سود:
- امکان اجرای قوانین حفظ حریم خصوصی برای محافظت از حقوق معدنی، داده های خاص سایت و حساسیت های جامعه
- توانایی تبدیل توهمات، عدم قطعیت و محدودیت های مسئولیت به کنترل های عملیاتی
- توانایی حفظ استفاده از هوش مصنوعی در مهندسی زمین شناسی با یک راستی آزمایی سرتاسر و نظم و انضباط حاکمیتی
واحد نهایی این ماژول همه واحدهای قبلی را زیر یک سقف قرار می دهد: حاکمیت استفاده از هوش مصنوعی در مهندسی زمین شناسی پایدار، ایمن و اخلاقی. مهارت فنی به تنهایی کافی نیست. یک مهندس زمین شناسی همچنین از داده های حساس تجاری محافظت می کند، حساسیت های جامعه و محیطی را در نظر می گیرد، توهم و عدم اطمینان را به کنترل های عملیاتی تبدیل می کند و مسئولیت نهایی را بر عهده می گیرد. این واحد قوانین نامرتب را به یک رشته قابل اجرا تبدیل میکند: چه چیزی را به اشتراک نمیگذاریم، به چه خروجی اعتماد میکنیم و چگونه، وقتی اشتباهات چه میکنیم، و چگونه همه اینها را به یک عادت دائمی تبدیل کنیم.
زمینشناسی حرفهای است که تصمیمات آن کیلومترها زیر زمین، میلیونها دلار سرمایهگذاری و گاهی اوقات امنیت کل جوامع را تحت تأثیر قرار میدهد. به همین دلیل است که اخلاق در اینجا یک ایدهآل انتزاعی نیست، بلکه قوانین مشخصی است که در جریان کار روزانه تعبیه شده است. وقتی این واحد را تمام کردید، میتوانید هر تکنیکی را که در طول ماژول یاد گرفتهاید در چارچوب حاکمیتی قرار دهید و از هوش مصنوعی بهعنوان یک ضربکننده نیروی کنترلشده و نه منبع خطر استفاده کنید.
حریم خصوصی داده ها و حساسیت حقوق معدنی
داده های زمین شناسی اغلب بسیار حساس هستند. مختصات حفاری، مقادیر درجه، ارقام ذخیره و اهداف اکتشاف اسرار تجاری هستند و عموماً متعلق به مالک حقوق معدنی (شرکت یا ایالت دارنده مجوز) است. وارد کردن این دادهها در یک سرویس هوش مصنوعی خارجی کنترلنشده سه خطر جدی دارد: ریسک رقابتی (رقیب میتواند یک کشف را ردیابی کند)، خطر قانونی (نقض حریم خصوصی و مالکیت داده) و خطر جامعه (نشت زودهنگام یک کشف میتواند باعث گمانهزنی و درگیری شود).
رویکرد درست لایه لایه است. اول، ناشناس کردن داده های حساس: جایگزینی مختصات واقعی با مقادیر معرف، نام فیلد واقعی با "Field-A"، نمرات واقعی با مقادیر مقیاس شده/نماینده. ثانیاً، در صورت امکان، از ابزارهای کنترل شده تأیید شده توسط مؤسسه (محیط های داخلی یا تحت قرارداد محافظت شده که در آن داده ها درز نمی کنند) استفاده کنید. سوم، اصل کمترین داده: به اشتراک گذاشتن کمترین مقدار داده کافی برای کار، نه کل پایگاه داده. سرعت یک خروجی هرگز پیش از محرمانه بودن داده ها نیست.
توجه: یادداشت "این داده ها محرمانه است" از داده ها محافظت نمی کند. نوشتن محرمانه بودن آن و به اشتراک گذاشتن آن همانطور که هست خطری مشابه با ننوشتن دارد. حریم خصوصی با ناشناس کردن داده ها و استفاده از ابزارهای کنترل شده به دست می آید. نه با اعلام قصد
تبدیل توهم و عدم قطعیت به کنترل عملیاتی
در سرتاسر ماژول، ما بارها و بارها شاهد توهم (مدلی که اطلاعات غیرموجودی را تولید میکند) و عدم اطمینان بودیم. در این واحد، ما این موارد را از هشدارهای انتزاعی به کنترل های عینی تبدیل می کنیم. سه کنترل عملیاتی برای هر خروجی هوش مصنوعی وارد عمل می شوند:
محدودیت منابع تحمیل قانون «فقط بر اساس دادههایی که به شما میدهم، آن را جبران نکنید» به مدل و علامتگذاری منبع هر ادعا. این به توهم پایان نمی دهد، بلکه آن را قابل مشاهده می کند.
اجبار عدم قطعیت درخواست یک سطح یا محدوده اطمینان به جای یک تخمین واحد. تمایز "اعتماد بالا / متوسط / حدس و گمان" مانع از این می شود که مدل به گونه ای عمل کند که گویی دقیق است.
تأیید مستقل سه لنگر ما در سراسر ماژول - ترتیب بزرگی، قابل قبول بودن زمین شناسی، شواهد میدانی - برای هر خروجی اعمال می شود. محاسبه استاندارد و تایید مهندس نیز به خروجی های حیاتی ایمنی اضافه می شود.
این سه کنترل توهم و عدم اطمینان را از بین نمی برند. آنها را قابل کنترل، قابل مشاهده و ممیزی می کند. این تفاوت است: ریسک کنترل نشده خطرناک است، قابل مشاهده است و ریسک مدیریت شده طبیعی است.
محدودیت های مسئولیت و رضایت انسانی
اصل تغییر ناپذیر این ماژول این است: هوش مصنوعی پشتیبانی و شتاب می دهد. مسئولیت تصمیم گیری، گزارش و طراحی بر عهده مهندس زمین شناسی مجاز می باشد. این یک شعار نیست، یک واقعیت قانونی و اخلاقی است. یک گزارش امضا شده، یک ارزیابی خطر ارائه شده، یک طرح تایید شده - همه اینها مسئولیت حرفه ای یک فرد است. "این چیزی است که هوش مصنوعی گفت" یک بهانه مهندسی نیست. درست مثل اینکه نمی تواند "این چیزی است که ماشین حساب گفته است".
یعنی مسئولیت غیر قابل تفویض است. حتی اگر مدل خروجی را تولید کند، مهندسی که آن خروجی را به یک تصمیم تبدیل می کند و آن را امضا می کند، مسئول دقت خروجی است. بنابراین، هر خروجی حیاتی امنیتی باید قابل ممیزی (قابل ردیابی، منبع شناخته شده)، قابل تایید (تست توسط محاسبات مستقل) و تایید شده توسط انسان باشد. این سه نفر آخرین لایه اطمینان در بالای هر تکنیکی است که در طول ماژول یاد می گیریم.
نکته: قبل از امضای پرینت، از خود بپرسید: "اگر این پرینت اشتباه بود، آیا می توانم از آنچه تصمیم را بر اساس آن تصمیم گرفتم و چگونه آن را توجیه کردم، دفاع کنم؟" اگر پاسخ شما «AI ایجاد شده» است، تأیید هنوز تکمیل نشده است.
سه مورد کوچک: با اعداد
مورد 1 - جلوگیری از نشت. یک زمین شناس در یک شرکت اکتشافی قصد داشت 1200 ردیف از جداول واقعی گمانه را برای تجزیه و تحلیل سریع در یک سرویس خارجی کنترل نشده آپلود کند. سیاست سازمانی وارد عمل شد و از او خواست که ابتدا داده ها را ناشناس کند (مقیاس مختصات و پنهان کردن نام فیلد). بعدها، ارزش تجاری آن کشف میلیونها دلار بود. بارگذاری کنترل نشده می توانست از منظر رقابتی و قانونی یک نشت جدی باشد. ناشناس سازی چند دقیقه طول کشید، ارزشی که حفظ کرد بسیار زیاد بود.
مورد 2 - عدم قطعیت قابل مشاهده است. در یک گزارش منبع، تیم خروجی مدل را در سطوح اطمینان به جای تک رقمی درخواست کرد. معلوم شد که یک منطقه با علامت "گمپول" در واقع بر اساس یک حفاری واحد است. این منطقه از ارزیابی اقتصادی خارج شد. اگر فشار عدم قطعیت وجود نداشت، یک فرض واحد می تواند یک تصمیم میلیون دلاری را به عنوان داده های محکم وارد کند.
مورد 3 - اعتماد به قابلیت ردیابی. وقتی در ممیزی در مورد منبع هر شماره از یک گزارش ژئوتکنیکی پرسیده شد، تیم توانست به لطف سوابق ردیابی، هر مقدار را به داده های ورودی، روش و مرحله تأیید ردیابی کند. یک اختلاف جزئی در یک موضوع پیدا شد، اما علت اصلی و تأثیر آن در عرض چند دقیقه شناسایی و اصلاح شد. نظم و انضباط حاکمیتی این خطا را قبل از تبدیل شدن به یک بحران حل کرد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
تمام داده های حفاری و درجه بندی شرکت ما در این زمینه را تجزیه و تحلیل کنید و بهترین هدف استخراج را به ما بگویید. [مختصات و نمرات واقعی]
اعلان قدرتمند:
من برای تجزیه و تحلیل جستجو کمک می خواهم. قوانین حفظ حریم خصوصی: - مختصات و نام سایت نماینده هستند ("Site-A"، مقادیر مقیاس شده). من ارزش های واقعی را به اشتراک نمی گذارم. - فقط به داده های فنی که من می دهم تکیه کنید. شکل گیری/معدنی/مناسب سن.- نظرات خود را با اطمینان (بالا/متوسط/نظری) ارائه دهید.- مفروضاتی را که باید در پایان تایید شوند و نکاتی که نیاز به تایید میدانی دارند فهرست کنید. تصمیم گیری و مسئولیت نهایی با من است. شما پیش نویس ها و گزینه ها را تولید می کنید.
چهار قالب قابل کپی
1) پیشبررسی حریم خصوصی:
قبل از دادن داده های زیر به یک ابزار هوش مصنوعی، خطر حریم خصوصی را در نظر بگیرید: کدام فیلدها (مختصات، درجه، نام سایت، شرکت) حساس هستند و چگونه باید آنها را ناشناس کرد؟ طبق اصل کمترین داده چه چیزی را نباید به اشتراک بگذارم؟ یک چک لیست به من بدهید.
2) تجسم توهم:
هر ادعای واقعی (سن، شکل گیری، تعداد، منبع) را در این خروجی به طور جداگانه و برای هر کدام فهرست کنید: آیا توسط داده های داده شده پشتیبانی می شود، آیا یک استنتاج است یا پشتیبانی نمی شود؟ مواردی را که غیرقابل اثبات یا غیرقابل تأیید هستند به وضوح علامت گذاری کنید.
3) چک لیست حاکمیت تأیید:
سه لایه را برای این خروجی مهم امنیتی بررسی کنید: (1) قابلیت ردیابی - آیا منبع، روش، نسخه مدل ثبت شده است؟ (2) قابلیت تأیید - آیا در برابر حساب ها / استانداردهای مستقل آزمایش شده است؟ (3) تایید انسانی - آیا یک مرحله تایید مهندس واجد شرایط وجود دارد؟ موارد گم شده را علامت گذاری کنید.
4) تفکیک حدود مسئولیت:
این کار را به دو بخش تقسیم کنید: (الف) کار داده/پیش نویسی که هوش مصنوعی میتواند با خیال راحت انجام دهد، (ب) نقاطی که باید به تصمیم مهندس و امضای مجاز باشند. مشخص کنید چه تأییدیه ای برای هر مورد B لازم است.
بعد حکمرانی، ریسک و کنترل
اندازه
ریسک اصلی
کنترل عملیاتی
حریم خصوصی داده ها
رقابت/نشت قانونی
ناشناس سازی + وسیله نقلیه کنترل شده + حداقل داده
توهم
اطلاعات ساختگی وارد امضا می شود
محدودیت منابع + کنترل ادعا
عدم قطعیت
یقین کاذب
چالش سطح/محدوده اعتماد
قابلیت ردیابی
علت اصلی را نمی توان یافت
سابقه منبع/روش/نسخه
مسئولیت
مبنای تصمیم گیری غیرقابل دفاع است
قابل بازرسی + تأیید + تأیید شده توسط انسان
جامعه / محیط زیست
نشت زودرس، از دست دادن اعتماد به نفس
نظارت دقیق + شفافیت
نکته: به حکومت به عنوان یک شتاب دهنده نگاه کنید نه یک مانع. قوانین تثبیت شده حریم خصوصی، احراز هویت و قابلیت ردیابی، بحرانهای چند ساعته را در صورت بروز مشکلات، به اصلاحات دقیق تبدیل میکنند. قابلیت اطمینان و قابلیت استفاده مجدد را افزایش می دهد.
اشتباهات رایج
- تلاش برای اطمینان از محرمانه بودن از طریق اعلام قصد. نوشتن یک یادداشت "محرمانه" و به اشتراک گذاری داده ها همانطور که هست از آن محافظت نمی کند. ناشناس سازی و یک وسیله نقلیه کنترل شده ضروری است.
- کاهش عدم قطعیت به تک رقمی اگر سطح اطمینان مورد نیاز نباشد، یک فرض تک صدا وارد تصمیم می شود که گویی داده های محکمی است.
- دور زدن قابلیت ردیابی بدون سابقه منبع و روش، نمی توان علت اصلی و تأثیر یک خطا را تعیین کرد.
- انتقال مسئولیت به وسیله نقلیه «هوش مصنوعی چنین گفت» بهانه ای نیست. امضا و تصمیم متعلق به مهندس است.
- نادیده گرفتن جامعه و حساسیت محیطی درزهای زودرس و عدم شفافیت اعتماد و مجوز اجتماعی را از بین می برد.
به طور خلاصه
- داده های زمین شناسی از نظر تجاری و قانونی حساس هستند. حریم خصوصی با ناشناس سازی، ابزارهای کنترل شده و اصل کمترین داده تضمین می شود، نه با اعلام قصد.
- توهم و عدم قطعیت به سه کنترل عملیاتی ترجمه می شوند: محدودیت منابع، اجرای عدم قطعیت، تأیید مستقل (سه لنگر).
- مسئولیت قابل تفویض نیست. هر خروجی حیاتی امنیتی باید قابل ممیزی، تأیید و تأیید انسان باشد.
- حکمرانی خوب یک مانع نیست، بلکه یک تسریع کننده است. این بحران ها را به اصلاحات لحظه ای تبدیل می کند و اعتماد به نفس را افزایش می دهد.
- هوش مصنوعی یک ضربکننده نیروی کنترلشده در مهندسی زمینشناسی است. صاحب تصمیم و امضا همیشه مهندس مجاز است.
وظیفه کاربردی
یک مجموعه داده واقعی اما دقیق (شامل مختصات و درجه) از کسب و کار خود را در نظر بگیرید. چک لیستی بنویسید که کدام فیلدها و چگونه با الگوی "پیش بررسی حریم خصوصی" ناشناس می شود. سپس، در این ماژول، یک نوع خروجی را انتخاب کنید که بیشترین ریسک را در نظر می گیرید (مثلاً شیب FS، روانگرایی، تناژ منبع)، سه لایه (قابلیت ردیابی، تأیید پذیری، تأیید انسانی) را با الگوی "چک لیست نظارت تاییدیه" بررسی کنید و در یک جمله بنویسید که چگونه نقطه ای را که از دست داده اید پوشش می دهید.
چک لیست
- [ ] من از داده های زمین شناسی حساس با ناشناس سازی، وسایل کنترل شده و اصل کمترین داده محافظت می کنم.
- [ ] من توهم و عدم قطعیت را با محدودیت منابع، سطح اعتماد و سه اعتبارسنجی لنگر مدیریت می کنم.
- [ ] من هر خروجی حیاتی امنیتی را قابل ممیزی، تأیید و تأیید انسان می کنم.
- [ ] پذیرفته ام که مسئولیت غیر قابل انتقال است و امضا نزد مهندس باقی می ماند.
- [ ] من حکمرانی را به عنوان یک توانمندکننده سرعت و اعتماد، لایه اطمینان در بالای همه تکنیکهای ماژول، پیادهسازی میکنم.
امتحان ماژول
1. کدام یک از موارد زیر اصل اساسی است که خطر خروجی هوش مصنوعی را در مهندسی زمین شناسی تعیین می کند؟
- الف) خطر یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. بر این اساس مقیاس های اعتبارسنجی ✔
- ب) خروجی هوش مصنوعی به طور کلی امن است زیرا روان و با اطمینان نوشته شده است
- ج) زمانی که از جدیدترین مدل استفاده می شود، اعتبارسنجی غیر ضروری است
- د) اگر خروجی به یک استاندارد اشاره دارد، نیازی به کنترل اضافی نیست
توضیح: ریسک یک خروجی برابر است با آسیبی که در صورت معیوب بودن آن خروجی ایجاد می کند. در حالی که یک خطای جزئی در خلاصه ادبیات ممکن است بی ضرر باشد، یک خطا در ضریب شیب ارزیابی ایمنی یا روانگرایی می تواند منجر به خسارت جانی و مالی شود. بنابراین شدت تأیید مقیاس با آسیب احتمالی است.
2. مشکل «غیر منحصر به فرد بودن» در وارونگی ژئوفیزیکی چه لزومی دارد که از هوش مصنوعی استفاده شود؟
- الف) پذیرش مستقیم اولین تفسیر تولید شده توسط مدل
- ب) محدود کردن تفسیر با اتصال آن به داده های چاه، حفاری و محدودیت های زمین شناسی ✔
- ج) فقط گرافیک با بالاترین وضوح را انتخاب کنید.
- د) کنار گذاشتن کامل داده های ژئوفیزیکی
توضیح: اندازهگیری ژئوفیزیک یکسان (به عنوان مثال دادههای گرانش یا مقاومت) را میتوان با بیش از یک مدل زیرسطحی مختلف توصیف کرد. بنابراین تفسیری که توسط هوش مصنوعی ارائه شده است تنها تفسیر صحیح نیست. باید با اتصال محدودیتهای مستقل مانند لاگ چاه، حفاری و زمینه زمینشناسی محدود شود.
3. کاربردهای واریوگرام و کریجینگ در برآورد منابع چیست؟
- الف) عکس های اصلی را به صورت خودکار رنگ می کند
- ب) سرعت دستگاه حفاری را تنظیم می کند
- ج) پیوستگی فضایی بین نمونه ها را تعریف می کند و درجه را در بلوک های نمونه برداری نشده با عدم قطعیت تخمین می زند.
- د) سنگ معدن را از نظر فیزیکی غنی می کند
توضیحات: واریوگرام معیاری برای تداوم فضایی است که توضیح می دهد چگونه شباهت درجه با افزایش فاصله بین نقاط نمونه کاهش می یابد. کریجینگ یک روش زمین آماری است که از این ساختار برای تخمین درجه در بلوک های نمونه برداری نشده همراه با عدم قطعیت تخمین استفاده می کند. مدل بلوک بر این اساس ساخته شده است.
4. کدام مرحله قبل از در نظر گرفتن نقشه تغییر تولید شده توسط سنجش از دور قابل اعتماد ضروری است؟
- الف) پالت رنگی نقشه باید زیبایی شناسی باشد.
- ب) تصویر با بالاترین وضوح دانلود شده است
- ج) کنترل میدانی و نمونه در نقاط انتخاب شده با حقیقت زمین ✔
- د) ناهنجاری با یک هوش مصنوعی مشخص شده است
توضیحات: آنالیز طیفی ناهنجاریهایی را نشان میدهد که نشاندهنده دگرسانی کانیها است، اما این موارد به دلیل پوشش گیاهی، سایه یا اثرات جوی میتواند گمراهکننده باشد. نقشه بدون حقیقت زمینی و کنترل میدانی و نمونه در نقاط انتخاب شده قطعی در نظر گرفته نمی شود.
5. چرا "عامل ایمنی" (FS) یک لنگر اعتبار برای خروجی هوش مصنوعی در تجزیه و تحلیل پایداری شیب است؟
- الف) زیرا فقط هزینه گودبرداری را نشان می دهد
- ب) فقط به این دلیل که رنگ شیب را توصیف می کند
- ج) زیرا با دادن نسبت نیروهایی که در مقابل لغزش مقاومت می کنند و می لغزند، خطر شکست را از نظر فیزیکی آزمایش می کند.
- د) زیرا فقط در محیط آزمایشگاهی معنادار است
توضیح: ضریب ایمنی نسبت نیروهایی است که در برابر لغزش مقاومت می کنند به نیروهایی که می لغزند. مقدار FS نزدیک یا کمتر از 1 نشان دهنده خطر خرابی است. یک هندسه شیب یا مجموعهای از پارامترهای پیشنهاد شده توسط هوش مصنوعی با تولید FS توسط محاسبه تعادل حدی و مقایسه آن با آستانههای استاندارد به صورت فیزیکی آزمایش میشود.
6. هدف اصلی از پردازش یک توصیف هسته آزاد متن ("قهوه ای، هوازدگی، سنگ آهک شکسته، رگه های کلسیتی کم") با هوش مصنوعی چیست؟
- الف) بازنویسی تصادفی مشاهدات
- ب) به طور خودکار عمق حفاری را افزایش دهید
- ج) شماره گذاری فیزیکی هسته
- د) با ترجمه متن آزاد متناقض به اصطلاحات استاندارد و فیلدهای ساختاریافته، داده ها را قابل استعلام قرار دهید.
توضیحات: هوش مصنوعی مشاهدات میدانی متن آزاد متناقض را به اصطلاحات استاندارد و زمینه های ساختاری (سنگ شناسی، درجه هوازدگی، ناپیوستگی، کانی ثانویه) تبدیل می کند و داده ها را قابل پرسش و مقایسه می کند. با این حال، تفسیر زمین شناسی دوباره توسط مهندس تایید می شود.
7. چرا یک "منفی کاذب" به ویژه در خروجی هوش مصنوعی که شامل ایمنی زندگی است، مانند نقشه برداری حساسیت زمین لغزش بسیار مهم است؟
- الف) زیرا منطقه خطرناک را به عنوان ایمن طبقه بندی می کند و باعث عدم رعایت احتیاط و خطرات جانی/مالی می شود.
- ب) چون فقط حجم فایل نقشه را افزایش می دهد
- ج) فقط به این دلیل که تعداد صفحات گزارش را افزایش می دهد
- د) زیرا منفی های کاذب همیشه بی ضرر هستند
توضیح: منفی کاذب طبقه بندی ایمن از ناحیه ای است که واقعاً خطرناک است. در این صورت هیچ گونه احتیاط انجام نمی شود و خطر تلفات جانی/مالی وجود دارد. نتایج مثبت کاذب در هزینه های غیر ضروری. در مناطق ایمنی زندگی، آستانه با احتیاط انتخاب می شود تا منفی های کاذب به حداقل برسد و توسط تأیید میدانی پشتیبانی می شود.
8. هنگام ارزیابی خروجی مدل جریان آب زیرزمینی، لنگر اعتبار سنجی کلیدی کدام اصل فیزیکی است؟
- الف) مدل خروجی رنگ تولید می کند
- ب) رعایت سطوح حفاظت از جرم (تعادل آب) و مشاهده چاه ✔
- ج) شبیه سازی را در اسرع وقت به پایان برسانید
- د) فایل مدل باید در جدیدترین فرمت باشد
توضیحات: مدلهای آب زیرزمینی بر اساس اصل حفظ جرم (تعادل آب) است: مقدار آب ورودی، خروجی و ذخیرهسازی سیستم باید ثابت باشد. حتی اگر یک کالیبراسیون مبتنی بر هوش مصنوعی خوب به نظر برسد، اگر تعادل آب بسته نشود یا با سطوح چاه مشاهده مطابقت نداشته باشد، خروجی قابل اعتماد نیست.
9. هنگام تخمین نفوذپذیری با یادگیری ماشین از چاه log، کدام حد را باید به طور خاص در نظر داشت؟
- الف) مدل به طور خودکار در هر زمینه و هر سنگ شناسی معتبر است
- ب) عدم قطعیت پیش بینی به هیچ وجه نباید گزارش شود.
- ج) اندازه گیری مستقیم و بدون خطا نفوذپذیری از سیاههها
- د) رابطه آموخته شده مختص شرایط تحصیلی باشد. ✔ برون یابی به سایت های مختلف خطراتی دارد و باید به آزمایش هسته/چاه مرتبط باشد.
توضیح: نفوذپذیری مستقیماً از سیاهههای مربوط اندازه گیری نمی شود. رابطهای که مدل یاد میگیرد، مختص رخسارهها و شرایط فشار دادههای آموزشی است. اعمال کورکورانه (برون یابی) به یک سایت دیگر یا سنگ شناسی ناآشنا می تواند باعث خطای بزرگ شود. خروجی باید به اندازه گیری هسته و آزمایش چاه مرتبط باشد.
10. چرا قابلیت ردیابی در پیش نویس گزارش زمین شناسی تولید شده توسط هوش مصنوعی ضروری است؟
- الف) ردیابی غیر ضروری است زیرا فقط اندازه فایل را افزایش می دهد
- ب) نیازی به نگهداری سوابق نیست زیرا هوش مصنوعی هرگز اشتباه نمی کند
- ج) تا زمانی که داده ها، روش و منبع مدل هر موضوع و ادعا ثبت نشده باشد، نمی توان علت و مسئولیت اصلی را تضمین کرد.
- د) از قابلیت ردیابی باید اجتناب شود زیرا باعث کندی گزارش می شود
توضیحات: گزارش اساس تصمیم مهندسی را تشکیل می دهد. باید توجه داشت که هر موضوع، نقشه و ادعا از کدام داده، کدام روش و کدام نسخه مدل است. در غیر این صورت، هنگامی که یک خطا رخ می دهد، نمی توان علت اصلی و تصمیمات متاثر را تعیین کرد و نمی توان از مسئولیت مهندسی اطمینان داشت.
11. هنگام وارد کردن داده های حفاری و درجه بندی خاص سایت در یک ابزار هوش مصنوعی عمومی، رویکرد صحیح چیست؟
- الف) وارد کردن مختصات و نمرات واقعی و دریافت سریعترین پاسخ
- ب) ناشناس کردن مختصات و مقادیر، کار با مقادیر معرف و تنها با استفاده از ابزارهای تایید شده/کنترل شده ✔
- ج) بارگذاری کل پایگاه داده پروژه و اجازه دادن به مدل برای یادگیری
- د) توجه داشته باشید که داده ها محرمانه است و آن را همانطور که هست به اشتراک بگذارید.
توضیحات: مختصات حفاری، مقادیر درجه و اطلاعات ذخیره از نظر تجاری حساس و اغلب محرمانه است که متعلق به مالک حقوق معدنی است. ورود به یک سرویس خارجی کنترل نشده رقابت و خطرات قانونی ایجاد می کند. رویکرد صحیح ناشناس کردن مختصات/مقادیر واقعی یا کار با مقادیر معرف و تنها استفاده از ابزارهای تایید شده و تحت کنترل موسسه است.
12. منظور از «کنترل مرتبه بزرگی» در یک محاسبات مهندسی با هوش مصنوعی چیست؟
- الف) افزایش تعداد ارقام اعشاری حاصل
- ب) وضوح گرافیکی نتیجه را اندازه گیری کنید
- ج) استاندارد کردن رنگ نتیجه
- د) آزمایش با محاسبه سریع دستی که آیا نتیجه تقریباً در توان مورد انتظار 10 است
شرح: بررسی ترتیب قدر با محاسبه سریع دستی آزمایش می کند که آیا نتیجه تقریباً در محدوده توان مورد انتظار 10 است یا خیر. به عنوان مثال، زمانی که رسانایی هیدرولیکی یک آبخوان برای ماسه انتظار می رود، نتیجه به جای متر/روز کیلومتر/روز است که نشان دهنده یک واحد یا خطای ویرایش بدون پرداختن به جزئیات است.
13. محکم ترین شواهد هنگام تایید خروجی مدلی که سنگ شناسی را از سیاهههای گمانه طبقه بندی می کند چیست؟
- الف) بررسی نمونه هسته گرفته شده از همان عمق ✔
- ب) مدل دارای امتیاز اطمینان بالایی است
- ج) خروجی به سرعت تولید می شود
- د) نمودار لاگ چند رنگ است
توضیح: لاگ ها اندازه گیری های غیر مستقیم هستند. مستقیم ترین و محکم ترین شواهد، بررسی بصری و آزمایشگاهی نمونه هسته گرفته شده از همان عمق است. حفاری هسته این فرصت را فراهم می کند تا تفسیر مبتنی بر ورود به سیستم از مدل با حقیقت زمین مقایسه شود.
14. کدام عبارت در مورد مسئولیت نهایی استفاده از هوش مصنوعی در مهندسی زمین شناسی دقیق تر است؟
- الف) از آنجایی که هوش مصنوعی خروجی را تولید می کند، مسئولیت به شرکت نرم افزار منتقل می شود
- ب) هوش مصنوعی پشتیبانی و شتاب را فراهم می کند. مسئولیت تصمیم گیری و گزارش بر عهده مهندس مجاز است، خروجی باید قابل تایید و تایید انسان باشد ✔
- ج) تأیید مهندس غیر ضروری است زیرا خروجی هوش مصنوعی به طور خودکار معتبر است
- د) مسئولیت فقط بر عهده تیم میدانی است، به مهندس دفتر مربوط نمی شود
توضیحات: هوش مصنوعی یک ابزار قدرتمند در کارهای پشتیبانی مانند پردازش داده ها، تولید طرح اولیه و شتاب کشف است. با این حال، مسئولیت گزارش امضا شده، ارزیابی خطر و تصمیم طراحی بر عهده مهندس زمین شناسی مجاز است. خروجی ها باید قابل ممیزی، تأیید و تأیید انسان باشند.