Nyereség:
- Képes a mesterséges intelligencia hatékony felhasználására a laboratóriumi eredmények feldolgozásában, minőségellenőrzésében és jelentésében
- Képesség a geológiai/geotechnikai jelentések elkészítésének, az irodalom áttekintésének és az adatok összefoglalásának felgyorsítására mesterséges intelligencia segítségével
- Az automatikusan generált tartalom nyomon követhetőség, forrásigazolás és mérnöki jóváhagyás biztosításának lehetősége
A geológiai mérnök munkájának láthatatlan, de nagy része az irodában zajlik: laboratóriumi eredmények feldolgozása, minőségellenőrzés, adattáblázás, jelentések írása, irodalom szkennelése, térképek, ábrák készítése. Ezek a munkák ismétlődőek, idő- és figyelemigényesek; A mesterséges intelligencia pontosan ezen a területen spórolja meg a legtöbb időt. De itt is van egy csapda: a jelentés a mérnöki döntés hivatalos alapja. Egy koholt forrás, egy elhibázott szám vagy egy követhetetlen állítás észrevétlenül becsúszhat egy folyó szövegbe, és a következmények súlyosak lehetnek. Ennek az egységnek az a célja, hogy olyan fegyelmet hozzon létre, amely soha nem lazítja meg a nyomon követhetőséget, a forrásmegerősítést és a mérnöki jóváhagyást, miközben mesterséges intelligenciát alkalmaz a teljes irodai hatékonyságban.
Ebben az egységben három irodai frontot fogunk lefedni: a laboratóriumi eredmények feldolgozását és a QA/QC-t (az elemzési adatok tisztítása és biztosítása), a jelentés- és irodalomkészítést (vázlatkészítés, absztrahálás és szűrés gyorsítása), valamint a munkafolyamatok automatizálását (az ismétlődő feladatok szabályozása). A mesterséges intelligencia minden lépésében fogalmazó és szervező; A tartalom pontossága, forrása és végleges jóváhagyása a mérnöké.
Laboratóriumi eredmények feldolgozása és QA/QC
A laboratóriumi eredmények (minőségelemzések, talajindex-vizsgálatok, vízkémia) gyakran eltérő formátumban, más-más mértékegységben és esetenként hibásan érkeznek. A mesterséges intelligencia ezeket az adatokat egyetlen sémába illeszti, rögzíti az egység inkonzisztenciáját, az észlelési határ alatti jelzéseket és ellenőrzi a QA/QC mintákat (vakminta, szabványos referenciaanyag, újraelemzés). A QA/QC (minőségbiztosítás/minőség-ellenőrzés) az az ellenőrzés, amely bizonyítja a laboratórium megbízhatóságát: ha a vakmintában szennyeződés, a szabvány eltérése, az ismételt mintában nem megfelelőség van, az adat megkérdőjelezhető.
Kritikus pont: A mesterséges intelligencia soha nem törli vagy javít ki egy értéket csendben. Feladata, hogy megjelölje a problémás vonalakat, és hagyja, hogy a mérnök döntsön. A kiugró érték lehet valóban magas érc vagy laboratóriumi hiba; A mérnök ezt a különbséget a kontextussal teszi. A mesterséges intelligencia ellenőrzi az adatokat, nem tisztítja meg.
Tipp: Laboratóriumi adatok feldolgozásakor ismételje meg a „csak jelölje meg, ne módosítsa” szabályt minden felszólításnál. A mesterséges intelligencia legravatalosabb hibája az, amikor elrontja a nyers adatokat azzal, hogy jó szándékkal "kijavít" egy értéket, és nem veszi észre.
Jelentés és irodalom készítés
A mesterséges intelligencia hatékony szerkesztő a jelentésírásban: percek alatt elkészíti a módszer szakaszt, a bevezető kontextust, a következtetések összefoglalását; hosszú szakirodalmat foglal össze; Egy összetett táblázatot egyszerű szöveggé alakít. Két veszély azonban nyilvánvaló. Az első a koholt forrás: a modell magabiztosan generálhat nem létező cikket, hamis szerzőt vagy nem létező kánoncikket. Másodszor, számkezelési hiba: előfordulhat, hogy egy lejtő, egy biztonsági együttható vagy egy mélység hibásan kerül átadásra a szövegbe való átadáskor.
Tehát az aranyszabály: a mesterséges intelligencia huzatot készít, a mérnök ellenőrzi és birtokolja azt. Minden forrás megerősített az eredetiből (az apokrif hivatkozások a hallucináció leggyakoribb típusa); minden számot összehasonlítanak a nyers adatokkal; Minden műszaki igényt mérnöki tudással tesztelünk. A jelentés aláírása után a felelősség minden mondatáért az aláírót terheli – az „AI írta” nem mentség.
Figyelem: Soha ne fogadja el a mesterséges intelligencia által készített bibliográfiát úgy, ahogy van. A kitalált, de valósághűnek tűnő hivatkozások (pontosnak tűnő szerző, folyóirat, évszám) a leggyakoribb és legveszélyesebb hallucinációk. Ellenőrizze az egyes hivatkozásokat független adatbázissal.
Munkafolyamat automatizálás és nyomon követhetőség
Az ismétlődő feladatok (havi vízfigyelési adatok feldolgozása, szabványos jelentéssablon kitöltése, fúrási táblázatok kombinálása) mesterséges intelligenciával történő automatizálása nagy hatékonyságot biztosít. De az automatizálás a hibákat is automatizálhatja: egy rossz szabályt, ha egyszer létrehoztak, csendben megismétlődik minden futtatáskor. Éppen ezért az automatizált munkafolyamatoknak nyomon követhetőnek kell lenniük: rögzíteni kell, hogy melyik bemenet, melyik lépés, melyik modellverzióból származnak az egyes kimenetek; Ha hibát talál, a kiváltó okot és az összes érintett kimenetet nyomon kell követni.
A nyomon követhetőség a gyakorlatban azt jelenti, hogy rögzítésre kerül a bemeneti adatok forrása, dátuma, az alkalmazott átalakítások, az alkalmazott prompt/modell verzió és az emberi jóváhagyás lépése. Ez biztosítja mind a hibakeresést, mind a mérnöki felelősséget. Az ellenőrizhetetlen automatizálás, bármilyen gyors is, elfogadhatatlan egy biztonságkritikus üzletben.
Három mini tok: a számok szerint
1. eset – QA/QC eltolódás rögzítése. Egy laboratóriumi szállítmány 320 minőségű mintát tartalmazott. Az AI QA/QC szűrése a standard referenciaanyagot szisztematikusan 8%-kal alulolvasottnak minősítette az elmúlt 40 minta során – a műszer kalibrációs eltolódása. Ez a szisztematikus hiba olyan probléma volt, amelyet nagyon nehéz volt manuálisan észlelni, de az egész köteget érintette; A szállítmányt újra elemezték. Nem ő döntötte el a mintát, hanem tette láthatóvá a mintát.
2. eset – Előállított forrás. Az AI elkészítette egy geotechnikai jelentés irodalmi részét, és hat hivatkozást készített. Az ellenőrzés során kiderült, hogy kettő közülük soha nem létezett, és egyet rossz naplónak tulajdonítottak. Ha a hivatkozásokat nem egyenként ellenőrizték volna független adatbázissal, a koholt források aláírt mérnöki jelentést adtak volna be. A huzat felgyorsult; Megerősítés mentve.
3. eset – Nyomon követhető kiváltó ok. A havi vízfigyelő automatizálásban három hónapig rossz egységben jelentették egy megfigyelő kút értékeit. A nyomon követhetőségi rekordnak köszönhetően perceken belül kiderült, hogy melyik konverziós lépésnél kezdődött a hiba, és elkészült a három érintett jelentés teljes listája. Ha nem vezetnének nyilvántartást, nem lenne világos, hogy mely nyomatok sérültek meg, és az egész archívum gyanús lenne.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Írjon geotechnikai jelentést ehhez a projekthez, csatolja a szakirodalmat. [adatok]
Erőteljes felszólítás:
Az Ön szerepe: Jelentéskészítő. Készítsen jelentést a következő adatokkal, de: 1) CSAK az általam megadott adatok alapján; NE találja ki a számot, a forrást vagy a leletet. 2) Mutassa meg zárójelekkel, hogy az egyes számok melyik beviteli sorból származnak. 3) Az irodalom tényleges forrásának elkészítése helyett tegyen egy helyőrzőt "itt a [téma] ellenőrzött forrása hozzáadásra kerül". 4) Bárhol, ahol bizonytalan, jelölje be, hogy "MÉRNÖKI MEGERŐSÍTÉS SZÜKSÉGE". A végső tartalmat és az összes forrást én fogom ellenőrizni. Az adatok névtelenek.
Négy másolható sablon
1) Laboratóriumi minőségbiztosítás/minőségellenőrzés:
Ellenőrizze a laboratóriumi eredmények táblázatát: egységeltérés, kimutatási határ alatti jelek, szennyeződés a vakmintában, szisztematikus eltolódás a standard referenciaértékben, nem megfelelőség az ismételt mintában. Csak a problémás sorokat jelölje meg az example_id paraméterrel; Ne töröljön vagy javítson semmilyen értéket. A döntés az enyém.
2) A forrás megerősítésének érvényesítése:
Húzza ki az összes számszerű állítást és forráshivatkozást ebben a szövegben, és készítsen egy ellenőrzőlistát: az egyes számok alapjául szolgáló bemeneti adatokat, az egyes források hivatkozásait, amelyeket meg kell erősíteni. Forrásgyártás; Jelölje be az „ellenőrizendő” lehetőséget, ahol nem tudja ellenőrizni.
3) Nyomon követhetőségi rekord keretrendszer:
Javasoljon nyomon követési rekordsablont ehhez az automatizált munkafolyamathoz: beviteli forrás és dátum, alkalmazott átalakítások, használt prompt/modell verzió, emberi jóváhagyási lépés. Mutassa meg, hogyan juthat el a kiváltó okhoz és az érintett kimenetekhez, ha hibát talál.
4) Jelentés konzisztencia ellenőrzése:
Vizsgálja át a jelentéstervezetet a belső konzisztencia érdekében: egyeznek-e az összefoglalóban szereplő számok a törzstel, ütköznek-e a táblázatok és a szövegek, az egységek mindvégig konzisztensek, vannak meghatározatlan rövidítések? Sorolja fel a problémákat; A tartalmi döntés az enyém.
Irodai ügyelet, bevétel és ellenőrzés
Quest
AI nyereség
Fő kockázat
Kötelező ellenőrzés
Laboratóriumi adatfeldolgozás
magas
Csendes korrekció
"Kijelölés, törlés" + nyers adatok
QA/QC ellenőrzés
magas
Ne hagyja ki a csúszdát
Vak/standard/újra megerősítés
Jelentéstervezet
magas
Kitalált probléma/forrás
Szám és forrás megerősítése
Irodalmi áttekintés
magas
Kitalált referencia
Független adatbázis ellenőrzés
munkafolyamat automatizálás
nagyon magas
A hiba megismétlése
Nyomon követhetőségi nyilvántartás
Tipp: Az automatizálás beállítása előtt kérdezze meg, hogy "honnan tudhatom meg, hogy ez a munkafolyamat nem működik megfelelően?" Válaszolj a kérdésre. Ha a válasz nem egyértelmű, először adjon hozzá nyomonkövetési és ellenőrzési pontokat; A sebesség az irányíthatóság után jön.
Gyakori hibák
- Az érték hangtalan javítása. A nyers adatok „javítása” a mesterséges intelligencia a legálomosabb hiba; a szabály mindig a "jelöld meg, ne változtasd" legyen.
- Nem ellenőrizzük az irodalomjegyzéket. A kitalált utalások a leggyakoribb hallucinációk; Minden lenyomatot függetlenül kell ellenőrizni.
- Nem ellenőrzi a számhordozást. A folyékony szövegben el van rejtve egy tenor vagy biztonsági együttható, amely a szövegbe kerüléskor romlik.
- Nyomon követhetetlen automatizálás kialakítása. Egy olyan munkafolyamatban, amely nem vezet nyilvántartást, nem állapítható meg a hiba kiváltó oka és hatása.
- Menedéket keresve azzal az ürüggyel, hogy "MI írta". Minden aláírt mondatért az aláírót terheli a felelősség; jóváhagyását nem lehet lazítani.
Összefoglalva
- Az irodai munka az a terület, ahol a mesterséges intelligencia a legtöbb időt takarítja meg; De a jelentés hivatalos döntési alap, és a hibák költségesek.
- A laboratóriumi adatokban az AI auditál, nem tisztít; a szabály a "jelölés, törlés/javítás", a döntés a mérnökön múlik.
- A források és számok meghamisítása a jelentésekben és a szakirodalomban a leggyakoribb kockázatok; Minden forrás és szám ellenőrizve van.
- Az automatizálás növelheti a hibákat és a sebességet is; A nyomon követhetőségi rekord biztosítja a kiváltó okot és az érintett kimeneteket.
- Az aláírt tartalomért a mérnök felel; „Az AI írta” nem kifogás.
Pályázati feladat
Kapjon egy anonimizált laboratóriumi eredmények táblázatot (vagy reprezentatív adatokat). Rendelkezz a modelljelző problémasoraival a "Laboratory QA/QC audit" sablonnal; tudatosan szisztematikusan eltolja a standard referenciaértéket, és tesztelje, hogy a modell elkapja-e, és megpróbálja-e törölni az értéket. Ezután készítsen egy rövid jelentésszakaszt, és minden benne lévő problémát és forrást tegyen egy ellenőrzőlistába a „forrásellenőrzési kihívás” sablon használatával.
ellenőrző lista
- [ ] Mindig alkalmazom a „jelölés, törlés/javítás” szabályt az AI-re a laboradatokon.
- [ ] A laboratóriumi megbízhatóságot QA/QC mintákkal ellenőrizem (vak, standard, ismétlés).
- [ ] A jelentésben és a szakirodalomban minden forrást és számot önállóan ellenőrizek.
- [ ] Nyomon követhető automatizálási munkafolyamatokat állítottam be.
- [ ] Elfogadom, hogy az általam aláírt tartalomért teljes felelősséget vállalok.