רווחים:
- יכולת לייצר סקריפטים שמנקים ומדמיינים נתוני קידוח, ייצור וניטור עם Python, עם תמיכה בבינה מלאכותית
- יכולת לזהות איכות נתונים, למידה יתר וסיכוני אקסטרפולציה בעת בניית מודלים פשוטים של חיזוי ואנומליה
- יכולת לאמת קוד ותוצאה שנוצרו בינה מלאכותית עם בקרת יחידה, חישוב עצמאי וסבירות הנדסית
בכל יחידה של מודול זה ראיתם AI הוא רב עוצמה בקידוד: ניקוי קידוחים, איזון מסה, שלד קריקינג, סיכום צי, ניתוח רטט, סריקה סביבתית. יחידה אחרונה זו מתמקדת ב-Python, הכלי הקונקרטי לקוד זה, ובמשמעת הנכונה של יצירת קוד עם AI. Python הפך לסטנדרט דה פקטו בניתוח נתונים של כריית כיוון שהוא חינמי, יש לו ספריות חזקות (פנדות: מניפולציה של נתונים טבלאיים; numpy: חישוב מספרי; matplotlib: ציור; scikit-learn: למידת מכונה), ומכשיר משימות חוזרות ונשנות. AI מכפיל את המהירות שבה אתה כותב את הקוד הזה; אבל הקוד שהוא מייצר לא תמיד נכון. העיקרון המרכזי של יחידה זו: לעולם אל תפעיל את הקוד שה-AI כותב מבלי לקרוא אותו תחילה, לאמת את היחידה שלו ולבדוק אותו עם כמות קטנה של נתונים ידועים. הקוד עלול לייצר בשקט את התוצאה השגויה, שעלולה להפוך להחלטה הנדסית גרועה בכרייה.
זרימה בסיסית של יצירת קוד עם AI
קבלת קוד מ-AI הוא מחזור הנדסי, לא שיחה:
- תאר את המשימה בצורה ברורה. קלט (עמודות, יחידות, שורה לדוגמה), פלט רצוי ואילוצים. בקשה מעורפלת מייצרת קוד מעורפל.
- בקשו שזה יהיה קטן וקריא. בקש קוד שלב אחר שלב עם הערות ולא פונקציה ענקית אחת.
- לקרוא ולהבין. להבין מה כל שורה עושה; אל תפעיל קוד שאתה לא מבין.
- בדיקה עם נתונים קטנים. הפעל אותו באופן ידני עם 5-10 שורות שאת התוצאות שלהן אתה יודע ומאמת את הפלט הצפוי.
- מקרי קצה שאלה. תא ריק, ערך שלילי, עירוב יחידה, רשומה חוזרת איך הקוד מתנהג?
- קנה מידה ובדוק את ההיגיון. הפעל על כל הנתונים; האם התוצאה סבירה מבחינה הנדסית?
טיפ: השגיאות הנפוצות ביותר שמזינות קוד AI הן שקטות: שם עמודה שגוי, ערבוב יחידה (m vs ft, g/t vs ppm), שורות שנפלו בשקט (כמו dropna), ממוצע שגוי (ממוצע רגיל כאשר יש לשקלל אותו). אלה אינם גורמים לשגיאות; זה פשוט מייצר את המספר הלא נכון. אז "לא קיבלתי שגיאה" אף פעם לא אומר "נכון".
משימות פייתון אופייניות בכרייה
- ניקוי נתונים: מיזוג טבלאות קידוח/ייצור/ניטור, סימון חוסר עקביות, נרמול יחידה.
- סיכום והדמיה: היסטוגרמה, סדרות זמן, עקומת טונה, גרפי OEE.
- סטטיסטיקה וגאוסטטיסטיקה: סטטיסטיקה סיכום, קורלציה, וריוגרמה/קריגינג (עם ספריות מיוחדות).
- זיהוי אנומליה: לכידת סחיפה מבוססת סף או פשוטה מבוססת מודל.
- מודלים חיזויים פשוטים: לדוגמה, קשר גודל-תשואה שחיקה עם רגרסיה.
עבור רוב המשימות הללו, AI מספק קוד התחלה מצוין. אבל יש שתי מלכודות: איכות הנתונים ומגבלות המודל. הכרת שניהם היא המפתח לשימוש בטוח בקוד AI.
גבולות המודל: לימוד יתר והקצנה
המודלים החזויים הפשוטים שבינה מלאכותית בונה בקלות פגיעים לשני סיכונים עיקריים. התאמה יתרה: המודל משנן נתוני אימון אך מתפקד גרוע בנתונים חדשים; בניית מודלים מורכבים עם מעט נתונים מזמינה זאת. אקסטרפולציה: המודל הופך לבלתי אמין כאשר הוא נאלץ לבצע חיזוי על פני טווח מחוץ לנתוני האימון; לדוגמה, מודל שנלמד בטווח של 0.3-0.8 גרם/ט עשוי לתת תוצאות חסרות משמעות עבור 5 גרם/ט. בינה מלאכותית אינה מנהלת עבורך את הסיכונים הללו באופן "ספונטני"; זה תלוי בך לקרוא את המודל בביקורתיות, לעשות את ההבחנה בין האימון/המבחן, להסתכל על רווח הסמך ולבדוק האם החיזוי סביר מבחינה פיזית. לא משנה כמה מדויק מופיע מספר דגם, הוא לא יכול להיות בסיס להחלטה הנדסית מחוץ לטווח הנתונים.
שלושה מיני תיקים
מקרה 1 - שגיאת עוצמת קול שקטה. מהנדס רוצה קוד שגורם ל-AI לחשב את הציון הממוצע מנתוני הבדיקה. הקוד עובד, התוצאה היא 2.1 גרם/ט. המהנדס קורא את הקוד; שימו לב שהממוצע אינו משוקלל לפי אורך המרווח, אלא נלקח כממוצע ישר. ציונים גבוהים במרווחים קצרים העלו במשקל באופן לא הוגן. כאשר עוברים לממוצע המשוקלל, הערך יורד ל-1.7 גרם/ט. הקוד לא נתן שגיאות; הקריאה תפסה את השגיאה.
מקרה 2 - נפילת קו שקטה. בקוד סיכום ייצור, AI ניקה שורות עם ערכים חסרים עם dropna. הקוד פועל בצורה חלקה, אבל הכמות הכוללת מוערכת פחות מכיוון שחלק מהשורות התקפות הושמטו לחלוטין עקב עמודה ריקה אחת. כאשר המהנדס משווה את מספר הקווים בין קלט לפלט, הוא רואה את ההבדל ומתקן את היגיון הניקוי. שיעור: השווה תמיד את מספר קווי הקלט והפלט.
מקרה 3 - מלכודת אקסטרפולציה. צוות מיישם מודל רגרסיה שנלמד בטווח הציונים הנמוכים על אזור ציונים גבוהים; המודל נותן אומדן תשואה גבוה באופן אבסורדי. למרבה המזל, המהנדס דוחה את התוצאה באומרו "האזור הזה נמצא הרבה מחוץ לטווח שראה הדגם" ומבקש בדיקות מתכות. לקח: לדעת את טווח הנתונים שאליו המודל תקף; אל תשתמש באומדן מחוץ למדינה.
תבניות הנחיות הניתנות להעתקה
קוד ניקוי נתונים מאובטח "תפקיד: אתה עוזר מנתח נתונים של Python. כתוב קוד עם פנדות שמנקה את הטבלה הבאה. עמודות ויחידות: [רשימה]. כללים: (1) להדפיס את מספר השורות לפני ואחרי שחרור שורות; (2) דווח אילו שורות הושמטו ומדוע; (3) היכן השתמשו בהמרות ממוצעות של כל שלב של יחידות רגילות; שורת הערות."
בקשת סקירת קוד"הסבירו את הקוד הבא של Python שורה אחר שורה והצביעו על נקודות הסיכון הבאות: הנחת שם עמודה שגויה, בלבול יחידה, צניחה שקטה, שגיאה ממוצעת שטוחה/משוקללת, התנהגות קצה (null/negative) . אל תתקן את הקוד; רק רשום את הסיכונים. קוד: [הדבק]."
TEST SETUP WITH SMALL DATA "עבור פונקציה זו, הפק ידנית נתוני בדיקה קטנים (5-6 שורות) מהם אני יודע את התוצאה ואת הפלט הצפוי; כתוב בלוק בדיקה שבודק האם הפונקציה פועלת כהלכה על הנתונים הללו. בדוק גם את המקרים הקיצוניים (תא ריק, שלילי, ערך קיצוני של יחידה). פונקציה: [הדבק]."
מודל פשוט + אזהרת גבול"הגדר רגרסיה פשוטה עבור [x -> y] עם הנתונים הבאים. הבדיל בין אימון/בדיקה, דווח על מדד השגיאה, וציין בבירור את טווח ה-x שמעליו המודל תקף. הזהר אם נעשו תחזיות מחוץ לטווח הזה. הערה על הסיכון לאימון יתר]."
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה: "חשב את הציון הממוצע מהנתונים האלה."
הנחיה חזקה:"תפקיד: אתה עוזר Python. עמודות: HoleID, From(m), To(m),Au(g/t). חשב ציון ממוצע משוקלל עם אורך מרווח. קוד: (1) הדפס את מספר שורות הקלט/פלט; (2) דווח על ערכים אפסיים/שליליים לפני שמסירים אותם; (3) אני יכול גם לאשר את התוצאה. נתונים: [הדבק]."
טבלת השוואה: סיכון ואמצעי זהירות
סיכון
סימפטום
אמצעי זהירות
הפרעות ליחידה
מספר הגיוני אבל שגוי
ציין את היחידה בקוד, בדוק אותה
נפילת שורה שקטה
סך הכל חסר
השווה מספר קווי קלט/פלט
ממוצע לעומת ממוצע משוקלל
ממוצע שגוי
בדוק שקלול
לימוד יתר
גרוע בנתוני הבדיקה
אימון/בדיקה הפרדה, שמור על זה פשוט
אקסטרפולציה
ניחוש שטויות מחוץ לטווח
הגבל טווח חוקי
טעויות נפוצות
- הפעלת הקוד מבלי לקרוא אותו. "זה לא קיבל שגיאות" לא אומר שזה נכון.
- לא בודקים עם נתונים קטנים. אמון ללא דוגמה ניתנת לאימות הוא שקר.
- לא משווים את מספר שורות הקלט/פלט. כך בורחים הפסדים שקטים.
- התעלמות ממגוון הדגמים. הערכות אקסטרפולציה אינן אמינות.
- סומך על היופי של התרשים. תרשים מסוגנן יכול להסתיר את המספר הלא נכון.
שימו לב: אם קוד ה-AI נכנס לחשבון הנדסי, הקוד הזה אחראי בדיוק כמו חשבון. בכל מקום שהתוצאה הופכת להחלטת כרייה, הפעל את הקוד ואת הפלט שלו באמצעות בדיקה לוגית עצמאית והשוואה עם שיטה שנייה במידת האפשר.
לסיכום
Python הוא הכלי דה פקטו לכריית ניתוח נתונים, ובינה מלאכותית מגדילה מאוד את המהירות שבה אתה כותב אותו. אבל קוד AI יכול להכיל באגים שקטים (בלבול יחידה, הפלת שורות, מיצוע שגוי) ומלכודות מודל (למידה יתר, אקסטרפולציה). זרימה מאובטחת: תאר בבירור, רוצה קטן וקריא, קרא והבין, בדוק עם נתונים ידועים קטנים, שאילתת מקרים של קצה, קנה מידה ובדיקת היגיון. פלט מודל אינו יכול להיות בסיס להחלטה מחוץ לטווח הנתונים; וכל קוד נושא אחריות כמו חשבון אם הוא הופך להחלטת כרייה.
משימת יישום
השתמש בתבנית "קוד חיטוי נתונים מאובטח" עם משימת ממוצע ציונים או משימת סיכום ייצור כדי לקבל את הקוד מה-AI; יש להסיר את הסיכון עם התבנית "בקשת סקירת קוד". לאחר מכן, עם התבנית "הגדרת בדיקה עם נתונים קטנים", צור ידנית מערך נתונים שאת תוצאותיו אתה יודע ואמת את הקוד. לבסוף, לקשר פשוט, הגדר מודל עם תבנית "מודל פשוט + אזהרת הגבלה" ובדוק שהוא נותן אזהרה כאשר הוא יוצא מהטווח התקף.
רשימת בדיקה
- [ ] קראתי את קוד ה-AI והבנתי כל שורה, לא הרצתי אותו בצורה עיוורת.
- [ ] בדקתי את זה עם נתונים קטנים הניתנים לאימות ידנית.
- [ ] השוויתי את מספר קווי הקלט והפלט.
- [ ] אימתתי את עקביות היחידה ושקלול.
- [ ] הגבלתי את טווח הנתונים התקף של המודל, תוך הימנעות מהאקסטרפולציה.
- [ ] בדקתי את התוצאה, שהפכה להחלטה, בשיטת היגיון/שניה עצמאית.
מבחן מודול
1. מתמחה שואל את כלי הצ'אט בינה מלאכותית על הציון הממוצע של גוף העפר וכותב את הערך המתקבל של '1.8 גרם/ט זהב' ישירות לדוח הרזרבה. מהי הטעות הבסיסית בגישה זו?
- א) ערך הציון חייב לבוא מנתוני הקידוח/ניתוח של הפרויקט עצמו ותחזית מאומתת; המספר שנוצר על ידי ה-AI עשוי להיות ייצור ללא מקור ✔
- ב) היה צריך לבקש AI באונקים במקום בגרמים
- ג) הערך נכון, היה צריך להשתמש רק בנקודה במקום בפסיק
- ד) מספיק לשאול את ה-AI את אותה שאלה שלוש פעמים ולקחת את הממוצע
הסבר: מודל השפה אינו יודע את נתוני הקידוח של הפרויקט שלך; מייצר מספר שנראה סביר ביותר (הזיה). הציון מגיע רק מנתוני הקידוח המורכבים של הפרויקט ואומדן גיאוסטטיסטי; לא ניתן לכלול פלט AI בדוח ללא אישור של אדם מוסמך.
2. מה מאפשר 'סיווג מבוסס סיכונים' בשימוש בבינה מלאכותית בהנדסת כרייה?
- א) הורד את המחיר של כלי הבינה המלאכותית
- ב) קבע את תפקיד הבינה המלאכותית ואת עומק האימות המחייב בהתאם לרמת הסיכון של המשימה ✔
- ג) יש לכתוב הנחיות קצרות יותר
- ד) האצלה אוטומטית של כל ההחלטות ל-AI
הסבר: לא כל משימה נמצאת באותה רמת סיכון. סיווג המשימה כנמוך/בינוני/גבוה/קריטי קובע באיזה פלט ניתן להשתמש באופן חופשי ואיזה דורש אימות סטנדרטי ושטח ואישור מהנדס מוסמך.
3. מה מדגמן 'וריוגרמה' בגיאוסטטיסטיקה?
- א) צריכת דלק של הציוד
- ב) שינוי מחיר המתכת לאורך זמן
- ג) המשכיות מרחבית בהתאם למרחק; ✔ איך הדמיון פוחת ככל שהנקודות מתרחקות
- ד) תדר הרטט שנוצר בפיצוץ
תיאור: Variogram מתאר כיצד הדמיון של דגימות זו לזו פוחת (המשכיות מרחבית) ככל שהמרחק בין שתי נקודות גדל. Kriging משתמש במודל זה כדי להעריך נקודות לא מדודות עם מרווח של אי ודאות.
4. מהי הגישה הטובה ביותר כשבינה מלאכותית מסווגת מראש את הליתולוגיה מצילום ליבות מקדחה?
- א) עיבוד סוג הסלע שניתן על ידי AI ישירות לתוך יומן הקידוח
- ב) העתקת הטקסט של AI לדוח מבלי לבחון את התמונה כלל
- ג) ביטול התצפית של הגיאולוג והסתמכות על AI בלבד
- ד) ראה את הפלט כתחזית/השערה ראשונית ואמת אותו באמצעות תצפית גיאולוג וניתוח מעבדה ✔
תיאור: AI יכול ליצור חיזוי ורשימת תשומת לב מהתמונה; עם זאת, ההחלטה הסופית על הליתולוגיה/שינוי מתקבלת על ידי תצפית וניתוח מעבדה של הגיאולוג. פלט AI הוא התחלה, השערה שיש לאמת.
5. מה המשמעות של 'יחס סטריפינג' בתכנון בור פתוח?
- א) כמות החלודה (פסולת אבן) שיש להסיר כדי להגיע ליחידת עפרה אחת ✔
- ב) אחוז מתכת בעפרה
- ג) מספר נסיעות יומי של משאיות
- ד) כמות חומר הנפץ בשימוש בפיצוץ
תיאור: שיעור הפשטה הוא כמות הפסולת (רצועה/פסולת) שיש להסיר כדי להשיג יחידה אחת של עפרה. גבול הבור הסופי והכלכלה תלויים במידה רבה ביחס זה; למרות שבינה מלאכותית מייצרת תרחישים, החלטת הגבול היא של המהנדס המוסמך.
6. מה המשמעות של תחזוקה חזויה כאשר בינה מלאכותית מוצאת 'חריגות' בנתוני רטט וטמפרטורה?
- א) הוכחה שהציוד בהחלט כשל
- ב) אזהרה שהנתונים חורגים מהרגיל; זו לא אבחנה סופית של תקלה, אלא סימן שצריך לאשר אותו בבדיקה גופנית ✔
- ג) הוראה לעצור את הציוד באופן אוטומטי
- ד) להבטיח שהנתונים נרשמו בצורה שגויה
הסבר: אנומליה היא סטייה של נתונים מהתנהגות רגילה ועשויה להעיד על תקלה; אבל זו לא אבחנה סופית. ההחלטה על הפסקת הציוד או החלפת חלקים מתקבלת בבדיקה פיזית של צוות התחזוקה ובאישור מנהל התפעול.
7. מה חיוני לבטיחות בעת שימוש בבינה מלאכותית בתכנון תרגיל-פיצוץ?
- א) יישום המלצת AI ישירות בשטח
- ב) דילוג על מדידת רטט
- ג) אימות התכנון המוצע של AI עם מדידת שטח, מגבלה רגולטורית ואישור של מומחה פיצוץ מורשה ✔
- ד) תיקון כמות חומרי הנפץ עם המקסימום שניתן על ידי ה-AI
תיאור: פיצוץ; הוא נושא סיכונים בטיחותיים ורגולטוריים רציניים כמו רעידות, הלם אוויר ואבנים מעופפות. AI יכול לייצר סקיצה עיצובית והמלצת פרמטרים; עם זאת, התכנון הסופי חייב לעבור מדידת שטח, מגבלות רגולטוריות ואישור של מומחה הפיצוץ המורשה (מפוצץ/אחראי).
8. מה הקשר האופייני בין 'התאוששות' ו'דרגת ריכוז' בעיבוד מינרלים ומה צריך לזכור בינה מלאכותית כשמפרשים זאת?
- א) השניים תמיד מתרבים ביחד
- ב) אין קשר ביניהם
- ג) הקשר הוא קבוע וזהה בכל המתקנים
- ד) בדרך כלל יש איזון הפוך (תשואה יורדת ככל שהציון עולה); יש לאמת את הערכים בפועל על ידי בדיקות מתכות ואיזון מסה ✔
הסבר: ככלל, ככל שאנו מנסים להשיג ציון מרוכז גבוה יותר, התשואה יורדת (איזון כיתה-תשואה). בינה מלאכותית יכולה להסביר מגמה זו, אך ערכי הפעלה בפועל חייבים להיות מאושרים על ידי בדיקות מתכות ואיזון מסה; המגמה הכללית אינה תחליף למציאות ספציפית לאתר.
9. מהו השימוש המתאים ביותר בניתוח נתוני כמעט החמצה/תאונות עם AI בבטיחות בעבודה?
- א) סיווג רשומות טקסט חופשי וחילוץ דפוסי סיכון חוזרים; השאירו את ההחלטה למומחה לשמירה על הבריאות ✔
- ב) לקבוע אוטומטית את האשם בתאונות
- ג) האצלת צווי הפסקת עבודה לבינה מלאכותית
- ד) ארכיון רשומות כמעט-פספוס מבלי לעיין בהן
תיאור: AI יכול לסווג כמויות גדולות של רשומות טקסט חופשי ולחלץ במהירות דפוסים חוזרים ומצבים מסוכנים. עם זאת, ההחלטה על הפסקת עבודה, פינוי שטח או גורם שורש מתקבלת במסגרת המומחה לשמירה על הבריאות והחקיקה; פלט AI הוא קלט, לא החלטה.
10. מדוע 'האצת קצב העיוות' היא סימן קריטי בנתוני מכ"ם/פריזמה בניטור שיפועים?
- א) זה בהחלט מצביע על כך שמכשיר המדידה מקולקל.
- ב) זה עשוי לבשר על תבוסה מתקדמת; החלטת התרעה מוקדמת ופינוי שייכת למהנדס הגיאוטכני ✔
- ג) זה מראה שהמדרון בטוח לחלוטין
- ד) זה משמעותי רק כשיש משקעים ואפשר להתעלם ממנו
הסבר: לפני כשלים בשיפוע, נצפית בדרך כלל עלייה הדרגתית בקצב העיוות (האצה); זה עשוי להיות סימן לכישלון מתקדם. בינה מלאכותית יכולה להדגיש את המגמה, אך החלטת הפינוי/התרעה המוקדמת מתקבלת על ידי הניתוח והפרוטוקול של המהנדס הגיאוטכני.
11. בניטור סביבתי, מהי התגובה המדויקת ביותר לסימן 'חריגה' ש-AI מוצא בסדרת זמן איכות מים?
- א) דיווח על פלט AI ישירות לסוכנות הממשלתית
- ב) התעלם מהאזהרה והמשך לצפות
- ג) אמת עם תוצאת מעבדה מוסמכת, מגבלה רגולטורית והערכת מהנדס סביבה ✔
- ד) הסתמכות רק על AI וביטול ניתוח מעבדה
תיאור: AI עשוי לאותת על פריצה אפשרית מוקדם; עם זאת, החלטת ההתאמה הרשמית מתקבלת על ידי ניתוח מעבדה מוסמך, ערכי גבול בחקיקה והערכת מהנדס הסביבה. פלט AI הוא התראת מיון, לא החלטה משפטית/טכנית.
12. מהי הדרך האמינה ביותר להימנע מלקבל התייחסות מורכבת (הזויה) כאשר אתה מבקש מה-AI את מספר הסעיף של תקן כגון JORC או NI 43-101?
- א) בהסתמך על מספר הפריט שניתן על ידי ה-AI
- ב) שואלים שוב את אותה שאלה במילים שונות
- ג) התבוננות בפוסט בבלוג במקום בסטנדרט
- ד) פתיחה ואישור של כל התייחסות למאמר מהטקסט הרשמי הנוכחי של התקן וקבלת אישור מאדם מוסמך ✔
הסבר: למרות שמודל השפה יודע את שם התקן בצורה נכונה, הוא עלול להזות את מספר המאמר והטקסט. כל התייחסות לחומר חייבת להיפתח ולאשר מהטקסט הרשמי הנוכחי של התקן וההתאמה הסופית חייבת להיות מאושרת על ידי האדם המוסמך (CP/QP).
13. מהי הבדיקה הקריטית ביותר לפני הפעלת סקריפט ניתוח Python שנכתב ב-AI?
- א) קריאת הקוד ואימות התאמת יחידה/עמודה, בדיקה עם נתונים ידועים קטנים ובדיקת סבירות התוצאה ✔
- ב) הפעלת הקוד ישירות על כל מערך הנתונים מבלי לקרוא אותו
- ג) רק לראות שאין טעות ולקבל את התוצאה
- ד) הסתמכות על הגרפיקה של הפלט כדי להיראות יפה.
תיאור: קוד AI עשוי לערבב יחידות, להניח שמות עמודות שגויים או להפיל שורות בשקט. חיוני לקרוא את הקוד, לוודא התאמת נפח ועמודות, לבדוק עם כמות קטנה של נתונים ידועים ולבדוק אם התוצאה הנדסית סבירה.
14. מהי ההתנהגות הטובה ביותר מבחינת פרטיות בעת מתן נתוני כרייה לכלי AI מבוסס ענן?
- א) הדבקת כל הנתונים הגולמיים כפי שהם
- ב) הפוך את ההקשר לאנונימי ונקה נתוני רזרבה/תיאום/ייצור רגישים והשתמש בכלי תאגידי התואם מדיניות ✔
- ג) בהנחה שמתן קואורדינטות בפועל חיוני לאיכות התוצאה
- ד) התעלמות כלל ממדיניות הפרטיות
הסבר: נתוני מילואים, מידע רישיון/תיאום ונתוני ייצור רגישים מבחינת סודות מסחריים וחקיקה. יש צורך לאנונימי את ההקשר, לנקות את הקואורדינטות והשמות האמיתיים, לבחור בכלי הבטחת החברה/פרטיות ולעמוד במדיניות החברה.