이득:
- 광산 엔지니어링 워크플로에서 AI가 실시간을 절약하는 부분과 위험 수준에 따라 안전에 중요한 책임을 유능한 엔지니어에게 맡겨야 하는 부분을 구별하는 능력
- 표준, 독립적 계산 및 현장 측정에 대해 각 AI 출력을 테스트하는 다층 검증 원칙을 구현하는 기능
- 예비 데이터, 라이센스 정보 및 인력/생산 데이터를 보호하기 위해 컨텍스트를 익명화하고 안전한 차량을 선택하는 습관을 습득하는 기능
광산 엔지니어의 임무는 땅 아래의 불확실성과 땅 위의 결정을 연결하는 것입니다. 시추 데이터로부터 광체 추정, 매장량 계산, 구덩이 계획, 장비 관리, 경사면 동작 모니터링, 산업 안전 보장, 환경 영향 측정 및 법률에 따라 이 모든 것을 보고합니다. 이러한 직업의 공통적인 특징은 수많은 측정값과 데이터를 가지고 작업하지만 각 결정은 인간의 생명, 수백만 리라의 투자 및 현장에서 돌이킬 수 없는 환경적 결과를 초래한다는 것입니다. 인공 지능(줄여서 AI; 빅 데이터 및 언어 모델을 사용하여 텍스트, 숫자 및 이미지를 작업하는 소프트웨어 시스템)은 데이터 집약적이지만 의사 결정이 중요한 분야에서 강력한 지원입니다. 이 단원에서는 채굴에서 AI를 안전하게 사용할 수 있는 위치, 위험한 위치, 표준, 현장 측정 및 엔지니어링 판단에 따라 모든 AI 출력을 검증해야 하는 이유를 알려줍니다.
이 모듈 전체에서 사용할 중심 원칙은 다음과 같습니다. AI는 의사 결정자가 아니라 보조자입니다. 등급(광석 내 금속 비율) 값, 경사 각도, 예비 수치, 안전 한계 또는 입법 조항은 "AI가 그렇게 말했다"고 해서 사실이 되는 것이 아닙니다. 이는 측정, 참조 및 유능한 엔지니어 판단에 의해 검증되기 전까지는 단지 가설일 뿐입니다. 모듈의 모든 단위에서 이 문장을 다시 보게 될 것입니다. 왜냐하면 채굴에서 잘못된 숫자는 종종 투자의 붕괴, 경사의 붕괴 또는 사람의 부상을 의미하기 때문입니다.
LLM이란 무엇이며 채굴에서 어떤 역할을 합니까?
LLM(Large Language Model)은 매우 큰 텍스트 덩어리에서 패턴을 학습하고 확률을 기반으로 "다음 단어"를 예측하는 소프트웨어입니다. 이것은 ChatGPT, Claude, Gemini와 같은 도구의 엔진입니다. 요점은 LLM이 "지식 기반"이 아니라 "언어 추정기"라는 것입니다. 채굴 용어를 유창하게 구사하지만 등급을 측정하지는 않습니다. 가장 가능성이 높아 보이는 숫자를 생성합니다. 따라서 평균 등급, 박리율, 규제 조항 또는 폭발 한계에 대해 자신만만하지만 잘못된 답변을 제공할 수 있습니다. 이것을 환각(조작)이라고 합니다. 환각은 오작동이 아니라 이 기술의 고유한 특징입니다. 따라서 검증은 "추가 단계"가 아니라 작업의 필수적인 부분입니다.
AI가 채굴에 강한 작업:
- 개념 설명 및 교육: 배리오그램이 무엇인지, 레버리지 규칙이 어떻게 작동하는지, 산성광산 배수가 어떻게 발생하는지.
- 데이터 정리 및 정리: 흩어져 있는 시추공 로그를 일관된 테이블로 변환하고 단위 불일치를 포착합니다.
- 가설 목록 생성: 생산 감소의 가능한 원인을 체계적으로 나열합니다.
- 코딩: Python을 사용한 데이터 정리, 그래프 작성, 지리통계 및 이상 분석 스크립트.
- 초안 텍스트: JSA(작업 안전 분석), 환경 모니터링 보고서, 입찰/기술 사양 초안.
- 브레인스토밍: 시나리오 비교, 실험/측정 계획 아이디어.
AI가 약하고 위험한 경우:
- 정확한 수치 제공(구배, 예비, 경사각, 한계값).
- 현재 및 특정 법률/표준 기사 및 버전 정보.
- 현장의 실제 측정 데이터 없이 진단합니다.
- 안전이 중요한 결정: 폭발 설계 승인, 대피 결정, 서비스 가능성.
위험 기반 분류: AI 사용 전 필터
모든 작업의 위험 수준이 동일하지는 않습니다. AI를 사용하기 전에 위험 수준에 따라 작업을 분류하세요. 아래 표는 이 모듈 전체에서 사용할 의사결정 프레임워크를 제공합니다.
위험 수준
샘플 작업
AI 역할
필수 검증
낮음
개념 설명, 초안 텍스트, 코드 뼈대
무료 이용
리뷰는 충분해요
중간
데이터 정리, 가설 목록, 계산 설정
초안/공동저자
수동 제어 + 소스 확인
높다
예비량 추정, 피트 한계, 발파 매개변수
아이디어 생성기
표준 + 현장 측정 + 소프트웨어
중요한
피난결정, 경사로 안전, 사용성/적합성 결정
초안/스캔만
유능한 엔지니어 승인 + 공인 테스트
팁: 작업을 "중요"로 표시한 경우 AI의 출력은 최종 문서가 아닙니다. 기껏해야 예비 초안이나 체크리스트일 수 있습니다. 유능한 엔지니어가 서명과 책임을 집니다.
엔드투엔드 흐름: 워크플로에 AI 삽입
채굴의 일반적인 문제 해결 주기는 다음과 같습니다. AI는 각 단계에 참여하지만 그 중 어느 하나도 단독으로 완료하지 않습니다.
- 문제 정의: 무엇을 예측하고, 어떤 결정을 내려야 하며, 어떤 제약이 있습니까? (AI: 질문을 명확하게 설명합니다.)
- 데이터 수집 및 정리: 시추, 생산, 모니터링, 실험실 데이터. (AI: 정리 및 불일치 검사에 강력합니다.)
- 가설/시나리오 생성: 가능한 원인, 대안 계획. (AI: 체계적인 목록을 생성합니다.)
- 분석: 계산, 지리통계학, 모델, 이미지 처리. (AI: 코드와 계산 허구를 생성합니다.)
- 확인: 표준, 현장, 독립형 계정, 소프트웨어. (AI는 옆에 있고 인간과 측정이 결정합니다.)
- 보고 및 결정: 유능한 엔지니어가 책임을 집니다. (AI: 초안 작성자입니다.)
다음 6단계를 명심하세요. 모듈의 나머지 부분에서는 구체적인 마이닝 작업에 AI를 사용하는 방법을 단계별로 보여줍니다.
세 개의 미니 케이스
사례 1 - 평균 성적을 구성했습니다. 인턴이 AI 채팅 툴에 구리 프로젝트의 평균 등급을 묻는다. AI는 "약 0.65% Cu"라고 말합니다. 인턴은 이것을 투자 프레젠테이션에 넣습니다. 그러나 AI는 이 프로젝트의 단일 시추 데이터를 보지 못했습니다. "구리 프로젝트"에 대한 일반적인 숫자를 생성했습니다. 실제 가치는 프로젝트 자체의 종합 시추 데이터와 지리통계학적 추정치에서만 나옵니다. 이 프로젝트의 실제 가치는 0.38%입니다. 차이점은 투자가 수익성이 있는 것처럼 보이는 것과 손실을 내는 것의 차이입니다. 올바른 태도는 결코 AI의 등급을 "묻지" 않고 자신의 데이터베이스에서 계산하는 것입니다.
사례 2 — 존재하지 않는 규제 조항. 엔지니어는 발파에 허용되는 최대 지면 진동(PPV: 최대 입자 속도, mm/s)을 AI에 묻습니다. AI는 "규정에 따라 10mm/s"라고 말하고 품목 번호를 구성합니다. 엔지니어는 이에 따라 보고서를 작성합니다. 점검 과정에서 품목번호는 실제가 아닌 것으로 밝혀졌으며, 거리 및 건물 유형에 따라 제한값이 달라지는 것으로 확인됐다. 현행 규정을 공식 출처에서 공개해 그 가치와 실질을 확인하는 것이 올바른 태도다. AI가 규정 명칭을 정확하게 알고 있더라도 품목 번호를 환각할 수 있다.
사례 3 - 올바른 사용. 한 지질학자가 40개 시추공 데이터 세트의 등급 열에 불일치가 있다고 의심합니다. 이는 AI에게 "단위 불일치, 음수 값, 눈에 띄는 이상치 및 빈 셀이 있을 수 있는 이 테이블의 행을 나열하고 각각에 대해 의심되는 내용을 작성하십시오. 수정하지 말고 표시만 하십시오"라고 지시합니다. AI는 %가 섞인 몇 줄, 두 개의 음수 등급, 999 코드 값을 표시합니다. 지질학자는 원시 통나무에서 이를 하나씩 확인하고 수정합니다. 여기에서는 AI가 올바르게 사용되었습니다. 주의를 끌고 인간이 결정을 내리고 수정했습니다.
복사 가능한 프롬프트 템플릿
아래 템플릿을 귀하의 비즈니스에 맞게 조정하여 사용할 수 있습니다. 그들 각각에는 "정확한 숫자를 제시하고, 출처를 표시하고, 불확실성을 설명하라"는 의식적인 지시가 있습니다.
ROLE AND BOUNDARY TEMPLATE "역할: 당신은 숙련된 광산 엔지니어 보조자입니다. 과제: [제목을 쓰세요]. 규칙: 정확한 숫자 값(등급, 매장량, 한도)을 제공할 때 출처를 지정하십시오. 확실하지 않은 경우 '검증해야 합니다'라고 말합니다. 규정/표준 조항을 제공하는 경우 해당 버전과 함께 제공하되 공식 출처에서 확인해야 함을 상기하십시오. 답변 끝에 '현장 측정/계산으로 확인해야 하는 항목' 항목을 적습니다. 항목별로요."
가설 생성 템플릿"다음 상황에 대한 가능한 이유의 체계적인 목록을 생성합니다: [상황 설명, 관찰된 내용, 사용 가능한 데이터]. 각 가설에 대해: (1) 이를 뒷받침하는 증거, (2) 이를 확인/반증하기 위해 어떤 측정 또는 계산을 수행해야 하는지. 최종 진단을 내리고 조사 로드맵을 생성합니다."
검증 체크리스트 템플릿"아래 보고서 초안에 모든 숫자 값과 모든 규정/표준 참조를 나열하십시오. 각각에 대해 검증해야 하는 소스(자체 드릴링 데이터, 규제 텍스트, 실험실 보고서, 현장 조사)를 표시하십시오. 출처가 불확실한 항목은 '검증 없이 사용할 수 없음' 아래에 수집하세요. 텍스트: [붙여넣기]"
익명화 사전 확인 템플릿 "AI 도구에 다음 텍스트를 제공하기 전에 영업 비밀 또는 개인/규제에 민감한 부분(예비 번호, 라이센스 번호, 실제 좌표, 고객/직원 이름, 기밀 비용 데이터)을 표시하십시오. 이를 익명화할 수 있는 방법을 제안하십시오. 텍스트: [붙여넣기]."
약한 프롬프트 / 강한 프롬프트
동일한 질문을 두 가지 방식으로 묻는다면 매우 다른 결과가 나올 것입니다.
약한 프롬프트: "이 광산의 매장량이 얼마나 되나요?"
강력한 프롬프트: "역할: 당신은 보조 자원 지질학자입니다. 매장량/자원 추정이 거쳐야 하는 단계(합성, 변이도, 크리깅, 분류, 경제적 한계)와 각 단계에서 어떤 데이터와 어떤 유능한 사람의 승인이 필요한지 설명하십시오. 정확한 매장량 번호를 제공하지 마십시오. 이는 프로젝트 자체 데이터에서만 계산할 수 있으며 JORC/UMREK와 같은 코드 프레임워크 내에서 보고되어야 한다는 점을 강조하십시오."
약한 프롬프트는 AI가 보충하도록 유도합니다. 강력한 프롬프트는 올바른 작업(프로세스 설명)을 유지하고 애초에 디지털 환각이 발생하는 것을 방지합니다.
일반적인 실수
- AI에게 성적, 예비비 등과 같은 코스별 숫자를 "요청"합니다. AI는 귀하의 데이터를 알지 못합니다. 이 숫자는 귀하의 데이터베이스에서만 계산됩니다.
- 법령/표준조항을 확인하지 않고 그대로 사용하는 행위. 품목 번호와 가치는 종종 환각에 빠지곤 합니다.
- AI 결과에 따라 안전에 중요한 결정을 내립니다. 대피, 폭파 승인 및 서비스 가능성 결정은 유능한 엔지니어가 내립니다.
- 민감한 데이터를 익명화하지 않고 클라우드 도구에 붙여넣습니다. 예비비, 좌표 및 비용 데이터는 영업비밀입니다.
- 하나의 질문과 하나의 답변을 기다립니다. AI를 반복적으로 사용하십시오. 초안 생성, 비평, 확인, 수정.
주의: AI 출력에 숫자가 더 정확하고 확실하게 표시될수록 검증의 필요성이 높아집니다. 정밀도가 정확성을 보장하는 것은 아닙니다.
요약하면
이 단원에서는 AI가 의사 결정자가 아니라 채굴 보조자임을 살펴보았습니다. LLM은 언어 예측자입니다. 개념 설명, 데이터 정리, 가설 및 코드 생성에는 강력하지만 정확한 숫자와 입법(환각)을 생성하는 데는 위험합니다. 작업을 낮음/보통/높음/중요로 분류하고 그에 따라 검증 깊이를 조정합니다. 자체 데이터 또는 현장 측정의 모든 수치 값, 공식 소스의 모든 규제 참조를 확인하십시오. 보안에 중요한 결정은 항상 유능한 엔지니어의 몫이며 민감한 데이터를 사용하기 전에 익명화합니다.
응용과제
귀하의 사업(또는 가상의 채굴 프로젝트)에서 개념 설명, 데이터 정리, 가설 목록, 보유량/수치 값 및 규제 질문 등 5가지 작업을 선택하십시오. 각각을 위의 위험 표에 배치하세요. 그런 다음 "역할 및 경계" 템플릿을 사용하여 두 개의 낮음/중간 위험 작업을 AI에 아웃소싱하고 "검증 체크리스트" 템플릿을 사용하여 출력의 각 수치/규제 요소를 표시합니다. 확인 없이 사용할 수 없는 요소를 적어보세요.
체크리스트
- [ ] 미션을 사용하기 전에 위험 수준(낮음/보통/높음/심각)에 두었습니다.
- [ ] 등급, 적립금 등 분야별 수치를 AI에게 묻지 않고 제가 직접 산출한 수치로 계산했습니다.
- [ ] 공식 출처에서 각 법률/표준 참조를 확인했습니다.
- [ ] 민감한 데이터(예비, 좌표, 이름, 비용)를 익명화했습니다.
- [ ] 안전에 중요한 결정은 AI 결과가 아닌 유능한 엔지니어의 승인에 맡겼습니다.
- [ ] "검증 없이는 사용할 수 없습니다" AI 출력의 모든 수치를 스캔했습니다.