیابی خطر/فاجعه
محدود است
بسیار بالا
فیلد + استاندارد + تایید
نکته: برای تعیین سطح ریسک یک کار، یک سوال بپرسید: "اگر این خروجی اشتباه باشد، بدترین چیزی که ممکن است اتفاق بیفتد چیست؟" اگر پاسخ «چند دقیقه ای را از دست خواهم داد» است، به آرامی تأیید کنید. اگر «کسی ممکن است آسیب ببیند»، خروجی را به عنوان یک فرضیه در نظر بگیرید و آن را در فرآیند مهندسی کامل قرار دهید.
توجه: خطرناک ترین ویژگی هوش مصنوعی این نیست که اشتباه می کند، بلکه این است که با اطمینان اشتباه می کند. یک متن روان، فنی و منظم به معنای صحیح بودن آن نیست. به شواهد اعتماد کنید، نه سبک.
اشتباهات رایج
- اشتباه گرفتن تسلط با دقت مهم نیست که چقدر متن حرفه ای به نظر می رسد، ادعاهای واقعی (سن، شکل گیری، تعداد، منبع) باید به طور مستقل تأیید شوند.
- عدم مقیاس بندی ریسک بر اساس نوع کار. نگاه کردن به بررسی روانگرایی به همان شیوه ای که پیش نویس ایمیل است. مقیاس های اعتبارسنجی با آسیب احتمالی
- بدون فکر کردن، داده های محرمانه را وارد کنید. اطلاعات مختصات، درجه و رزرو از نظر تجاری و قانونی حساس است. قبل از ورود به وسیله نقلیه کنترل نشده ناشناس شوید.
- نادیده گرفتن عدم قطعیت فقط به این دلیل که مدل "مطمئن" به نظر می رسد به این معنی نیست که عدم اطمینان از بین می رود. به جای تخمین تک نقطه ای، محدوده و سطح اطمینان را بخواهید.
- اشتباه گرفتن هوش مصنوعی در تصمیم گیری مدل فرضیه هایی را تولید می کند. مهندس مسئول تصمیم می گیرد.
به طور خلاصه
- زمین شناسی ذاتاً با عدم قطعیت عمل می کند. هوش مصنوعی می تواند این عدم قطعیت را هم مدیریت کند و هم به طور خطرناکی پنهان کند.
- هوش مصنوعی ایمنترین و سودآورترین در تهیه دادهها، با ارزشترین اما خطرناکترین در تفسیر/تحلیل و شتابدهنده در ارتباطات است.
- هر خروجی در برابر سه لنگر تأیید می شود: ترتیب بزرگی، قابل قبول بودن زمین شناسی، شواهد میدانی.
- خطر یک نتیجه برابر است با آسیبی که در صورت اشتباه ایجاد می کند. بر این اساس مقیاس اعتبار سنجی.
- در مهندسی ایمنی حیاتی، خروجی هوش مصنوعی هرگز جایگزین تاییدیه مهندس مجاز نمی شود.
وظیفه کاربردی
پنج کار زمینشناسی را که در یک هفته از شغل خود انجام میدهید فهرست کنید (مانند ویرایش گزارش، همبستگی، بخش گزارش، بررسی درجه، نماد خطر). مطابق جدول این واحد، هر کدام را در سطح ریسک قرار دهید و بپرسید "اگر اشتباه باشد، بدترین اتفاق چیست؟" در یک جمله به سوال پاسخ دهید. سپس یک اعلان ناشناس قوی برای کار با کمترین خطر بنویسید و آن را امتحان کنید. خروجی را با سه لنگر بررسی کنید و توجه داشته باشید که کدام لنگر مشکل دارد.
چک لیست
- [ ] من می توانم تشخیص دهم که هوش مصنوعی کجا ارزش ایمن و کجا پرخطر در گردش کار زمین شناسی ایجاد می کند.
- [ ] من این رفلکس را به دست آوردم تا هر خروجی را با ترتیب بزرگی، منطقی بودن زمین شناسی و شواهد میدانی تأیید کنم.
- [ ] سطح خطر یک کار با پرسیدن "بدترین چیزی که ممکن است اتفاق بیفتد در صورت اشتباه کردن چیست؟" من می توانم با سوال تعیین کنم.
- [ ] من می دانم که توهم و عدم اطمینان چیست و چگونه آنها را قابل مشاهده کنم.
- [ ] من عادت به تنظیم یک اعلان امن با ناشناس کردن داده های میدانی محرمانه را پذیرفتم.