Dobici:
- Sposobnost učinkovite upotrebe umjetne inteligencije u obradi, kontroli kvalitete i izvješćivanju o laboratorijskim rezultatima
- Sposobnost ubrzavanja izrade geoloških/geotehničkih izvješća, pregleda literature i sažetka podataka pomoću AI
- Mogućnost osiguranja automatski generiranog sadržaja sljedivosti, potvrde izvora i odobrenja inženjera
U uredu se odvija nevidljiv, ali veliki dio posla inženjera geologije: obrada laboratorijskih rezultata, kontrola kvalitete, tabeliranje podataka, pisanje izvješća, skeniranje literature te priprema karata i slika. Ovi poslovi se ponavljaju, oduzimaju vrijeme i pozornost; Upravo je to područje gdje umjetna inteligencija najviše štedi vrijeme. Ali i ovdje postoji zamka: izvješće je službena osnova za inženjersku odluku. Izmišljeni izvor, pogrešno kopirani broj ili tvrdnja kojoj se ne može ući u trag mogu nezapaženo kliznuti u tekući tekst, a posljedice mogu biti ozbiljne. Cilj ove jedinice je uspostaviti disciplinu koja nikada ne opušta sljedivost, potvrdu izvora i odobrenje inženjera uz korištenje umjetne inteligencije u end-to-end uredskoj učinkovitosti.
U ovoj jedinici pokrit ćemo tri uredska fronta: laboratorijsku obradu rezultata i QA/QC (čišćenje i osiguranje podataka analize), izradu izvješća i literature (izrada nacrta, sažetaka i ubrzanje pregleda) i automatizaciju tijeka rada (regulariziranje zadataka koji se ponavljaju). U svakom koraku AI je crtač i organizator; Točnost, izvor i konačno odobrenje sadržaja pripadaju inženjeru.
Laboratorijska obrada rezultata i QA/QC
Laboratorijski rezultati (analize stupnja, testovi indeksa tla, kemija vode) često stižu u različitim formatima, u različitim jedinicama, a ponekad i netočni. AI uklapa ove podatke u jednu shemu, bilježi nedosljednost jedinica, oznake ispod granice detekcije i provjerava QA/QC uzorke (prazni uzorak, standardni referentni materijal, ponovna analiza). QA/QC (osiguranje kvalitete/kontrola kvalitete) je inspekcija kojom se dokazuje pouzdanost laboratorija: ako postoji kontaminacija u slijepom uzorku, odstupanje u standardu, nesukladnost u ponovljenom uzorku, podaci su upitni.
Kritična točka: AI nikada tiho ne briše ili ispravlja vrijednost. Njegov je posao označiti problematične linije i prepustiti inženjeru da donese odluku. Outlier može biti prava visoka ruda ili laboratorijska pogreška; Inženjer pravi ovu razliku s kontekstom. Umjetna inteligencija provjerava podatke, ne čisti ih.
Savjet: Ponovite pravilo "samo označi, ne mijenjaj" na svakom upitu prilikom obrade laboratorijskih podataka. Najpodmuklija pogreška umjetne inteligencije je kada pokvari sirove podatke "ispravljajući" vrijednost s dobrim namjerama, a da toga nije svjestan.
Izrada izvješća i literature
AI je moćan sastavljač u pisanju izvješća: sastavlja odjeljak o metodi, uvodni kontekst, sažetak zaključka u minutama; sažima dugu literaturu; Pretvara složenu tablicu u običan tekst. Ali dvije su opasnosti evidentne. Prvi je izmišljeni izvor: model može pouzdano generirati nepostojeći članak, lažnog autora ili nepostojeći kanonski članak. Drugo, pogreška u rukovanju brojevima: stupanj, sigurnosni koeficijent ili dubina mogu se netočno prenijeti prilikom prelaska u tekst.
Dakle, zlatno pravilo: AI proizvodi nacrt, inženjer ga provjerava i posjeduje. Svaki izvor je potvrđen iz izvornika (apokrifne reference su najčešći tip halucinacije); svaki se broj uspoređuje s neobrađenim podacima; Svaka tehnička tvrdnja testirana je inženjerskim znanjem. Nakon što je izvješće potpisano, odgovornost za svaku rečenicu u njemu leži na potpisniku — “AI je to napisao” nije isprika.
Pažnja: Nikada ne prihvaćajte bibliografiju koju je izradila umjetna inteligencija takvu kakva jest. Izmišljene, ali realne reference (naizgled točan autor, časopis, godina) najčešće su i opasne halucinacije. Provjerite svaku referencu prema neovisnoj bazi podataka.
Automatizacija tijeka rada i sljedivost
Automatiziranje zadataka koji se ponavljaju (obrada mjesečnih podataka praćenja vode, ispunjavanje standardnog predloška izvješća, kombiniranje tablica bušenja) s umjetnom inteligencijom pruža veliku učinkovitost. Ali automatizacija također može automatizirati pogrešku: pogrešno pravilo jednom uspostavljeno tiho se ponavlja pri svakom pokretanju. Zato automatizirani tijek rada mora biti sljediv: bilježi koji ulaz, koji korak, iz koje verzije modela dolazi svaki izlaz; Kada se pronađe pogreška, mora se moći pratiti glavni uzrok i svi pogođeni rezultati.
Sljedivost u praksi znači: bilježe se izvor i datum ulaznih podataka, primijenjene transformacije, korištena verzija upita/modela i korak ljudskog odobrenja. Ovo osigurava i otklanjanje pogrešaka i inženjersku odgovornost. Nekontrolirana automatizacija, koliko god brza bila, neprihvatljiva je u poslovanju kritičnom za sigurnost.
Tri mini kućišta: po brojevima
Slučaj 1 — Hvatanje QA/QC pomaka. Jedna laboratorijska pošiljka sadržavala je 320 uzoraka. AI QA/QC skrining označio je standardni referentni materijal kao sustavno 8% ispod očitanja tijekom zadnjih 40 uzoraka — pomak kalibracije instrumenta. Ova sustavna pogreška bila je problem koji je bilo vrlo teško otkriti ručno, ali je utjecala na cijelu seriju; Pošiljka je ponovno analizirana. On nije odredio uzorak, on je učinio uzorak vidljivim.
Slučaj 2 — Izmišljeni izvor. AI je sastavio literaturni dio geotehničkog izvješća i izradio šest referenci. Tijekom provjere utvrđeno je da dva od njih nikada nisu postojala, a jedan je pripisan pogrešnom dnevniku. Da reference nisu provjerene jedna po jedna u neovisnoj bazi podataka, izmišljeni izvori bi ušli u potpisano inženjersko izvješće. Propuh se ubrzao; Potvrda spremljena.
Slučaj 3 — Glavni uzrok sa sljedivošću. U automatizaciji mjesečnog praćenja vode, vrijednosti promatračkog bunara prijavljene su u pogrešnoj jedinici za tri mjeseca. Zahvaljujući zapisu o sljedivosti, u roku od nekoliko minuta pronađeno je u kojem je koraku pretvorbe pogreška započela te je stvoren potpuni popis tri pogođena izvješća. Da se ne vodi nikakva evidencija, ostalo bi nejasno koji su ispisi oštećeni i cijela bi arhiva bila sumnjiva.
Slab upit / Jak upit
Slab upit:
Napišite geotehničko izvješće za ovaj projekt, uključite literaturu. [podaci]
Snažan upit:
Vaša uloga: Sastavljač izvješća. NACRTITE izvješće sa sljedećim podacima, ali: 1) Na temelju SAMO podataka koje dajem; NEMOJTE izmišljati broj, izvor ili nalaz. 2) Pokažite u zagradama iz koje linije unosa dolazi svaki broj. 3) Umjesto izmišljanja stvarnog izvora za literaturu, stavite rezervirano mjesto "ovdje će se dodati provjereni izvor o [temi]". 4) Označite gdje god niste sigurni kao "ZAHTJEVA POTVRDU INŽENJERA". Konačni sadržaj i sve izvore provjerit ću ja. Podaci su anonimni.
Četiri predloška za kopiranje
1) Laboratorijska QA/QC inspekcija:
Provjerite tablicu laboratorijskih rezultata: odstupanje jedinica, znakovi ispod granice detekcije, kontaminacija u slijepom uzorku, sustavno odstupanje standardne reference, nesukladnost u ponovljenom uzorku. Označite samo problematične retke s example_id; Nemojte brisati niti ispravljati vrijednosti. Odluka je moja.
2) Nametnite potvrdu izvora:
Izvucite sve numeričke tvrdnje i navode izvora u ovom tekstu i napravite popis za provjeru: unos na kojem se temelji svaki broj, citat svakog izvora koji treba potvrditi. Izrada izvora; Označite "mora biti potvrđeno" gdje ne možete potvrditi.
3) Okvir zapisa sljedivosti:
Predložite predložak zapisa sljedivosti za ovaj automatizirani tijek rada: izvor unosa i datum, primijenjene transformacije, korištena verzija upita/modela, korak ljudskog odobrenja. Pokažite kako doći do temeljnog uzroka i zahvaćenih izlaza kada se pronađe pogreška.
4) Provjera dosljednosti izvješća:
Skenirajte svoj nacrt izvješća radi interne dosljednosti: odgovaraju li brojevi u sažetku tijelu, jesu li tablice i tekst u sukobu, jesu li jedinice dosljedne u cijelosti, postoje li nedefinirane kratice? Navedite probleme; Odluka o sadržaju je moja.
Uredska dužnost, zarada i kontrola
Potraga
AI dobitak
Glavni rizik
Obavezna provjera
Laboratorijska obrada podataka
visoka
Tihi ispravak
"Označi, izbriši" + neobrađeni podaci
QA/QC inspekcija
visoka
Ne propustite slajd
Slijepo/standardno/ponovna potvrda
Prijavite nacrt
visoka
Izmišljeni problem/izvor
Broj i potvrda izvora
Pregled literature
visoka
Izmišljena referenca
Neovisna provjera baze podataka
automatizacija tijeka rada
vrlo visoko
Ponavljanje greške
Zapis o sljedivosti
Savjet: Prije postavljanja automatizacije, pitajte "kako ću znati radi li ovaj tijek rada neispravno?" Odgovorite na pitanje. Ako odgovor nije jasan, prvo dodajte sljedivost i kontrolne točke; Brzina dolazi nakon upravljivosti.
Uobičajene greške
- Ispravljanje vrijednosti tiho. AI "poboljšanje" sirovih podataka najpodmuklija je pogreška; pravilo bi uvijek trebalo biti "označi, ne mijenjaj".
- Ne provjerava bibliografiju. Izmišljene reference najčešća su halucinacija; Svaki otisak mora biti neovisno ovjeren.
- Ne provjeravam prijenos broja. Tenor ili sigurnosni koeficijent koji se pogoršava pri prelasku u tekst skriven je u tečnom tekstu.
- Uspostavljanje automatizacije kojoj se ne može pratiti. U tijeku rada koji ne vodi evidenciju, glavni uzrok i učinak pogreške ne mogu se utvrditi.
- Potraživši utočište u izgovoru da je "AI to napisao". Za svaku potpisanu rečenicu odgovornost snosi potpisnik; odobravanje se ne može opustiti.
Ukratko
- Uredski rad je područje u kojem umjetna inteligencija štedi najviše vremena; Ali izvješće je službena osnova za odluku, a pogreške su skupe.
- U laboratorijskim podacima AI revidira, a ne čisti; pravilo je "označi, izbriši/ispravi", odluka je na inženjeru.
- Laženje izvora i brojeva u izvješćima i literaturi najčešći su rizici; Svaki izvor i broj je provjeren.
- Automatizacija može povećati pogrešku kao i brzinu; Zapis o sljedivosti osigurava glavni uzrok i pogođene rezultate.
- Inženjer je odgovoran za potpisani sadržaj; "AI je to napisao" nije isprika.
Zadatak aplikacije
Primite anonimiziranu tablicu laboratorijskih rezultata (ili reprezentativne podatke). Imati linije problema s oznakom modela s predloškom "Laboratorijska kontrola kvalitete/kontrole kvalitete"; svjesno sustavno pomicati standardnu referentnu vrijednost i testirati hvata li je model i pokušava li izbrisati vrijednost. Zatim izradite kratak odjeljak izvješća i svaki problem i izvor u njemu stavite na popis za provjeru pomoću predloška "izazov provjere izvora".
popis za provjeru
- [ ] Uvijek primjenjujem pravilo "označi, izbriši/ispravi" na AI na laboratorijskim podacima.
- [ ] Laboratorijsku pouzdanost provjeravam QA/QC uzorcima (prazni, standardni, ponovljeni).
- [ ] Neovisno provjeravam svaki izvor i broj u izvješću i literaturi.
- [ ] Postavio sam automatizaciju radnih procesa sa sljedivosti.
- [ ] Prihvaćam da snosim punu odgovornost za sadržaj koji potpisujem.