سود:
- توانایی استفاده کارآمد از هوش مصنوعی در پردازش، کنترل کیفیت و گزارش نتایج آزمایشگاهی
- توانایی تسریع در تهیه پیش نویس گزارشات زمین شناسی/ژئوتکنیکی، بررسی ادبیات و خلاصه داده ها با هوش مصنوعی
- امکان ایمن سازی محتوای تولید شده به صورت خودکار با قابلیت ردیابی، تایید منبع و تایید مهندس
بخش نامرئی اما بزرگی از کار یک مهندس زمین شناسی در دفتر انجام می شود: پردازش نتایج آزمایشگاهی، کنترل کیفیت، جدول بندی داده ها، نوشتن گزارش ها، اسکن ادبیات، و تهیه نقشه ها و شکل ها. این مشاغل تکراری، وقت گیر و نیازمند توجه هستند. این دقیقا همان منطقه ای است که هوش مصنوعی بیشترین صرفه جویی در زمان را دارد. اما در اینجا نیز یک تله وجود دارد: گزارش مبنای رسمی یک تصمیم مهندسی است. یک منبع ساختگی، یک عدد اشتباه کپی شده یا یک ادعای غیرقابل ردیابی میتواند بدون توجه به متنی در جریان باشد و عواقب آن میتواند جدی باشد. هدف این واحد ایجاد نظم و انضباط است که هرگز ردیابی، تایید منبع و تایید مهندس را با استفاده از هوش مصنوعی در کارایی اداری پایان به انتها کاهش ندهد.
در این واحد ما سه بخش اداری را پوشش خواهیم داد: پردازش نتایج آزمایشگاهی و QA/QC (تمیز کردن و اطمینان از داده های تجزیه و تحلیل)، تولید گزارش و ادبیات (پیش نویس، انتزاع و تسریع غربالگری)، و اتوماسیون گردش کار (تنظیم وظایف تکراری). در هر مرحله، هوش مصنوعی یک پیش نویس و سازمان دهنده است. صحت، منبع و تایید نهایی مطالب متعلق به مهندس می باشد.
پردازش نتایج آزمایشگاهی و QA/QC
نتایج آزمایشگاهی (تجزیه و تحلیل درجه، آزمایش شاخص خاک، شیمی آب) اغلب در قالب های مختلف، در واحدهای مختلف و گاهی اوقات به اشتباه می رسد. هوش مصنوعی این دادهها را در یک طرح واحد قرار میدهد، ناهماهنگی واحد را ثبت میکند، زیر حد تشخیص پرچمگذاری میکند و نمونههای QA/QC (نمونه خالی، مواد مرجع استاندارد، تحلیل مجدد) را بررسی میکند. QA/QC (تضمین کیفیت/کنترل کیفیت) بازرسی است که قابلیت اطمینان آزمایشگاه را ثابت می کند: اگر آلودگی در نمونه خالی، انحراف در استاندارد، عدم انطباق در نمونه تکراری وجود داشته باشد، داده ها مشکوک هستند.
نقطه بحرانی: هوش مصنوعی هرگز یک مقدار را بدون صدا حذف یا تصحیح نمی کند. وظیفه آن علامت گذاری خطوط مشکل ساز است و اجازه می دهد مهندس تصمیم بگیرد. یک نقطه پرت ممکن است یک سنگ معدن بالا یا یک خطای آزمایشگاهی باشد. مهندس این تمایز را با زمینه ایجاد می کند. هوش مصنوعی داده ها را بررسی می کند، آنها را پاک نمی کند.
نکته: هنگام پردازش دادههای آزمایشگاهی، قانون "فقط علامت بزنید، تغییر نکنید" را در هر درخواست تکرار کنید. موذیانه ترین اشتباه هوش مصنوعی زمانی است که داده های خام را با "اصلاح" یک مقدار با نیت خوب و عدم درک آن خراب می کند.
گزارش و تولید ادبیات
هوش مصنوعی یک پیش نویس قدرتمند در نوشتن گزارش است: پیش نویس بخش روش، زمینه مقدماتی، خلاصه نتیجه گیری در چند دقیقه. مجموعه ای طولانی از ادبیات را خلاصه می کند. یک جدول پیچیده را به متن ساده تبدیل می کند. اما دو خطر مشهود است. اولی منبع ساختگی است: مدل میتواند با اطمینان یک مقاله ناموجود، یک نویسنده نادرست، یا یک مقاله قانونی ناموجود تولید کند. ثانیاً، خطای پردازش اعداد: یک درجه، یک ضریب ایمنی یا یک عمق ممکن است به اشتباه هنگام عبور به متن منتقل شود.
بنابراین قانون طلایی: هوش مصنوعی پیش نویس را تولید می کند، مهندس آن را تأیید می کند و مالک آن است. هر منبع از منبع اصلی تایید شده است (اشاره های آپوکریف رایج ترین نوع توهم هستند). هر عدد با داده های خام مقایسه می شود. هر ادعای فنی با دانش مهندسی آزمایش می شود. پس از امضای گزارش، مسئولیت هر جمله در آن بر عهده امضاکننده است - "AI آن را نوشته است" بهانه ای نیست.
توجه: هرگز کتابشناسی تولید شده توسط هوش مصنوعی را آنطور که هست نپذیرید. مراجع ساختگی اما با ظاهر واقعی (نویسنده به ظاهر دقیق، مجله، سال) رایج ترین و خطرناک ترین توهمات هستند. هر مرجع را در برابر پایگاه داده مستقل تأیید کنید.
اتوماسیون گردش کار و قابلیت ردیابی
خودکارسازی کارهای تکراری (پردازش داده های نظارت ماهانه آب، پر کردن یک الگوی گزارش استاندارد، ترکیب جداول حفاری) با هوش مصنوعی کارایی بسیار خوبی را فراهم می کند. اما اتوماسیون همچنین میتواند خطا را خودکار کند: یک قانون اشتباه پس از ایجاد بیصدا در هر اجرا تکرار میشود. به همین دلیل است که گردش کار خودکار باید قابل ردیابی باشد. هنگامی که یک خطا پیدا می شود، علت اصلی و همه خروجی های تحت تأثیر باید قابل ردیابی باشند.
قابلیت ردیابی در عمل به این معناست: منبع و تاریخ داده های ورودی، تبدیل های اعمال شده، نسخه سریع/مدل استفاده شده و مرحله تایید انسانی ثبت می شود. این امر هم اشکال زدایی و هم مسئولیت مهندسی را تضمین می کند. اتوماسیون غیرقابل کنترل، مهم نیست که چقدر سریع است، در یک تجارت حیاتی از نظر ایمنی غیرقابل قبول است.
سه مورد کوچک: با اعداد
مورد 1 - گرفتن رانش QA/QC. یک محموله آزمایشگاهی حاوی 320 نمونه درجه بود. غربالگری AI QA/QC مواد مرجع استاندارد را بهطور سیستماتیک 8 درصد کمتر از 40 نمونه گذشته نشان میدهد - رانش کالیبراسیون ابزار. این خطای سیستماتیک مشکلی بود که تشخیص دستی آن بسیار دشوار بود اما کل دسته را تحت تأثیر قرار داد. محموله مجدداً آنالیز شد. او الگو را تعیین نکرد، او الگو را نمایان کرد.
مورد 2 - منبع ساختگی. هوش مصنوعی بخش ادبیات یک گزارش ژئوتکنیکی را تهیه کرد و شش مرجع را تهیه کرد. در طی بررسی، مشخص شد که دو مورد از آنها هرگز وجود نداشته و یکی به ژورنال اشتباه نسبت داده شده است. اگر منابع یک به یک در مقابل یک پایگاه داده مستقل بررسی نمی شد، منابع ساختگی باید یک گزارش مهندسی امضا شده را وارد می کردند. پیش نویس سرعت گرفت. تأیید ذخیره شد.
مورد 3 - علت ریشه ای با قابلیت ردیابی. در اتوماسیون نظارت ماهانه آب، مقادیر یک چاه مشاهده ای در واحد اشتباه به مدت سه ماه گزارش شد. به لطف رکورد قابلیت ردیابی، در عرض چند دقیقه پیدا شد که خطا در چه مرحله تبدیل شروع شد و یک لیست کامل از سه گزارش تحت تأثیر ایجاد شد. اگر هیچ سوابقی نگهداری نمی شد، مشخص نبود کدام نسخه های چاپی خراب شده اند و کل آرشیو مشکوک می شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
یک گزارش ژئوتکنیکی برای این پروژه بنویسید، شامل ادبیات. [داده ها]
اعلان قدرتمند:
نقش شما: تهیه کننده گزارش. یک گزارش با دادههای زیر تهیه کنید، اما: 1) فقط بر اساس دادههایی که ارائه میدهم. شماره، منبع یا یافته را ایجاد نکنید. 2) با پرانتز نشان دهید که هر عدد از کدام خط ورودی می آید. 3) به جای ایجاد منبع واقعی برای ادبیات، یک مکان نگهدار قرار دهید "منبع تایید شده درباره [موضوع] اینجا اضافه خواهد شد". 4) هر جایی را که مطمئن نیستید به عنوان "نیاز به تایید مهندس" علامت بزنید. محتوای نهایی و تمامی منابع توسط من تایید خواهد شد. داده ها ناشناس هستند.
چهار قالب قابل کپی
1) بازرسی QA/QC آزمایشگاهی:
جدول نتایج آزمایشگاهی را بررسی کنید: اختلاف واحد، علائم زیر حد تشخیص، آلودگی در نمونه خالی، رانش سیستماتیک در مرجع استاندارد، عدم انطباق در نمونه تکراری. فقط ردیف های مشکل دار را با example_id علامت گذاری کنید. هیچ مقداری را حذف یا اصلاح نکنید. تصمیم با من است.
2) تأیید منبع را اجرا کنید:
تمام ادعاهای عددی و استنادهای منبع را در این متن بیرون بیاورید و یک چک لیست تهیه کنید: ورودی که هر عدد بر اساس آن است، استناد هر منبعی که نیاز به تایید دارد. ساخت منبع; جایی که نمی توانید تأیید کنید، «باید تأیید شود» را علامت بزنید.
3) چارچوب رکورد ردیابی:
یک الگوی رکورد قابلیت ردیابی برای این گردش کار خودکار پیشنهاد کنید: منبع ورودی و تاریخ، تغییرات اعمال شده، نسخه فوری/مدل استفاده شده، مرحله تأیید انسانی. نشان دهید چگونه می توان به علت اصلی و خروجی های متاثر هنگام یافتن خطا رسید.
4) گزارش بررسی سازگاری:
پیش نویس گزارش خود را برای سازگاری داخلی اسکن کنید: آیا اعداد در خلاصه با متن مطابقت دارند، جداول و متن با یکدیگر تضاد دارند، آیا واحدها در سرتاسر یکسان هستند، آیا اختصارات تعریف نشده وجود دارد؟ مشکلات را لیست کنید؛ تصمیم محتوا با من است.
وظایف اداری، درآمد و کنترل
تلاش
افزایش هوش مصنوعی
ریسک اصلی
چک اجباری
پردازش داده های آزمایشگاهی
بالا
تصحیح بی صدا
"علامت گذاری، حذف" + داده های خام
بازرسی QA/QC
بالا
اسلاید را از دست ندهید
کور / استاندارد / تایید مجدد
پیش نویس گزارش
بالا
موضوع/منبع ساختگی
تایید شماره و منبع
بررسی ادبیات
بالا
مرجع ساخته شده
تایید پایگاه داده مستقل
اتوماسیون گردش کار
بسیار بالا
تکرار اشتباه
سابقه ردیابی
نکته: قبل از راهاندازی اتوماسیون، بپرسید «چگونه میتوانم بفهمم که این گردش کار اشتباه کار میکند؟» به سوال پاسخ دهید. اگر پاسخ واضح نیست، ابتدا نقاط ردیابی و کنترل را اضافه کنید. سرعت بعد از کنترل می آید.
اشتباهات رایج
- تصحیح مقدار بی سر و صدا. هوش مصنوعی "بهبود" داده های خام موذیانه ترین اشتباه است. قانون همیشه باید "علامت گذاری، تغییر نکن" باشد.
- عدم تأیید کتابشناسی مراجع ساخته شده شایع ترین توهم هستند. هر اثر باید به طور مستقل تأیید شود.
- عدم بررسی حمل شماره تنور یا ضریب ایمنی که هنگام ورود به متن بدتر می شود در متن روان پنهان می شود.
- ایجاد اتوماسیون غیر قابل ردیابی در یک گردش کاری که سوابق را حفظ نمی کند، نمی توان علت اصلی و تأثیر خطا را تعیین کرد.
- پناه بردن به این بهانه که «هوش مصنوعی نوشته است». مسئولیت هر جمله امضا شده بر عهده امضا کننده است. تایید را نمی توان آرام کرد.
به طور خلاصه
- کار اداری حوزه ای است که هوش مصنوعی بیشترین صرفه جویی در زمان را دارد. اما گزارش یک مبنای رسمی برای تصمیم گیری است و اشتباهات گران است.
- در داده های آزمایشگاهی، هوش مصنوعی ممیزی می کند، نه پاکسازی. قانون "علامت گذاری، حذف / تصحیح" است، تصمیم با مهندس است.
- جعل منابع و اعداد در گزارش ها و ادبیات رایج ترین خطرات هستند. هر منبع و شماره تایید شده است.
- اتوماسیون می تواند خطا و همچنین سرعت را افزایش دهد. سابقه ردیابی علت اصلی و خروجی های تحت تأثیر را ایمن می کند.
- مهندس مسئول محتوای امضا شده است. "هوش مصنوعی آن را نوشت" بهانه ای نیست.
وظیفه کاربردی
یک جدول نتایج آزمایشگاهی ناشناس (یا داده های نماینده) را دریافت کنید. خطوط مشکل پرچم مدل را با الگوی "ممیزی QA/QC آزمایشگاهی" داشته باشید. آگاهانه به طور سیستماتیک یک مقدار مرجع استاندارد را تغییر داده و آزمایش کنید که آیا مدل آن را میگیرد و سعی میکند مقدار را حذف کند. سپس، یک بخش گزارش کوتاه تهیه کنید و هر موضوع و منبع موجود در آن را با استفاده از الگوی "چالش تایید منبع" در چک لیست قرار دهید.
چک لیست
- [ ] من همیشه قانون "علامت گذاری، حذف/ تصحیح" را برای هوش مصنوعی در داده های آزمایشگاهی اعمال می کنم.
- [ ] من قابلیت اطمینان آزمایشگاه را با نمونههای QA/QC (خالی، استاندارد، تکرار) بررسی میکنم.
- [ ] من به طور مستقل هر منبع و عددی را در گزارش و ادبیات بررسی می کنم.
- [ ] من گردش کار اتوماسیون را با قابلیت ردیابی تنظیم کردم.
- [ ] می پذیرم که مسئولیت کامل محتوایی که امضا می کنم بر عهده من است.