Bányászati adatok elemzése a Python és az AI határai segítségével

Nyereség:

• Képes olyan szkriptek előállítására, amelyek megtisztítják és megjelenítik a fúrási, előállítási és megfigyelési adatokat Python segítségével, mesterséges intelligencia támogatással
• Az adatminőségi, az áttanulási és az extrapolációs kockázatok felismerése egyszerű előrejelzési és anomália modellek felépítése során
• Képes az AI által generált kód és eredmény ellenőrzésére egységvezérléssel, független számítással és mérnöki hitelességgel

Ennek a modulnak minden egységében láthatta, hogy a mesterséges intelligencia erőteljes kódolást biztosít: fúrólyuk tisztítás, tömegmérleg, kriging váz, flottaösszegzés, rezgéselemzés, környezeti szkennelés. Ez az utolsó egység a Pythonra, a kód konkrét eszközére, valamint az AI-val történő kódgenerálás megfelelő fegyelmére összpontosít. A Python a bányászati ​​adatelemzés de facto szabványává vált, mivel ingyenes, hatékony könyvtárai vannak (pandas: táblázatos adatkezelés; numpy: numerikus számítás; matplotlib: ábrázolás; scikit-learn: gépi tanulás), és automatizálja az ismétlődő feladatokat. Az AI megszorozza a kód írási sebességét; de az általa előállított kód nem mindig helyes. Ennek az egységnek a központi elve: Soha ne futtassa az AI által írt kódot anélkül, hogy először elolvasta volna, nem ellenőrizné az egységet, és nem tesztelné kis mennyiségű ismert adattal. A kód csendben rossz eredményt produkálhat, ami rossz mérnöki döntéssé válhat a bányászatban.

A kód generálásának alapvető folyamata AI-val

A kód lekérése az AI-tól egy mérnöki ciklus, nem pedig beszélgetés:

1. Világosan írja le a feladatot! Bemenet (oszlopok, mértékegységek, minta sor), kívánt kimenet és megszorítások. A kétértelmű kérés kétértelmű kódot eredményez.
2. Kérje meg, hogy kicsi és olvasható legyen. Kérjen lépésről lépésre, megjegyzésekkel ellátott kódot egy óriási funkció helyett.
3. Olvassa el és értse meg. Értsd meg, mit csinálnak az egyes sorok; Ne fuss olyan kódot, amit nem értesz.
4. Tesztelje kis adatokkal. Futtassa manuálisan 5-10 sorral, amelyek eredményeit ismeri, és ellenőrizze a várt kimenetet.
5. Kérdéséles esetek. Üres cella, negatív érték, mértékegységkeverés, ismétlődő rekord Hogyan viselkedik a kód?
6. Méretezés és logika ellenőrzése. Futtassa az összes adatot; Műszakilag ésszerű az eredmény?

Tipp: A leggyakoribb hibák az AI kód ​​bevitelekor némák: rossz oszlopnév, mértékegységkeverés (m vs ft, g/t vs ppm), csendesen eldobott sorok (mint például a dropna), rossz átlag (egyszerű átlag, amikor súlyozni kell). Ezek nem okoznak hibát; Csak rossz számot produkál. Tehát a "nem kaptam hibát" soha nem azt jelenti, hogy "helyes".

Tipikus Python feladatok a bányászatban

• Adattisztítás: Fúrási/termelési/ellenőrzési táblázatok összevonása, inkonzisztencia-jelző, egységnormalizálás.
• Összegzés és megjelenítés: Hisztogram, idősorok, minőség-űrtartalom görbe, OEE grafikonok.
• Statisztika és geostatisztika: Összefoglaló statisztika, korreláció, variogram/kriging (speciális könyvtárakkal).
• Anomália észlelése: Küszöb alapú vagy egyszerű modell alapú drift rögzítés.
• Egyszerű előrejelzési modellek: Például köszörülési méret-hozam kapcsolat regresszióval.

A legtöbb ilyen feladathoz az AI kiváló kezdőkódot biztosít. De van két buktatója: az adatminőség és a modellkorlátok. Mindkettő ismerete kulcsfontosságú az AI-kód biztonságos használatához.

A modell határai: túltanulás és extrapoláció

A mesterséges intelligencia által könnyen elkészíthető egyszerű prediktív modellek két fő kockázatnak vannak kitéve. Túlillesztés: A modell megjegyzi az edzési adatokat, de gyengén teljesít az új adatokon; Kevés adattal rendelkező komplex modellek felépítése ezt teszi lehetővé. Extrapoláció: A modell megbízhatatlanná válik, ha arra kényszerítik, hogy előrejelzést adjon a betanítási adatokon kívül eső tartományban; Például egy 0,3-0,8 g/t tartományban tanult modell értelmetlen eredményeket adhat 5 g/t esetén. A mesterséges intelligencia nem „spontán módon” kezeli ezeket a kockázatokat Ön helyett; Az Ön feladata, hogy kritikusan olvassa el a modellt, tegyen különbséget a képzés/teszt között, nézze meg a konfidencia intervallumot, és ellenőrizze, hogy az előrejelzés fizikailag elfogadható-e. Bármilyen pontosnak tűnik is egy modellszám, az adattartományon kívül nem lehet mérnöki döntés alapja.

három mini tok

1. eset – Csendes hangerő-hiba. Egy mérnök olyan kódot szeretne, amely arra készteti az AI-t, hogy a vizsgálati adatokból kiszámítsa az átlagos fokozatot. A kód működik, az eredmény 2,1 g/t. A mérnök beolvassa a kódot; Figyeljük meg, hogy az átlagot nem súlyozzuk az intervallum hosszával, hanem egyenes átlagnak vesszük. A rövid időközönként elért magas jegyek méltánytalanul híztak. A súlyozott átlagra lépve az érték 1,7 g/t-ra csökken. A kód nem adott hibát; az olvasás észlelte a hibát.

2. eset – Csendes vonal kihagyása. Egy gyártási összefoglaló kódban az AI a dropna segítségével kitisztította a hiányzó értékeket tartalmazó sorokat. A kód zökkenőmentesen fut, de a teljes mennyiséget alulbecsülik, mert néhány érvényes sor teljesen kimaradt egyetlen üres oszlop miatt. Amikor a mérnök összehasonlítja a bemeneti és kimeneti sorok számát, látja a különbséget, és kijavítja a tisztítási logikát. Tanulság: mindig hasonlítsa össze a bemeneti és kimeneti sorok számát.

3. eset – Extrapolációs csapda. Egy csapat egy alacsony fokozatú tartományban tanult regressziós modellt alkalmaz egy magas fokozatú területre; A modell abszurdan magas hozambecslést ad. Szerencsére a mérnök visszautasítja az eredményt, mondván "ez a terület messze kívül esik a modell által látott tartományon", és kohászati ​​vizsgálatot kér. Tanulság: ismerje meg az adatok körét, amelyre a modell érvényes; Ne használjon állapoton kívüli becslést.

Másolható prompt sablonok

BIZTONSÁGOS ADATTISZTÍTÁSI KÓD "Szerep: Ön Python adatelemző asszisztens. Írjon kódot pandákkal, amely kitisztítja a következő táblázatot. Oszlopok és mértékegységek: [lista]. Szabályok: (1) kinyomtatja a sorok számát A sorok eldobása ELŐTT és UTÁNA; (2) jelenti, hogy mely sorok kerültek eldobásra, és miért használta a konverziós súlyt; (3) ahelyett, hogy a szükséges súlyt használta a megjegyzések átlaga; (3) ahol szükséges. Magyarázza meg az egyes lépéseket egy megjegyzéssorral."

KÓD FELÜLVIZSGÁLATI KÉRÉS" Magyarázza meg soronként a következő Python-kódot, és mutasson rá a következő kockázati pontokra: helytelen oszlopnév feltételezés, egységzavar, néma sordobás, lapos/súlyozott átlaghiba, szélső kis- és nagybetűk (null/negatív) viselkedés. NE KIJAVÍTSA a kódot, csak sorolja fel a kockázatokat. Kód: [beillesztés]."

TESZT BEÁLLÍTÁS KIS ADATOKKAL "Ennél a funkciónál készíts manuálisan egy kis tesztadatot (5-6 sor), aminek tudom az eredményét és a várható kimenetet; írj egy tesztblokkot, ami ellenőrzi, hogy a függvény megfelelően működik-e ezeken az adatokon. Teszteld az extrém eseteket is (üres cella, negatív, mértékegység szélsőérték). Funkció: [beillesztés]."

EGYSZERŰ MODELL + HATÁR FIGYELMEZTETÉS"Állítson be egyszerű regressziót [x -> y] számára a következő adatokkal. Tegyen különbséget az edzés/tesztelés között, jelentse a hibamutatót, és egyértelműen adja meg azt az x tartományt, amelyen belül a modell ÉRVÉNYES. Figyelmeztetés, ha a jóslatok ezen a tartományon KÍVÜL KÍVÜL. Megjegyzés az adatok túledzésének kockázatához.."

Gyenge felszólítás / Erős felszólítás

GYENGE PROMPT: "Számítsa ki az átlagos osztályzatot ezekből az adatokból."

ERŐS PROMPT:"Szerep: Ön Python-asszisztens. Oszlopok: HoleID, From(m), To(m),Au(g/t). Súlyozott átlagérték kiszámítása intervallum hosszával. Kód: (1) nyomtassa ki a bemeneti/kimeneti sorok számát; (2) jelentse a null/negatív értékeket, mielőtt eldobná őket. kézzel. Adatok: [beillesztés]."

Összehasonlító táblázat: kockázat és elővigyázatosság

Kockázat

tünet

elővigyázatosság

Egység interferencia

Ésszerű, de rossz szám

Írja megjegyzésbe az egységet a kódban, ellenőrizze

Csendes vonal csepp

Összesen hiányzik

Hasonlítsa össze a bemeneti/kimeneti vonalak számát

Sima vs súlyozott átlag

rossz átlag

Ellenőrizze a súlyozást

túltanulás

Rossz a tesztadatokon

A képzés és a tesztelés szétválasztása, legyen egyszerű

extrapoláció

Hülye találgatás tartományon kívül

Érvényes tartomány korlátozása

Gyakori hibák

• A kód futtatása olvasás nélkül. A „nincs hibaüzenet” nem jelenti azt, hogy igaz.
• Nem kis adatokkal tesztel. A bizalom ellenőrizhető példa nélkül hamis.
• Nem hasonlítjuk össze a bemeneti/kimeneti vonalak számát. Így szöknek meg a csendes veszteségek.
• A modellválaszték figyelmen kívül hagyása. Az extrapolációs becslések megbízhatatlanok.
• Bízva a diagram szépségében. Egy stílusos diagram elrejtheti a rossz számot.

Figyelem: Ha az AI-kód egy mérnöki fiókba kerül, ez a kód ugyanolyan felelősségteljes, mint egy fiók. Ha az eredmény bányászati ​​döntéssé válik, futtassa le a kódot és annak kimenetét egy független logikai ellenőrzésen és egy második módszerrel történő összehasonlításon keresztül, ha lehetséges.

Összefoglalva

A Python az adatelemzés de facto eszköze, és az AI nagymértékben megnöveli az írási sebességet. Az AI-kód azonban rejthet magában rejtett hibákat (egységzavar, sorkihagyás, rossz átlagolás) és modellcsapdákat (túltanulás, extrapoláció). Biztonságos áramlás: világosan írjon le, kicsi és olvasható, olvassa és értse, tesztelje kis ismert adatokkal, lekérdezze az éles eseteket, méretezési és logikai ellenőrzés. A modellkimenet nem lehet az adattartományon kívüli döntés alapja; és minden kód annyi felelősséget hordoz, mint egy számla, ha bányászati ​​döntéssé válik.

Pályázati feladat

Használja a „Biztonságos adattisztítási kód” sablont osztályzatátlagolási vagy termelési összefoglaló feladattal, hogy megkapja a kódot az AI-tól; A „Kód-ellenőrzési kérelem” sablon segítségével mentesítse a kód kockázatát. Ezután a „Teszt beállítás kis adatokkal” sablonnal hozzon létre manuálisan egy adatkészletet, amelynek eredményeit ismeri, és ellenőrizze a kódot. Végül egy egyszerű kapcsolathoz állítson be egy modellt az "Egyszerű modell + határérték figyelmeztetés" sablonnal, és tesztelje, hogy figyelmeztetést ad-e, ha az érvényes tartományon kívülre kerül.

ellenőrző lista

• [ ] Elolvastam az AI kódot és minden sorát megértettem, nem vakon futtattam.
• [ ] Kis, manuálisan ellenőrizhető adatokkal teszteltem.
• [ ] Összehasonlítottam a bemeneti és kimeneti vonalak számát.
• [ ] Ellenőriztem az egységkonzisztenciát és a súlyozást.
• [ ] Korlátoztam a modell érvényes adattartományát, elkerülve az extrapolációt.
• [ ] Az eredményt, amiből döntés lett, független logika/másodperc módszerrel ellenőriztem.

Modul vizsga

1. Egy gyakornok megkérdezi az AI chat eszközt az érctest átlagos minőségéről, és az eredményül kapott „1,8 g/t arany” értéket közvetlenül a tartalékjelentésbe írja. Mi az alapvető hiba ebben a megközelítésben?

• A) A minőségi értéknek a projekt saját fúrási/elemzési adataiból és ellenőrzött előrejelzéséből kell származnia; Az AI által generált szám forrás nélküli kitaláció lehet ✔
• B) Az AI-t gramm helyett unciában kellett volna kérni
• C) Az érték helyes, vessző helyett csak pontot kellett volna használni
• D) Elég, ha háromszor feltesszük ugyanazt a kérdést az MI-nek, és felvesszük az átlagot

Magyarázat: A nyelvi modell nem ismeri a projekt fúrási adatait; a legvalószínűbbnek tűnő számot produkál (hallucináció). Az osztályzat csak a projekt saját összetett fúrási adataiból és geostatisztikai becsléséből származik; Az AI-kimenet nem szerepelhet a jelentésben illetékes személy jóváhagyása nélkül.

2. Mit tesz lehetővé a „kockázat alapú osztályozás” a mesterséges intelligencia bányászati ​​mérnöki alkalmazásában?

• A) Csökkentse az AI eszköz árát
• B) Határozza meg az AI szerepét és az ellenőrzés kötelező mélységét a feladat kockázati szintjének megfelelően ✔
• C) A felszólításokat rövidebbre kell írni
• D) Minden döntés automatikus delegálása az AI-ra

Magyarázat: Nem minden küldetés azonos kockázati szinten. A feladat alacsony/közepes/magas/kritikus besorolása meghatározza, hogy melyik kimenet használható szabadon, és melyikhez van szükség szabványos és helyszíni ellenőrzésre, valamint hozzáértő mérnöki jóváhagyásra.

3. Mit modellez a 'variogram' a geostatisztikában?

• A) A berendezés üzemanyag-fogyasztása
• B) A fémár időbeli változása
• C) Térbeli folytonosság a távolság függvényében; ✔ hogyan csökken a hasonlóság a pontok távolodásával
• D) A robbantással létrehozott rezgési frekvencia

Leírás: A Variogram leírja, hogy a minták egymáshoz való hasonlósága hogyan csökken (térbeli folytonosság) a két pont közötti távolság növekedésével. A Kriging ezt a modellt használja a nem mért pontok becslésére, bizonytalansági határ mellett.

4. Mi a legjobb megközelítés, amikor a mesterséges intelligencia előzetesen osztályozza a litológiát a fúrómag-fotózásból?

• A) Az AI által megadott kőzettípus feldolgozása közvetlenül a fúrási naplóba
• B) A mesterséges intelligencia szövegének bemásolása a jelentésbe anélkül, hogy a fényképet egyáltalán megvizsgálná
• C) A geológus megfigyelésének visszavonása és kizárólag az AI-ra támaszkodva
• D) Tekintse az eredményt előzetes előrejelzésnek/hipotézisnek, és igazolja geológus megfigyeléssel és laboratóriumi elemzéssel ✔

Leírás: A mesterséges intelligencia előrejelzést és figyelemfelhívást tud generálni a képből; A végső litológiai/módosítási döntést azonban a geológus megfigyelése és laboratóriumi elemzése hozza meg. Az AI kimenet egy kezdet, egy hipotézis, amelyet ellenőrizni kell.

5. Mit jelent a „csupaszítási arány” a nyitott pit tervezésben?

• A) A rozsda (hulladék kőzet) mennyisége, amelyet el kell távolítani, hogy elérje az egységnyi ércet ✔
• B) Fém százalékos aránya az ércben
• C) Teherautók napi utazásainak száma
• D) A robbantáshoz használt robbanóanyag mennyisége

Leírás: A leválasztási sebesség az a hulladékmennyiség (csík/hulladék), amelyet el kell távolítani egy egységnyi érc eléréséhez. A végső gödörhatár és a gazdaságosság nagymértékben ettől az aránytól függ; Annak ellenére, hogy a mesterséges intelligencia forgatókönyveket generál, a határ döntése az illetékes mérnökön múlik.

6. Mit jelent a prediktív karbantartás során, ha a mesterséges intelligencia „anomáliákat” talál a rezgési és hőmérsékleti adatokban?

• A) Annak igazolása, hogy a berendezés határozottan meghibásodott
• B) Figyelmeztetés, hogy az adatok eltérnek a normáltól; Ez nem a meghibásodás végleges diagnózisa, hanem olyan jel, amelyet fizikális vizsgálattal kell megerősíteni ✔
• C) Rendelje meg a berendezés automatikus leállítását
• D) Garantálja, hogy az adatokat hibásan rögzítették

Magyarázat: Az anomália az adatok eltérése a normál viselkedéstől, és hibás működésre utalhat; de ez nem végleges diagnózis. A berendezés leállítására vagy az alkatrészek cseréjére vonatkozó döntést a karbantartó csoport fizikai vizsgálata és az üzemeltetési vezető jóváhagyása alapján hozzák meg.

7. Melyik elengedhetetlen a biztonság szempontjából, amikor mesterséges intelligenciát alkalmazunk a fúrósütéses tervezésben?

• A) Az AI ajánlás végrehajtása közvetlenül a terepen
• B) Rezgésmérés kihagyása
• C) Az AI által javasolt terv ellenőrzése helyszíni méréssel, hatósági határértékkel és hivatalos robbantási szakértő jóváhagyásával ✔
• D) A robbanóanyag mennyiségének rögzítése az AI által megadott maximummal

Leírás: Robbantás; Komoly biztonsági és szabályozási kockázatokat hordoz magában, mint például a vibráció, a légsokk és a repülő kövek. Az AI tervezési vázlatot és paraméterajánlást készíthet; A végleges tervnek azonban meg kell felelnie a terepi mérésnek, a szabályozási határértékeknek és a felhatalmazott robbantási szakértő (detonátor/felelős) jóváhagyásának.

8. Mi a tipikus kapcsolat a 'visszanyerés' és a 'koncentrátumminőség' között az ásványfeldolgozás során, és mire kell az AI-nak emlékeznie ennek értelmezésekor?

• A) A kettő mindig együtt nő
• B) Nincs kapcsolat közöttük
• C) A kapcsolat állandó és minden létesítményben azonos
• D) Általában fordított mérleg van (a hozam az osztályzat növekedésével csökken); A tényleges értékeket kohászati vizsgálattal és tömegmérleggel kell igazolni ✔

Magyarázat: Általában, ha nagyobb koncentrált minőséget próbálunk elérni, a hozam csökken (minőség-termés egyensúly). A mesterséges intelligencia megmagyarázhatja ezt a tendenciát, de a tényleges üzemi értékeket kohászati ​​tesztekkel és tömegmérleggel kell megerősíteni; az általános trend nem helyettesíti a helyspecifikus valóságot.

9. Mi a legmegfelelőbb módszer a közeli balesetekre/balesetekre vonatkozó adatok mesterséges intelligenciával történő elemzésére a munkavédelemben?

• A) A szabad szöveges rekordok osztályozása és az ismétlődő kockázati minták kinyerése; Bízza a döntést az OHS szakértőre ✔
• B) Automatikusan határozza meg a balesetek tettesét
• C) A munkabeszüntetési parancsok delegálása az AI-ra
• D) A közeli hibás rekordok archiválása azok áttekintése nélkül

Leírás: A mesterséges intelligencia nagy mennyiségű szabad szöveges rekordot képes osztályozni, és gyorsan kinyerni az ismétlődő mintákat és kockázatos körülményeket. A munka leállításáról, egy terület kiürítéséről vagy a kiváltó okról azonban az OHS szakértő és a jogszabályok keretein belül döntenek; Az AI kimenet bemenet, nem döntés.

10. Miért kritikus előjel a „deformációs sebesség gyorsulása” a radar/prizma adatokban a lejtőmonitorozás során?

• A) Határozottan azt jelzi, hogy a mérőeszköz elromlott.
• B) Progresszív vereséget jelenthet; A korai figyelmeztetés és az evakuálási döntés a geotechnikus mérnöké ✔
• C) Megmutatja, hogy a lejtő teljesen biztonságos
• D) Csak csapadék esetén jelentős, és figyelmen kívül hagyható

Magyarázat: A lejtős meghibásodások előtt általában az alakváltozási sebesség (gyorsulás) fokozatos növekedése figyelhető meg; Ez a progresszív kudarc jele lehet. A mesterséges intelligencia kiemelheti a trendet, de az evakuálás/korai figyelmeztetés döntését a geotechnikai mérnök elemzése és protokollja hozza meg.

11. A környezeti monitorozás során mi a legpontosabb válasz a „túllépés” jelre, amelyet a mesterséges intelligencia talál a vízminőségi idősorokban?

• A) A mesterséges intelligencia kimenetének jelentése közvetlenül a kormányhivatalnak
• B) Hagyja figyelmen kívül a figyelmeztetést, és folytassa a nézést
• C) Ellenőrizni akkreditált laboratóriumi eredménnyel, hatósági határértékkel és környezetmérnöki értékeléssel ✔
• D) Csak a mesterséges intelligenciára hagyatkozva és a laboratóriumi elemzések törlésével

Leírás: A mesterséges intelligencia korán jelezhet egy lehetséges incidenst; A hatósági megfelelőségi döntést azonban akkreditált laboratóriumi elemzés, a jogszabályi határértékek és a környezetmérnök értékelése hozza meg. Az AI-kimenet egy átvilágítási riasztás, nem pedig jogi/technikai döntés.

12. Mi a legmegbízhatóbb módja annak, hogy elkerüljük a kitalált (hallucinációs) hivatkozást, amikor az AI-tól egy szabvány záradékszámát kéri, mint például a JORC vagy az NI 43-101?

• A) Az AI által megadott cikkszámra támaszkodva
• B) Ugyanazt a kérdést más szavakkal újra feltenni
• C) Blogbejegyzést nézni a szabvány helyett
• D) Minden cikkre való hivatkozás megnyitása és megerősítése a szabvány aktuális hivatalos szövegéből, valamint az illetékes személy jóváhagyása ✔

Magyarázat: Bár a nyelvi modell helyesen ismeri a szabvány nevét, hallucinálhatja a cikkszámot és a szöveget. Minden anyaghivatkozást meg kell nyitni és meg kell erősíteni a szabvány aktuális hivatalos szövegéből, és a végső megfelelőséget az illetékes személynek (CP/QP) meg kell erősítenie.

13. Mi a legkritikusabb ellenőrzés egy mesterséges intelligencia által írt Python elemző szkript futtatása előtt?

• A) A kód beolvasása és az egység/oszlop egyezés ellenőrzése, tesztelés kis ismert adatokkal és az eredmény hitelességének ellenőrzése ✔
• B) A kód futtatása közvetlenül a teljes adatkészleten anélkül, hogy elolvasná
• C) Csak látni, hogy nincs hiba, és elfogadni az eredményt
• D) A kimenet grafikájára hagyatkozva a szép megjelenés érdekében.

Leírás: Az AI-kód keverheti az egységeket, helytelenül vehet fel oszlopneveket, vagy csendben eldobhat sorokat. Elengedhetetlen, hogy elolvassa a kódot, ellenőrizze a kötet és az oszlop egyezését, tesztelje kis mennyiségű ismert adattal, és ellenőrizze, hogy az eredmény műszakilag ésszerű-e.

14. Mi a legjobb viselkedés az adatvédelem szempontjából, ha bányászati ​​adatokat adunk át egy felhő alapú AI-eszköznek?

• A) Az összes nyers adat beillesztése úgy, ahogy van
• B) Anonimizálja a kontextust, tisztítsa meg az érzékeny tartalék/koordináta/termelési adatokat, és használjon vállalati, irányelveknek megfelelő eszközt ✔
• C) Feltételezve, hogy a tényleges koordináták megadása elengedhetetlen az eredmény minőségéhez
• D) Az adatvédelmi szabályzat figyelmen kívül hagyása

Magyarázat: A tartalékadatok, az engedélyekre/koordinátákra vonatkozó információk és a termelési adatok érzékenyek az üzleti titok és a jogszabályok szempontjából. Szükséges a kontextus anonimizálása, a valós koordináták és nevek törlése, a vállalati/adatvédelmi garancia eszköz kiválasztása és a vállalati szabályzat betartása.