Hagnaður:
- Hæfni til að mæla og tilkynna óvissu með ensemble, næmnigreiningu, krossgildingu og blindprófun
- Geta til að koma í veg fyrir gagnaleka með því að aðskilja þau á brunn/velli og tryggja að tilkynnt nákvæmni endurspegli sanna alhæfingu.
- Hæfni til að kvarða gervigreindartraustskorunina með áreiðanleikaritinu og beita þeirri aga að nota ekki ókvarðaða skor sem líkur
Það er endurtekið þema í hverri einingu þessarar einingar: það eru engin „örugg svör“ í jarðeðlisfræði, aðeins líkön sem takmarkast af óvissu. Þessi eining breytir því þema í fræðigrein. Líkanóvissa er tilvist mismunandi neðanjarðarlíkana sem geta útskýrt sömu gögnin og hvert líkan ber öryggisbil. Löggilding er að prófa með óháðum sönnunargögnum hvort líkan eða AI framleiðsla sé í raun gild. Kvörðun er til að tryggja að öryggi/líkindagildi sem gefin eru af líkani passi við raunverulegar niðurstöður. Í þessari einingu munum við skoða hvernig gervigreind (AI) getur bæði mælt og falið óvissu; og við munum sjá hvers vegna traustur sannprófunar-kvörðunarrammi gerir gervigreind áreiðanlega.
Uppsprettur óvissu
Jarðeðlisfræðileg óvissa kemur frá nokkrum lögum:
- Gagnaóvissa: Mælingarhávaði, takmörkuð umfang, kvörðunarvilla.
- Líkanóvissa (polysemy): Aðlögun fleiri en einni neðanjarðarbyggingu við sömu gögnin.
- Aðferð/færibreytuóvissa: Úrvinnsla, öfugsnúning og reglusetningarval breyta niðurstöðunni.
- Sérstök óvissa fyrir gervigreind: Hæfni líkansins til að vera öruggur en mistakast þegar það færist út fyrir þjálfunardreifinguna (dreifingarvakt).
Starf góðs jarðeðlisfræðings er ekki að eyða þessari óvissu heldur að mæla, miðla og þrengja hana. Gervigreind getur gert þetta auðvelt (framleiðir margar aðstæður) en getur líka auðveldlega falið það með því að gefa eitt öruggt svar.
Leiðir til að mæla óvissu
Nokkur hagnýt verkfæri:
- Ensemble: Margar keyrslur með mismunandi ræsingum, breytum eða gerðum; Útbreiðsla niðurstaðna gefur óvissu.
- Næmnigreining: Að breyta inntaki (færibreytu, hlutmengi gagna) og sjá hversu mikið niðurstaðan breytist.
- Krossstaðfesting: Að skipta gögnunum í bita, þjálfa með einum hluta og prófa með hinum; Mælir alhæfingarvald.
- Blindpróf: Prófa líkanið með sjálfstæðum brunni/sviði sem það hefur aldrei séð í þjálfun.
- Líkindaútgangur: Að gefa niðurstöðuna sem dreifingu/öryggisbil, ekki eitt gildi.
Ábending: Þegar gervigreind gefur niðurstöðu skaltu alltaf spyrja: "Hvað og hversu mikið þarf ég að færa í inntakinu til að breyta þessari niðurstöðu?" Ef niðurstaðan snýr við með lítilli breytubreytingu er sú niðurstaða viðkvæm og óvissa mikil.
Kvörðun: stenst sjálfstraustið?
Gervigreind líkön gefa oft öryggi/líkur („90% galli“). En þessi tala er villandi ef hún er ekki kvörðuð: líkanið er í raun rétt í kannski 60% tilvika sem það segir að séu „90%“. Kvörðun er til að samræma þessa tölu við raunverulegt niðurstöðuhlutfall. Í reynd er áreiðanleikarit teiknað: vel kvarðað líkan er í raun 90% rétt þegar það segir "90%". Í jarðeðlisfræði er nauðsynlegt að kvarða AI-öryggisstigið með óháðum gögnum áður en það er grundvöllur ákvörðunar.
Varúð: Mikil nákvæmni er ekki það sama og góð kvörðun. Líkan getur verið almennt nákvæm en oförugg; Það sem skiptir máli í mikilvægum ákvörðunum er að það er sannarlega áreiðanlegt þegar það segir "95%". Ekki meðhöndla ókvarðaða öryggisstig sem líkur.
Gullnar reglur um sannprófun
Fyrir trausta sannprófun: (1) Óháð — prófunargögn ættu alls ekki að trufla þjálfun/stillingarferlið (gagnaleki — blása upp niðurstöðuna). (2) Blindpróf — reit/hol sem líkanið sér ekki. (3) Líkamlegt samræmi - niðurstaðan ætti ekki að stangast á við eðlisfræði og jarðfræði. (4) Endurgerðanleiki - sama niðurstaða með sama inntak og getur verið framleitt af einhverjum öðrum. (5) Skjöl — skrá yfir hvaða gögn, hvaða færibreytur, hvaða gerð útgáfa var notuð.
þrjú smámál
Tilfelli 1 - Gagnalekavilla. Eitt teymi greindi frá því að facies flokkarinn hafi skilað 94% nákvæmni. Rannsóknin leiddi í ljós að nálæg sýni úr sömu holu tóku þátt í bæði þjálfun og prófun (gagnaleki). Þegar hún var sundurliðuð eftir brunni lækkaði nákvæmni í 71% - það var hin sanna alhæfing. Lekinn lét líkanið líta betur út en það var í raun.
Mál 2 - Oföruggt líkan. Einn bilanaskynjari gaf „95% traust“ á merki þess. Áreiðanleikaritið sýndi að "95%" merkin voru í raun 70% nákvæm. Þegar líkanið var kvarðað urðu sjálfstraustskoranir raunhæfar og álitsgjafar stilltu rétt hversu mikið þeir myndu treysta hverju merki.
Tilfelli 3 - Brothætt viðsnúning. Þyngdarlíkan leit mjög sannfærandi út. Næmnigreiningin sýndi að aðalskipulagið hvarf þegar reglusetningarvægið breyttist um 20%: uppbyggingin kom ekki úr gögnunum heldur úr færibreytuvalinu. Teymið tilkynnti uppbygginguna sem „lítið sjálfstraust“ og óskaði eftir viðbótargögnum.
Fjögur afritanleg sniðmát
1) Óvissumælingaráætlun:
Þitt hlutverk: ráðgjafi um jarðeðlisfræðilega óvissu. Ég er með [inversion / flokkun / spá] niðurstöðu. Hvaða aðferðum (samstæðu, næmni, krossgildingu, blindprófi) nota ég til að mæla óvissu og í hvaða röð? Útskýrðu hvað hver og einn segir mér og hvernig á að tilkynna niðurstöðuna.
2) Kvörðunarathugun:
AI líkanið mitt gefur öryggi/líkindastig. Hvernig prófa ég hvort þetta stig sé kvarðað? Hvernig smíða ég áreiðanleikamynd, viðurkenna "ofstraust" eða "ofvarkárni" og samræma stigið við raunverulegt útkomuhlutfall?
3) Úttekt á gagnaleka:
Ég þjálfaði jarðeðlisfræðilegan flokkara. Hvernig finn ég og kemur í veg fyrir hættu á gagnaleka (sömu brunnur/vettvangssýni inn bæði í þjálfun og prófun)? Hvernig set ég upp aðskilnað eftir brunni/reitum? Hvernig veit ég hvort tilkynnt nákvæmni endurspeglar sanna alhæfingu?
4) Niðurstöðuviðkvæmnipróf:
Ég er með inversion/model niðurstöðu. Ég vil skilja hversu viðkvæm þessi niðurstaða er. Með því að breyta hvaða breytum og hversu mikið breytist aðalskipulagið? Hvernig greini ég hvort uppbyggingin kemur frá gögnum eða breytum/forsendu? Gefðu næmni siðareglur.
Veik kvaðning / Sterk kvaðning
Veik kvaðning:
Athugaðu hvort líkanið mitt hefur mikla nákvæmni.
Ein sannleikatala; leki felur kvörðun og alhæfingu, sem gefur falskt traust.
Öflug tilvitnun:
Þitt hlutverk: sérfræðingur í módelmatsprófun. Inntak: [flokkari myndar N vel, sjálfstraustskor]. Verkefni: (1) leggja til vel byggða úthlutun gegn gagnaleka; (2) setja upp blindbrunnsprófun; (3) kvarða öryggisstigið með áreiðanleikaritinu; (4) prófaðu hversu viðkvæm niðurstaðan er fyrir breytu. Fækkun í eina sannleikatölu; Tilkynntu sérstaklega um alhæfingu, kvörðun og viðkvæmni.
Leka, blindprófun, kvörðun og næmnibeiðni gera sannprófun heiðarlega.
Óvissutæki
farartæki
Hvað mælir það?
Aðaláhætta
framleiðsla
sveit
Útbreiðsla líkans
Reikningskostnaður
Svið/dreifing
Næmi
Parameter áhrif
Missti inntak
Viðkvæmni
krossfullgilding
alhæfing
gagnaleka
raunhæf nákvæmni
blindpróf
sjálfstæðum árangri
Ófullnægjandi prófunarsett
treysta
Kvörðun
treysta raunveruleikanum
ofurtraust
samræmdar líkur
Algeng mistök
- Tek ekki eftir gagnaleka. Það blæs upp réttlæti; Aðskilið með brunni/velli.
- Að nota sjálfstraustið án þess að kvarða það. „90%“ er kannski ekki 90%.
- Að treysta á eina sannleikatöluna. Alhæfing og kvörðun eru tveir ólíkir hlutir.
- Ekki prófa varnarleysi. Uppbyggingin sem færibreytan tapar er ekki raunverulegar upplýsingar.
- Ekki tilkynnt um óvissu. Að kynna niðurstöðuna án öryggisbils er villandi.
Í stuttu máli
Óvissa er óafmáanleg staðreynd jarðeðlisfræðinnar; starfið er að mæla það, miðla því og þrengja það niður. Gervigreind auðveldar þetta með ensemble, næmni og líkindaútgangi, en getur líka dulbúið það með einu öruggu svari. Sterkur rammi; koma í veg fyrir gagnaleka, mæla alhæfingu með blindprófun, kvarða öryggisstigið og prófa viðkvæmni niðurstöðunnar. Ókvarðað traust, óstaðfest sannleiksgildi og falin óvissa eru þrjár hættulegustu blekkingarnar. Áreiðanleg jarðeðlisfræði er jarðeðlisfræði sem sýnir heiðarlega óvissu sína.
Umsóknarverkefni
Veldu jarðeðlisfræðilega niðurstöðu gervigreindar (flokkun, snúning eða spá). Skipuleggðu ensemble/næmi/blindprófunarskref með sniðmátinu „Óvissumælingaráætlun“. Prófaðu síðan lestarprófunargreinina þína með „Gagnalekaúttekt“ sniðmátinu. Ef líkanið gefur öryggisstig, metið hvort stigið sé raunhæft með „Kvörðunarathugun“ sniðmátinu og skrifaðu niðurstöðuna þína með öryggisbili.
gátlisti
- [ ] Ég mældi óvissu með ensemble/næmi.
- [ ] Ég kom í veg fyrir gagnaleka með því að aðskilja það á brunni/velli.
- [ ] Ég prófaði alhæfingu með blindprófi.
- [ ] Ég kvarðaði öryggisstigið og athugaði raunsæi þess.
- [ ] Ég tilkynnti niðurstöðuna með öryggisbili, ekki einu gildi.