Ieguvumi:
- Spēja efektīvi izmantot AI laboratorijas rezultātu apstrādē, kvalitātes kontrolē un ziņošanā
- Spēja paātrināt ģeoloģisko/ģeotehnisko ziņojumu sastādīšanu, literatūras apskatu un datu apkopošanu ar AI
- Iespēja nodrošināt automātiski ģenerētu saturu ar izsekojamību, avota apstiprinājumu un inženiera apstiprinājumu
Birojā notiek neredzama, bet liela ģeoloģiskā inženiera darba daļa: laboratorijas rezultātu apstrāde, kvalitātes kontrole, datu tabulēšana, atskaišu rakstīšana, literatūras skenēšana, karšu un attēlu sagatavošana. Šie darbi ir atkārtoti, laikietilpīgi un prasa uzmanību; Tieši šajā jomā mākslīgais intelekts ietaupa visvairāk laika. Bet arī šeit ir slazds: ziņojums ir oficiālais inženierijas lēmuma pamats. Safabricēts avots, nepareizi nokopēts numurs vai neizsekojama prasība var nepamanīti ieslīdēt plūstošā tekstā, un sekas var būt nopietnas. Šīs vienības mērķis ir izveidot disciplīnu, kas nekad neatslābinās izsekojamību, avota apstiprinājumu un inženiera apstiprinājumu, vienlaikus izmantojot mākslīgo intelektu biroja efektivitātes nodrošināšanai no gala līdz galam.
Šajā nodaļā mēs aptversim trīs biroja frontes: laboratorijas rezultātu apstrādi un QA/QC (analīžu datu tīrīšana un nodrošināšana), atskaišu un literatūras sagatavošanu (sagatavošana, abstrahēšana un skrīninga paātrināšana) un darbplūsmas automatizāciju (atkārtotu uzdevumu regulēšana). Ik uz soļa AI ir izstrādātājs un organizētājs; Satura precizitāte, avots un galīgais apstiprinājums pieder inženierim.
Laboratorijas rezultātu apstrāde un QA/QC
Laboratorijas rezultāti (novērtējumu analīzes, augsnes indeksu testi, ūdens ķīmija) bieži tiek saņemti dažādos formātos, dažādās mērvienībās un dažreiz nepareizi. AI iekļauj šos datus vienā shēmā, fiksē vienības nekonsekvenci, atzīmē zem noteikšanas robežas un pārbauda QA/QC paraugus (tukšo paraugu, standarta atsauces materiālu, atkārtotu analīzi). QA/QC (kvalitātes nodrošināšana/kvalitātes kontrole) ir pārbaude, kas pierāda laboratorijas uzticamību: ja tukšajā paraugā ir piesārņojums, standarta novirze, atkārtotā parauga neatbilstība, dati ir apšaubāmi.
Kritiskais punkts: AI nekad klusībā neizdzēš vai nelabo vērtību. Tās uzdevums ir atzīmēt problemātiskās līnijas un ļaut inženierim pieņemt lēmumu. Ārējais rādītājs var būt patiesi augsts rūdas līmenis vai laboratorijas kļūda; Inženieris šo atšķirību nosaka kontekstā. Mākslīgais intelekts pārbauda datus, netīra tos.
Padoms. Apstrādājot laboratorijas datus, atkārtojiet noteikumu “tikai atzīmējiet, nemainiet” katrā uzvednē. Vismānīgākā mākslīgā intelekta kļūda ir tad, kad tā sabojā neapstrādātos datus, "labojot" vērtību ar labiem nodomiem un to neapzinoties.
Referātu un literatūras veidošana
AI ir spēcīgs ziņojuma sastādītājs: sastāda metodes sadaļu, ievadkontekstu, secinājumu kopsavilkumu minūtēs; apkopo garu literatūras kopumu; Pārvērš sarežģītu tabulu par vienkāršu tekstu. Taču ir acīmredzamas divas briesmas. Pirmais ir izdomāts avots: modelis var droši ģenerēt neeksistējošu rakstu, viltus autoru vai neesošu kanona rakstu. Otrkārt, skaitļu apstrādes kļūda: pakāpe, drošības koeficients vai dziļums var tikt nepareizi pārnests tekstā.
Tātad zelta likums: mākslīgais intelekts ražo melnrakstu, inženieris pārbauda un viņam pieder. Katrs avots ir apstiprināts no oriģināla (apokrifālas atsauces ir visizplatītākais halucinācijas veids); katrs skaitlis tiek salīdzināts ar izejas datiem; Katra tehniskā prasība tiek pārbaudīta ar inženierzinātnēm. Kad ziņojums ir parakstīts, atbildība par katru tajā ietverto teikumu gulstas uz parakstītāju — “AI to uzrakstīja” nav attaisnojums.
Uzmanību: nekad nepieņemiet mākslīgā intelekta radīto bibliogrāfiju tādu, kāda tā ir. Sadomātas, bet reālistiskas norādes (šķietami precīzs autors, žurnāls, gads) ir visizplatītākās un bīstamākās halucinācijas. Pārbaudiet katru atsauci, salīdzinot ar neatkarīgu datu bāzi.
Darbplūsmas automatizācija un izsekojamība
Atkārtotu uzdevumu automatizācija (ikmēneša ūdens monitoringa datu apstrāde, standarta atskaites veidnes aizpildīšana, urbšanas tabulu apvienošana) ar mākslīgo intelektu nodrošina lielu efektivitāti. Taču automatizācija var arī automatizēt kļūdu: nepareizs noteikums, kas izveidots, tiek klusi atkārtots katrā darbības reizē. Tāpēc automatizētajām darbplūsmām ir jābūt izsekojamām: ierakstot, kura ievade, kāds solis, no kuras modeļa versijas nāk katra izvade; Kad tiek atrasta kļūda, galvenajam cēlonim un visiem ietekmētajiem rezultātiem jābūt izsekojamiem.
Izsekojamība praksē nozīmē: tiek reģistrēts ievades datu avots un datums, izmantotās transformācijas, izmantotā uzvednes/modeļa versija un cilvēka apstiprinājuma solis. Tas nodrošina gan atkļūdošanu, gan inženiertehnisko atbildību. Nekontrolējama automatizācija, lai cik ātra tā būtu, ir nepieņemama drošībai kritiskā biznesā.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — QA/QC novirzes fiksēšana. Vienā laboratorijas sūtījumā bija 320 klases paraugi. AI QA/QC skrīnings atzīmēja standarta atsauces materiālu kā sistemātiski par 8% zemāku nolasījumu pēdējo 40 paraugu laikā — instrumenta kalibrēšanas novirze. Šī sistemātiskā kļūda bija problēma, kuru bija ļoti grūti atklāt manuāli, taču tā skāra visu partiju; Sūtījums tika atkārtoti analizēts. Viņš neizlēma paraugu, viņš padarīja modeli redzamu.
2. gadījums — izgatavots avots. AI izstrādāja ģeotehniskā ziņojuma literatūras sadaļu un sagatavoja sešas atsauces. Pārbaudes laikā tika konstatēts, ka divi no tiem nekad nav pastāvējuši un viens tika attiecināts uz nepareizu žurnālu. Ja atsauces nebūtu pārbaudītas pa vienai ar neatkarīgu datubāzi, safabricētie avoti būtu ievadījuši parakstītu inženiertehnisko ziņojumu. Iegrime paātrinājās; Apstiprinājums saglabāts.
3. gadījums — galvenais cēlonis ar izsekojamību. Ikmēneša ūdens monitoringa automatizācijā novērošanas akas vērtības trīs mēnešus tika uzrādītas nepareizā vienībā. Pateicoties izsekojamības ierakstam, dažu minūšu laikā tika konstatēts, kurā konversijas solī sākās kļūda, un tika izveidots pilns trīs ietekmēto pārskatu saraksts. Ja netiktu glabāti ieraksti, paliktu neskaidrs, kuras izdrukas ir bojātas, un viss arhīvs būtu aizdomīgs.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Uzrakstiet šim projektam ģeotehnisko ziņojumu, iekļaujiet literatūru. [dati]
Spēcīga uzvedne:
Jūsu loma: ziņojuma sastādītājs. IZSTRĀDĀT atskaiti ar šādiem datiem, bet:1) Pamatojoties TIKAI uz manis sniegtajiem datiem; NEPIEDZIET numuru, avotu vai atradumu. 2) Parādiet ar iekavām, no kuras ievades rindas nāk katrs cipars. 3) Tā vietā, lai izveidotu faktisko literatūras avotu, ievietojiet vietturi "šeit tiks pievienots pārbaudīts avots par [tēmu]". 4) Atzīmējiet jebkuru vietu, kur neesat pārliecināts, kā "NEPIECIEŠAMS INŽENIERA APSTIPRINĀJUMU". Galīgo saturu un visus avotus pārbaudīšu es. Dati ir anonīmi.
Četras kopējamas veidnes
1) Laboratorijas QA/QC pārbaude:
Pārbaudiet laboratorijas rezultātu tabulu: vienību neatbilstība, pazīmes zem noteikšanas robežas, piesārņojums tukšajā paraugā, sistemātiska novirze standarta atskaitē, neatbilstība atkārtotā paraugā. Atzīmējiet tikai problemātiskās rindas ar example_id; Neizdzēsiet un nelabojiet nekādas vērtības. Lēmums ir mans.
2) Izpildiet avota apstiprinājumu:
Izvelciet šajā tekstā visus skaitliskos apgalvojumus un avota citātus un izveidojiet kontrolsarakstu: ievadi, uz kuriem balstās katrs skaitlis, katra avota atsauci, kas ir jāapstiprina. Avota izgatavošana; Atzīmējiet "jāpārbauda", ja nevarat pārbaudīt.
3) Izsekojamības ierakstu sistēma:
Ierosiniet izsekojamības ieraksta veidni šai automatizētajai darbplūsmai: ievades avots un datums, lietotās transformācijas, izmantotā uzvednes/modeļa versija, cilvēka apstiprināšanas darbība. Parādiet, kā tikt pie galvenā iemesla un ietekmētajām izvadēm, ja tiek atrasta kļūda.
4) Pārskata konsekvences pārbaude:
Skenējiet pārskata melnrakstu, lai nodrošinātu iekšēju konsekvenci: vai kopsavilkuma skaitļi atbilst pamattekstam, vai tabulas un teksts ir pretrunā, vai vienības ir konsekventas, vai ir nedefinēti saīsinājumi? Uzskaitiet problēmas; Satura lēmums ir mans.
Biroja pienākumi, ienākumi un kontrole
Meklējumi
AI ieguvums
Galvenais risks
Obligāta pārbaude
Laboratorijas datu apstrāde
augsts
Klusa korekcija
"Atzīmēt, dzēst" + neapstrādāti dati
QA/QC pārbaude
augsts
Nepalaidiet garām slaidu
Akls/standarta/atkārtots apstiprinājums
Ziņojuma melnraksts
augsts
Izdomāts jautājums/avots
Numura un avota apstiprinājums
Literatūras apskats
augsts
Sagatavota atsauce
Neatkarīga datu bāzes pārbaude
darbplūsmas automatizācija
ļoti augsts
Kļūdas atkārtojums
Izsekojamības ieraksts
Padoms. Pirms automatizācijas iestatīšanas jautājiet "kā es varu zināt, vai šī darbplūsma darbojas nepareizi?" Atbildi uz jautājumu. Ja atbilde nav skaidra, vispirms pievienojiet izsekojamības un kontroles punktus; Ātrums nāk pēc vadāmības.
Biežas kļūdas
- Klusi tiek koriģēta vērtība. AI “uzlabot” neapstrādātus datus ir vismānīgākā kļūda; noteikumam vienmēr jābūt "atzīmē, nemaina".
- Netiek pārbaudīta bibliogrāfija. Sagatavotas atsauces ir visizplatītākā halucinācija; Katrs nospiedums ir neatkarīgi jāpārbauda.
- Netiek pārbaudīta numura pārnešana. Raitajā tekstā tiek paslēpts tenors vai drošības koeficients, kas pasliktinās, ieejot tekstā.
- Neizsekojamas automatizācijas izveide. Darbplūsmā, kurā netiek glabāti ieraksti, nevar noteikt kļūdas galveno cēloni un ietekmi.
- Meklējot patvērumu, aizbildinoties, ka "AI to uzrakstīja". Atbildība par katru parakstīto teikumu ir parakstītājam; apstiprinājumu nevar mazināt.
Rezumējot
- Biroja darbs ir joma, kur mākslīgais intelekts ietaupa visvairāk laika; Taču ziņojums ir oficiāls lēmuma pamats, un kļūdas maksā dārgi.
- Laboratorijas datos AI auditē, nevis attīra; noteikums ir "atzīmēt, dzēst/labot", lēmums ir inženiera ziņā.
- Visbiežāk sastopamie riski ir viltoti avoti un skaitļi ziņojumos un literatūrā; Katrs avots un numurs ir pārbaudīts.
- Automatizācija var palielināt kļūdu skaitu, kā arī ātrumu; Izsekojamības ieraksts nodrošina galveno cēloni un ietekmētos rezultātus.
- Inženieris ir atbildīgs par parakstīto saturu; "AI uzrakstīja to" nav attaisnojums.
Lietojumprogrammas uzdevums
Saņemiet anonimizētu laboratorijas rezultātu tabulu (vai reprezentatīvus datus). Ir modeļa karoga problēmu līnijas ar veidni "Laboratorijas kvalitātes nodrošināšanas/kvalitatīvas kontroles audits"; apzināti sistemātiski pārbīdiet standarta atsauces vērtību un pārbaudiet, vai modelis to uztver un mēģina dzēst vērtību. Pēc tam izveidojiet īsu pārskata sadaļu un katru problēmu un avotu iekļaujiet kontrolsarakstā, izmantojot veidni “avota verifikācijas izaicinājums”.
kontrolsaraksts
- [ ] Laboratorijas datiem AI vienmēr piemēroju noteikumu “atzīmēt, dzēst/labot”.
- [ ] Laboratorijas uzticamību pārbaudu ar QA/QC paraugiem (tukšā, standarta, atkārtota).
- [ ] Es neatkarīgi pārbaudu katru avotu un numuru ziņojumā un literatūrā.
- [ ] Es iestatīju automatizācijas darbplūsmas ar izsekojamību.
- [ ] Es piekrītu, ka esmu pilnībā atbildīgs par saturu, kuru parakstu.