利益:
- リスクのレベルに応じて、鉱山エンジニアリングのワークフローにおいて AI がリアルタイムで時間を節約する箇所と、有能なエンジニアが安全上重要な責任を負うべき箇所を区別する能力
- 各 AI 出力を標準の独立した計算およびフィールド測定に対してテストする多層検証規律を実装する機能
- コンテキストを匿名化し、予備データ、ライセンス情報、人員/生産データを保護するために安全な車両を選択する習慣を身に付ける機能
鉱山技師の仕事は、地下の不確実性を地上の決定と橋渡しすることです。掘削データから鉱体を推定し、埋蔵量を計算し、ピットを計画し、設備群を管理し、斜面の挙動を監視し、労働安全を確保し、環境への影響を測定し、法律に従ってこれらすべてを報告します。これらの仕事に共通する特徴は、大量の測定値やデータを扱うことですが、それぞれの決定が人命、数百万リラの投資、そして現場での環境への取り返しのつかない影響をもたらします。人工知能 (略して AI、ビッグデータと言語モデルを使用してテキスト、数値、画像を処理するソフトウェア システム) は、データ集約的だが意思決定が重要なこの分野で強力な助けとなります。この単元では、採掘において AI を安全に使用できる場所と危険な場所、およびすべての AI 出力を標準、現場測定、および工学的判断に照らして検証する必要がある理由を説明します。
このモジュール全体で使用する中心原則は次のとおりです。AI は意思決定者ではなく、アシスタントです。品位（鉱石中の金属の割合）の値、傾斜角、埋蔵量の数値、安全限界値、法律の条文などは、「AIがそう言ったから」という理由だけで真実になるわけではありません。これは、測定、参照、および有能な技術者の判断によって検証されるまでは、単なる仮説にすぎません。この文はモジュールのすべての単元で再び表示されます。これは、採掘において間違った数値が投資の崩壊、斜面の崩壊、または人の負傷を意味することがよくあるためです。
LLM とは何ですか? マイニングでどのような役割を果たしますか?
LLM (Large Language Model) は、非常に大きなテキストの塊からパターンを学習し、確率に基づいて「次の単語」を予測するソフトウェアです。これは、ChatGPT、Claude、Gemini などのツールのエンジンです。重要なのは、LLM は「言語推定器」であり、「知識ベース」ではないということです。鉱山用語を流暢に話しますが、品位を測定しません。最も可能性が高いと思われる数値を生成します。したがって、平均等級、剥離率、規制条項、または爆発限界について、自信を持って間違った回答をする可能性があります。これを幻覚（捏造）といいます。幻覚は誤動作ではなく、このテクノロジーに固有の機能です。したがって、検証は「追加のステップ」ではなく、仕事の不可欠な部分です。
マイニングにおいて AI が得意とするタスク:
- 概念の説明と教育: バリオグラムとは何か、てこの法則はどのように機能するか、酸鉱山の排水はどのように発生するか。
- データのクリーニングと整理: 散在するボーリング孔ログを一貫したテーブルに変換し、単位の不一致を捕捉します。
- 仮説のリストを作成する: 生産減少の考えられる原因を体系的にリストします。
- コーディング: Python を使用したデータ クリーニング、グラフ作成、地球統計および異常分析スクリプト。
- 草案テキスト: JSA (作業安全分析)、環境モニタリング報告書、入札/技術仕様書草案。
- ブレインストーミング: シナリオの比較、実験/測定計画のアイデア。
AI が弱くてリスクがある場合:
- 正確な数値（勾配、埋蔵量、傾斜角、制限値）を提供します。
- 現在および特定の法律/標準記事およびバージョン情報。
- 現場の実測データを使わずに診断します。
- 安全性を重視した決定: 爆破設計の承認、避難の決定、保守性。
リスクベースの分類: AI を使用する前のフィルター
すべてのタスクが同じレベルのリスクにさらされるわけではありません。 AI を使用する前に、リスク レベルに応じてタスクを分類します。以下の表は、このモジュール全体で使用する意思決定の枠組みを示しています。
リスクレベル
サンプルタスク
AIの役割
必須の検証
低い
コンセプト説明、草案テキスト、コードスケルトン
無料使用
レビューだけで十分です
中程度
データクリーニング、仮説リスト、計算設定
原案・共著者
手動制御+ソース確認
高い
埋蔵量の推定、ピット限界、発破パラメータ
アイデアジェネレーター
標準 + フィールド測定 + ソフトウェア
クリティカル
避難判断、斜面安全性、保守性・適合性判断
ドラフト/スキャンのみ
有能なエンジニアの承認 + 認定テスト
ヒント: タスクを「クリティカル」としてマークした場合、AI の出力が最終ドキュメントになることはありません。せいぜい、予備的な草案やチェックリスト程度です。有能なエンジニアが署名と責任を負います。
エンドツーエンドのフロー: AI をワークフローに組み込む
マイニングにおける典型的な問題解決サイクルは次のようになります。AI は各ステップに関与しますが、単独でステップを完了することはありません。
- 問題を定義します。何を予測するか、どのような決定を下すか、どのような制約があるか? (AI: 質問を明確にします。)
- データの収集とクリーンアップ: 掘削、生産、モニタリング、実験室データ。 （AI：クリーンアップや不整合チェックに強い）
- 仮説/シナリオの生成: 考えられる原因、代替計画。 （AI：体系的なリストを作成します。）
- 分析: 計算、地球統計、モデル、画像処理。 (AI: コードと計算フィクションを生成します。)
- 確認: 標準、フィールド、スタンドアロン アカウント、ソフトウェア。 (AI は傍観者であり、人間と測定が決定します。)
- 報告と決定: 有能なエンジニアが責任を負います。 （AI：原案者）
以下の 6 つのステップを念頭に置いてください。モジュールの残りの部分では、具体的なマイニング タスクで AI を使用する方法を段階的に説明します。
ミニケース3個
ケース 1 — でっち上げられた平均成績。インターンは AI チャット ツールに銅プロジェクトの平均グレードについて質問します。 AI は「約 0.65% Cu」と言っています。インターンはこれを投資プレゼンテーションで発表します。しかし、AI はこのプロジェクトの掘削データを 1 つも確認していません。 「銅プロジェクト」の典型的な数字を生み出しました。本当の価値は、プロジェクト独自の複合掘削データと地球統計学的推定からのみ得られます。このプロジェクトの実際の値は 0.38% です。その違いは、投資が儲かっているように見えるか、損をしているかの違いです。正しい態度は、AI にグレードを「尋ねる」のではなく、独自のデータベースから計算することです。
ケース 2 — 存在しない規制条項。エンジニアはAIに発破で許容される最大地面振動（PPV：ピーク粒子速度、mm/s）を尋ねます。 AIが「規定通り10mm/s」と言って品番を組み立てます。エンジニアはそれに応じてレポートを作成します。検査中に、項目番号が本物ではなく、制限値が距離や建物の種類によって異なることが判明しました。現行の規制を公式ソースから公開し、その価値と内容を確認するのが正しい姿勢だ。 AIが規制名を正しく知っていたとしても、条文番号を幻覚してしまう可能性があります。
ケース 3 — 正しい使用方法。地質学者は、40 個のボーリング孔のデータ セットのグレード列に不一致があると疑っています。これは AI に、「単位の不一致、負の値、目に見える異常値、および空のセルがある可能性のあるこの表の行をリストし、それぞれについて疑わしいものを書きます。修正せず、ただマークするだけです。」と指示します。 AI は、% と ppm が混合された数行、2 つのマイナスのグレード、および 999 コード値のフラグを立てます。これらを地質学者が生丸太から一つ一つ確認し修正していきます。ここでは AI が正しく使用され、注目を集め、人間が決定と修正を行いました。
コピー可能なプロンプトテンプレート
以下のテンプレートを自分のビジネスに適応させて使用できます。それらのそれぞれには、「正確な数字を示し、出典を示し、不確実性を説明する」という意識的な指示があります。
役割と境界テンプレート 「役割: あなたは経験豊富な鉱山技術者のアシスタントです。タスク: [件名を書く]。ルール: 正確な数値 (等級、埋蔵量、制限) を指定する場合は、ソースを指定します。よくわからない場合は、「検証する必要があります」と言います。規制/標準の記事を指定する場合は、そのバージョンを指定しますが、公式の情報源から確認する必要があることを忘れないでください。回答の最後に、「フィールドごとに検証する必要があるもの」を書きます。項目ごとに測定・計算を行います。
仮説作成テンプレート「次の状況について考えられる理由の体系的なリストを作成します。[状況を説明します。何が観察され、どのようなデータが利用可能であるか]。各仮説について: (1) それを裏付ける証拠は何か、(2) それを確認/反証するにはどのような測定または計算を行う必要があるか。最終的な診断を行い、調査ロードマップを作成します。」
検証チェックリスト テンプレート「以下の報告書草案にすべての数値とすべての規制/基準参照をリストします。それぞれについて、どの情報源 (セルフドリリング データ、規制文書、研究所報告書、現地調査) から検証する必要があるかを示します。出所が不明なものは「検証なしで使用することはできません」の下に収集します。テキスト: [貼り付け]。」
匿名化事前チェック テンプレート 「次のテキストを AI ツールに渡す前に、企業秘密または個人/規制の機密部分にフラグを立ててください: 予約番号、ライセンス番号、実際の座標、顧客/スタッフ名、機密コスト データ。これらを匿名化する方法を提案してください。テキスト: [貼り付け]」。
弱いプロンプト / 強いプロンプト
同じ質問を 2 つの方法で尋ねると、まったく異なる結果が得られます。
弱いプロンプト: 「この鉱山の埋蔵量はいくらですか?」
強いプロンプト: 「役割: あなたは資源地質学者のアシスタントです。埋蔵量/資源の推定がどのステップ (合成、バリオグラム、クリギング、分類、経済的限界) を経る必要があるか、また各ステップでどのデータとどの権限のある人の承認が必要かを説明してください。正確な埋蔵量番号を指定しないでください。これはプロジェクト自身のデータからのみ計算でき、JORC/UMREK などのコードの枠組み内で報告されるべきであることを強調してください。」
弱いプロンプトは AI に仲直りを促す。強力なプロンプトにより、適切なジョブ (プロセスの説明) が維持され、そもそもデジタル幻覚の発生が防止されます。
よくある間違い
- AI に成績やリザーブなどのコース固有の数値を「問い合わせ」ます。AI はユーザーのデータを知りません。これらの数値は独自のデータベースからのみ計算されます。
- 法令・標準条項を確認せずに使用すること。アイテムの番号と値が頻繁に幻聴されます。
- AI の出力に基づいて安全性が重要な決定を下します。避難、発破の承認、保守性の決定は、有能なエンジニアによって行われます。
- 機密データを匿名化せずにクラウド ツールに貼り付ける。予約、調整、およびコストのデータは企業秘密です。
- 1 つの質問と 1 つの回答をお待ちしています。 AI を繰り返し使用します。草案の作成、批評、検証、修正を行います。
注意: AI 出力に表示される数値が正確で信頼性が高いほど、検証の必要性が高くなります。精度は正確さを保証するものではありません。
要約すると
この単元では、AI はマイニングにおけるアシスタントであり、意思決定者ではないことを理解しました。 LLM は言語予測子です。概念の説明、データのクリーニング、仮説とコードの生成には強力ですが、正確な数値や法則（幻覚）を生み出すには危険を伴います。タスクを低/中/高/重要に分類し、それに応じて検証の深さを調整します。独自のデータまたはフィールド測定からすべての数値を検証し、公式情報源からのすべての規制参照を検証します。セキュリティクリティカルな決定は常に有能なエンジニアに委ねられ、機密データは使用前に匿名化されます。
アプリケーションタスク
自分のビジネス (または架空の採掘プロジェクト) から 5 つのタスクを選択します: 概念の説明、データ クリーニング、仮説のリスト、埋蔵量/数値、規制上の質問。それぞれを上記のリスク表に記入します。次に、「役割と境界」テンプレートを使用して 2 つの低/中リスク タスクを AI にアウトソーシングし、出力の各数値/規制要素を「検証チェックリスト」テンプレートでマークします。検証なしでは使用できない要素を書き留めます。
チェックリスト
- [ ] ミッションを使用する前に、リスク レベル (低/中/高/重大) に設定しました。
- [ ] 等級や埋蔵量などの分野固有の数値は、AI に頼むのではなく、自分の収穫量から計算しました。
- [ ] 公式情報源から各法律/規格のリファレンスを確認しました。
- [ ] 機密データ (埋蔵量、座標、名前、コスト) を匿名化しました。
- [ ] 安全性が重要な決定は、AI の出力に基づくのではなく、有能なエンジニアの承認に委ねました。
- [ ] AI出力の「検証なしでは使用できません」の数値をすべてスキャンしてみました。