ಪೈಥಾನ್ ಮತ್ತು AI ನ ಗಡಿಗಳೊಂದಿಗೆ ಗಣಿಗಾರಿಕೆ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ

ಲಾಭಗಳು:

• AI ಬೆಂಬಲದೊಂದಿಗೆ ಪೈಥಾನ್‌ನೊಂದಿಗೆ ಡ್ರಿಲ್ಲಿಂಗ್, ಉತ್ಪಾದನೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಮತ್ತು ದೃಶ್ಯೀಕರಿಸುವ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಸರಳ ಭವಿಷ್ಯ ಮತ್ತು ಅಸಂಗತ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವಾಗ ಡೇಟಾ ಗುಣಮಟ್ಟ, ಓವರ್‌ಲರ್ನಿಂಗ್ ಮತ್ತು ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
• AI- ರಚಿತವಾದ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಘಟಕ ನಿಯಂತ್ರಣ, ಸ್ವತಂತ್ರ ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಇಂಜಿನಿಯರಿಂಗ್ ತೋರಿಕೆಯ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ

ಈ ಮಾಡ್ಯೂಲ್‌ನ ಪ್ರತಿಯೊಂದು ಘಟಕದಲ್ಲಿ AI ಕೋಡಿಂಗ್‌ನಲ್ಲಿ ಶಕ್ತಿಯುತವಾಗಿದೆ ಎಂದು ನೀವು ನೋಡಿದ್ದೀರಿ: ಬೋರ್‌ಹೋಲ್ ಕ್ಲೀನಿಂಗ್, ಮಾಸ್ ಬ್ಯಾಲೆನ್ಸ್, ಕ್ರಿಜಿಂಗ್ ಅಸ್ಥಿಪಂಜರ, ಫ್ಲೀಟ್ ಸಾರಾಂಶ, ಕಂಪನ ವಿಶ್ಲೇಷಣೆ, ಪರಿಸರ ಸ್ಕ್ಯಾನಿಂಗ್. ಈ ಕೊನೆಯ ಘಟಕವು ಪೈಥಾನ್ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ, ಆ ಕೋಡ್‌ನ ಕಾಂಕ್ರೀಟ್ ಸಾಧನ ಮತ್ತು AI ಯೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವ ಸರಿಯಾದ ಶಿಸ್ತು. ಪೈಥಾನ್ ಗಣಿಗಾರಿಕೆಯ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ವಾಸ್ತವಿಕ ಮಾನದಂಡವಾಗಿದೆ ಏಕೆಂದರೆ ಅದು ಉಚಿತವಾಗಿದೆ, ಶಕ್ತಿಯುತ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಹೊಂದಿದೆ (ಪಾಂಡಾಗಳು: ಕೋಷ್ಟಕ ಡೇಟಾ ಕುಶಲತೆ; numpy: ಸಂಖ್ಯಾತ್ಮಕ ಕಲನಶಾಸ್ತ್ರ; matplotlib: ಪ್ಲಾಟಿಂಗ್; ಸ್ಕಿಕಿಟ್-ಲರ್ನ್: ಯಂತ್ರ ಕಲಿಕೆ), ಮತ್ತು ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ. ನೀವು ಆ ಕೋಡ್ ಬರೆಯುವ ವೇಗವನ್ನು AI ಗುಣಿಸುತ್ತದೆ; ಆದರೆ ಅದು ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಯಾವಾಗಲೂ ಸರಿಯಾಗಿರುವುದಿಲ್ಲ. ಈ ಘಟಕದ ಕೇಂದ್ರ ತತ್ವ: AI ಬರೆಯುವ ಕೋಡ್ ಅನ್ನು ಮೊದಲು ಓದದೆ, ಅದರ ಘಟಕವನ್ನು ಮೌಲ್ಯೀಕರಿಸದೆ ಮತ್ತು ತಿಳಿದಿರುವ ಸಣ್ಣ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸದೆ ಅದನ್ನು ಎಂದಿಗೂ ರನ್ ಮಾಡಬೇಡಿ. ಕೋಡ್ ಮೌನವಾಗಿ ತಪ್ಪು ಫಲಿತಾಂಶವನ್ನು ಉಂಟುಮಾಡಬಹುದು, ಇದು ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ಕೆಟ್ಟ ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರವಾಗಿ ಬದಲಾಗಬಹುದು.

AI ಯೊಂದಿಗೆ ಕೋಡ್ ಉತ್ಪಾದಿಸುವ ಮೂಲ ಹರಿವು

AI ನಿಂದ ಕೋಡ್ ಪಡೆಯುವುದು ಎಂಜಿನಿಯರಿಂಗ್ ಸೈಕಲ್ ಆಗಿದೆ, ಸಂಭಾಷಣೆಯಲ್ಲ:

1. ಕಾರ್ಯವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸಿ. ಇನ್‌ಪುಟ್ (ಕಾಲಮ್‌ಗಳು, ಘಟಕಗಳು, ಮಾದರಿ ಸಾಲು), ಅಪೇಕ್ಷಿತ ಔಟ್‌ಪುಟ್ ಮತ್ತು ನಿರ್ಬಂಧಗಳು. ಅಸ್ಪಷ್ಟ ವಿನಂತಿಯು ಅಸ್ಪಷ್ಟ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.
2. ಇದು ಚಿಕ್ಕದಾಗಿದೆ ಮತ್ತು ಓದಬಲ್ಲದು ಎಂದು ಕೇಳಿ. ಒಂದು ದೈತ್ಯ ಕಾರ್ಯದ ಬದಲಿಗೆ ಹಂತ-ಹಂತದ, ಕಾಮೆಂಟ್ ಮಾಡಿದ ಕೋಡ್‌ಗಾಗಿ ಕೇಳಿ.
3. ಓದಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ. ಪ್ರತಿ ಸಾಲು ಏನು ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ; ನಿಮಗೆ ಅರ್ಥವಾಗದ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಬೇಡಿ.
4. ಸಣ್ಣ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ. ನಿಮಗೆ ತಿಳಿದಿರುವ ಮತ್ತು ನಿರೀಕ್ಷಿತ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದ 5-10 ಸಾಲುಗಳೊಂದಿಗೆ ಇದನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ರನ್ ಮಾಡಿ.
5. ಪ್ರಶ್ನೆ ಅಂಚಿನ ಪ್ರಕರಣಗಳು. ಖಾಲಿ ಸೆಲ್, ಋಣಾತ್ಮಕ ಮೌಲ್ಯ, ಯುನಿಟ್ ಷಫಲಿಂಗ್, ಪುನರಾವರ್ತಿತ ದಾಖಲೆ ಕೋಡ್ ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ?
6. ತರ್ಕವನ್ನು ಅಳೆಯಿರಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ. ಎಲ್ಲಾ ಡೇಟಾದಲ್ಲಿ ರನ್ ಮಾಡಿ; ಫಲಿತಾಂಶವು ಎಂಜಿನಿಯರಿಂಗ್‌ಗೆ ಸಮಂಜಸವಾಗಿದೆಯೇ?

ಸಲಹೆ: AI ಕೋಡ್ ಅನ್ನು ನಮೂದಿಸುವ ಸಾಮಾನ್ಯ ದೋಷಗಳು ಮೌನವಾಗಿರುತ್ತವೆ: ತಪ್ಪಾದ ಕಾಲಮ್ ಹೆಸರು, ಘಟಕ ಮಿಶ್ರಣ (m vs ft, g/t vs ppm), ಮೌನವಾಗಿ ಕೈಬಿಡಲಾದ ಸಾಲುಗಳು (ಡ್ರಾಪ್ನಾ ನಂತಹ), ತಪ್ಪಾದ ಸರಾಸರಿ (ಅದನ್ನು ತೂಕ ಮಾಡಿದಾಗ ಸರಳ ಸರಾಸರಿ). ಇವು ದೋಷಗಳನ್ನು ಉಂಟುಮಾಡುವುದಿಲ್ಲ; ಇದು ಕೇವಲ ತಪ್ಪು ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ "ದೋಷವನ್ನು ಪಡೆಯಲಿಲ್ಲ" ಎಂದರೆ "ಸರಿ" ಎಂದರ್ಥ.

ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ವಿಶಿಷ್ಟವಾದ ಪೈಥಾನ್ ಕಾರ್ಯಗಳು

• ಡೇಟಾ ಶುದ್ಧೀಕರಣ: ಡ್ರಿಲ್ಲಿಂಗ್/ಉತ್ಪಾದನೆ/ಮೇಲ್ವಿಚಾರಣಾ ಕೋಷ್ಟಕಗಳನ್ನು ವಿಲೀನಗೊಳಿಸುವುದು, ಅಸಂಗತತೆ ಫ್ಲ್ಯಾಗ್ ಮಾಡುವಿಕೆ, ಘಟಕವನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸುವುದು.
• ಸಾರಾಂಶ ಮತ್ತು ದೃಶ್ಯೀಕರಣ: ಹಿಸ್ಟೋಗ್ರಾಮ್, ಸಮಯ ಸರಣಿ, ಗ್ರೇಡ್-ಟನ್ನೇಜ್ ಕರ್ವ್, OEE ಗ್ರಾಫ್‌ಗಳು.
• ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರ: ಸಾರಾಂಶ ಅಂಕಿಅಂಶಗಳು, ಪರಸ್ಪರ ಸಂಬಂಧ, ವೇರಿಯೋಗ್ರಾಮ್/ಕ್ರಿಗಿಂಗ್ (ವಿಶೇಷ ಗ್ರಂಥಾಲಯಗಳೊಂದಿಗೆ).
• ಅಸಂಗತತೆ ಪತ್ತೆ: ಥ್ರೆಶೋಲ್ಡ್-ಆಧಾರಿತ ಅಥವಾ ಸರಳ ಮಾದರಿ ಆಧಾರಿತ ಡ್ರಿಫ್ಟ್ ಕ್ಯಾಪ್ಚರ್.
• ಸರಳ ಭವಿಷ್ಯ ಮಾದರಿಗಳು: ಉದಾಹರಣೆಗೆ, ಹಿಮ್ಮೆಟ್ಟುವಿಕೆಯೊಂದಿಗೆ ಗ್ರೈಂಡಿಂಗ್ ಗಾತ್ರ-ಇಳುವರಿ ಸಂಬಂಧ.

ಈ ಹೆಚ್ಚಿನ ಕಾರ್ಯಗಳಿಗಾಗಿ, AI ಅತ್ಯುತ್ತಮ ಆರಂಭಿಕ ಕೋಡ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ. ಆದರೆ ಎರಡು ಅಪಾಯಗಳಿವೆ: ಡೇಟಾ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಾದರಿ ಮಿತಿಗಳು. ಎಐ ಕೋಡ್ ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಬಳಸಲು ಎರಡನ್ನೂ ತಿಳಿದುಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ.

ಮಾದರಿ ಮಿತಿಗಳು: ಓವರ್‌ಲರ್ನಿಂಗ್ ಮತ್ತು ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್

AI ಸುಲಭವಾಗಿ ನಿರ್ಮಿಸುವ ಸರಳ ಭವಿಷ್ಯಸೂಚಕ ಮಾದರಿಗಳು ಎರಡು ಪ್ರಮುಖ ಅಪಾಯಗಳಿಗೆ ಗುರಿಯಾಗುತ್ತವೆ. ಓವರ್‌ಫಿಟ್ಟಿಂಗ್: ಮಾದರಿಯು ತರಬೇತಿ ಡೇಟಾವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ ಆದರೆ ಹೊಸ ಡೇಟಾದಲ್ಲಿ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ; ಕಡಿಮೆ ಡೇಟಾದೊಂದಿಗೆ ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಇದನ್ನು ಆಹ್ವಾನಿಸುತ್ತದೆ. ಹೊರತೆಗೆಯುವಿಕೆ: ತರಬೇತಿ ಡೇಟಾದ ಹೊರಗಿನ ವ್ಯಾಪ್ತಿಯ ಮೇಲೆ ಭವಿಷ್ಯವನ್ನು ಮಾಡಲು ಬಲವಂತವಾಗಿ ಮಾಡಿದಾಗ ಮಾದರಿಯು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ; ಉದಾಹರಣೆಗೆ, 0.3-0.8 g/t ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಕಲಿತ ಮಾದರಿಯು 5 g/t ಗೆ ಅರ್ಥಹೀನ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು. AI ನಿಮಗಾಗಿ ಈ ಅಪಾಯಗಳನ್ನು "ಸ್ವಯಂಪ್ರೇರಿತವಾಗಿ" ನಿರ್ವಹಿಸುವುದಿಲ್ಲ; ಮಾದರಿಯನ್ನು ವಿಮರ್ಶಾತ್ಮಕವಾಗಿ ಓದುವುದು, ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ವ್ಯತ್ಯಾಸವನ್ನು ಮಾಡುವುದು, ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರವನ್ನು ನೋಡುವುದು ಮತ್ತು ಭವಿಷ್ಯವು ಭೌತಿಕವಾಗಿ ಸಮರ್ಥನೀಯವಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು ನಿಮಗೆ ಬಿಟ್ಟದ್ದು. ಮಾದರಿ ಸಂಖ್ಯೆಯು ಎಷ್ಟೇ ನಿಖರವಾಗಿ ಕಾಣಿಸಿಕೊಂಡರೂ, ಡೇಟಾ ಶ್ರೇಣಿಯ ಹೊರಗಿನ ಎಂಜಿನಿಯರಿಂಗ್ ನಿರ್ಧಾರಕ್ಕೆ ಅದು ಆಧಾರವಾಗಿರುವುದಿಲ್ಲ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಸೈಲೆಂಟ್ ವಾಲ್ಯೂಮ್ ದೋಷ. ಇಂಜಿನಿಯರ್‌ಗೆ ಕೋಡ್ ಬೇಕು ಅದು AI ಯನ್ನು ಅಸ್ಸೇ ಡೇಟಾದಿಂದ ಸರಾಸರಿ ಗ್ರೇಡ್ ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ಕೋಡ್ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಫಲಿತಾಂಶವು 2.1 ಗ್ರಾಂ / ಟಿ. ಇಂಜಿನಿಯರ್ ಕೋಡ್ ಅನ್ನು ಓದುತ್ತಾನೆ; ಸರಾಸರಿಯು ಮಧ್ಯಂತರ ಉದ್ದದಿಂದ ತೂಕವನ್ನು ಹೊಂದಿಲ್ಲ, ಆದರೆ ನೇರ ಸರಾಸರಿಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ಕಡಿಮೆ ಅಂತರದಲ್ಲಿ ಹೆಚ್ಚಿನ ಶ್ರೇಣಿಗಳನ್ನು ಅನ್ಯಾಯವಾಗಿ ತೂಕವನ್ನು ಪಡೆಯುತ್ತಿದೆ. ತೂಕದ ಸರಾಸರಿಗೆ ಚಲಿಸುವಾಗ, ಮೌಲ್ಯವು 1.7 g / t ಗೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಕೋಡ್ ಯಾವುದೇ ದೋಷಗಳನ್ನು ನೀಡಲಿಲ್ಲ; ಓದುವುದು ದೋಷವನ್ನು ಹಿಡಿದಿದೆ.

ಪ್ರಕರಣ 2 - ಸೈಲೆಂಟ್ ಲೈನ್ ಡ್ರಾಪಿಂಗ್. ಪ್ರೊಡಕ್ಷನ್ ಸಾರಾಂಶ ಕೋಡ್‌ನಲ್ಲಿ, ಡ್ರಾಪ್ನಾದೊಂದಿಗೆ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಸಾಲುಗಳನ್ನು AI ಸ್ವಚ್ಛಗೊಳಿಸಿದೆ. ಕೋಡ್ ಸರಾಗವಾಗಿ ಚಲಿಸುತ್ತದೆ, ಆದರೆ ಒಂದು ಖಾಲಿ ಕಾಲಮ್‌ನಿಂದಾಗಿ ಕೆಲವು ಮಾನ್ಯವಾದ ಸಾಲುಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಕೈಬಿಡಲಾಗಿರುವುದರಿಂದ ಒಟ್ಟು ಟನ್‌ಗಳನ್ನು ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಲಾಗಿದೆ. ಇಂಜಿನಿಯರ್ ಇನ್ಪುಟ್ ಮತ್ತು ಔಟ್ಪುಟ್ ನಡುವಿನ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೋಲಿಸಿದಾಗ, ಅವರು ವ್ಯತ್ಯಾಸವನ್ನು ನೋಡುತ್ತಾರೆ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸುವ ತರ್ಕವನ್ನು ಸರಿಪಡಿಸುತ್ತಾರೆ. ಪಾಠ: ಯಾವಾಗಲೂ ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಲೈನ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.

ಪ್ರಕರಣ 3 - ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಷನ್ ಟ್ರ್ಯಾಪ್. ಒಂದು ತಂಡವು ಕಡಿಮೆ ದರ್ಜೆಯ ಶ್ರೇಣಿಯಲ್ಲಿ ಕಲಿತ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಉನ್ನತ ದರ್ಜೆಯ ಪ್ರದೇಶಕ್ಕೆ ಅನ್ವಯಿಸುತ್ತದೆ; ಮಾದರಿಯು ಅಸಂಬದ್ಧವಾಗಿ ಹೆಚ್ಚಿನ ಇಳುವರಿ ಅಂದಾಜು ನೀಡುತ್ತದೆ. ಅದೃಷ್ಟವಶಾತ್, ಇಂಜಿನಿಯರ್ ಫಲಿತಾಂಶವನ್ನು ತಿರಸ್ಕರಿಸುತ್ತಾನೆ, "ಈ ಪ್ರದೇಶವು ಮಾದರಿಯು ನೋಡಿದ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿದೆ" ಮತ್ತು ಮೆಟಲರ್ಜಿಕಲ್ ಪರೀಕ್ಷೆಯನ್ನು ವಿನಂತಿಸುತ್ತಾನೆ. ಪಾಠ: ಮಾದರಿಯು ಮಾನ್ಯವಾಗಿರುವ ಡೇಟಾದ ಶ್ರೇಣಿಯನ್ನು ತಿಳಿಯಿರಿ; ಹೊರರಾಜ್ಯದ ಅಂದಾಜು ಬಳಸಬೇಡಿ.

ನಕಲು ಮಾಡಬಹುದಾದ ಪ್ರಾಂಪ್ಟ್ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಸುರಕ್ಷಿತ ಡೇಟಾ ಕ್ಲೀನಿಂಗ್ ಕೋಡ್ "ಪಾತ್ರ: ನೀವು ಪೈಥಾನ್ ಡೇಟಾ ವಿಶ್ಲೇಷಕ ಸಹಾಯಕರಾಗಿದ್ದೀರಿ. ಕೆಳಗಿನ ಕೋಷ್ಟಕವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸುವ ಪಾಂಡಾಗಳೊಂದಿಗೆ ಕೋಡ್ ಬರೆಯಿರಿ. ಕಾಲಮ್‌ಗಳು ಮತ್ತು ಘಟಕಗಳು: [ಪಟ್ಟಿ]. ನಿಯಮಗಳು: (1) ಸಾಲುಗಳನ್ನು ಬೀಳಿಸುವ ಮೊದಲು ಮತ್ತು ನಂತರ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸಿ; (2) ಯಾವ ಸಾಲುಗಳನ್ನು ಕೈಬಿಡಲಾಗಿದೆ ಎಂಬುದನ್ನು ವರದಿ ಮಾಡಿ; (2) ಸರಾಸರಿ ಯಾವ ಸಾಲುಗಳನ್ನು ಕೈಬಿಡಲಾಗಿದೆ ಎಂದು ವರದಿ ಮಾಡಿ (3) ಘಟಕದ ಸರಾಸರಿ ಕಾಮೆಂಟ್; ಪ್ರತಿ ಹಂತವನ್ನು ಕಾಮೆಂಟ್ ಲೈನ್‌ನೊಂದಿಗೆ ಸರಳವಾಗಿ ವಿವರಿಸಿ."

ಕೋಡ್ ವಿಮರ್ಶೆ ವಿನಂತಿ "ಕೆಳಗಿನ ಪೈಥಾನ್ ಕೋಡ್ ಲೈನ್ ಅನ್ನು ಸಾಲಿನ ಮೂಲಕ ವಿವರಿಸಿ ಮತ್ತು ಕೆಳಗಿನ ಅಪಾಯದ ಅಂಶಗಳನ್ನು ಸೂಚಿಸಿ: ತಪ್ಪಾದ ಕಾಲಮ್ ಹೆಸರು ಊಹೆ, ಘಟಕ ಗೊಂದಲ, ಮೂಕ ರೋಡ್ರಾಪ್, ಫ್ಲಾಟ್/ತೂಕದ ಸರಾಸರಿ ದೋಷ, ಎಡ್ಜ್ ಕೇಸ್ (ಶೂನ್ಯ/ಋಣಾತ್ಮಕ) ನಡವಳಿಕೆ. ಕೋಡ್ ಅನ್ನು ಸರಿಪಡಿಸಬೇಡಿ: [ಅಪಾಯಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ]."

ಸಣ್ಣ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಾ ಸೆಟಪ್ "ಈ ಕಾರ್ಯಕ್ಕಾಗಿ, ಫಲಿತಾಂಶ ಮತ್ತು ನಿರೀಕ್ಷಿತ ಔಟ್‌ಪುಟ್ ನನಗೆ ತಿಳಿದಿರುವ ಒಂದು ಸಣ್ಣ ಪರೀಕ್ಷಾ ಡೇಟಾವನ್ನು (5-6 ಸಾಲುಗಳು) ಹಸ್ತಚಾಲಿತವಾಗಿ ಉತ್ಪಾದಿಸಿ; ಈ ಡೇಟಾದಲ್ಲಿ ಕಾರ್ಯವು ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವ ಪರೀಕ್ಷಾ ಬ್ಲಾಕ್ ಅನ್ನು ಬರೆಯಿರಿ. ವಿಪರೀತ ಪ್ರಕರಣಗಳನ್ನು ಸಹ ಪರೀಕ್ಷಿಸಿ (ಖಾಲಿ ಸೆಲ್, ಋಣಾತ್ಮಕ, ಯುನಿಟ್ ತೀವ್ರ ಮೌಲ್ಯ). ಕಾರ್ಯ: [ಅಂಟಿಸಿ]."

ಸರಳ ಮಾದರಿ + ಗಡಿ ಎಚ್ಚರಿಕೆ"ಕೆಳಗಿನ ಡೇಟಾದೊಂದಿಗೆ [x -> y] ಗಾಗಿ ಸರಳ ರಿಗ್ರೆಶನ್ ಅನ್ನು ಹೊಂದಿಸಿ. ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಿ, ದೋಷದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ವರದಿ ಮಾಡಿ ಮತ್ತು ಮಾದರಿಯು ಮಾನ್ಯವಾಗಿರುವ x ವ್ಯಾಪ್ತಿಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತಿಳಿಸಿ. ಈ ಶ್ರೇಣಿಯ ಹೊರಗೆ ಮುನ್ನೋಟಗಳನ್ನು ಮಾಡಿದರೆ ಎಚ್ಚರಿಕೆ ನೀಡಿ

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ಈ ಡೇಟಾದಿಂದ ಸರಾಸರಿ ಗ್ರೇಡ್ ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ."

ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್:"ಪಾತ್ರ: ನೀವು ಪೈಥಾನ್ ಸಹಾಯಕರಾಗಿದ್ದೀರಿ. ಕಾಲಮ್‌ಗಳು: HoleID, From(m), To(m),Au(g/t). ಮಧ್ಯಂತರ ಉದ್ದದೊಂದಿಗೆ ತೂಕದ ಸರಾಸರಿ ಗ್ರೇಡ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ. ಕೋಡ್: (1) ಇನ್‌ಪುಟ್/ಔಟ್‌ಪುಟ್ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಮುದ್ರಿಸಿ; (2) ನಾನು ಶೂನ್ಯ/ಋಣಾತ್ಮಕ ಮೌಲ್ಯಗಳನ್ನು ವರದಿ ಮಾಡುವುದರಿಂದ ಅವುಗಳನ್ನು ಕೈಬಿಡುವ ಮೊದಲು ಶೂನ್ಯ/ಋಣಾತ್ಮಕ ಮೌಲ್ಯಗಳನ್ನು ವರದಿ ಮಾಡಬಹುದು. ಫಲಿತಾಂಶವನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ: [ಅಂಟಿಸಿ]."

ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: ಅಪಾಯ ಮತ್ತು ಮುನ್ನೆಚ್ಚರಿಕೆ

ಅಪಾಯ

ಲಕ್ಷಣ

ಮುನ್ನೆಚ್ಚರಿಕೆ

ಘಟಕ ಹಸ್ತಕ್ಷೇಪ

ಸಮಂಜಸ ಆದರೆ ತಪ್ಪು ಸಂಖ್ಯೆ

ಕೋಡ್‌ನಲ್ಲಿ ಘಟಕವನ್ನು ಕಾಮೆಂಟ್ ಮಾಡಿ, ಅದನ್ನು ಪರಿಶೀಲಿಸಿ

ಸೈಲೆಂಟ್ ಲೈನ್ ಡ್ರಾಪ್

ಒಟ್ಟು ಕಾಣೆಯಾಗಿದೆ

ಇನ್‌ಪುಟ್/ಔಟ್‌ಪುಟ್ ಲೈನ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ

ಸಾದಾ vs ತೂಕದ ಸರಾಸರಿ

ತಪ್ಪು ಸರಾಸರಿ

ತೂಕವನ್ನು ಪರಿಶೀಲಿಸಿ

ಅತಿಯಾಗಿ ಕಲಿಯುವುದು

ಪರೀಕ್ಷಾ ಡೇಟಾದಲ್ಲಿ ಕೆಟ್ಟದು

ತರಬೇತಿ/ಪರೀಕ್ಷೆ ಬೇರ್ಪಡಿಕೆ, ಅದನ್ನು ಸರಳವಾಗಿರಿಸಿ

ಹೊರತೆಗೆಯುವಿಕೆ

ವ್ಯಾಪ್ತಿಯಿಂದ ಅಸಂಬದ್ಧ ಊಹೆ

ಮಾನ್ಯ ಶ್ರೇಣಿಯನ್ನು ಮಿತಿಗೊಳಿಸಿ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಕೋಡ್ ಅನ್ನು ಓದದೆ ರನ್ ಮಾಡುವುದು. "ಇದು ಯಾವುದೇ ದೋಷಗಳನ್ನು ಪಡೆದಿಲ್ಲ" ಎಂದರೆ ಅದು ನಿಜವೆಂದು ಅರ್ಥವಲ್ಲ.
• ಸಣ್ಣ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷೆ ಮಾಡುತ್ತಿಲ್ಲ. ಪರಿಶೀಲಿಸಬಹುದಾದ ಉದಾಹರಣೆಯಿಲ್ಲದ ನಂಬಿಕೆ ಸುಳ್ಳು.
• ಇನ್‌ಪುಟ್/ಔಟ್‌ಪುಟ್ ಲೈನ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೋಲಿಸುತ್ತಿಲ್ಲ. ಮೌನ ನಷ್ಟಗಳು ಪಾರಾಗುವುದು ಹೀಗೆ.
• ಮಾದರಿ ಶ್ರೇಣಿಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತಿದೆ. ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಅಂದಾಜುಗಳು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
• ಚಾರ್ಟ್‌ನ ಸೌಂದರ್ಯವನ್ನು ನಂಬುವುದು. ಸೊಗಸಾದ ಚಾರ್ಟ್ ತಪ್ಪು ಸಂಖ್ಯೆಯನ್ನು ಮರೆಮಾಡಬಹುದು.

ಗಮನ: AI ಕೋಡ್ ಎಂಜಿನಿಯರಿಂಗ್ ಖಾತೆಗೆ ಹೋದರೆ, ಆ ಕೋಡ್ ಖಾತೆಯಷ್ಟೇ ಜವಾಬ್ದಾರವಾಗಿರುತ್ತದೆ. ಫಲಿತಾಂಶವು ಗಣಿಗಾರಿಕೆ ನಿರ್ಧಾರವಾಗುವುದಲ್ಲೆಲ್ಲಾ, ಸ್ವತಂತ್ರ ತರ್ಕ ಪರಿಶೀಲನೆಯ ಮೂಲಕ ಕೋಡ್ ಮತ್ತು ಅದರ ಔಟ್‌ಪುಟ್ ಅನ್ನು ರನ್ ಮಾಡಿ ಮತ್ತು ಸಾಧ್ಯವಾದರೆ ಎರಡನೇ ವಿಧಾನದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ಪೈಥಾನ್ ಗಣಿಗಾರಿಕೆ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ವಸ್ತುತಃ ಸಾಧನವಾಗಿದೆ, ಮತ್ತು AI ನೀವು ಅದನ್ನು ಬರೆಯುವ ವೇಗವನ್ನು ಹೆಚ್ಚು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಆದರೆ AI ಕೋಡ್ ಮೂಕ ದೋಷಗಳನ್ನು (ಘಟಕ ಗೊಂದಲ, ಸಾಲು ಬೀಳುವಿಕೆ, ತಪ್ಪು ಸರಾಸರಿ) ಮತ್ತು ಮಾದರಿ ಬಲೆಗಳನ್ನು (ಓವರ್‌ಲರ್ನಿಂಗ್, ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಷನ್) ಆಶ್ರಯಿಸಬಹುದು. ಸುರಕ್ಷಿತ ಹರಿವು: ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸಿ, ಸಣ್ಣ ಮತ್ತು ಓದಲು ಬಯಸುವ, ಓದಲು ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಸಣ್ಣ ತಿಳಿದಿರುವ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿ, ಕ್ವೆರಿ ಎಡ್ಜ್ ಕೇಸ್, ಸ್ಕೇಲ್ ಮತ್ತು ಲಾಜಿಕ್ ಚೆಕ್. ಡೇಟಾ ಶ್ರೇಣಿಯ ಹೊರಗಿನ ನಿರ್ಧಾರಕ್ಕೆ ಮಾದರಿಯ ಔಟ್‌ಪುಟ್ ಆಧಾರವಾಗಿರುವುದಿಲ್ಲ; ಮತ್ತು ಪ್ರತಿ ಕೋಡ್ ಗಣಿಗಾರಿಕೆ ನಿರ್ಧಾರವಾಗಿ ಬದಲಾದರೆ ಖಾತೆಯಷ್ಟೇ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

AI ನಿಂದ ಕೋಡ್ ಪಡೆಯಲು ಗ್ರೇಡ್ ಸರಾಸರಿ ಅಥವಾ ಉತ್ಪಾದನಾ ಸಾರಾಂಶ ಕಾರ್ಯದೊಂದಿಗೆ "ಸುರಕ್ಷಿತ ಡೇಟಾ ಸ್ಯಾನಿಟೈಸೇಶನ್ ಕೋಡ್" ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿ; "ಕೋಡ್ ಪರಿಶೀಲನೆ ವಿನಂತಿ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಅಪಾಯದಿಂದ ಮುಕ್ತಗೊಳಿಸಿ. ನಂತರ, "ಸಣ್ಣ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಾ ಸೆಟಪ್" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ, ಹಸ್ತಚಾಲಿತವಾಗಿ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ರಚಿಸಿ, ಅದರ ಫಲಿತಾಂಶಗಳು ನಿಮಗೆ ತಿಳಿದಿರುತ್ತವೆ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ. ಅಂತಿಮವಾಗಿ, ಸರಳವಾದ ಸಂಬಂಧಕ್ಕಾಗಿ, "ಸರಳ ಮಾದರಿ + ಮಿತಿ ಎಚ್ಚರಿಕೆ" ಟೆಂಪ್ಲೇಟ್‌ನೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಹೊಂದಿಸಿ ಮತ್ತು ಮಾನ್ಯ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗೆ ಹೋದಾಗ ಅದು ಎಚ್ಚರಿಕೆ ನೀಡುತ್ತದೆ ಎಂದು ಪರೀಕ್ಷಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು AI ಕೋಡ್ ಅನ್ನು ಓದಿದ್ದೇನೆ ಮತ್ತು ಪ್ರತಿ ಸಾಲನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ, ನಾನು ಅದನ್ನು ಕುರುಡಾಗಿ ಓಡಿಸಲಿಲ್ಲ.
• [ ] ನಾನು ಅದನ್ನು ಸಣ್ಣ, ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಬಹುದಾದ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸಿದೆ.
• [ ] ನಾನು ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಲೈನ್‌ಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೋಲಿಸಿದೆ.
• [ ] ನಾನು ಘಟಕದ ಸ್ಥಿರತೆ ಮತ್ತು ತೂಕವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಎಕ್ಸ್‌ಟ್ರಾಪೋಲೇಶನ್ ಅನ್ನು ತಪ್ಪಿಸುವ ಮೂಲಕ ಮಾದರಿಯ ಮಾನ್ಯವಾದ ಡೇಟಾ ಶ್ರೇಣಿಯನ್ನು ಸೀಮಿತಗೊಳಿಸಿದೆ.
• [ ] ನಾನು ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಿದೆ, ಅದು ನಿರ್ಧಾರವಾಗಿ ಮಾರ್ಪಟ್ಟಿದೆ, ಸ್ವತಂತ್ರ ತರ್ಕ/ಎರಡನೇ ವಿಧಾನದೊಂದಿಗೆ.

ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ

1. ಒಬ್ಬ ಇಂಟರ್ನ್ ಅದಿರು ದೇಹದ ಸರಾಸರಿ ದರ್ಜೆಯ ಬಗ್ಗೆ AI ಚಾಟ್ ಟೂಲ್ ಅನ್ನು ಕೇಳುತ್ತಾನೆ ಮತ್ತು '1.8 g/t ಚಿನ್ನ' ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ನೇರವಾಗಿ ಮೀಸಲು ವರದಿಯಲ್ಲಿ ಬರೆಯುತ್ತಾನೆ. ಈ ವಿಧಾನದಲ್ಲಿ ಮೂಲಭೂತ ತಪ್ಪು ಏನು?

• ಎ) ಗ್ರೇಡ್ ಮೌಲ್ಯವು ಯೋಜನೆಯ ಸ್ವಂತ ಡ್ರಿಲ್ಲಿಂಗ್/ವಿಶ್ಲೇಷಣೆಯ ಡೇಟಾ ಮತ್ತು ಪರಿಶೀಲಿಸಿದ ಮುನ್ಸೂಚನೆಯಿಂದ ಬರಬೇಕು; AI ನಿಂದ ರಚಿಸಲಾದ ಸಂಖ್ಯೆಯು ಮೂಲರಹಿತ ಫ್ಯಾಬ್ರಿಕೇಶನ್ ಆಗಿರಬಹುದು ✔
• ಬಿ) ಇದನ್ನು ಗ್ರಾಂ ಬದಲಿಗೆ ಔನ್ಸ್‌ಗಳಲ್ಲಿ AI ಗಾಗಿ ಕೇಳಬೇಕಾಗಿತ್ತು
• ಸಿ) ಮೌಲ್ಯವು ಸರಿಯಾಗಿದೆ, ಅಲ್ಪವಿರಾಮದ ಬದಲಿಗೆ ಒಂದು ಅವಧಿಯನ್ನು ಮಾತ್ರ ಬಳಸಬೇಕು
• ಡಿ) ಎಐಗೆ ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ಮೂರು ಬಾರಿ ಕೇಳಲು ಮತ್ತು ಸರಾಸರಿಯನ್ನು ತೆಗೆದುಕೊಂಡರೆ ಸಾಕು

ವಿವರಣೆ: ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್‌ನ ಡ್ರಿಲ್ಲಿಂಗ್ ಡೇಟಾ ಭಾಷೆಯ ಮಾದರಿಗೆ ತಿಳಿದಿಲ್ಲ; ಹೆಚ್ಚಾಗಿ ಕಂಡುಬರುವ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (ಭ್ರಮೆ). ಗ್ರೇಡ್ ಪ್ರಾಜೆಕ್ಟ್‌ನ ಸ್ವಂತ ಸಂಯೋಜಿತ ಡ್ರಿಲ್ಲಿಂಗ್ ಡೇಟಾ ಮತ್ತು ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಅಂದಾಜಿನಿಂದ ಮಾತ್ರ ಬರುತ್ತದೆ; ಸಮರ್ಥ ವ್ಯಕ್ತಿಯ ಅನುಮೋದನೆಯಿಲ್ಲದೆ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ವರದಿಯಲ್ಲಿ ಸೇರಿಸಲಾಗುವುದಿಲ್ಲ.

2. ಗಣಿಗಾರಿಕೆ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ AI ಬಳಕೆಯಲ್ಲಿ 'ಅಪಾಯ-ಆಧಾರಿತ ವರ್ಗೀಕರಣ' ಏನನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ?

• ಎ) AI ಉಪಕರಣದ ಬೆಲೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಿ
• ಬಿ) ಕಾರ್ಯದ ಅಪಾಯದ ಮಟ್ಟಕ್ಕೆ ಅನುಗುಣವಾಗಿ AI ಪಾತ್ರ ಮತ್ತು ಪರಿಶೀಲನೆಯ ಕಡ್ಡಾಯ ಆಳವನ್ನು ನಿರ್ಧರಿಸಿ ✔
• ಸಿ) ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಚಿಕ್ಕದಾಗಿ ಬರೆಯಬೇಕು
• ಡಿ) ಎಲ್ಲಾ ನಿರ್ಧಾರಗಳನ್ನು AI ಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಯೋಜಿಸಿ

ವಿವರಣೆ: ಪ್ರತಿಯೊಂದು ಮಿಷನ್ ಒಂದೇ ಅಪಾಯದ ಮಟ್ಟದಲ್ಲಿರುವುದಿಲ್ಲ. ಕಾರ್ಯವನ್ನು ಕಡಿಮೆ/ಮಧ್ಯಮ/ಉನ್ನತ/ನಿರ್ಣಾಯಕ ಎಂದು ವರ್ಗೀಕರಿಸುವುದರಿಂದ ಯಾವ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮುಕ್ತವಾಗಿ ಬಳಸಬಹುದು ಮತ್ತು ಇದಕ್ಕೆ ಪ್ರಮಾಣಿತ ಮತ್ತು ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ ಮತ್ತು ಸಮರ್ಥ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

3. ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿ 'ವೇರಿಯೋಗ್ರಾಮ್' ಮಾದರಿ ಏನು?

• ಎ) ಉಪಕರಣದ ಇಂಧನ ಬಳಕೆ
• ಬಿ) ಕಾಲಾನಂತರದಲ್ಲಿ ಲೋಹದ ಬೆಲೆಯ ಬದಲಾವಣೆ
• ಸಿ) ಅಂತರವನ್ನು ಅವಲಂಬಿಸಿ ಪ್ರಾದೇಶಿಕ ನಿರಂತರತೆ; ✔ ಅಂಕಗಳು ದೂರ ಹೋದಂತೆ ಹೋಲಿಕೆಯು ಹೇಗೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ
• ಡಿ) ಬ್ಲಾಸ್ಟಿಂಗ್ ಮೂಲಕ ರಚಿಸಲಾದ ಕಂಪನ ಆವರ್ತನ

ವಿವರಣೆ: ಎರಡು ಬಿಂದುಗಳ ನಡುವಿನ ಅಂತರವು ಹೆಚ್ಚಾದಂತೆ ಪರಸ್ಪರ ಮಾದರಿಗಳ ಹೋಲಿಕೆಯು ಹೇಗೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ (ಪ್ರಾದೇಶಿಕ ನಿರಂತರತೆ) ಎಂಬುದನ್ನು ವೇರಿಯೋಗ್ರಾಮ್ ವಿವರಿಸುತ್ತದೆ. ಅನಿಶ್ಚಿತತೆಯ ಅಂಚುಗಳೊಂದಿಗೆ ಅಳತೆ ಮಾಡದ ಅಂಕಗಳನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕ್ರಿಜಿಂಗ್ ಈ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತದೆ.

4. ಡ್ರಿಲ್ ಕೋರ್ ಫೋಟೋಗ್ರಫಿಯಿಂದ AI ಪ್ರಿ-ಕ್ಲಾಸಿಫೈ ಲಿಥಾಲಜಿಯನ್ನು ಹೊಂದಿರುವಾಗ ಉತ್ತಮ ವಿಧಾನ ಯಾವುದು?

• ಎ) AI ನೀಡಿದ ರಾಕ್ ಪ್ರಕಾರವನ್ನು ನೇರವಾಗಿ ಕೊರೆಯುವ ಲಾಗ್‌ಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು
• ಬಿ) ಫೋಟೋವನ್ನು ಪರೀಕ್ಷಿಸದೆಯೇ AI ಪಠ್ಯವನ್ನು ವರದಿಗೆ ನಕಲಿಸುವುದು
• ಸಿ) ಭೂವಿಜ್ಞಾನಿಗಳ ವೀಕ್ಷಣೆಯನ್ನು ರದ್ದುಗೊಳಿಸುವುದು ಮತ್ತು ಕೇವಲ AI ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ
• ಡಿ) ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪ್ರಾಥಮಿಕ ಮುನ್ಸೂಚನೆ/ಊಹೆಯನ್ನು ಪರಿಗಣಿಸಿ ಮತ್ತು ಭೂವಿಜ್ಞಾನಿ ವೀಕ್ಷಣೆ ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಅದನ್ನು ಪರಿಶೀಲಿಸಿ ✔

ವಿವರಣೆ: AI ಚಿತ್ರದಿಂದ ಭವಿಷ್ಯ ಮತ್ತು ಗಮನ ಪಟ್ಟಿಯನ್ನು ರಚಿಸಬಹುದು; ಆದಾಗ್ಯೂ, ಅಂತಿಮ ಶಿಲಾಶಾಸ್ತ್ರ/ಬದಲಾವಣೆ ನಿರ್ಧಾರವನ್ನು ಭೂವಿಜ್ಞಾನಿಗಳ ವೀಕ್ಷಣೆ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಮಾಡಲಾಗುತ್ತದೆ. AI ಔಟ್‌ಪುಟ್ ಪ್ರಾರಂಭವಾಗಿದೆ, ಪರಿಶೀಲಿಸಬೇಕಾದ ಊಹೆ.

5. ತೆರೆದ ಪಿಟ್ ಯೋಜನೆಯಲ್ಲಿ 'ಸ್ಟ್ರಿಪ್ಪಿಂಗ್ ಅನುಪಾತ' ಎಂದರೆ ಏನು?

• ಎ) ಒಂದು ಘಟಕ ಅದಿರನ್ನು ತಲುಪಲು ತೆಗೆದುಹಾಕಬೇಕಾದ ತುಕ್ಕು (ತ್ಯಾಜ್ಯ ಬಂಡೆ) ಪ್ರಮಾಣ ✔
• ಬಿ) ಅದಿರಿನಲ್ಲಿರುವ ಲೋಹದ ಶೇ
• ಸಿ) ಟ್ರಕ್‌ಗಳ ದೈನಂದಿನ ಟ್ರಿಪ್‌ಗಳ ಸಂಖ್ಯೆ
• ಡಿ) ಬ್ಲಾಸ್ಟಿಂಗ್‌ನಲ್ಲಿ ಬಳಸಲಾದ ಸ್ಫೋಟಕ ಪ್ರಮಾಣ

ವಿವರಣೆ: ಸ್ಟ್ರಿಪ್ಪಿಂಗ್ ದರವು ಒಂದು ಘಟಕದ ಅದಿರನ್ನು ಸಾಧಿಸಲು ತೆಗೆದುಹಾಕಬೇಕಾದ ತ್ಯಾಜ್ಯದ (ಸ್ಟ್ರಿಪ್/ವೇಸ್ಟ್) ಪ್ರಮಾಣವಾಗಿದೆ. ಅಂತಿಮ ಪಿಟ್ ಮಿತಿ ಮತ್ತು ಆರ್ಥಿಕತೆಯು ಹೆಚ್ಚಾಗಿ ಈ ಅನುಪಾತವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ; AI ಸನ್ನಿವೇಶಗಳನ್ನು ಸೃಷ್ಟಿಸಿದರೂ ಸಹ, ಗಡಿ ನಿರ್ಧಾರವು ಸಮರ್ಥ ಎಂಜಿನಿಯರ್‌ಗೆ ಬಿಟ್ಟದ್ದು.

6. ಕಂಪನ ಮತ್ತು ತಾಪಮಾನದ ದತ್ತಾಂಶದಲ್ಲಿ AI 'ಅಸಂಗತತೆ'ಗಳನ್ನು ಕಂಡುಕೊಂಡಾಗ ಭವಿಷ್ಯ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಇದರ ಅರ್ಥವೇನು?

• ಎ) ಉಪಕರಣವು ಖಂಡಿತವಾಗಿಯೂ ವಿಫಲವಾಗಿದೆ ಎಂಬುದಕ್ಕೆ ಪುರಾವೆ
• ಬಿ) ಡೇಟಾವು ಸಾಮಾನ್ಯದಿಂದ ವಿಚಲನಗೊಳ್ಳುತ್ತದೆ ಎಂಬ ಎಚ್ಚರಿಕೆ; ಇದು ಅಸಮರ್ಪಕ ಕ್ರಿಯೆಯ ನಿರ್ಣಾಯಕ ರೋಗನಿರ್ಣಯವಲ್ಲ, ಆದರೆ ದೈಹಿಕ ಪರೀಕ್ಷೆಯಿಂದ ದೃಢೀಕರಿಸಬೇಕಾದ ಚಿಹ್ನೆ ✔
• ಸಿ) ಉಪಕರಣವನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಲ್ಲಿಸಬೇಕು ಎಂದು ಆದೇಶ
• ಡಿ) ಡೇಟಾವನ್ನು ತಪ್ಪಾಗಿ ದಾಖಲಿಸಲಾಗಿದೆ ಎಂದು ಖಾತರಿಪಡಿಸಿ

ವಿವರಣೆ: ಅಸಂಗತತೆಯು ಸಾಮಾನ್ಯ ನಡವಳಿಕೆಯಿಂದ ಡೇಟಾದ ವಿಚಲನವಾಗಿದೆ ಮತ್ತು ಅಸಮರ್ಪಕ ಕಾರ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಆದರೆ ಇದು ನಿರ್ಣಾಯಕ ರೋಗನಿರ್ಣಯವಲ್ಲ. ಸಲಕರಣೆಗಳನ್ನು ನಿಲ್ಲಿಸುವ ಅಥವಾ ಭಾಗಗಳನ್ನು ಬದಲಿಸುವ ನಿರ್ಧಾರವನ್ನು ನಿರ್ವಹಣಾ ತಂಡದ ದೈಹಿಕ ಪರೀಕ್ಷೆ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ವ್ಯವಸ್ಥಾಪಕರ ಅನುಮೋದನೆಯೊಂದಿಗೆ ಮಾಡಲಾಗುತ್ತದೆ.

7. ಡ್ರಿಲ್-ಬ್ಲಾಸ್ಟ್ ವಿನ್ಯಾಸದಲ್ಲಿ AI ಅನ್ನು ಬಳಸುವಾಗ ಸುರಕ್ಷತೆಗೆ ಯಾವುದು ಅತ್ಯಗತ್ಯ?

• ಎ) ಕ್ಷೇತ್ರದಲ್ಲಿ ನೇರವಾಗಿ AI ಶಿಫಾರಸಿನ ಅನುಷ್ಠಾನ
• ಬಿ) ಕಂಪನ ಮಾಪನವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು
• ಸಿ) ಕ್ಷೇತ್ರ ಮಾಪನ, ನಿಯಂತ್ರಕ ಮಿತಿ ಮತ್ತು ಅಧಿಕೃತ ಬ್ಲಾಸ್ಟಿಂಗ್ ತಜ್ಞರ ಅನುಮೋದನೆಯೊಂದಿಗೆ AI ಯ ಉದ್ದೇಶಿತ ವಿನ್ಯಾಸದ ಪರಿಶೀಲನೆ ✔
• ಡಿ) AI ನೀಡಿದ ಗರಿಷ್ಠ ಪ್ರಮಾಣದ ಸ್ಫೋಟಕಗಳ ಪ್ರಮಾಣವನ್ನು ಸರಿಪಡಿಸುವುದು

ವಿವರಣೆ: ಬ್ಲಾಸ್ಟಿಂಗ್; ಇದು ಕಂಪನ, ಗಾಳಿಯ ಆಘಾತ ಮತ್ತು ಹಾರುವ ಕಲ್ಲುಗಳಂತಹ ಗಂಭೀರ ಸುರಕ್ಷತೆ ಮತ್ತು ನಿಯಂತ್ರಕ ಅಪಾಯಗಳನ್ನು ಹೊಂದಿದೆ. AI ವಿನ್ಯಾಸ ಸ್ಕೆಚ್ ಮತ್ತು ಪ್ಯಾರಾಮೀಟರ್ ಶಿಫಾರಸನ್ನು ಉತ್ಪಾದಿಸಬಹುದು; ಆದಾಗ್ಯೂ, ಅಂತಿಮ ವಿನ್ಯಾಸವು ಕ್ಷೇತ್ರ ಮಾಪನ, ನಿಯಂತ್ರಕ ಮಿತಿಗಳು ಮತ್ತು ಅಧಿಕೃತ ಬ್ಲಾಸ್ಟಿಂಗ್ ತಜ್ಞರ (ಡಿಟೋನೇಟರ್/ಜವಾಬ್ದಾರಿ) ಅನುಮೋದನೆಯನ್ನು ಹೊಂದಿರಬೇಕು.

8. ಖನಿಜ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ 'ಚೇತರಿಕೆ' ಮತ್ತು 'ಕೇಂದ್ರೀಕರಿಸುವ ದರ್ಜೆಯ' ನಡುವಿನ ವಿಶಿಷ್ಟ ಸಂಬಂಧವೇನು ಮತ್ತು ಇದನ್ನು ಅರ್ಥೈಸುವಾಗ AI ಏನು ನೆನಪಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳಬೇಕು?

• ಎ) ಇವೆರಡೂ ಯಾವಾಗಲೂ ಒಟ್ಟಿಗೆ ಹೆಚ್ಚಾಗುತ್ತವೆ
• ಬಿ) ಅವರ ನಡುವೆ ಯಾವುದೇ ಸಂಬಂಧವಿಲ್ಲ
• ಸಿ) ಸಂಬಂಧವು ಸ್ಥಿರವಾಗಿರುತ್ತದೆ ಮತ್ತು ಎಲ್ಲಾ ಸೌಲಭ್ಯಗಳಲ್ಲಿ ಒಂದೇ ಆಗಿರುತ್ತದೆ
• ಡಿ) ಸಾಮಾನ್ಯವಾಗಿ ರಿವರ್ಸ್ ಬ್ಯಾಲೆನ್ಸ್ ಇರುತ್ತದೆ (ಗ್ರೇಡ್ ಹೆಚ್ಚಾದಂತೆ ಇಳುವರಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ); ನಿಜವಾದ ಮೌಲ್ಯಗಳನ್ನು ಮೆಟಲರ್ಜಿಕಲ್ ಪರೀಕ್ಷೆ ಮತ್ತು ಸಮೂಹ ಸಮತೋಲನದಿಂದ ಪರಿಶೀಲಿಸಬೇಕು ✔

ವಿವರಣೆ: ಸಾಮಾನ್ಯವಾಗಿ, ನಾವು ಹೆಚ್ಚಿನ ಕೇಂದ್ರೀಕೃತ ದರ್ಜೆಯನ್ನು ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ಇಳುವರಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ (ಗ್ರೇಡ್-ಇಳುವರಿ ಸಮತೋಲನ). AI ಈ ಪ್ರವೃತ್ತಿಯನ್ನು ವಿವರಿಸಬಹುದು, ಆದರೆ ನಿಜವಾದ ಕಾರ್ಯಾಚರಣಾ ಮೌಲ್ಯಗಳನ್ನು ಮೆಟಲರ್ಜಿಕಲ್ ಪರೀಕ್ಷೆ ಮತ್ತು ಸಮೂಹ ಸಮತೋಲನದಿಂದ ದೃಢೀಕರಿಸಬೇಕು; ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಯು ಸೈಟ್-ನಿರ್ದಿಷ್ಟ ವಾಸ್ತವತೆಗೆ ಬದಲಿಯಾಗಿಲ್ಲ.

9. ಔದ್ಯೋಗಿಕ ಸುರಕ್ಷತೆಯಲ್ಲಿ AI ಜೊತೆಗೆ ಮಿಸ್/ಅಪಘಾತದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಬಳಕೆ ಯಾವುದು?

• ಎ) ಉಚಿತ ಪಠ್ಯ ದಾಖಲೆಗಳನ್ನು ವರ್ಗೀಕರಿಸಿ ಮತ್ತು ಮರುಕಳಿಸುವ ಅಪಾಯದ ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯಿರಿ; ನಿರ್ಧಾರವನ್ನು OHS ತಜ್ಞರಿಗೆ ಬಿಡಿ ✔
• ಬಿ) ಅಪಘಾತಗಳ ಅಪರಾಧಿಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ಧರಿಸಿ
• ಸಿ) ಕೆಲಸದ ನಿಲುಗಡೆ ಆದೇಶಗಳನ್ನು AI ಗೆ ನಿಯೋಜಿಸುವುದು
• ಡಿ) ಸಮೀಪದ ತಪ್ಪಿದ ದಾಖಲೆಗಳನ್ನು ಪರಿಶೀಲಿಸದೆ ಆರ್ಕೈವ್ ಮಾಡುವುದು

ವಿವರಣೆ: AI ದೊಡ್ಡ ಪ್ರಮಾಣದ ಉಚಿತ ಪಠ್ಯ ದಾಖಲೆಗಳನ್ನು ವರ್ಗೀಕರಿಸಬಹುದು ಮತ್ತು ಪುನರಾವರ್ತಿತ ಮಾದರಿಗಳು ಮತ್ತು ಅಪಾಯಕಾರಿ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಹೊರತೆಗೆಯಬಹುದು. ಆದಾಗ್ಯೂ, ಕೆಲಸವನ್ನು ನಿಲ್ಲಿಸಲು, ಪ್ರದೇಶವನ್ನು ಅಥವಾ ಮೂಲ ಕಾರಣವನ್ನು ಸ್ಥಳಾಂತರಿಸುವ ನಿರ್ಧಾರವನ್ನು OHS ತಜ್ಞರು ಮತ್ತು ಶಾಸನದ ಚೌಕಟ್ಟಿನೊಳಗೆ ಮಾಡಲಾಗುತ್ತದೆ; AI ಔಟ್‌ಪುಟ್ ಇನ್‌ಪುಟ್ ಆಗಿದೆ, ನಿರ್ಧಾರವಲ್ಲ.

10. ಇಳಿಜಾರು ಮಾನಿಟರಿಂಗ್‌ನಲ್ಲಿ ರಾಡಾರ್/ಪ್ರಿಸ್ಮ್ ಡೇಟಾದಲ್ಲಿ 'ವಿರೂಪತೆಯ ವೇಗವರ್ಧನೆ' ಒಂದು ನಿರ್ಣಾಯಕ ಚಿಹ್ನೆ ಏಕೆ?

• ಎ) ಅಳತೆ ಮಾಡುವ ಸಾಧನವು ಮುರಿದುಹೋಗಿದೆ ಎಂದು ಇದು ಖಂಡಿತವಾಗಿ ಸೂಚಿಸುತ್ತದೆ.
• ಬಿ) ಇದು ಪ್ರಗತಿಪರ ಸೋಲನ್ನು ಸೂಚಿಸಬಹುದು; ಮುಂಚಿನ ಎಚ್ಚರಿಕೆ ಮತ್ತು ಸ್ಥಳಾಂತರಿಸುವ ನಿರ್ಧಾರವು ಜಿಯೋಟೆಕ್ನಿಕಲ್ ಇಂಜಿನಿಯರ್ ✔ ಗೆ ಸೇರಿದೆ
• ಸಿ) ಇಳಿಜಾರು ಸಂಪೂರ್ಣವಾಗಿ ಸುರಕ್ಷಿತವಾಗಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ
• ಡಿ) ಮಳೆಯಾದಾಗ ಮಾತ್ರ ಇದು ಗಮನಾರ್ಹವಾಗಿದೆ ಮತ್ತು ನಿರ್ಲಕ್ಷಿಸಬಹುದು

ವಿವರಣೆ: ಇಳಿಜಾರಿನ ವೈಫಲ್ಯಗಳ ಮೊದಲು, ವಿರೂಪತೆಯ ದರದಲ್ಲಿ (ವೇಗವರ್ಧನೆ) ಕ್ರಮೇಣ ಹೆಚ್ಚಳವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಗಮನಿಸಬಹುದು; ಇದು ಪ್ರಗತಿಶೀಲ ವೈಫಲ್ಯದ ಸಂಕೇತವಾಗಿರಬಹುದು. AI ಪ್ರವೃತ್ತಿಯನ್ನು ಹೈಲೈಟ್ ಮಾಡಬಹುದು, ಆದರೆ ಸ್ಥಳಾಂತರಿಸುವಿಕೆ/ಮುಂಚಿನ ಎಚ್ಚರಿಕೆಯ ನಿರ್ಧಾರವನ್ನು ಜಿಯೋಟೆಕ್ನಿಕಲ್ ಇಂಜಿನಿಯರ್‌ನ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಪ್ರೋಟೋಕಾಲ್‌ನಿಂದ ಮಾಡಲಾಗುತ್ತದೆ.

11. ಪರಿಸರದ ಮೇಲ್ವಿಚಾರಣೆಯಲ್ಲಿ, ನೀರಿನ ಗುಣಮಟ್ಟದ ಸಮಯದ ಸರಣಿಯಲ್ಲಿ AI ಕಂಡುಕೊಳ್ಳುವ 'ಅಧಿಕ' ಚಿಹ್ನೆಗೆ ಅತ್ಯಂತ ನಿಖರವಾದ ಪ್ರತಿಕ್ರಿಯೆ ಯಾವುದು?

• A) AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೇರವಾಗಿ ಸರ್ಕಾರಿ ಏಜೆನ್ಸಿಗೆ ವರದಿ ಮಾಡುವುದು
• ಬಿ) ಎಚ್ಚರಿಕೆಯನ್ನು ನಿರ್ಲಕ್ಷಿಸಿ ಮತ್ತು ವೀಕ್ಷಿಸುವುದನ್ನು ಮುಂದುವರಿಸಿ
• ಸಿ) ಮಾನ್ಯತೆ ಪಡೆದ ಪ್ರಯೋಗಾಲಯ ಫಲಿತಾಂಶ, ನಿಯಂತ್ರಕ ಮಿತಿ ಮತ್ತು ಪರಿಸರ ಎಂಜಿನಿಯರ್ ಮೌಲ್ಯಮಾಪನದೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿ ✔
• ಡಿ) AI ಅನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸಿರುವುದು ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ರದ್ದುಗೊಳಿಸುವುದು

ವಿವರಣೆ: AI ಸಂಭವನೀಯ ಉಲ್ಲಂಘನೆಯನ್ನು ಮೊದಲೇ ಸೂಚಿಸಬಹುದು; ಆದಾಗ್ಯೂ, ಅಧಿಕೃತ ಅನುಸರಣೆ ನಿರ್ಧಾರವನ್ನು ಮಾನ್ಯತೆ ಪಡೆದ ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆ, ಶಾಸನದಲ್ಲಿನ ಮಿತಿ ಮೌಲ್ಯಗಳು ಮತ್ತು ಪರಿಸರ ಎಂಜಿನಿಯರ್‌ನ ಮೌಲ್ಯಮಾಪನದಿಂದ ಮಾಡಲಾಗುತ್ತದೆ. AI ಔಟ್‌ಪುಟ್ ಸ್ಕ್ರೀನಿಂಗ್ ಎಚ್ಚರಿಕೆಯಾಗಿದೆ, ಕಾನೂನು/ತಾಂತ್ರಿಕ ನಿರ್ಧಾರವಲ್ಲ.

12. JORC ಅಥವಾ NI 43-101 ನಂತಹ ಸ್ಟ್ಯಾಂಡರ್ಡ್‌ನ ಷರತ್ತು ಸಂಖ್ಯೆಗಾಗಿ ನೀವು AI ಅನ್ನು ಕೇಳಿದಾಗ ತಯಾರಿಸಿದ (ಭ್ರಮೆಯ) ಉಲ್ಲೇಖವನ್ನು ಪಡೆಯುವುದನ್ನು ತಪ್ಪಿಸಲು ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗ ಯಾವುದು?

• ಎ) AI ನೀಡಿದ ಐಟಂ ಸಂಖ್ಯೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ
• ಬಿ) ಅದೇ ಪ್ರಶ್ನೆಯನ್ನು ಮತ್ತೆ ಬೇರೆ ಪದಗಳಿಂದ ಕೇಳುವುದು
• ಸಿ) ಸ್ಟ್ಯಾಂಡರ್ಡ್ ಬದಲಿಗೆ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್ ಅನ್ನು ನೋಡುವುದು
• D) ಪ್ರಮಾಣಿತ ಪ್ರಸ್ತುತ ಅಧಿಕೃತ ಪಠ್ಯದಿಂದ ಪ್ರತಿ ಲೇಖನದ ಉಲ್ಲೇಖವನ್ನು ತೆರೆಯುವುದು ಮತ್ತು ದೃಢೀಕರಿಸುವುದು ಮತ್ತು ಸಮರ್ಥ ವ್ಯಕ್ತಿಯಿಂದ ಅನುಮೋದನೆ ಪಡೆಯುವುದು ✔

ವಿವರಣೆ: ಭಾಷಾ ಮಾದರಿಯು ಮಾನದಂಡದ ಹೆಸರನ್ನು ಸರಿಯಾಗಿ ತಿಳಿದಿದ್ದರೂ, ಅದು ಲೇಖನ ಸಂಖ್ಯೆ ಮತ್ತು ಪಠ್ಯವನ್ನು ಭ್ರಮೆಗೊಳಿಸಬಹುದು. ಪ್ರತಿ ವಸ್ತುವಿನ ಉಲ್ಲೇಖವನ್ನು ತೆರೆಯಬೇಕು ಮತ್ತು ಪ್ರಮಾಣಿತ ಪ್ರಸ್ತುತ ಅಧಿಕೃತ ಪಠ್ಯದಿಂದ ದೃಢೀಕರಿಸಬೇಕು ಮತ್ತು ಅಂತಿಮ ಅನುಸರಣೆಯನ್ನು ಸಮರ್ಥ ವ್ಯಕ್ತಿ (CP/QP) ದೃಢೀಕರಿಸಬೇಕು.

13. AI-ಲಿಖಿತ ಪೈಥಾನ್ ವಿಶ್ಲೇಷಣೆ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಚಲಾಯಿಸುವ ಮೊದಲು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಪರಿಶೀಲನೆ ಯಾವುದು?

• ಎ) ಕೋಡ್ ಅನ್ನು ಓದುವುದು ಮತ್ತು ಯುನಿಟ್/ಕಾಲಮ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು, ತಿಳಿದಿರುವ ಸಣ್ಣ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ಫಲಿತಾಂಶದ ಸಂಭವನೀಯತೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ✔
• ಬಿ) ಕೋಡ್ ಅನ್ನು ಓದದೆಯೇ ಸಂಪೂರ್ಣ ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ನೇರವಾಗಿ ರನ್ ಮಾಡುವುದು
• ಸಿ) ಯಾವುದೇ ತಪ್ಪಿಲ್ಲ ಎಂದು ನೋಡುವುದು ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು
• ಡಿ) ಔಟ್‌ಪುಟ್‌ನ ಗ್ರಾಫಿಕ್ಸ್‌ನಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾಣಲು ಅವಲಂಬಿತವಾಗಿದೆ.

ವಿವರಣೆ: AI ಕೋಡ್ ಘಟಕಗಳನ್ನು ಮಿಶ್ರಣ ಮಾಡಬಹುದು, ಕಾಲಮ್ ಹೆಸರುಗಳನ್ನು ತಪ್ಪಾಗಿ ಊಹಿಸಬಹುದು, ಅಥವಾ ಮೌನವಾಗಿ ಸಾಲುಗಳನ್ನು ಬಿಡಬಹುದು. ಕೋಡ್ ಅನ್ನು ಓದುವುದು, ವಾಲ್ಯೂಮ್ ಮತ್ತು ಕಾಲಮ್ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು, ತಿಳಿದಿರುವ ಸಣ್ಣ ಪ್ರಮಾಣದ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ಫಲಿತಾಂಶವು ಇಂಜಿನಿಯರಿಂಗ್ ಸಮಂಜಸವಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು ಅತ್ಯಗತ್ಯ.

14. ಕ್ಲೌಡ್-ಆಧಾರಿತ AI ಉಪಕರಣಕ್ಕೆ ಗಣಿಗಾರಿಕೆ ಡೇಟಾವನ್ನು ನೀಡುವಾಗ ಗೌಪ್ಯತೆಯ ವಿಷಯದಲ್ಲಿ ಉತ್ತಮ ನಡವಳಿಕೆ ಯಾವುದು?

• ಎ) ಎಲ್ಲಾ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಅಂಟಿಸುವುದು
• ಬಿ) ಸಂದರ್ಭವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಮೀಸಲು/ನಿರ್ದೇಶನ/ಉತ್ಪಾದನೆ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ ಮತ್ತು ಕಾರ್ಪೊರೇಟ್, ನೀತಿ-ಅನುವರ್ತನೆಯ ಸಾಧನವನ್ನು ಬಳಸಿ ✔
• ಸಿ) ಫಲಿತಾಂಶದ ಗುಣಮಟ್ಟಕ್ಕಾಗಿ ನಿಜವಾದ ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಒದಗಿಸುವುದು ಅತ್ಯಗತ್ಯ ಎಂದು ಭಾವಿಸುವುದು
• ಡಿ) ಗೌಪ್ಯತೆ ನೀತಿಯನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು

ವಿವರಣೆ: ಮೀಸಲು ಅಂಕಿಅಂಶಗಳು, ಪರವಾನಗಿ/ನಿರ್ದೇಶನ ಮಾಹಿತಿ ಮತ್ತು ಉತ್ಪಾದನಾ ದತ್ತಾಂಶವು ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳು ಮತ್ತು ಶಾಸನದ ವಿಷಯದಲ್ಲಿ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ. ಸಂದರ್ಭವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವುದು, ನೈಜ ನಿರ್ದೇಶಾಂಕಗಳು ಮತ್ತು ಹೆಸರುಗಳನ್ನು ತೆರವುಗೊಳಿಸುವುದು, ಕಾರ್ಪೊರೇಟ್/ಗೌಪ್ಯತೆ ಖಾತರಿಪಡಿಸುವ ಸಾಧನವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮತ್ತು ಕಂಪನಿಯ ನೀತಿಯನ್ನು ಅನುಸರಿಸುವುದು ಅವಶ್ಯಕ.