ಲಾಭಗಳು:
- ಖನಿಜ ಭವಿಷ್ಯದಲ್ಲಿ AI ಮತ್ತು ಬಹು-ಪದರದ ಡೇಟಾ ಸಮ್ಮಿಳನದ ಬಳಕೆಯನ್ನು ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ (ಕ್ರಿಜಿಂಗ್, ವೆರಿಯೋಗ್ರಾಮ್) ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಬ್ಲಾಕ್ ಮಾಡೆಲ್ ಮತ್ತು ಗ್ರೇಡ್ ಅಂದಾಜನ್ನು ಹೇಗೆ ಮಾಡುವುದು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.
- ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ, ವರ್ಗೀಕರಣ ವಿಶ್ವಾಸ ಮತ್ತು ವರದಿ ಮಾಡುವ ಮಾನದಂಡಗಳೊಂದಿಗೆ ಮೂಲ ಅಂದಾಜು ಔಟ್ಪುಟ್ಗಳನ್ನು ಪರೀಕ್ಷಿಸುವ ಸಾಮರ್ಥ್ಯ
ಪ್ರಾಸ್ಪೆಕ್ಟಿಂಗ್ ಎಂಬುದು ಬೆಟ್ಟಿಂಗ್ ಆಟವಾಗಿದ್ದು, ಅಲ್ಲಿ ಬಹು-ಮಿಲಿಯನ್-ಡಾಲರ್ ನಿರ್ಧಾರಗಳು ಬೆರಳೆಣಿಕೆಯ ಡ್ರಿಲ್ ಮಾದರಿಗಳನ್ನು ಆಧರಿಸಿವೆ. ಖನಿಜ ನಿಕ್ಷೇಪ (ಇಂಗ್ಲಿಷ್ ಅದಿರು ಠೇವಣಿ; ಖನಿಜ ಸಂಗ್ರಹಣೆಯು ಶ್ರೀಮಂತ ಮತ್ತು ಶೋಷಣೆಗೆ ಸಾಕಷ್ಟು ದೊಡ್ಡದಾಗಿದೆ) ನೂರಾರು ಚದರ ಕಿಲೋಮೀಟರ್ ಪ್ರದೇಶದಲ್ಲಿ ಮರೆಮಾಡಲಾಗಿದೆ, ಮತ್ತು ನಾವು ಅದನ್ನು ಅಪರೂಪದ ಡ್ರಿಲ್ಲಿಂಗ್ಗಳು, ಜಿಯೋಫಿಸಿಕಲ್ ನೆರಳುಗಳು ಮತ್ತು ಮೇಲ್ಮೈ ಗುರುತುಗಳೊಂದಿಗೆ ಮಾತ್ರ "ನೋಡುತ್ತೇವೆ". ಅದಕ್ಕಾಗಿಯೇ ಖನಿಜ ಪರಿಶೋಧನೆಯು AI ಯ ಅತ್ಯಂತ ರೋಮಾಂಚಕಾರಿ ಆದರೆ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ಅಪ್ಲಿಕೇಶನ್ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ: ಸರಿಯಾಗಿ ಬಳಸಿದಾಗ, ಇದು ಅನ್ವೇಷಣೆ ಗುರಿಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ವಿರಳ ಡೇಟಾದಿಂದ ಹೆಚ್ಚಿನ ಅರ್ಥವನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ; ತಪ್ಪಾಗಿ ಬಳಸಿದಾಗ, ಇದು ಅಂಕಿಅಂಶಗಳ ಹಿಂದೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ವಸ್ತುವನ್ನು ಮರೆಮಾಡುತ್ತದೆ ಮತ್ತು ಹೂಡಿಕೆದಾರರು ಮತ್ತು ಸಮಾಜವನ್ನು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ.
ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಪರಿಶೋಧನೆಯ ಎರಡು ಪ್ರಮುಖ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅಂಶಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ: ಪರಿಶೋಧನೆಯ ಗುರಿ (ಖನಿಜ ಭವಿಷ್ಯ; ಬಹು-ಪದರದ ದತ್ತಾಂಶದಿಂದ ಯಾವ ಪ್ರದೇಶದಲ್ಲಿ ಠೇವಣಿ ಇರಬಹುದೆಂದು ಅಂದಾಜು ಮಾಡುವುದು) ಮತ್ತು ಸಂಪನ್ಮೂಲ ಅಂದಾಜು (ಕೊರೆದ ಠೇವಣಿಯಲ್ಲಿ ಎಷ್ಟು ಲೋಹವಿದೆ ಎಂದು ನಾವು ಯಾವ ವಿಶ್ವಾಸದಿಂದ ಲೆಕ್ಕ ಹಾಕಬಹುದು). ಎರಡರಲ್ಲೂ, AI ಶಕ್ತಿಯುತ ಮಾದರಿ ಶೋಧಕವಾಗಿದೆ; ಆದರೆ ಎರಡೂ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಅಂತಿಮ ಅಂಕಿ ಅಂಶವು ಅಂತರರಾಷ್ಟ್ರೀಯ ವರದಿ ಮಾನದಂಡಗಳಿಗೆ ಸಹಿ ಮಾಡಿದ ಸಮರ್ಥ ವ್ಯಕ್ತಿಯ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.
ಹುಡುಕಾಟ ಗುರಿ: ಬಹು-ಲೇಯರ್ಡ್ ಡೇಟಾ ಫ್ಯೂಷನ್
ಪರಿಶೋಧನಾ ಭೂವಿಜ್ಞಾನಿ ಒಂದೇ ರೀತಿಯ ಡೇಟಾವನ್ನು ನೋಡುವುದಿಲ್ಲ ಆದರೆ ಅತಿಕ್ರಮಿಸಿದ ಪದರಗಳಲ್ಲಿ ನೋಡುತ್ತಾನೆ: ಭೂವೈಜ್ಞಾನಿಕ ನಕ್ಷೆ, ರಚನಾತ್ಮಕ ಬಾಹ್ಯರೇಖೆಗಳು (ದೋಷಗಳು ಮತ್ತು ಮಡಿಕೆಗಳು), ಭೂ ಭೌತಶಾಸ್ತ್ರ (ಕಾಂತೀಯ, ಗುರುತ್ವಾಕರ್ಷಣೆ, ಪ್ರತಿರೋಧಕತೆ), ಭೂರಸಾಯನಶಾಸ್ತ್ರ (ಮಣ್ಣು ಮತ್ತು ಸ್ಟ್ರೀಮ್ ಮಾದರಿ ಅಂಶದ ಮೌಲ್ಯಗಳು), ಮತ್ತು ರಿಮೋಟ್ ಸೆನ್ಸಿಂಗ್ ಮೂಲಕ ಬದಲಾವಣೆ. ಪ್ರತಿ ಪದರವು ಮಸುಕಾದ ಸುಳಿವು; ಅವರು ಒಟ್ಟಿಗೆ ಸೂಚಿಸುವ ನಿಜವಾದ ಸಂಕೇತವಾಗಿದೆ. ಇದನ್ನು ಡೇಟಾ ಸಮ್ಮಿಳನ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇಲ್ಲಿ ಎರಡು ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ಇದು ಡಜನ್ಗಟ್ಟಲೆ ಲೇಯರ್ಗಳನ್ನು ಒಂದೇ ನಿರ್ದೇಶಾಂಕ ಗ್ರಿಡ್ಗೆ (ಏಕವಚನ, ಬೇಸರದ ಆದರೆ ದೋಷ ಪೀಡಿತ ಕಾರ್ಯ) ಒಂದೇ ವಿಶ್ಲೇಷಣೆ ಕೋಷ್ಟಕಕ್ಕೆ ಜೋಡಿಸುತ್ತದೆ. ಎರಡನೆಯದಾಗಿ, ಇದು ತಿಳಿದಿರುವ ಠೇವಣಿಗಳ ಸುತ್ತಲಿನ ಮಾದರಿಯನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಅದೇ ರೀತಿಯ ಸಹಿಯೊಂದಿಗೆ ಹೊಸ ಪ್ರದೇಶಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ (ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ). ಆದರೆ ಇಲ್ಲಿ ಒಂದು ನಿರ್ಣಾಯಕ ಬಲೆ ಇದೆ: ತಿಳಿದಿರುವ ಹಾಸಿಗೆಗಳ ಸಂಖ್ಯೆಯು ಸಾಮಾನ್ಯವಾಗಿ ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದೆ (ಬಹುಶಃ ಒಂದು ಪ್ರದೇಶದಲ್ಲಿ 5-10 ಹಾಸಿಗೆಗಳು), ಆದ್ದರಿಂದ ಮಾದರಿಯು ಸುಲಭವಾಗಿ ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೊಸ ಪ್ರದೇಶಗಳಲ್ಲಿ ವಿಫಲಗೊಳ್ಳುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ ಟಾರ್ಗೆಟಿಂಗ್ ಔಟ್ಪುಟ್ "ಖಚಿತ ರತ್ನ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ" ಪಟ್ಟಿಯಲ್ಲ, ಆದರೆ "ಕೊರೆಯುವ ಮೂಲಕ ಪರೀಕ್ಷಿಸಲು ಯೋಗ್ಯವಾದ ಆದ್ಯತೆಯ ಕ್ರಮ".
ಹಂತಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕೆಳಕಂಡಂತಿವೆ: (1) ಲೇಯರ್ಗಳನ್ನು ಜೋಡಿಸಿ ಮತ್ತು ಸ್ವಚ್ಛಗೊಳಿಸಿ, (2) ಬೆಡ್ ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ಪ್ರತಿ ಪದರವನ್ನು ಅರ್ಥಪೂರ್ಣ ಟೋಕನ್ಗೆ ಭಾಷಾಂತರಿಸಿ (ಉದಾ: "ದೋಷದ ಛೇದನದ ಅಂತರ", "ಮ್ಯಾಗ್ನೆಟಿಕ್ ಹೈ ಎಡ್ಜ್"), (3) ಪರಿಣಿತ ನಿಯಮದೊಂದಿಗೆ ತಿಳಿದಿರುವ ಹಾಸಿಗೆಗಳು ಅಥವಾ ತೂಕದೊಂದಿಗೆ ರೈಲು, (4) ಸಂಭವನೀಯತೆಯ ನಕ್ಷೆಯನ್ನು ತಯಾರಿಸಿ, (5) ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಡಿಮೆ ಸಂಭವನೀಯತೆಯ ವಿಧಾನಗಳೊಂದಿಗೆ ಪರೀಕ್ಷೆ.
ಸಲಹೆ: ಮಾದರಿಯಲ್ಲಿ ಲೇಯರ್ಗಳನ್ನು ಕಚ್ಚಾ ಫೀಡ್ ಮಾಡುವ ಬದಲು, ಭೂವೈಜ್ಞಾನಿಕವಾಗಿ ಅರ್ಥಪೂರ್ಣ ಮಾರ್ಕರ್ಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಿ (“ಮ್ಯಾಗ್ನೆಟಿಕ್ ರಿಂಗ್ + ಆರ್ಗಿಲಿಕ್ ಬದಲಾವಣೆ + ಪೋರ್ಫೈರಿ ತಾಮ್ರದ ದೋಷದ ಛೇದಕ”). ಬೇರಿಂಗ್ ಮಾದರಿಯೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯಾಗುವ ಸೂಚಕಗಳು ಕುರುಡು ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಹೆಚ್ಚು ದೃಢವಾದ ಗುರಿಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ.
ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಅಂದಾಜು: ವೇರಿಯೋಗ್ರಾಮ್, ಕ್ರಿಜಿಂಗ್ ಮತ್ತು ಬ್ಲಾಕ್ ಮಾಡೆಲ್
ಠೇವಣಿ ಕಂಡು ಮತ್ತು ಕೊರೆದ ನಂತರ, ಪ್ರಶ್ನೆ ಬದಲಾಗುತ್ತದೆ: "ಇಲ್ಲಿ ಎಷ್ಟು ಲೋಹವಿದೆ ಮತ್ತು ನಾವು ಅದನ್ನು ಎಷ್ಟು ನಂಬಬಹುದು?" ಉತ್ತರಕ್ಕೆ ಮಾದರಿಯ ಡ್ರಿಲ್ ಪಾಯಿಂಟ್ಗಳಿಂದ ಮಾದರಿಯಿಲ್ಲದ ರಾಕ್ ಪರಿಮಾಣಕ್ಕೆ ಎಕ್ಸ್ಟ್ರಾಪೋಲೇಶನ್ ಅಗತ್ಯವಿದೆ. ಇದಕ್ಕೆ ಪ್ರಮಾಣಿತ ಸಾಧನವೆಂದರೆ ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್.
ಮೂಲ ಪರಿಕಲ್ಪನೆಯು ವೇರಿಯೋಗ್ರಾಮ್ ಆಗಿದೆ: ಎರಡು ಮಾದರಿಗಳು ಮತ್ತಷ್ಟು ದೂರ ಹೋದಂತೆ ಗ್ರೇಡ್ ಹೋಲಿಕೆಗಳು ಹೇಗೆ ಕಡಿಮೆಯಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುವ ಪ್ರಾದೇಶಿಕ ನಿರಂತರತೆಯ ಅಳತೆಯಾಗಿದೆ. ಹತ್ತಿರದ ಉದಾಹರಣೆಗಳು ಹೋಲುತ್ತವೆ, ದೂರದವುಗಳು ಸ್ವತಂತ್ರವಾಗಿವೆ; ವೇರಿಯೋಗ್ರಾಮ್ ಈ "ಸಾಮ್ಯತೆಯ ಶ್ರೇಣಿಯನ್ನು" ಪ್ರಮಾಣೀಕರಿಸುತ್ತದೆ. ಕ್ರಿಜಿಂಗ್ ಒಂದು ತೂಕದ ಸರಾಸರಿ ವಿಧಾನವಾಗಿದ್ದು, ಪ್ರತಿ ಮಾದರಿಯಿಲ್ಲದ ಬ್ಲಾಕ್ಗೆ ಅಂದಾಜು ಮತ್ತು ಅಂದಾಜಿನ ಅನಿಶ್ಚಿತತೆ ಎರಡನ್ನೂ ಗ್ರೇಡ್ ನೀಡಲು ಈ ವೇರಿಯೋಗ್ರಾಮ್ ರಚನೆಯನ್ನು ಬಳಸುತ್ತದೆ. ಠೇವಣಿಯನ್ನು ಮೀಟರ್ಗಳಲ್ಲಿ (ಬ್ಲಾಕ್ ಮಾಡೆಲ್) ಅಳೆಯುವ ಬದಿಗಳೊಂದಿಗೆ ಬ್ಲಾಕ್ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ ಮತ್ತು ಪ್ರತಿ ಬ್ಲಾಕ್ಗೆ ಗ್ರೇಡ್ ಮತ್ತು ವಿಶ್ವಾಸವನ್ನು ನಿಗದಿಪಡಿಸಲಾಗಿದೆ.
Artificial intelligence comes in at three points here. ವೇರಿಯೋಗ್ರಾಮ್ ಮಾಡೆಲಿಂಗ್ನಲ್ಲಿ, ಇದು ಪರ್ಯಾಯ ಮಾದರಿಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಫಿಟ್ ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳು (ಉದಾ. ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ, ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್) ಕ್ರೈಜಿಂಗ್ ಜೊತೆಗೆ ರೇಖಾತ್ಮಕವಲ್ಲದ ದರ್ಜೆಯ ಸಂಬಂಧಗಳನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದು. ಮತ್ತು ಇದು ಸಂಪೂರ್ಣ ಕೆಲಸದ ಹರಿವಿನ ಕೋಡಿಂಗ್, ತಪಾಸಣೆ ಮತ್ತು ವರದಿಯನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ಎರಡು ಕಬ್ಬಿಣದ ನಿಯಮಗಳು ಸ್ಥಿರವಾಗಿರುತ್ತವೆ: ಅಂದಾಜಿನ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಎಂದಿಗೂ ಮರೆಮಾಡಲಾಗುವುದಿಲ್ಲ, ಮತ್ತು ಅಂತಿಮ ಸಂಪನ್ಮೂಲವನ್ನು ಅಂತರಾಷ್ಟ್ರೀಯ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ (JORC, NI 43-101, PERC ನಂತಹ ಸಂಪನ್ಮೂಲ/ಮೀಸಲು ವರದಿಯ ಸಾರ್ವಜನಿಕ, ಆಡಿಟ್ ಮಾಡಬಹುದಾದ ಚೌಕಟ್ಟುಗಳು) ಅಳೆಯಲಾದ/ಸೂಚಿಸಿದ/ಊಹಿಸಲಾದ ವರ್ಗಗಳಿಗೆ ಸಮರ್ಥ ವ್ಯಕ್ತಿಯಿಂದ ವಿಂಗಡಿಸಲಾಗುತ್ತದೆ.
Caution: The machine learning model may "smooth" drilling breaks, creating continuity that does not exist in reality. ಕೆಲವು ಉನ್ನತ ದರ್ಜೆಯ ಮಾದರಿಗಳು ಸಂಪೂರ್ಣ ಬ್ಲಾಕ್ ಅನ್ನು (ಇಂಗ್ಲಿಷ್ ಸ್ಮೀಯರಿಂಗ್) ಅನ್ಯಾಯವಾಗಿ ಉತ್ಕೃಷ್ಟಗೊಳಿಸಬಹುದು. ಹೆಚ್ಚಿನ ಮೌಲ್ಯಗಳನ್ನು (ಟಾಪ್-ಕಟ್) ಸೀಮಿತಗೊಳಿಸುವುದು ಮತ್ತು ಬ್ಲಾಕ್ ಆಧಾರದ ಮೇಲೆ ಮಾದರಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಿಯಂತ್ರಿಸುವುದು ಅತ್ಯಗತ್ಯ; otherwise the tonnage will swell on paper.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ಆದ್ಯತೆಯನ್ನು ಗುರಿಪಡಿಸುವುದು. ಪರಿಶೋಧನಾ ತಂಡವು 380 km² ಪರವಾನಗಿ ಪ್ರದೇಶದಲ್ಲಿ ಸೀಮಿತ ಕೊರೆಯುವ ಬಜೆಟ್ನೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ. ಏಳು ಜಿಯೋಫಿಸಿಕಲ್/ಜಿಯೊಕೆಮಿಸ್ಟ್ರಿ ಪದರಗಳನ್ನು ಬೆಸೆಯುವ ಸಂಭವನೀಯತೆಯ ನಕ್ಷೆಯು ಕೇವಲ 6% ಪ್ರದೇಶವನ್ನು "ಹೆಚ್ಚಿನ ಆದ್ಯತೆ" ಎಂದು ಗುರುತಿಸಿದೆ. ತಂಡವು ಮೊದಲ ಐದು ಡ್ರಿಲ್ಗಳನ್ನು ಈ 6% ಗೆ ನಿರ್ದೇಶಿಸಿತು; ಅವುಗಳಲ್ಲಿ ಮೂರರಲ್ಲಿ ಗಮನಾರ್ಹ ತಾಮ್ರದ ಛೇದಕಗಳನ್ನು ಕಂಡುಕೊಂಡರು. ನಿರ್ಣಾಯಕ ಅಂಶ: ನಕ್ಷೆಯು ಅದಿರನ್ನು "ಸಾಬೀತುಪಡಿಸಲಿಲ್ಲ", ಕೊರೆಯುವ ಬಜೆಟ್ ಅನ್ನು ಎಲ್ಲಿ ಕೇಂದ್ರೀಕರಿಸಬೇಕು ಎಂಬುದನ್ನು ತರ್ಕಬದ್ಧಗೊಳಿಸಿತು ಮತ್ತು ಕುರುಡು ಪ್ರಯೋಗಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆಗೊಳಿಸಿತು.
ಪ್ರಕರಣ 2 - ಸ್ಮೀಯರಿಂಗ್ ಕ್ಯಾಪ್ಚರ್. ಒಂದು ಚಿನ್ನದ ಠೇವಣಿಯಲ್ಲಿ, ಮೊದಲ ಬ್ಲಾಕ್ ಮಾದರಿಯು 78 g/t ನ ಏಕೈಕ ಓವರ್ಸ್ಯಾಂಪಲ್ನ ಪ್ರಭಾವದಿಂದಾಗಿ ಸುತ್ತಮುತ್ತಲಿನ ಬ್ಲಾಕ್ಗಳನ್ನು ಉಬ್ಬಿಸಿತು, ಸಂಪನ್ಮೂಲವನ್ನು 14% ರಷ್ಟು ಅತಿಯಾಗಿ ಅಂದಾಜು ಮಾಡಿತು. QA/QC ವಿಮರ್ಶೆಯಲ್ಲಿ ಅನ್ವಯಿಸಲಾದ ಟಾಪ್-ಕಟ್ (ಅಧಿಕ ಮೌಲ್ಯವನ್ನು ಅಂಕಿಅಂಶಗಳ ಮಿತಿಗೆ ಕಡಿಮೆ ಮಾಡುವುದು) ಮತ್ತು ನೆರೆಯ ಮಾದರಿ ನಿಯಂತ್ರಣದೊಂದಿಗೆ ಭವಿಷ್ಯವನ್ನು ವಾಸ್ತವಿಕ ಮಟ್ಟಕ್ಕೆ ತರಲಾಗಿದೆ. ವ್ಯತ್ಯಾಸವು ಬಹು-ಮಿಲಿಯನ್ ಡಾಲರ್ ಹೂಡಿಕೆಯ ನಿರ್ಧಾರವನ್ನು ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರಿತು.
ಪ್ರಕರಣ 3 - ವರ್ಗೀಕರಣ ಶಿಸ್ತು. ಕಬ್ಬಿಣದ ಯೋಜನೆಯಲ್ಲಿ, ಮಾದರಿಯು ಸಂಪೂರ್ಣ ಠೇವಣಿಯನ್ನು ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸದಿಂದ ಊಹಿಸುವುದನ್ನು ತೋರಿಸಿದೆ; ಆದಾಗ್ಯೂ, ಕೊರೆಯುವ ಸಾಂದ್ರತೆಯು ಕನಿಷ್ಠ ಪ್ರದೇಶಗಳಲ್ಲಿ ಬಹಳ ವಿರಳವಾಗಿತ್ತು. ಅಧಿಕೃತ ವ್ಯಕ್ತಿ ಆರ್ಥಿಕ ಮೌಲ್ಯಮಾಪನದಿಂದ ವಿರಳ ಮಾದರಿಯ ಪರಿಮಾಣವನ್ನು ತೆಗೆದುಹಾಕಿದ್ದಾರೆ, ಅದನ್ನು "ಊಹಿಸಲಾಯಿತು" ಎಂದು ಡೌನ್ಗ್ರೇಡ್ ಮಾಡಿದ್ದಾರೆ. ಹೀಗಾಗಿ, ವರದಿಯು ಸಾರ್ವಜನಿಕವಾಗಿ ಬಹಿರಂಗಪಡಿಸಿದ ಮೀಸಲುಗಳಲ್ಲಿ ಉತ್ಪ್ರೇಕ್ಷೆಯನ್ನು ತಪ್ಪಿಸಿತು ಮತ್ತು ಮಾನದಂಡಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಉಳಿಯಿತು.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಕೊರೆಯುವ ಇಳುವರಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಮತ್ತು ಠೇವಣಿಯಲ್ಲಿ ಎಷ್ಟು ಚಿನ್ನವಿದೆ ಎಂದು ತಿಳಿಸಿ.[ಅಸ್ಸೇ ಟೇಬಲ್]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಸಂಪನ್ಮೂಲ ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞ. ಕೆಳಗಿನ ಸಂಯುಕ್ತ ವಿಶ್ಲೇಷಣೆ ಡೇಟಾದೊಂದಿಗೆ ಮೂಲ ಸಂಖ್ಯೆಯನ್ನು ನೀಡಿ. ಬದಲಿಗೆ:1) ಗ್ರೇಡ್ ವಿತರಣೆಯನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ; ಸಂಭವನೀಯ ಔಟ್ಲೈಯರ್ಗಳನ್ನು ಮತ್ತು ಟಾಪ್-ಕಟ್ನ ಅಗತ್ಯವನ್ನು ಗುರುತಿಸಿ.2) ಪ್ರಾದೇಶಿಕ ನಿರಂತರತೆಗಾಗಿ ಯಾವ ವೇರಿಯೋಗ್ರಾಮ್ ನಿರ್ದೇಶನಗಳನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು ಎಂದು ಸೂಚಿಸಿ. 3) ಕಡಿಮೆ ಕೊರೆಯುವ ಸಾಂದ್ರತೆಯ ಕಾರಣದಿಂದ ಯಾವ ಪ್ರದೇಶಗಳನ್ನು ಮಾತ್ರ "ಬಿಟ್ಟುಬಿಡಲಾಗಿದೆ" ಎಂದು ವರ್ಗೀಕರಿಸಬಹುದು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ. 4) ಫಲಿತಾಂಶದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರಬಹುದಾದ ಅನಿಶ್ಚಿತತೆಯ 4 ಮೂಲಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.ಡೇಟಾ ಅನಾಮಧೇಯವಾಗಿದೆ; ಯಾವುದೇ ನಿಜವಾದ ನಿರ್ದೇಶಾಂಕಗಳು/ಕಂಪನಿ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯು ಒಂದೇ ಮೋಸಗೊಳಿಸುವ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುವುದನ್ನು ತಡೆಯುತ್ತದೆ ಮತ್ತು ಉಸ್ತುವಾರಿ ವ್ಯಕ್ತಿ ಕೇಳಬೇಕಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿಖರವಾಗಿ ಸಂಘಟಿಸುವ ಸಹಾಯಕನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಲೇಯರ್ ಸಮ್ಮಿಳನಕ್ಕಾಗಿ ಟೋಕನ್ ವ್ಯುತ್ಪನ್ನ:
ಪೊರ್ಫೈರಿ ತಾಮ್ರದ ಪರಿಶೋಧನೆಯ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿ ಕೆಳಗಿನ ಪದರಗಳಿಂದ ಅರ್ಥಪೂರ್ಣ ಗುರುತುಗಳನ್ನು ಸೂಚಿಸಿ: ಕಾಂತೀಯ, ಗುರುತ್ವಾಕರ್ಷಣೆ, ಪ್ರತಿರೋಧಕತೆ, ಮಣ್ಣಿನ ಭೂರಸಾಯನಶಾಸ್ತ್ರ (Cu-Mo-Au), ಬದಲಾವಣೆ. ಪ್ರತಿ ಮಾರ್ಕರ್ಗೆ: ಠೇವಣಿ ಮಾದರಿಗೆ ಲಿಂಕ್, ಸಂಭವನೀಯ ದಾರಿತಪ್ಪಿಸುವ ಮೂಲ ಮತ್ತು ಕ್ಷೇತ್ರ ಪರಿಶೀಲನೆ ವಿಧಾನ. ನಿಖರವಾದ ಗುರಿಯನ್ನು ನೀಡುವುದು; ಆದ್ಯತೆಯ ತರ್ಕವನ್ನು ಸ್ಥಾಪಿಸಿ.
2) ಅಸ್ಸೇ ಕ್ಯೂಎ/ಕ್ಯೂಸಿ ಪ್ರಿ-ಸ್ಕ್ರೀನಿಂಗ್:
ಕೆಳಗಿನವುಗಳಿಗಾಗಿ ವಿಶ್ಲೇಷಣೆ ಕೋಷ್ಟಕವನ್ನು ಪರಿಶೀಲಿಸಿ: ಋಣಾತ್ಮಕ/ಅಸಾಧ್ಯ ಮೌಲ್ಯ, ಪತ್ತೆ ಮಿತಿಗಿಂತ ಕೆಳಗಿನ ಚಿಹ್ನೆಗಳ ಪ್ರಮಾಣ, ಘಟಕ ವ್ಯತ್ಯಾಸ (ppm/%/g-t), ಪುನರಾವರ್ತಿತ ಮಾದರಿ ಒಪ್ಪಂದ, ಖಾಲಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ಮಾದರಿ ಡ್ರಿಫ್ಟ್. drilling_id ಮೂಲಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ; ಮೌಲ್ಯಮಾಪನ, ತಿದ್ದುಪಡಿ.
3) ವೇರಿಯೋಗ್ರಾಮ್ ವ್ಯಾಖ್ಯಾನ ಕರಡು:
ಪ್ರಾಯೋಗಿಕ ವೇರಿಯೋಗ್ರಾಮ್ ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ: ಗಟ್ಟಿ, ಶ್ರೇಣಿ ಮತ್ತು ಸಿಲ್ ಎಂದರೆ ಏನು ಎಂಬುದನ್ನು ಸರಳ ಭಾಷೆಯಲ್ಲಿ ವಿವರಿಸಿ; ಅನಿಸೊಟ್ರೋಪಿಯ ಯಾವುದೇ ಚಿಹ್ನೆಗಳು ಇದೆಯೇ? ಕ್ರಿಜಿಂಗ್ ಮಾಡುವ ಮೊದಲು ಯಾವ ನಿರ್ಧಾರಗಳಿಗೆ ಭೂವಿಜ್ಞಾನಿಗಳ ಅನುಮೋದನೆ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಿ. ಲಾಜಿಕ್, ಕೋಡ್ ಅಲ್ಲ.
4) ಮೂಲ ವರ್ಗೀಕರಣ ನಿಯಂತ್ರಣ:
ಬ್ಲಾಕ್ ಮಾದರಿಯಲ್ಲಿ, ಪ್ರತಿ ಬ್ಲಾಕ್ಗೆ: ಕ್ರಿಜಿಂಗ್ ವ್ಯತ್ಯಾಸ, ಅಂದಾಜಿನಲ್ಲಿ ಬಳಸಿದ ಮಾದರಿಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಹತ್ತಿರದ ಬೋರ್ಹೋಲ್ಗೆ ದೂರವನ್ನು ನೀಡಲಾಗಿದೆ. ಪ್ರಮಾಣಿತ ತರ್ಕದ ಪ್ರಕಾರ ಅಳತೆ ಮಾಡಿದ/ಪ್ರದರ್ಶಿತ/ಊಹಿಸಲಾದ ವರ್ಗಕ್ಕೆ ಯಾವ ಬ್ಲಾಕ್ಗಳು ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ ಎಂಬುದರ ಸಮಂಜಸವಾದ ರೂಪರೇಖೆಯನ್ನು ನೀಡಿ. ಅಂತಿಮ ವರ್ಗೀಕರಣವು ಅಧಿಕೃತ ವ್ಯಕ್ತಿಗೆ ಸೇರಿದೆ; ಇದನ್ನು ಹೇಳು.
ವಿಧಾನಗಳ ಹೋಲಿಕೆ
ವಿಧಾನ
ಏನು ಮಾಡುತ್ತದೆ
ಬಲವಾದ ಬಿಂದು
ಮುಖ್ಯ ಅಪಾಯ
ತಜ್ಞರ ನಿಯಮ (ತೂಕದ ಪದರ)
ಮಾಹಿತಿಯೊಂದಿಗೆ ಗುರಿಗಳನ್ನು ವಿಂಗಡಿಸುತ್ತದೆ
ಕಡಿಮೆ ಡೇಟಾದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಪಾರದರ್ಶಕವಾಗಿರುತ್ತದೆ
ತಜ್ಞ ಪಕ್ಷಪಾತ
ML ಗುರಿಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗಿದೆ
ಗೊತ್ತಿರುವ ಹಾಸಿಗೆಯಿಂದ ಕಲಿಯುತ್ತಾನೆ
ಸಂಕೀರ್ಣ ಮಾದರಿಯನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ
ಕೆಲವು ಉದಾಹರಣೆಗಳಲ್ಲಿ ಕಂಠಪಾಠ
ಕ್ರಿಜಿಂಗ್
ಟೆನರ್ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಭವಿಷ್ಯ ನುಡಿದಿದ್ದಾರೆ
ಪ್ರಮಾಣಿತ, ಆಡಿಟ್ ಮಾಡಬಹುದಾದ
ವೇರಿಯೋಗ್ರಾಮ್ ದೋಷ, ಸ್ಮೀಯರಿಂಗ್
ಎಂಎಲ್ ದರ್ಜೆಯ ಅಂದಾಜು
ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧ
ಹೊಂದಿಕೊಳ್ಳುವ
ಅನಿಶ್ಚಿತತೆ, ಅತಿಯಾದ ಹೊಂದಾಣಿಕೆಯನ್ನು ಮರೆಮಾಡಬಹುದು
ಸಿಮ್ಯುಲೇಶನ್ (ಉದಾ. SGS)
ಸಂಭವನೀಯತೆಯ ಸನ್ನಿವೇಶಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ
ಅನಿಶ್ಚಿತತೆಯನ್ನು ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ
ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿದರೆ ಅತಿಯಾದ ಆತ್ಮವಿಶ್ವಾಸ
ಸಲಹೆ: ಸಂಪನ್ಮೂಲಗಳನ್ನು ಅಂದಾಜು ಮಾಡುವಾಗ, "ಏಕೈಕ ಅತ್ಯುತ್ತಮ ಸಂಖ್ಯೆ" ಗಿಂತ ವ್ಯಾಪ್ತಿ ಮತ್ತು ಸನ್ನಿವೇಶವನ್ನು ಕೇಳಿ. ಮೂರು ಆಶಾವಾದಿ/ನಿರೀಕ್ಷಿತ/ಎಚ್ಚರಿಕೆಯ ಸನ್ನಿವೇಶಗಳು ಒಂದೇ ಸಂಖ್ಯೆಯಿಂದ ರಚಿಸಲ್ಪಟ್ಟ ತಪ್ಪು ಖಚಿತತೆಗಿಂತ ನಿರ್ಧಾರ-ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗೆ ಹೆಚ್ಚು ಪ್ರಾಮಾಣಿಕ ಆಧಾರವನ್ನು ಒದಗಿಸುತ್ತವೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸ್ವಲ್ಪ ತಿಳಿದಿರುವ ಹಾಸಿಗೆಯೊಂದಿಗೆ ML ಅನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವಂತೆ ಮಾಡುವುದು. ಐದು ಬೇರಿಂಗ್ಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯು ಹೊಸ ಕ್ಷೇತ್ರದಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ; ಔಟ್ಪುಟ್ ಅನ್ನು ಆದ್ಯತೆಯ ಪಟ್ಟಿಯಾಗಿ ವೀಕ್ಷಿಸಿ, ಸಾಕ್ಷಿಯಾಗಿ ಅಲ್ಲ.
- ವಿಪರೀತ ಮೌಲ್ಯಗಳನ್ನು ಸೀಮಿತಗೊಳಿಸುವುದಿಲ್ಲ. ಒಂದೇ ಒಂದು ಉನ್ನತ ಪರೀಕ್ಷೆಯು, ಟಾಪ್-ಕಟಿಂಗ್ ಮಾಡದಿದ್ದಲ್ಲಿ, ಸುತ್ತಮುತ್ತಲಿನ ಬ್ಲಾಕ್ಗಳನ್ನು ಅನ್ಯಾಯವಾಗಿ ಉತ್ಕೃಷ್ಟಗೊಳಿಸುತ್ತದೆ (ಸ್ಮೀಯರ್) ಮತ್ತು ಟನೇಜ್ ಅನ್ನು ಉಬ್ಬಿಸುತ್ತದೆ.
- ಅನಿಶ್ಚಿತತೆಯನ್ನು ವರದಿ ಮಾಡುತ್ತಿಲ್ಲ. ಕ್ರಿಗಿಂಗ್ ವ್ಯತ್ಯಾಸ ಮತ್ತು ವರ್ಗೀಕರಣವನ್ನು ಮರೆಮಾಡುವುದು ಮತ್ತು ಒಂದೇ ಅಂಕಿಗಳನ್ನು ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಮಾನದಂಡಗಳು ಮತ್ತು ಸಮಗ್ರತೆಗೆ ವಿರುದ್ಧವಾಗಿದೆ.
- ವರ್ಗೀಕರಣವನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು. ವಿರಳ ಮಾದರಿಯ ಪರಿಮಾಣವನ್ನು ಮಾಪನದಂತೆ ಪ್ರಸ್ತುತಪಡಿಸುವುದು ಆರ್ಥಿಕ ತೀರ್ಪು ಮತ್ತು ಸಾರ್ವಜನಿಕ ವಿಶ್ವಾಸಕ್ಕೆ ಧಕ್ಕೆ ತರುತ್ತದೆ.
- QA/QC ಸ್ಕಿಪ್ ಮಾಡಲಾಗುತ್ತಿದೆ. ಖಾಲಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ಮಾದರಿಗಳೊಂದಿಗೆ ಡ್ರಿಫ್ಟ್ನ ಪ್ರಯೋಗಾಲಯದ ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದೆ ಯಾವುದೇ ಗ್ರೇಡ್ ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ.
ಸಾರಾಂಶದಲ್ಲಿ
- ಪರಿಶೋಧನೆಯ ಗುರಿಯು ಬಹು-ಪದರದ ದತ್ತಾಂಶ ಸಮ್ಮಿಳನದ ಮೂಲಕ ಕೊರೆಯುವ ಆದ್ಯತೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಇದು ಅದಿರನ್ನು ಸಾಬೀತುಪಡಿಸುವುದಿಲ್ಲ, ಇದು ಕುರುಡು ಪ್ರಯೋಗವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
- ವೇರಿಯೋಗ್ರಾಮ್ಗಳು ಮತ್ತು ಕ್ರೈಜಿಂಗ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಪನ್ಮೂಲ ಅಂದಾಜು ಗ್ರೇಡ್ ಅನ್ನು ಖಚಿತವಾಗಿ ಅಂದಾಜು ಮಾಡುತ್ತದೆ; ಇದರ ಮೇಲೆ ಬ್ಲಾಕ್ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ.
- ಯಂತ್ರ ಕಲಿಕೆಯು ಶಕ್ತಿಯುತವಾಗಿದೆ, ಆದರೆ ಇದು ಸಣ್ಣ ಮಾದರಿಗಳನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ, ಹೊರಗಿನವರನ್ನು ಸ್ಮೀಯರ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ಮರೆಮಾಡಬಹುದು.
- ಅಂತಿಮ ವೆಲ್ಡ್ ಅನ್ನು JORC/NI 43-101 ನಂತಹ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ ಅಧಿಕೃತ ಅರ್ಹ ವ್ಯಕ್ತಿಯಿಂದ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಸಹಿ ಮಾಡಲಾಗಿದೆ.
- ಮೌಲ್ಯವು ಒಂದು ಮೋಸಗೊಳಿಸುವ ಸಂಖ್ಯೆಯಲ್ಲಿಲ್ಲ; ಅನಿಶ್ಚಿತತೆಯು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಆದ್ಯತೆ ಮತ್ತು ವರ್ಗೀಕರಣದಲ್ಲಿ ಪ್ರಾಮಾಣಿಕವಾಗಿ ವರದಿಯಾಗಿದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಅನಾಮಧೇಯ ಸಂಯುಕ್ತ ವಿಶ್ಲೇಷಣೆ ಕೋಷ್ಟಕವನ್ನು ಸ್ವೀಕರಿಸಿ (ಅಥವಾ ಪ್ರಾತಿನಿಧಿಕ ಮೌಲ್ಯಗಳು). ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ನೊಂದಿಗೆ, ಮಾದರಿಯನ್ನು ಕೇಳಿ ನಂತರ "ಮೂಲ ವರ್ಗೀಕರಣ ನಿಯಂತ್ರಣ" ಟೆಂಪ್ಲೇಟ್ ಯಾವ ಬ್ಲಾಕ್ಗಳು ಯಾವ ಟ್ರಸ್ಟ್ ವರ್ಗಕ್ಕೆ ಸೇರುತ್ತವೆ ಎಂಬುದರ ಕರಡನ್ನು ತಯಾರಿಸಿ. ಅಂತಿಮವಾಗಿ, ಮಾದರಿಯು ಒಂದೇ ಟನೇಜ್ ಫಿಗರ್ ನೀಡಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಗಮನಿಸಿ ಮತ್ತು ನೀವು ಅದನ್ನು ಏಕೆ ತಿರಸ್ಕರಿಸಬೇಕು ಎಂಬುದನ್ನು ಒಂದೇ ವಾಕ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ಪರಿಶೋಧನೆಯ ಗುರಿಯು ಅದಿರನ್ನು ಸಾಬೀತುಪಡಿಸುವುದಿಲ್ಲ, ಅದು ಕೊರೆಯುವ ಆದ್ಯತೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂದು ನಾನು ಅರಿತುಕೊಂಡೆ.
- [ ] ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ವೇರಿಯೋಗ್ರಾಮ್ ಮತ್ತು ಕ್ರಿಜಿಂಗ್ ಗ್ರೇಡ್ ಅನ್ನು ಹೇಗೆ ಅಂದಾಜಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾನು ವಿವರಿಸಬಲ್ಲೆ.
- [ ] ನಾನು ಸ್ಮೀಯರಿಂಗ್, ಟಾಪ್-ಕಟ್ ಮತ್ತು ಅಧಿಕ ಮೌಲ್ಯದ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸುತ್ತೇನೆ ಮತ್ತು QA/QC ಅನ್ನು ಕಡ್ಡಾಯವಾಗಿ ಪರಿಗಣಿಸುತ್ತೇನೆ.
- [ ] ಸಂಪನ್ಮೂಲವನ್ನು ಪ್ರಮಾಣಿತದಿಂದ ಅಳೆಯಲಾಗಿದೆ/ಸೂಚಿಸಲಾಗಿದೆ/ಊಹಿಸಲಾಗಿದೆ ಎಂದು ವರ್ಗೀಕರಿಸಲಾಗಿದೆ ಮತ್ತು ಅಧಿಕೃತ ವ್ಯಕ್ತಿಗೆ ಸೇರಿದೆ ಎಂದು ನಾನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ.
- [ ] ನಾನು ಏಕ ಸಂಖ್ಯೆಗಳ ಬದಲಿಗೆ ಅನಿಶ್ಚಿತತೆಯ ಶ್ರೇಣಿಗಳು ಮತ್ತು ಸನ್ನಿವೇಶಗಳ ಅಗತ್ಯವಿರುವ ಶಿಸ್ತನ್ನು ಅಳವಡಿಸಿಕೊಂಡಿದ್ದೇನೆ.