ಎನ್ವಿರಾನ್ಮೆಂಟಲ್ ಡೇಟಾ ಮತ್ತು ಮಾನಿಟರಿಂಗ್ ಅನಾಲಿಸಿಸ್ — ಎನ್ವಿರಾನ್ಮೆಂಟಲ್ ಇಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ

ಲಾಭಗಳು:

ಸಮಯ ಸರಣಿ, ಮಿತಿ ದಾಟುವಿಕೆ ಮತ್ತು ಸಂವೇದಕ ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣ (QA/QC) ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
AI ಜೊತೆಗೆ ಅಸಂಗತ ಸ್ಕ್ಯಾನಿಂಗ್, ಟ್ರೆಂಡ್ ಸಾರಾಂಶ ಮತ್ತು ಕಾಣೆಯಾದ ಡೇಟಾ ತಂತ್ರವನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ
ಕಚ್ಚಾ ಡೇಟಾ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯದೊಂದಿಗೆ AI ನಿಂದ ಸೂಚಿಸಲಾದ ಮಿತಿಮೀರಿದ ಮತ್ತು ವೈಪರೀತ್ಯಗಳನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ

ನೀವು ಸಂಘಟಿತ ಕೈಗಾರಿಕಾ ವಲಯದ ತ್ಯಾಜ್ಯನೀರಿನ ಸಂಸ್ಕರಣಾ ಘಟಕದಲ್ಲಿ ಶಿಫ್ಟ್ ಎಂಜಿನಿಯರ್ ಆಗಿದ್ದೀರಿ. ಔಟ್‌ಲೆಟ್‌ನಲ್ಲಿರುವ ನಿರಂತರ ಮೇಲ್ವಿಚಾರಣಾ ಕೇಂದ್ರವು ಪ್ರತಿ 15 ನಿಮಿಷಗಳಿಗೊಮ್ಮೆ ಕರಗಿದ ಆಮ್ಲಜನಕ (DO), pH, ವಾಹಕತೆ ಮತ್ತು ರಾಸಾಯನಿಕ ಆಮ್ಲಜನಕದ ಬೇಡಿಕೆ (COD) ಅನ್ನು ದಾಖಲಿಸುತ್ತದೆ. ಬೆಳಿಗ್ಗೆ 03:40 ಕ್ಕೆ, SCADA ಪರದೆಯ ಮೇಲೆ COD ಮೌಲ್ಯವು 1,240 mg/L ಗೆ ಜಿಗಿಯುತ್ತದೆ ಮತ್ತು ಸಿಸ್ಟಮ್ ಎಚ್ಚರಿಕೆಯನ್ನು ಎತ್ತುತ್ತದೆ. ಡಿಸ್ಚಾರ್ಜ್ ಮಿತಿ 250 mg/L. ನೀವು ಭಯಭೀತರಾಗುವ ಮೊದಲು ನೀವು ಕೇಳಬೇಕಾದ ಪ್ರಶ್ನೆಯೆಂದರೆ: ಇದು ನಿಜವಾದ ಮಾಲಿನ್ಯ ಘಟನೆಯೇ ಅಥವಾ ಇದು ಸಂವೇದಕ ರೆಕಾರ್ಡಿಂಗ್ ಆಗಿದೆಯೇ? ಈ ಘಟಕದಲ್ಲಿ, ಸಮಯದ ಸರಣಿಯ ಡೇಟಾವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು, ವೈಪರೀತ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಟ್ರೆಂಡ್ ಸಾರಾಂಶಗಳನ್ನು ರಚಿಸಲು "ಮೊದಲ ಓದುವ ಸಹಾಯಕ" ಆಗಿ ಭಾಷಾ ಮಾದರಿಯನ್ನು (LLM) ಹೇಗೆ ಬಳಸುವುದು ಎಂದು ನೀವು ಕಲಿಯುವಿರಿ; ಆದರೆ ಅವನು ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ಅವಳಿಗೆ ಏಕೆ ಬಿಡುವುದಿಲ್ಲ ಎಂದು ನಾವು ಚರ್ಚಿಸುತ್ತಿದ್ದೇವೆ.

ನಿರಂತರ ಮಾನಿಟರಿಂಗ್ ಡೇಟಾದ ಅಂಗರಚನಾಶಾಸ್ತ್ರ

ಪರಿಸರ ಮಾನಿಟರಿಂಗ್ ಡೇಟಾವು ನಿಯಮಿತ ಸಮಯದ ಮಧ್ಯಂತರದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾದ ಸಮಯ ಸರಣಿಯಾಗಿದೆ. ಪ್ರತಿ ಮಾಪನ ಬಿಂದುವು ಸಮಯಸ್ಟ್ಯಾಂಪ್, ಮೌಲ್ಯ ಮತ್ತು ಆದರ್ಶಪ್ರಾಯವಾಗಿ ಗುಣಮಟ್ಟದ ಧ್ವಜವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ನೀವು ಮೂರು ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಬೇಕು:

ಪ್ರವೃತ್ತಿ: ದೀರ್ಘಾವಧಿಯ ಪ್ರವೃತ್ತಿ (ಉದಾ. ವಾಹಕತೆಯ ಋತುಮಾನದ ಹೆಚ್ಚಳ).
ಕಾಲೋಚಿತತೆ/ಚಕ್ರ: ದಿನ ಅಥವಾ ವರ್ಷದಲ್ಲಿ ಪುನರಾವರ್ತಿಸುವ ಮಾದರಿಗಳು (ಉದಾಹರಣೆಗೆ, ಹಗಲಿನ ದ್ಯುತಿಸಂಶ್ಲೇಷಣೆಯಿಂದ DO ಯ ಎತ್ತರ).
ಅಸಂಗತತೆ: ನಿರೀಕ್ಷಿತ ಮಾದರಿಯಿಂದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ವಿಪಥಗೊಳ್ಳುವ ಏಕವಚನ ಅಥವಾ ಅಲ್ಪಾವಧಿಯ ಮೌಲ್ಯಗಳು.

ಪ್ಯಾರಾಮೀಟರ್

ವಿಶಿಷ್ಟ ಮಾನಿಟರಿಂಗ್ ಶ್ರೇಣಿ

ಮಾದರಿ ಮಿತಿ (ಡಿಸ್ಚಾರ್ಜ್)

ಸಾಮಾನ್ಯ ಸಂವೇದಕ ಸಮಸ್ಯೆ

1-5 ನಿಮಿಷ

6-9 (ಘಟಕರಹಿತ)

ಉಲ್ಲೇಖ ಎಲೆಕ್ಟ್ರೋಡ್ ಶಿಫ್ಟ್

ಕರಗಿದ ಆಮ್ಲಜನಕ (DO)

5-15 ನಿಮಿಷ

≥ 5 mg/L (ಸ್ವೀಕರಿಸುವ ಮಧ್ಯಮ)

ಮೆಂಬರೇನ್ ಫೌಲಿಂಗ್ (ಜೈವಿಕ ಫೌಲಿಂಗ್)

ವಾಹಕತೆ

5-15 ನಿಮಿಷ

ವರ್ಗ ಅವಲಂಬಿತ, µS/ಸೆಂ

ಕ್ಯಾಲಿಬ್ರೇಶನ್ ಡ್ರಿಫ್ಟ್

COD (ನಿರಂತರ ವಿಶ್ಲೇಷಕ)

15-60 ನಿಮಿಷ

250mg/L

ಕಾರಕ ನಿಶ್ಯಕ್ತಿ, ಅಡಚಣೆ

PM10 (ಗಾಳಿ)

1 ಗಂಟೆ

50 µg/m³ (24 ಗಂಟೆಗಳು)

ಆರ್ದ್ರತೆ/ಕಂಡೆನ್ಸೇಶನ್ ಪರಿಣಾಮ

QA/QC ಧ್ವಜಗಳು ಏಕೆ ಪ್ರಮುಖವಾಗಿವೆ?

QA/QC (ಗುಣಮಟ್ಟದ ಭರವಸೆ / ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ) ಪ್ರತಿ ಅಳತೆಗೆ ವಿಶ್ವಾಸಾರ್ಹ ಲೇಬಲ್ ಅನ್ನು ಲಗತ್ತಿಸುವುದಾಗಿದೆ. ಒಂದು ಮೌಲ್ಯವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ "ಓವರ್‌ಶೂಟ್" ಎಂದು ಕಂಡುಬಂದರೂ ಸಹ, ಅದನ್ನು ಮಾಪನಾಂಕ ನಿರ್ಣಯ ವಿಂಡೋದ ಹೊರಗೆ ತೆಗೆದುಕೊಂಡರೆ ಅಥವಾ ಸಂವೇದಕವು ನಿರ್ವಹಣೆಯಲ್ಲಿದ್ದರೆ ಅದು ಅಮಾನ್ಯವಾಗಿರುತ್ತದೆ. ಸಾಮಾನ್ಯ ಧ್ವಜ ಸಂಕೇತಗಳು:

ಫ್ಲ್ಯಾಗ್ ಅರ್ಥ--------------------------------- ಜಿ ಉತ್ತಮ — ಮಾನ್ಯವಾದ, ಅಂಗೀಕರಿಸಿದ ಮಾಪನಗಳು ಶಂಕಿತ — ಸಂಶಯಾಸ್ಪದ, ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆM ಕಾಣೆಯಾಗಿದೆ — ಕಾಣೆಯಾಗಿದೆ / ಖಾಲಿ ದಾಖಲೆC ಮಾಪನಾಂಕ ನಿರ್ಣಯ — ಮಾಪನಾಂಕ/ನಿರ್ವಹಣೆ ವಿಂಡೋ, ಡೇಟಾ ಅಮಾನ್ಯವಾಗಿದೆ ಅಂದಾಜು — ಅಂದಾಜು ಮಾಡಲಾದ ಅಂದಾಜು ಮೌಲ್ಯ

ಸಲಹೆ: ಮಿತಿಮೀರಿದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಯಾವಾಗಲೂ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮತ್ತು ನಿರ್ವಹಣೆ ಲಾಗ್‌ಗಳನ್ನು ತೆರೆಯಿರಿ. 03:40 ಕ್ಕೆ COD ಜಂಪ್ ಸ್ವಯಂಚಾಲಿತ ರಾತ್ರಿಯ ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಅಥವಾ ಕಾರಕ ಬದಲಾವಣೆಯೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾದರೆ, ಇದು "C" ಫ್ಲ್ಯಾಗ್ ಡೇಟಾ; ಇದು ಎಚ್ಚರಿಕೆಯ ವಿಷಯವಲ್ಲ, ಆದರೆ ಡೇಟಾ ಶುಚಿಗೊಳಿಸುವಿಕೆಗೆ.

AI ಜೊತೆಗೆ ಅಸಂಗತ ಸ್ಕ್ಯಾನಿಂಗ್ ಮತ್ತು ಟ್ರೆಂಡ್ ಸಾರಾಂಶ

ಕೋಷ್ಟಕ ಡೇಟಾವನ್ನು ತ್ವರಿತವಾಗಿ ಪರಿಶೀಲಿಸಲು ನೀವು LLM ಅನ್ನು ಬಳಸಬಹುದು, ಮಾನವನ ಕಣ್ಣುಗಳು ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದಾದ ಫ್ಲ್ಯಾಗ್ ಮಾದರಿಗಳು ಮತ್ತು ಆರಂಭಿಕ ಊಹೆಗಳನ್ನು ವಿಂಗಡಿಸಬಹುದು. ನಿರ್ಣಾಯಕ ಅಂಶ: ಮಾದರಿಗೆ ಕಚ್ಚಾ ಡೇಟಾ, ಘಟಕಗಳು ಮತ್ತು ಮಿತಿಯನ್ನು ಒಟ್ಟಿಗೆ ನೀಡುವುದು ಮತ್ತು ಅದರಿಂದ ಪರಿಶೀಲಿಸಬಹುದಾದ ಅವಲೋಕನಗಳನ್ನು ಕೇಳುವುದು.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ನೀರಿನ ಗುಣಮಟ್ಟದ ಡೇಟಾದಲ್ಲಿ ಸಮಸ್ಯೆ ಇದೆಯೇ?" ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್: "ಕೆಳಗೆ 15 ನಿಮಿಷಗಳ ವೇಸ್ಟ್ ವಾಟರ್ ಡಿಸ್ಚಾರ್ಜ್ ಪಾಯಿಂಟ್‌ನ ಮಾನಿಟರಿಂಗ್ ಡೇಟಾ (ಕಾಲಮ್‌ಗಳು: ಸಮಯ, COD [mg/L], ವಾಹಕತೆ [µS/cm], pH, QA ಫ್ಲ್ಯಾಗ್). ಡಿಸ್ಚಾರ್ಜ್ COD ಮಿತಿ 250 mg/L, pH ಶ್ರೇಣಿ 6-9. ನಿಮ್ಮ ಕಾರ್ಯ: 1) ಮಿತಿಯೊಂದಿಗೆ Eva.2 ಲೈನ್ ಮಿತಿಯನ್ನು ಮೀರಿದೆ. ಧ್ವಜಗಳು; C/M/S ಫ್ಲ್ಯಾಗ್‌ಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿ 'ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ' 3) ಇದು ಏಕವಚನ ಜಂಪ್ (ಒಂದೇ ಸಾಲು) ಅಥವಾ ನಿರಂತರ ಏರಿಕೆ (>= 3 ಸತತ ಸಾಲುಗಳು) ಎಂಬುದನ್ನು ಸೂಚಿಸಿ ಡೇಟಾದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಲಾಗಿದೆ ಬದಲಿಗೆ 'ಕಚ್ಚಾ ಡೇಟಾದೊಂದಿಗೆ ದೃಢೀಕರಿಸಬೇಕು' ಎಂದು ಬರೆಯಿರಿ."

ಪ್ರಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯನ್ನು ಕಾಂಕ್ರೀಟ್ ಕಾರ್ಯವಿಧಾನಕ್ಕೆ ಬಂಧಿಸುತ್ತದೆ, ಧ್ವಜಗಳನ್ನು ಪಾರ್ಸ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಭ್ರಮೆಯನ್ನು ಮಿತಿಗೊಳಿಸಲು ಸ್ಪಷ್ಟವಾದ "ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ, ಹೇಳಬೇಡಿ" ಸೂಚನೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ (ನಿರ್ಮಿತ ವ್ಯಾಖ್ಯಾನ).

ಎಚ್ಚರಿಕೆ: LLM ಸಂಖ್ಯಾತ್ಮಕ ಮಿತಿ ಹೋಲಿಕೆಗಳಲ್ಲಿ ದೋಷಗಳನ್ನು ಮಾಡಬಹುದು; 248 mg/L ಅನ್ನು "ಮೀರಿ" ಅಥವಾ 252 mg/L ಅನ್ನು "ಮಿತಿಯೊಳಗೆ" ಎಂದು ತಪ್ಪಾಗಿ ಲೇಬಲ್ ಮಾಡಬಹುದು. ಕಚ್ಚಾ ಟೇಬಲ್‌ನಿಂದ ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಅಥವಾ ಸೂತ್ರದೊಂದಿಗೆ (ಉದಾ. ಮೌಲ್ಯ > 250) ಮಾದರಿ ಪಟ್ಟಿಗಳ ಪ್ರತಿ ಮಿತಿಯನ್ನು ಮರು-ಪರಿಶೀಲಿಸಿ. ಮಾದರಿ ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ; ನೀವು ಮಿತಿಯನ್ನು ನಿರ್ಧರಿಸುತ್ತೀರಿ.

ಕಾಣೆಯಾದ ಡೇಟಾ ತಂತ್ರ (ಇಂಪ್ಯುಟೇಶನ್)

ಸಂವೇದಕಗಳು ಮುಚ್ಚಿಹೋಗುತ್ತವೆ, ವಿದ್ಯುತ್ ಹೊರಹೋಗುತ್ತದೆ, ಸಂವಹನವು ಮುರಿದುಹೋಗುತ್ತದೆ. ಕಾಣೆಯಾದ ಡೇಟಾವನ್ನು ನೀವು ಹೇಗೆ ತುಂಬುತ್ತೀರಿ ಎಂಬುದು ನಿಮ್ಮ ಪ್ರವೃತ್ತಿ ಮತ್ತು ಮಿತಿಮೀರಿದ ವಿಶ್ಲೇಷಣೆಯ ಮೇಲೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಸುಳ್ಳು ಆರೋಪವು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಮಿತಿಮೀರಿದ "ರಚಿಸಬಹುದು" ಅಥವಾ ನಿಜವಾದ ಓವರ್‌ಶೂಟ್ ಅನ್ನು ಮರೆಮಾಡಬಹುದು.

np# 15 ನಿಮಿಷಗಳ COD ಸರಣಿಯಂತೆ pdimport numpy ಆಗಿ ಪಾಂಡಾಗಳನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ; -999 ಸಾಧನ ಕೋಡ್ "ಡೇಟಾ ಇಲ್ಲ" "ಫ್ಲ್ಯಾಗ್": ["G", "G", "M", "M", "G", "S", "G", "G"],})# 1) ಸಾಧನ ಕೋಡ್‌ಗಳನ್ನು ನಿಜವಾದ ಕಾಣೆಯಾದ valuedf.loc ಗೆ ಪರಿವರ್ತಿಸಿ 2 ಹಂತಗಳು); ಫ್ಲ್ಯಾಗ್ imputationgap = df["koi"].isna()df["koi_full"] = df["koi"].interpolate(limit=2)df.loc[gap & df["koi_full"].notna(), "flag"] = "E" # G ಸ್ಕಾನಿಂಗ್‌ಗಾಗಿ ಮಿತಿಮೀರಿದ ನಿರ್ಧಾರ (ಅಂದಾಜು # 3) ಮೌಲ್ಯಗಳು ಮಾತ್ರ = df[(df["koi_full"] > 250) & (df["flag"] == "G")]print(asyms[["ts", "koi_full", "flag"]])

ಈ ವಿಧಾನದಲ್ಲಿ, ಕಡಿಮೆ ಅಂತರವನ್ನು ತುಂಬಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ತುಂಬಿದ ಮೌಲ್ಯಗಳನ್ನು E ಯಿಂದ ಗುರುತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮಿತಿಮೀರಿದ ನಿರ್ಧಾರವನ್ನು ನಿಜವಾದ ಮಾಪನದಿಂದ (G) ಮಾತ್ರ ಮಾಡಲಾಗುತ್ತದೆ. 1240 mg/L ಮೌಲ್ಯವನ್ನು S (ಅನುಮಾನಾಸ್ಪದ) ಎಂದು ಫ್ಲ್ಯಾಗ್ ಮಾಡಲಾಗಿರುವುದರಿಂದ, ಇದು ಸ್ವಯಂಚಾಲಿತ ಮಿತಿಮೀರಿದ ಪಟ್ಟಿಯಲ್ಲಿ ಸೇರಿಸಲಾಗಿಲ್ಲ; ಮೊದಲು ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.

ಸಂವೇದಕ ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಮೂಲಕ ಪರಿಶೀಲನೆ

ಓವರ್‌ಶೂಟ್ ನಿಜವೇ ಅಥವಾ ಸಂವೇದಕ ಡ್ರಿಫ್ಟ್ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಚಿನ್ನದ ಮಾನದಂಡವು ಏಕಕಾಲೀನ ಗ್ರಾಬ್ ಮಾದರಿಯ ಪ್ರಯೋಗಾಲಯದ ಫಲಿತಾಂಶವಾಗಿದೆ. ಉದಾಹರಣೆಗೆ, ನಿರಂತರ ವಿಶ್ಲೇಷಕವು 03:40 ಕ್ಕೆ 1240 mg/L ಅನ್ನು ತೋರಿಸಿದರೆ ಮತ್ತು ಆ ಸಮಯದಲ್ಲಿ ತೆಗೆದುಕೊಂಡ ಮಾದರಿಯ ಪ್ರಯೋಗಾಲಯದ ಅಳತೆ ಮೌಲ್ಯವು 205 mg/L ಆಗಿದ್ದರೆ, ಸಮಸ್ಯೆ ಸಂವೇದಕದಲ್ಲಿದೆ; ವಿಸರ್ಜನೆ ಅಲ್ಲ. ಇದು ಕ್ಷೇತ್ರ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದೊಂದಿಗೆ AI ಔಟ್‌ಪುಟ್ ಅಥವಾ SCADA ಎಚ್ಚರಿಕೆಯ ತ್ರಿಕೋನವಾಗಿದೆ.

ಮಿನಿ ಕೇಸ್

ಕುಡಿಯುವ ನೀರಿನ ಜಲಾನಯನ ಪ್ರದೇಶದಲ್ಲಿನ ಟರ್ಬಿಡಿಟಿ ಸಂವೇದಕವು ಮೂರು ದಿನಗಳವರೆಗೆ ಕ್ರಮೇಣ ಹೆಚ್ಚುತ್ತಿರುವ ಪ್ರವೃತ್ತಿಯನ್ನು ತೋರಿಸುತ್ತಿದೆ. ಶಿಫ್ಟ್ ತಂಡವು LLM ಗೆ ಸಾಪ್ತಾಹಿಕ ಡೇಟಾವನ್ನು ನೀಡಿತು; "ನಂತರದ ಮಳೆಯ ಹರಿವಿನಿಂದಾಗಿ ಪ್ರಕ್ಷುಬ್ಧತೆಯ ನಿಜವಾದ ಹೆಚ್ಚಳ ಸಾಧ್ಯ" ಎಂದು ಮಾದರಿ ಹೇಳಿದೆ. ಆದರೆ, ಇಂಜಿನಿಯರ್ ಅವರು ಹವಾಮಾನ ದಾಖಲೆಗಳನ್ನು ನೋಡಿದಾಗ, ಆ ಪ್ರದೇಶದಲ್ಲಿ ಆ ವಾರದಲ್ಲಿ ಮಳೆಯಾಗಲಿಲ್ಲ. ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆಯ ಸಮಯದಲ್ಲಿ, ಸಂವೇದಕ ಆಪ್ಟಿಕಲ್ ವಿಂಡೋದಲ್ಲಿ ಜೈವಿಕ ಫೌಲಿಂಗ್ ರೂಪುಗೊಂಡಿದೆ ಎಂದು ತಿಳಿಯಲಾಯಿತು; ಸ್ವಚ್ಛಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ನಂತರ, ಮೌಲ್ಯಗಳು ಸಾಮಾನ್ಯ ಸ್ಥಿತಿಗೆ ಮರಳಿದವು. "ಸಂಭವನೀಯ ವಾಸ್ತವಿಕ ಘಟನೆ"ಯ LLM ನ ವ್ಯಾಖ್ಯಾನವನ್ನು ಬಾಹ್ಯ ಡೇಟಾ (ಮಳೆ ದಾಖಲೆ) ಮತ್ತು ಕ್ಷೇತ್ರ ನಿಯಂತ್ರಣದಿಂದ ನಿರಾಕರಿಸಲಾಗಿದೆ. ಪಾಠ: ಮಾದರಿಯು ತೋರಿಕೆಯ ಆದರೆ ಸುಳ್ಳು ಕಥೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು; ಪರಿಶೀಲನಾ ಸರಪಳಿಯು ಅದನ್ನು ಹಿಡಿಯುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

ಮಾಪನಾಂಕ ನಿರ್ಣಯ/ನಿರ್ವಹಣೆ ವಿಂಡೋದಲ್ಲಿ (ಫ್ಲ್ಯಾಗ್ ಸಿ) ಡೇಟಾವನ್ನು ನೈಜ ಮಿತಿಗೆ ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
ಕಾಣೆಯಾದ ಡೇಟಾವನ್ನು ಮೌನವಾಗಿ ಭರ್ತಿ ಮಾಡುವುದು ಮತ್ತು ಆಪಾದಿತ ಮೌಲ್ಯಗಳನ್ನು ನೈಜ ಅಳತೆಗಳಾಗಿ ವರದಿ ಮಾಡುವುದು.
ನಿರಂತರ ಘಟನೆಗಾಗಿ ಏಕವಚನ ಬೌನ್ಸ್ (ಏಕ ಸಾಲು, ಪ್ರಾಯಶಃ ವಿದ್ಯುತ್ ಶಬ್ದ) ತಪ್ಪಾಗಿ.
LLM ನ ಬ್ರೇಕ್‌ಪಾಯಿಂಟ್ ಹೋಲಿಕೆಗಳನ್ನು ಕುರುಡಾಗಿ ನಂಬುವುದು (248 vs 250).
ಏಕಕಾಲಿಕ ನಿಯತಾಂಕಗಳನ್ನು (pH + ವಾಹಕತೆ + COD) ಕ್ರಾಸ್-ಚೆಕ್ ಮಾಡದೆಯೇ ಒಂದೇ ನಿಯತಾಂಕದ ಆಧಾರದ ಮೇಲೆ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು.
ಗ್ರ್ಯಾಬ್ ಸ್ಯಾಂಪಲ್/ಲ್ಯಾಬೋರೇಟರಿ ದೃಢೀಕರಣದೊಂದಿಗೆ ಸಂವೇದಕ ಡ್ರಿಫ್ಟ್ ಅನ್ನು ತಳ್ಳಿಹಾಕದೆ ಅಲಾರಾಂ "ನೈಜ" ಎಂದು ಘೋಷಿಸುವುದು.
ಸ್ಥಳೀಯ ಸಮಯ/UTC ಮತ್ತು ಬೇಸಿಗೆಯ ಸಮಯದ ಬದಲಾವಣೆಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು ಮತ್ತು ಘಟನೆಗಳನ್ನು ತಪ್ಪಾದ ಸಮಯಕ್ಕೆ ಆರೋಪಿಸುವುದು.

ಸಾರಾಂಶದಲ್ಲಿ

ಪರಿಸರ ಮಾನಿಟರಿಂಗ್ ಡೇಟಾವು ಸಮಯ ಸರಣಿಯಾಗಿದೆ; ಪ್ರವೃತ್ತಿ, ಕಾಲೋಚಿತತೆ ಮತ್ತು ಅಸಂಗತತೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸದೆ ಅದನ್ನು ಅರ್ಥೈಸಲಾಗುವುದಿಲ್ಲ.
QA/QC ಫ್ಲ್ಯಾಗ್‌ಗಳು ಡೇಟಾದ ಟ್ರಸ್ಟ್ ಟ್ಯಾಗ್ ಆಗಿದೆ; ನಿರ್ಧಾರಗಳನ್ನು ಮಾನ್ಯ (ಜಿ) ಡೇಟಾದಿಂದ ಮಾತ್ರ ಮಾಡಲಾಗುತ್ತದೆ.
LLM ಅಸಂಗತತೆ ಸ್ಕ್ಯಾನಿಂಗ್, ಮಿತಿಮೀರಿದ ಪಟ್ಟಿ ಮತ್ತು ಟ್ರೆಂಡ್ ಸಾರಾಂಶಕ್ಕಾಗಿ ತ್ವರಿತವಾದ ಮೊದಲ ಓದುವ ಸಹಾಯಕವಾಗಿದೆ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರಲ್ಲ.
ಕಾಣೆಯಾದ ಡೇಟಾ ತಂತ್ರ (ಇಂಪ್ಯುಟೇಶನ್) ಪಾರದರ್ಶಕವಾಗಿರಬೇಕು; ತುಂಬಿದ ಮೌಲ್ಯಗಳನ್ನು ಗುರುತಿಸಲಾಗಿದೆ ಮತ್ತು ಮಿತಿಮೀರಿದ ನಿರ್ಧಾರಕ್ಕೆ ಆಧಾರವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ.
ಸಂವೇದಕ ಡ್ರಿಫ್ಟ್, ಜೈವಿಕ ಫೌಲಿಂಗ್ ಮತ್ತು ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ಡ್ರಿಫ್ಟ್ "ಸ್ಪ್ಯೂರಿಯಸ್ ಓವರ್‌ಶೂಟ್" ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಗ್ರಾಬ್ ಮಾದರಿ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದ ದೃಢೀಕರಣವನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ.
AI ಔಟ್‌ಪುಟ್ ಒಂದು ಊಹೆಯಾಗಿದೆ; ಮಾಪನಾಂಕ ನಿರ್ಣಯ ದಾಖಲೆ ಮತ್ತು ಕ್ಷೇತ್ರ ನಿಯಂತ್ರಣದ ಮೂಲಕ ಪರಿಶೀಲನೆ ಇಲ್ಲದೆ ಕಚ್ಚಾ ಡೇಟಾ ಅಧಿಕೃತ ವರದಿಯನ್ನು ನಮೂದಿಸುವುದಿಲ್ಲ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನೀವು ಹೊಂದಿರುವ 24-ಗಂಟೆ, 15-ನಿಮಿಷದ ಮಾನಿಟರಿಂಗ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ (ಅಥವಾ ಕೃತಕವಾಗಿ ಉತ್ಪಾದಿಸಿ) (ಕನಿಷ್ಠ ಒಂದು ಪ್ಯಾರಾಮೀಟರ್: COD, pH, ಅಥವಾ PM10) ಮತ್ತು QA/QC ಫ್ಲ್ಯಾಗ್‌ಗಳನ್ನು ಸೇರಿಸುವ ಮತ್ತು ಮಿತಿ ಮೀರಿದ ಮಿತಿಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುವ ರನ್ ಅನ್ನು ರಚಿಸಿ. ಮೊದಲಿಗೆ, ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಅಸಂಗತತೆ ಮತ್ತು ಮಿತಿಮೀರಿದ ಸ್ಕ್ಯಾನಿಂಗ್ಗಾಗಿ LLM ಅನ್ನು ಕೇಳಿ; ನಂತರ ಪೈಥಾನ್‌ನಲ್ಲಿ ಮೌಲ್ಯ > ಮಿತಿ ಫಿಲ್ಟರ್‌ನೊಂದಿಗೆ ಅದೇ ಮಿತಿಗಳನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಿ. ಕನಿಷ್ಠ ಒಂದು ಇಂಪ್ಯುಟೇಶನ್ ಉದಾಹರಣೆಯನ್ನು ಮಾಡಿ ಮತ್ತು ತುಂಬಿದ ಮೌಲ್ಯಗಳನ್ನು E ನೊಂದಿಗೆ ಗುರುತಿಸಿ. ಪ್ರತಿ "ಓವರ್‌ಶೂಟ್" ಗಾಗಿ ನೀವು "ಗ್ರಾಬ್ ಸ್ಯಾಂಪಲ್/ಕ್ಯಾಲಿಬ್ರೇಶನ್ ದಾಖಲೆಯೊಂದಿಗೆ ಇದನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸುವುದು?" ಒಂದೇ ವಾಕ್ಯದಲ್ಲಿ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಿ. ಅಂತಿಮವಾಗಿ, LLM ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದ ವೈಪರೀತ್ಯಗಳಲ್ಲಿ ಎಷ್ಟು ನೈಜ ಘಟನೆಗಳು ಮತ್ತು ಎಷ್ಟು ಸಂವೇದಕ/ಡೇಟಾ ಸಮಸ್ಯೆಗಳು, ಸಮರ್ಥನೆಗಳೊಂದಿಗೆ ಪಟ್ಟಿ ಮಾಡಿ.