利益:
- AI が地質工学ワークフローのどこでリアルタイムを節約し、どの決定をエンジニアの責任として残すべきかを識別する能力
- 各 AI 出力を桁違い、地質学的妥当性、現場証拠で相互検証する規律を適用する能力
- 曖昧さ、幻覚、データプライバシーのリスクを認識し、コンテキストを匿名化して安全なプロンプトを設定する習慣を身に付けてください。
地質工学は、地下の真実を完全に見ることは決してできない職業です。ボーリング孔では、何キロメートルにもわたる土地のほんの 1 センチメートルのスライスだけが採取されます。地球物理学的セクションは間接的な影です。マップは、観測間のギャップを解釈したものです。だからこそ、地質学は本質的に不確実性を伴う学問なのです。人工知能 (AI; ビッグデータのパターンから学習してテキスト/画像/数値を生成するソフトウェア システム) は、この不確実性を管理する強力なツールですが、同じ不確実性を危険に隠す可能性があるツールでもあります。このユニットは、モジュール全体が構築される 2 つの基礎を築きます。地質学のワークフローのどこで AI が真の価値を生み出すか、そして各出力をどのように検証するかです。
最初から明確にしておきます。このモジュールで学習するどのテクニックも、有能な地質工学者の署名、現場観察、工学的判断に代わるものではありません。人工知能はアシスタントです。読み取りも書き込みも高速で、パターンをキャッチします。しかし、斜面が崩壊したり、ダムの基礎が崩壊したり、鉱物埋蔵量が実際よりも大きいと報告されたりした場合、責任はソフトウェアではなく、ソフトウェアに署名したエンジニアにあります。これがセーフティ クリティカル エンジニアリングにおける唯一の真実であるため、この文はモジュールの各単元でさまざまな形で再び表示されます。
人工知能は地質学のワークフローのどこに価値を生み出しますか?
地質工学者の 1 週間は、データの準備 (ログのデジタル化、フィールドノートの編集、テーブルのクリーンアップ)、解釈と分析 (岩質の分類、相関関係、資源推定、危険性の評価)、およびコミュニケーション (報告書、地図、プレゼンテーション、通信) の 3 種類の作業に大別されます。 AI は 3 つの領域すべてに影響を及ぼしますが、その貢献とリスクはそれぞれ異なります。
データ準備は、人工知能の最も安全で最も収益性の高い分野です。フリーテキストの中心的な説明を構造化された表に変換し、一貫性のない単位を標準化し、数千行のラボ出力の異常値にフラグを立てるなど、これらは繰り返し行われる、ルールベースの検証が簡単なタスクです。ここでエラーがあったとしても、ソース (生のログ) に戻って確認するには数分かかります。
解釈と分析の分野は、最も高い価値と最も高いリスクを伴います。 AI は掘削断面から考えられる断層形状を提案できます。これにより、経験豊富な目でも見落とす可能性のあるパターンが明らかになる可能性があります。しかし、同じモデルは、存在しない層序単位を自信を持って当てはめることができます (この現象は幻覚と呼ばれます。モデルは、実際には存在しない情報を、あたかも本物であるかのように生成します)。この分野では、AI は意思決定者ではなく仮説生成者です。
通信分野では、人工知能はドラフトアクセラレーターです。地盤工学レポート、文献概要、または電子メールの方法セクションの草稿を数分で作成します。ここでのリスクは、捏造された情報源や間違った数字が、流れるテキストの中で気付かれないうちに署名に紛れ込んでしまう可能性があることです。
検証規律: 3 つのアンカー ルール
このモジュールの中心は、AI の出力を検証せずにエンジニアリング上の意思決定に組み入れないという 1 つの習慣です。 3 つの独立したアンカーに基づいて検証を行います。
最初のアンカー — 桁違いです。結果はおおよそ予想される 10 乗の範囲内ですか?砂帯水層の透水係数は通常、1 日あたり数メートルのオーダーです。モデルがキロメートル/日を示している場合は、単位または編集エラーがあり、詳しく説明しなくても理解できます。石灰石の一軸圧縮強度は 30 ～ 200 MPa の範囲にあります。 3000MPaってすごいですね。このチェックには数秒かかり、ほとんどのエラーが検出されます。
2 番目のアンカー — 地質学的妥当性。出力はその場の地質学的ストーリーと一致していますか?モデルが海洋石灰岩の下に若い沖積層を配置した場合、逆断層がある (これは別途証明する必要がある) か、モデルがでたらめであるかのどちらかです。層序順序、地殻構造、堆積環境は、あらゆる解釈が通過しなければならない妥当性のフィルターです。
3 番目のアンカー — 現場の証拠。これが最強のアンカーです。コアサンプル、露頭観察、現地検証。丸太ベースの岩石学的解釈は、同じ深さから採取されたコアと比較されます。リモートセンシングによってマッピングされた変質ゾーンは、フィールド内のいくつかのポイントでサンプルを使用してテストされます。真実が常に勝利します。
3 つのミニケース: 数字で見る
ケース 1 — ログのデジタル化における時間の節約。エンジニアは、1980 年代にスキャンされた 42 個の (紙の) ボーリング孔ログを手動でデジタル化していました。ログごとに平均 35 分、合計で約 24 時間かかります。 AI を活用したグラフ作成ワークフローを使用して、最初のドラフトを 6 分に短縮し、残りの時間を視覚的な検証に充てました。合計時間は約 8 時間に短縮されました。重要なのは、得られた時間がコントロールに費やされたということです。
ケース 2 — 捉えられた幻覚。インターンが AI に畑の層序を要約させたところ、テキストには「トゥズラ層はこの地域でよく見られる蒸発岩である」という文が含まれていました。現場には蒸発石はなかった。モデルには別の盆地からの情報が混同されていました。地質学的妥当性フィルター (この地域の地殻構造は蒸発岩の堆積に適していない) は、報告書が署名される前にエラーを検出しました。
ケース 3 — ユニットエラー。ある情報源の計算では、モデルは密度を 2.7 g/cm3 ではなく 2.7 t/m3 と混同し、生産トン数を 1000 倍に膨らませていました (実際には 2 つは等しいですが、モデルの中間ステップが間違っており、結果を 1000 倍に膨らませていました)。 「このブロックは 500 万トンであるはずはないが、50 億トンである」という桁違いのチェックでは、すぐにエラーが判明しました。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このフィールドの地質を要約し、その鉱物の可能性を評価します。[データ]
強力なプロンプト:
あなたの役割: 上級探査地質学者。与えられたデータのみに基づいて、以下の掘削概要を解釈してください。 - データにない地層、鉱物、年代は追加しないでください。 - 各コメントの横に、基準となるデータ行を括弧を付けて表示します。 - 確信が持てない場合は、推測せずに「データが不足しています」と記入してください。 - 最後に、検証する必要がある 3 つの仮定の別のリストを作成します。データ: [掘削概要]
強力なプロンプトは、ソースに固執すること、不確実性を認めること、検証すべき事項にマークを付けることという 3 つのことをモデルに課します。これで幻覚が完全に消えるわけではありませんが、幻覚が見えるようになります。
4 つのコピー可能なテンプレート
1) 匿名化されたコンテキストの確立:
地質工学の課題で助けが必要です。フィールド名、座標、および会社情報は機密です。 「フィールドA」「X座標」などの代表的な表現であげます。クエスト: [クエスト]。私が提供する技術データを信頼してください。
2) 3 つのアンカー検証リクエスト:
次の出力に対して 3 つのチェックを行います。1) 大きさの順序: それぞれの数値が予想範囲内にあるか?そうでない場合は、マークします。2) 地質学的妥当性: 層序学的/地質学的に矛盾する主張はありますか?3) 検証リスト: 現場/研究室で確認する必要がある項目。出力: [テキスト]
3) 曖昧さの強制:
3 つの信頼度レベルで解釈を提供します。 - 高信頼度 (データによって直接裏付けられている) - 中程度の信頼度 (合理的な推論) - 推測的 (追加のデータが必要) タスク: [タスク]。データ: [データ]
4) 決定/支持の区別:
次のタスクを 2 つに分割します:A) AI が自信を持って実行できるデータ/ドラフト作業 B) 認定エンジニアの承認が必要な意思決定ポイントタスクの説明: [定義]
AI の役割: ミッション タイプ別のリスク
タスクの種類
AIの貢献
リスクレベル
検証密度
ログ/テーブルのデジタル化
高い
低い
スポットチェック
岩石学予備分類
高い
中程度
コア＋合理性
資源/トン数の計算
中程度
高い
ハンドアカウント+独立
スロープ/ベースの安全性の決定
限られた
非常に高い
エンジニアの完全な承認
報告書・文献草稿
高い
中程度
出典確認
危険性・災害評価
限られた
非常に高い
フィールド + 規格 + 承認
ヒント: タスクのリスク レベルを判断するには、「この出力が間違っている場合に起こり得る最悪の事態は何ですか?」という 1 つの質問をしてください。答えが「数分ロスするだろう」という場合は、軽く確認してください。 「誰かが怪我をする可能性がある」場合は、出力を仮説として扱い、完全なエンジニアリング プロセスに適用します。
注意: 人工知能の最も危険な特徴は、人工知能が間違いを犯すことではなく、自信を持って間違いを犯すことです。流暢で専門的できちんとした文章であっても、それが正しいとは限りません。スタイルではなく証拠を信頼してください。
よくある間違い
- 流暢さを正確さと誤解する。テキストがどれほど専門的であるように見えても、事実の主張（年齢、形成、数、出典）は独立して検証される必要があります。
- タスクの種類ごとにリスクを調整していない。液状化レビューを電子メールの下書きと同じように見ます。検証は潜在的な危害を伴うスケールで行われます。
- 機密フィールドのデータを何も考えずに入力してしまう。コーディネート、グレード、リザーブ情報は商業上および法的に機密です。制御されていない車両に乗り込む前に匿名化してください。
- 不確実性を無視する。モデルが「自信がある」ように見えるからといって、不確実性がなくなるわけではありません。単一点推定ではなく、範囲と信頼水準を尋ねます。
- AI を意思決定と誤解する。モデルは仮説を生成します。責任のあるエンジニアが決定を行います。
要約すると
- 地質学は本質的に不確実性を伴います。 AI はこの不確実性を管理することも、危険な方法で隠すこともできます。
- 人工知能は、データ準備においては最も安全で収益性が高く、解釈/分析においては最も価値があるものの最もリスクが高く、コミュニケーションにおいてはアクセラレータとなります。
- 各出力は、大きさ、地質学的妥当性、現場証拠という 3 つの基準に基づいて検証されます。
- 結果のリスクは、それが間違っていた場合に生じる害と同じです。検証はそれに応じてスケールされます。
- セーフティ クリティカルなエンジニアリングでは、AI の出力が認定エンジニアの承認に代わることは決してありません。
アプリケーションタスク
自分の仕事で 1 週間に行う地質学タスクを 5 つ挙げてください (例: ログの編集、相関関係、レポートセクション、グレードチェック、危険性の表記)。この単元の表に従ってそれぞれをリスク レベルに配置し、「それが間違っていた場合に起こる最悪の事態は何ですか?」と尋ねます。質問には一文で答えてください。次に、最もリスクの低いタスクに対する強力な匿名化されたプロンプトを作成し、それを試してください。 3 つのアンカーを使用して出力を確認し、どのアンカーが問題を検出したかを確認します。
チェックリスト
- [ ] 地質学のワークフローにおいて、人工知能が安全な値を生成する場所と危険な値を生成する場所を区別できます。
- [ ] 私は、それぞれの出力を桁違い、地質学的妥当性、現場証拠で検証する反射神経を獲得しました。
- [ ] 「問題が発生した場合に起こり得る最悪の事態は何ですか?」という質問によるタスクのリスク レベル。質問で判断できます。
- [ ] 私は幻覚と不確実性が何であるか、そしてそれらを可視化する方法を知っています。
- [ ] 私は、機密フィールド データを匿名化して安全なプロンプトを設定する習慣を採用しました。