Добивки:
- Способност за производство на скрипти кои чистат и визуелизираат податоци за дупчење, производство и следење со Python, со поддршка за вештачка интелигенција
- Способност да се препознае квалитетот на податоците, ризиците од прекумерно учење и екстраполација при градење на едноставни модели за предвидување и аномалија
- Способност да се потврди кодот и резултатот генериран од вештачка интелигенција со контрола на единицата, независна пресметка и инженерска веродостојност
Во секоја единица од овој модул сте виделе дека вештачката интелигенција е моќна во кодирањето: чистење на бушотини, рамнотежа на маса, скелет за кригинг, резиме на флота, анализа на вибрации, скенирање на животната средина. Оваа последна единица се фокусира на Python, конкретната алатка за тој код и соодветната дисциплина на генерирање код со вештачка интелигенција. Пајтон стана де факто стандард во анализата на податоци за рударство бидејќи е бесплатен, има моќни библиотеки (панди: табеларна манипулација со податоци; numpy: нумерички пресметки; matplotlib: зацртување; scikit-learn: машинско учење) и автоматизира повторувачки задачи. ВИ ја множи брзината со која го пишувате тој код; но кодот што го произведува не е секогаш точен. Централниот принцип на оваа единица: Никогаш не го пуштајте кодот што вештачката интелигенција го пишува без претходно да го прочитате, да ја потврдите нејзината единица и да ја тестирате со мала количина на познати податоци. Кодот може тивко да произведе погрешен резултат, што може да се претвори во лоша инженерска одлука во рударството.
Основен тек на генерирање код со вештачка интелигенција
Добивањето код од вештачката интелигенција е инженерски циклус, а не разговор:
- Опишете ја задачата јасно. Влез (колони, единици, ред за примероци), посакуван излез и ограничувања. Двосмисленото барање создава двосмислена шифра.
- Побарајте да биде мала и читлива. Побарајте чекор-по-чекор, коментиран код наместо една џиновска функција.
- Прочитајте и разберете. Разберете што прави секоја линија; Не пуштајте код што не го разбирате.
- Тестирајте со мали податоци. Стартувајте го рачно со 5-10 линии чии резултати ги знаете и потврдете го очекуваниот излез.
- Случаи на работ на прашања. Празна ќелија, негативна вредност, мешање на единицата, запис што се повторува Како се однесува кодот?
- Размерете и проверете ја логиката. Работи на сите податоци; Дали резултатот е инженерски разумен?
Совет: Најчестите грешки што внесуваат код за вештачка интелигенција се тивки: погрешно име на колона, мешање на единицата (m vs ft, g/t vs ppm), тивко испуштени редови (како dropna), погрешен просек (обичен просек кога треба да се пондерира). Тие не предизвикуваат грешки; Само произведува погрешен број. Значи „не добив грешка“ никогаш не значи „точно“.
Типични задачи на Python во рударството
- Чистење на податоци: спојување на табелите за дупчење/производство/мониторинг, означување на недоследност, нормализирање на единицата.
- Резиме и визуелизација: Хистограм, временски серии, крива на одделение-тонажа, графикони ОЕЕ.
- Статистика и геостатистика: Збирна статистика, корелација, вариограм/кригинг (со посебни библиотеки).
- Откривање аномалија: Снимање на дрифт базирано на праг или едноставно засновано на модел.
- Едноставни модели на предвидување: На пример, односот на мелење големина-принос со регресија.
За повеќето од овие задачи, вештачката интелигенција обезбедува одличен стартен код. Но, постојат две стапици: квалитетот на податоците и ограничувањата на моделот. Познавањето на двете е клучно за безбедно користење на ВИ кодот.
Граници на моделот: прекумерно учење и екстраполација
Едноставните модели на предвидување што вештачката интелигенција лесно ги создава се ранливи на два големи ризици. Преоптоварување: Моделот ги меморира податоците за обуката, но слабо функционира на новите податоци; Изградбата на сложени модели со малку податоци го поканува ова. Екстраполација: Моделот станува несигурен кога е принуден да направи предвидување во опсег надвор од податоците за обуката; На пример, модел научен во опсег од 0,3-0,8 g/t може да даде бесмислени резултати за 5 g/t. ВИ не „спонтано“ управува со овие ризици за вас; Од вас зависи критички да го прочитате моделот, да направите разлика за обука/тест, да го погледнете интервалот на доверба и да проверите дали предвидувањето е физички веродостојно. Без разлика колку е точен бројот на моделот, тој не може да биде основа за инженерска одлука надвор од опсегот на податоци.
три мини футроли
Случај 1 - Грешка во тивка јачина на звук. Инженер сака код што ќе ја тера вештачката интелигенција да ја пресметува просечната оценка од податоците од анализата. Кодот работи, резултатот е 2,1 g/t. Инженерот го чита кодот; Забележете дека просекот не се мери според должината на интервалот, туку се зема како правилен просек. Високите оценки во кратки интервали неправедно добиваа тежина. Кога се движите до пондерираниот просек, вредноста се намалува на 1,7 g/t. Кодот не даде никакви грешки; читањето ја фати грешката.
Случај 2 - Тивко опаѓање на линијата. Во збирниот код за производство, вештачката интелигенција ги исчисти редовите со вредности што недостасуваат со dropna. Кодот работи непречено, но вкупната тонажа е потценета бидејќи некои валидни редови беа целосно исфрлени поради една празна колона. Кога инженерот го споредува бројот на линии помеѓу влезот и излезот, тој ја гледа разликата и ја коригира логиката за чистење. Лекција: секогаш споредувајте го бројот на влезни и излезни линии.
Случај 3 - Екстраполациона стапица. Тимот применува регресивен модел научен во опсег од ниски оценки на област со висока оценка; Моделот дава апсурдно висок принос. За среќа, инженерот го отфрла резултатот, велејќи дека „оваа област е далеку од опсегот што го гледа моделот“ и бара металуршко тестирање. Лекција: да се знае опсегот на податоци за кои е валиден моделот; Не користете проценка надвор од државата.
Шаблони за копирање на брзините
БЕЗБЕДЕН КОД ЗА ЧИСТЕЊЕ НА ПОДАТОЦИ "Улога: Вие сте асистент на аналитичар на податоци на Python. Напишете код со панди што ја чисти следната табела. Колони и единици: [листа]. Правила: (1) отпечатете го бројот на редови ПРЕД и ПО отфрлањето на редовите; (2) пријавете кои редови се исфрлени наместо потребните единечни редови (3) каде се користени просечните единици (4) Објаснете го секој чекор со линија за коментари“.
БАРАЊЕ ЗА ПРЕГЛЕД НА КОДОТ "Објаснете го следниов код на Python ред по ред и посочете ги следните точки на ризик: погрешна претпоставка за името на колоната, збунетост на единицата, тивко пуштање низа, рамна/пондерирана просечна грешка, однесување на рабовите (нулти/негативни). НЕ ПОПРАВУВАЈТЕ го кодот; само наведете ги ризиците.
ТЕСТ ПОСТАВУВАЊЕ СО МАЛИ ПОДАТОЦИ "За оваа функција, рачно продуцирајте мали податоци за тестирање (5-6 линии) од кои го знам резултатот и очекуваниот излез; напишете тест блок кој проверува дали функцијата работи правилно на овие податоци. Исто така, тестирајте ги екстремните случаи (празна ќелија, негативна, единечна екстремна вредност). Функција: [залепи]."
ЕДНОСТАВЕН МОДЕЛ + ГРАНИЧНО ПРЕДУПРЕДУВАЊЕ "Поставете едноставна регресија за [x -> y] со следните податоци. Разликувајте помеѓу обука/тестирање, пријавете ја метриката за грешка и јасно наведете го опсегот од x над кој моделот е ВАЖЕН. Предупредете ако се прават предвидувања НАДВОР од овој опсег. Коментирање на ризикот од податоци:
Слаб промпт / Силен промпт
СЛАБ ПРЕСТАВ: „Пресметајте ја просечната оценка од овие податоци“.
STRONG PROMPT:"Улога: Вие сте асистент на Python. Колони: HoleID, From(m), To(m),Au(g/t). Пресметајте ТЕЖИНА просечна оценка со должина на интервалот. Код: (1) испечатете го бројот на влезни/излезни редови; (2) пријавете нула/негативни вредности. резултат рачно.
Споредбена табела: ризик и претпазливост
Ризик
симптом
претпазливост
Пречки во единицата
Разумен, но погрешен број
Коментирајте ја единицата во код, проверете ја
Тивко пад на линијата
Вкупно недостасува
Споредете го бројот на влезно/излезни линии
Обичен наспроти пондериран просек
погрешен просек
Потврдете ја тежината
прекумерно учење
Лоши податоци за тестовите
Одделување на обука/тестирање, нека биде едноставно
екстраполација
Глупости погоди надвор од опсегот
Ограничете го важечкиот опсег
Вообичаени грешки
- Вклучување на кодот без да го прочитате. „Не доби никакви грешки“ не значи дека е вистина.
- Не се тестира со мали податоци. Довербата без проверлив пример е лажна.
- Не споредување на бројот на влезно/излезни линии. Вака бегаат тивките загуби.
- Игнорирање на опсегот на моделот. Проценките за екстраполација се неверодостојни.
- Верување на убавината на табелата. Стилски графикон може да скрие погрешен број.
Внимание: Ако кодот за вештачка интелигенција оди во инженерска сметка, тој код е исто толку одговорен како и сметката. Секаде каде што исходот станува одлука за рударство, извршете го кодот и неговиот излез преку независна логичка проверка и споредба со втор метод ако е можно.
Сумирано
Python е де факто алатка за анализа на податоци од рударството, а вештачката интелигенција значително ја зголемува брзината со која ја пишувате. Но, кодот за вештачка интелигенција може да содржи тивки грешки (конфузија на единицата, опаѓање на редови, погрешно просекување) и моделски замки (преучување, екстраполација). Безбеден тек: опишете јасно, сакате мали и читливи, читајте и разбирате, тестирајте со мали познати податоци, случаи на рабови на барање, проверете размер и логика. Излезот на моделот не може да биде основа за одлука надвор од опсегот на податоци; и секој код носи одговорност колку и сметка ако се претвори во одлука за рударство.
Задача за апликација
Користете го шаблонот „Безбеден код за дезинфекција на податоците“ со задача за просечно оценка или резиме на производство за да го добиете кодот од вештачката интелигенција; Нека го отстрани ризикот од шифрата со шаблонот „Барање за преглед на код“. Потоа, со шаблонот „Test setup with small data“, рачно креирајте збир на податоци чии резултати ги знаете и потврдете го кодот. Конечно, за едноставна врска, поставете модел со шаблонот „Едноставен модел + предупредување за ограничување“ и тестирајте дали дава предупредување кога ќе излезе надвор од важечкиот опсег.
листа за проверка
- [ ] Го прочитав кодот за вештачка интелигенција и ја разбрав секоја линија, не ја работев на слепо.
- [ ] Го тестирав со мали, рачно проверливи податоци.
- [ ] Го споредив бројот на влезни и излезни линии.
- [ ] Ја потврдив конзистентноста и пондерирањето на единицата.
- [ ] Го ограничив важечкиот опсег на податоци на моделот, избегнувајќи екстраполација.
- [ ] Го проверив резултатот, кој се претвори во одлука, со независна логика/втор метод.
Модул испит
1. Практикантот ја прашува алатката за разговор со вештачка интелигенција за просечната оценка на телото на рудата и ја запишува добиената вредност од „1,8 g/t злато“ директно во извештајот за резерви. Која е основната грешка во овој пристап?
- А) Вредноста на оценката мора да потекнува од сопствените податоци за дупчење/анализа на проектот и потврдена прогноза; Бројот генериран од вештачката интелигенција може да е измислица без извор ✔
- Б) Требаше да се побара вештачка интелигенција во унци наместо грамови
- В) Вредноста е точна, наместо запирка требаше да се употреби точка
- Г) Доволно е три пати да го поставите истото прашање на вештачката интелигенција и да го земете просекот
Објаснување: Јазичниот модел не ги знае податоците за дупчење на вашиот проект; произведува број кој изгледа најверојатен (халуцинација). Оценката доаѓа само од сопствените составени податоци за дупчење и геостатистичка проценка на проектот; Излезот од вештачка интелигенција не може да се вклучи во извештајот без одобрение од надлежно лице.
2. Што овозможува „класификација заснована на ризик“ при употребата на вештачката интелигенција во рударството?
- А) Намалете ја цената на алатката за вештачка интелигенција
- Б) Одредете ја улогата на вештачката интелигенција и задолжителната длабочина на верификација според нивото на ризик на задачата ✔
- В) Промптите треба да бидат напишани пократко
- Г) Автоматски делегирајте ги сите одлуки на ВИ
Објаснување: Не секоја мисија е на исто ниво на ризик. Класификацијата на задачата како ниска/средна/висока/критична одредува кој излез може слободно да се користи и кој бара стандардна и теренска проверка и компетентно инженерско одобрение.
3. Што значи „вариограм“ модел во геостатистиката?
- А) Потрошувачка на гориво на опремата
- Б) Промена на цената на металот со текот на времето
- В) Просторен континуитет во зависност од растојанието; ✔ како сличноста се намалува додека точките се подалекууваат
- Г) Фреквенцијата на вибрации создадена со минирање
Опис: Вариограмот опишува како сличноста на примероците едни со други се намалува (просторен континуитет) како што се зголемува растојанието помеѓу две точки. Кригинг го користи овој модел за да ги процени неизмерените точки со маргина на неизвесност.
4. Кој е најдобриот пристап кога се прави литологија за предкласификација на вештачката интелигенција од фотографијата на јадрото на вежбата?
- А) Обработка на типот на карпата дадена од АИ директно во дневникот за дупчење
- Б) Копирање на текстот на вештачката интелигенција во извештајот без воопшто да се испита фотографијата
- В) Откажување на набљудувањето на геологот и потпирање единствено на вештачката интелигенција
- Г) Сметајте го резултатот како прелиминарно предвидување/хипотеза и потврдете го со геолошко набљудување и лабораториска анализа ✔
Опис: ВИ може да генерира листа на предвидувања и внимание од сликата; Како и да е, конечната одлука за литологија/измена е донесена од геологот на набљудување и лабораториска анализа. Излезот на вештачката интелигенција е почеток, хипотеза што треба да се потврди.
5. Што значи „однос на соголување“ во планирањето на отворен коп?
- А) Количината на 'рѓа (отпадна карпа) што мора да се отстрани за да достигне една единица руда ✔
- Б) Процент на метал во рудата
- В) Дневен број на патувања на камиони
- Г) Количеството на експлозив што се користи при минирањето
Опис: Стапката на соголување е количината на отпад (лента/отпад) што мора да се отстрани за да се постигне една единица руда. Конечната граница и економичноста во голема мера зависат од овој сооднос; Иако вештачката интелигенција генерира сценарија, одлуката за границите зависи од надлежниот инженер.
6. Што значи во предвидливото одржување кога вештачката интелигенција наоѓа „аномалии“ во податоците за вибрациите и температурата?
- А) Доказ дека опремата дефинитивно откажала
- Б) Предупредување дека податоците отстапуваат од нормалата; Тоа не е дефинитивна дијагноза на дефект, туку знак што треба да се потврди со физички преглед ✔
- В) Нареди опремата да се прекине автоматски
- Г) Гаранција дека податоците се погрешно снимени
Објаснување: Аномалија е отстапување на податоците од нормалното однесување и може да укаже на дефект; но тоа не е конечна дијагноза. Одлуката за стопирање на опремата или замена на делови се донесува со физички преглед на тимот за одржување и одобрение од оперативниот менаџер.
7. Што е од суштинско значење за безбедноста кога се користи вештачката интелигенција во дизајнот со дупчалка?
- А) Имплементација на препораката за вештачка интелигенција директно на терен
- Б) Прескокнување на мерење на вибрации
- В) Верификација на предложениот дизајн на ВИ со мерење на терен, регулаторна граница и одобрение од овластен експерт за минирање ✔
- Г) Фиксирање на количината на експлозив со максимумот што го дава АИ
Опис: минирање; Носи сериозни безбедносни и регулаторни ризици како што се вибрации, воздушен удар и летање камења. ВИ може да произведе скица за дизајн и препораки за параметри; Сепак, конечниот проект мора да помине мерење на терен, регулаторни граници и одобрение од овластен експерт за минирање (детонатор/одговорен).
8. Која е типичната врска помеѓу „обновувањето“ и „одделот на концентрат“ во преработката на минерали и што треба да запомни вештачката интелигенција кога го толкува ова?
- А) Двете секогаш се зголемуваат заедно
- Б) Нема врска меѓу нив
- В) Односот е постојан и ист во сите објекти
- Г) Обично има обратна рамнотежа (приносот се намалува како што се зголемува оценката); вистинските вредности мора да се проверат со металуршки испитувања и рамнотежа на масата ✔
Објаснување: Општо земено, како што се обидуваме да добиеме повисока концентрирана оценка, приносот се намалува (рамнотежа одделение-принос). Вештачката интелигенција може да го објасни овој тренд, но вистинските работни вредности мора да се потврдат со металуршко тестирање и рамнотежа на масата; општиот тренд не е замена за реалноста специфична за локацијата.
9. Која е најсоодветната употреба на анализа на податоци за блиску промашување/незгода со вештачка интелигенција во безбедноста при работа?
- А) Класифицирајте ги записите со бесплатен текст и извлечете шеми на повторливи ризик; Оставете ја одлуката на експертот за OHS ✔
- Б) Автоматски одредување на виновникот за несреќи
- В) Делегирање наредби за прекин на работата на ВИ
- Г) Архивирање на записи кои речиси се промашуваат без нивно прегледување
Опис: вештачката интелигенција може да класифицира големи количини на бесплатни текстуални записи и брзо да извлече повторувачки обрасци и ризични услови. Сепак, одлуката за прекин на работата, евакуација на област или основна причина е донесена во рамките на експертот за OHS и законодавството; Излезот на вештачката интелигенција е влез, а не одлука.
10. Зошто „забрзувањето на стапката на деформација“ е критичен знак во податоците од радарот/призмата при следењето на наклонот?
- А) Дефинитивно покажува дека мерниот уред е расипан.
- Б) Може да навести прогресивен пораз; Одлуката за рано предупредување и евакуација му припаѓа на геотехничкиот инженер ✔
- В) Тоа покажува дека наклонот е сосема безбеден
- Г) Значајно е само кога има врнежи и може да се игнорира
Објаснување: Пред дефекти на наклонот, генерално се забележува постепено зголемување на стапката на деформација (забрзување); Ова може да биде знак за прогресивен неуспех. Вештачката интелигенција може да го нагласи трендот, но одлуката за евакуација/рано предупредување е донесена со анализа и протокол на геотехничкиот инженер.
11. Во мониторингот на животната средина, кој е најточниот одговор на знакот „надминување“ што вештачката интелигенција го наоѓа во временската серија за квалитетот на водата?
- А) Известување за излез од вештачка интелигенција директно до владината агенција
- Б) Игнорирајте го предупредувањето и продолжете да гледате
- В) Потврдете со акредитиран лабораториски резултат, регулаторна граница и евалуација на инженерот за животна средина ✔
- Г) Потпирајќи се само на вештачката интелигенција и откажувањето на лабораториските анализи
Опис: ВИ може рано да сигнализира можно прекршување; Сепак, официјалната одлука за сообразност се носи со акредитирана лабораториска анализа, гранични вредности во законодавството и евалуација на инженерот за животна средина. Излезот на вештачката интелигенција е предупредување за проверка, а не правна/техничка одлука.
12. Кој е најсигурниот начин да избегнете да добиете измислена (халуцинаторна) референца кога го прашувате AI за бројот на клаузулата на стандард како што се JORC или NI 43-101?
- А) Потпирајќи се на бројот на ставката даден од АИ
- Б) Повторно поставување на истото прашање со различни зборови
- В) Гледање на блог пост наместо стандард
- Г) Отворање и потврдување на секоја референца на написот од тековниот официјален текст на стандардот и добивање одобрение од компетентно лице ✔
Објаснување: Иако јазичниот модел точно го знае името на стандардот, тој може да ги халуцинира бројот и текстот на статијата. Секоја референца за супстанција мора да биде отворена и потврдена од тековниот официјален текст на стандардот, а конечната сообразност мора да биде потврдена од надлежното лице (CP/QP).
13. Која е најкритичната проверка пред да се изврши скрипта за анализа на Python напишана со вештачка интелигенција?
- А) Читање на кодот и проверка на совпаѓање на единица/колона, тестирање со мали познати податоци и проверка на веродостојноста на резултатот ✔
- Б) Вклучување на кодот директно на целото множество податоци без негово читање
- В) Само гледајќи дека нема грешка и прифаќајќи го резултатот
- Г) Потпирајќи се на графиката на излезот за да изгледа убаво.
Опис: кодот за вештачка интелигенција може да меша единици, да претпоставува погрешно имиња на колони или тивко да испушта редови. Неопходно е да се прочита кодот, да се потврди совпаѓањето на јачината и колоната, да се тестира со мала количина на познати податоци и да се провери дали резултатот е инженерски разумен.
14. Кое е најдоброто однесување во однос на приватноста кога се даваат податоци за рударство на алатка за вештачка интелигенција базирана на облак?
- А) Вметнување на сите необработени податоци како што се
- Б) Анонимизирајте го контекстот и исчистете ги чувствителните податоци за резерви/координација/производство и користете корпоративна алатка во согласност со политиката ✔
- В) Претпоставувајќи дека обезбедувањето вистински координати е од суштинско значење за квалитетот на резултатот
- Г) Воопшто игнорирање на политиката за приватност
Објаснување: Бројките за резерви, информациите за лиценци/координати и податоците за производство се чувствителни во однос на трговските тајни и законодавството. Неопходно е да се анонимизира контекстот, да се исчистат вистинските координати и имиња, да се избере алатката за корпоративно/гаранција за приватност и да се усогласи со политиката на компанијата.