മൈനിംഗ് എഞ്ചിനീയറിംഗിലെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ ആമുഖം: അതിരുകൾ, മൂല്യനിർണ്ണയം, ഉത്തരവാദിത്തം, ധാർമ്മികത

നേട്ടങ്ങൾ:

• മൈനിംഗ് എഞ്ചിനീയറിംഗ് വർക്ക്ഫ്ലോയിൽ എഐ എവിടെ തത്സമയം ലാഭിക്കുന്നുവെന്നും അപകടസാധ്യതയുടെ തോത് അനുസരിച്ച് സുരക്ഷാ-നിർണ്ണായക ഉത്തരവാദിത്തം യോഗ്യതയുള്ള എഞ്ചിനീയർക്ക് എവിടെയായിരിക്കണം എന്നും വേർതിരിച്ചറിയാനുള്ള കഴിവ്
• സ്റ്റാൻഡേർഡ്, ഇൻഡിപെൻഡൻ്റ് കണക്കുകൂട്ടൽ, ഫീൽഡ് മെഷർമെൻ്റ് എന്നിവയ്‌ക്കെതിരെ ഓരോ AI ഔട്ട്‌പുട്ടും പരിശോധിക്കുന്ന ഒരു മൾട്ടി-ലേയേർഡ് വാലിഡേഷൻ അച്ചടക്കം നടപ്പിലാക്കാനുള്ള കഴിവ്
• സന്ദർഭം അജ്ഞാതമാക്കാനും റിസർവ് ഡാറ്റ, ലൈസൻസ് വിവരങ്ങൾ, പേഴ്സണൽ/പ്രൊഡക്ഷൻ ഡാറ്റ എന്നിവ പരിരക്ഷിക്കുന്നതിന് സുരക്ഷിത വാഹനങ്ങൾ തിരഞ്ഞെടുക്കുന്നതിനുള്ള ശീലം നേടാനുമുള്ള കഴിവ്

ഒരു മൈനിംഗ് എഞ്ചിനീയറുടെ ജോലി ഭൂമിക്ക് താഴെയുള്ള അനിശ്ചിതത്വത്തെ ഭൂമിക്ക് മുകളിലുള്ള തീരുമാനങ്ങളുമായി മറികടക്കുക എന്നതാണ്. ഡ്രില്ലിംഗ് ഡാറ്റയിൽ നിന്ന് അയിര് ബോഡി കണക്കാക്കൽ, കരുതൽ ശേഖരം കണക്കാക്കൽ, കുഴി ആസൂത്രണം ചെയ്യുക, ഉപകരണങ്ങളുടെ കപ്പൽ കൈകാര്യം ചെയ്യുക, ചരിവുകളുടെ സ്വഭാവം നിരീക്ഷിക്കുക, തൊഴിൽ സുരക്ഷ ഉറപ്പാക്കുക, പാരിസ്ഥിതിക ആഘാതം അളക്കുക, നിയമനിർമ്മാണത്തിന് അനുസൃതമായി ഇവയെല്ലാം റിപ്പോർട്ട് ചെയ്യുക. ഈ ജോലികളുടെ പൊതുവായ സവിശേഷത, അവ ധാരാളം അളവുകളും ഡാറ്റയും ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു എന്നതാണ്, എന്നാൽ ഓരോ തീരുമാനവും മനുഷ്യജീവിതത്തിലും ദശലക്ഷക്കണക്കിന് ലിറകളുടെ നിക്ഷേപത്തിലും ഈ മേഖലയിലെ മാറ്റാനാവാത്ത പാരിസ്ഥിതിക പ്രത്യാഘാതങ്ങളിലും കലാശിക്കുന്നു. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (ചുരുക്കത്തിൽ AI; വലിയ ഡാറ്റയും ഭാഷാ മോഡലുകളും ഉള്ള ടെക്‌സ്‌റ്റ്, നമ്പറുകൾ, ഇമേജുകൾ എന്നിവയിൽ പ്രവർത്തിക്കുന്ന സോഫ്‌റ്റ്‌വെയർ സംവിധാനങ്ങൾ) ഈ ഡാറ്റാ-ഇൻ്റൻസീവ് എന്നാൽ തീരുമാന-നിർണ്ണായക ഗ്രൗണ്ടിൽ ശക്തമായ ഒരു സഹായമാണ്. ഖനനത്തിൽ എവിടെ സുരക്ഷിതമായി AI ഉപയോഗിക്കണം, എവിടെ അത് അപകടകരമാണ്, എന്തിനാണ് ഓരോ AI ഔട്ട്‌പുട്ടും സ്റ്റാൻഡേർഡ്, ഫീൽഡ് മെഷർമെൻ്റ്, എഞ്ചിനീയറിംഗ് വിധി എന്നിവയ്‌ക്കെതിരെ സാധൂകരിക്കേണ്ടത് എന്നിവ ഈ യൂണിറ്റ് നിങ്ങളെ പഠിപ്പിക്കുന്നു.

ഈ മൊഡ്യൂളിലുടനീളം നിങ്ങൾ ഉപയോഗിക്കുന്ന കേന്ദ്ര തത്വം ഇതാണ്: AI ഒരു അസിസ്റ്റൻ്റാണ്, ഒരു തീരുമാനമെടുക്കുന്നയാളല്ല. ഒരു ഗ്രേഡ് (അയിരിലെ ലോഹ അനുപാതം) മൂല്യം, ഒരു ചരിവ് ആംഗിൾ, ഒരു റിസർവ് കണക്ക്, ഒരു സുരക്ഷാ പരിധി അല്ലെങ്കിൽ ഒരു നിയമനിർമ്മാണ ലേഖനം "AI അങ്ങനെ പറഞ്ഞു" എന്നതുകൊണ്ട് മാത്രം സത്യമാകില്ല; അളക്കൽ, റഫറൻസ്, യോഗ്യതയുള്ള എഞ്ചിനീയർ വിധി എന്നിവ ഉപയോഗിച്ച് പരിശോധിക്കുന്നത് വരെ ഇത് കേവലം ഒരു സിദ്ധാന്തം മാത്രമാണ്. മൊഡ്യൂളിൻ്റെ എല്ലാ യൂണിറ്റുകളിലും നിങ്ങൾ ഈ വാചകം വീണ്ടും കാണും, കാരണം ഖനനത്തിൽ, തെറ്റായ സംഖ്യ പലപ്പോഴും നിക്ഷേപത്തിൻ്റെ തകർച്ച, ഒരു ചരിവിൻ്റെ തകർച്ച അല്ലെങ്കിൽ ഒരു വ്യക്തിയുടെ പരിക്കിനെ അർത്ഥമാക്കുന്നു.

എന്താണ് LLM, ഖനനത്തിൽ അത് എന്താണ് ചെയ്യുന്നത്?

എൽഎൽഎം (ലാർജ് ലാംഗ്വേജ് മോഡൽ) എന്നത് വളരെ വലിയ വാചകങ്ങളിൽ നിന്ന് പാറ്റേണുകൾ പഠിക്കുകയും പ്രോബബിലിറ്റിയെ അടിസ്ഥാനമാക്കി "അടുത്ത വാക്ക്" പ്രവചിക്കുകയും ചെയ്യുന്ന ഒരു സോഫ്റ്റ്വെയറാണ്. ChatGPT, Claude, Gemini തുടങ്ങിയ ഉപകരണങ്ങളുടെ എഞ്ചിൻ ഇതാണ്. കാര്യം ഇതാണ്: LLM ഒരു "ഭാഷാ എസ്റ്റിമേറ്റർ" ആണ്, ഒരു "വിജ്ഞാന അടിത്തറ" അല്ല. മൈനിംഗ് ടെർമിനോളജി നന്നായി സംസാരിക്കുന്നു, പക്ഷേ ഒരു ഗ്രേഡ് അളക്കുന്നില്ല; ഏറ്റവും സാധ്യതയുള്ള സംഖ്യ ഉത്പാദിപ്പിക്കുന്നു. അതിനാൽ, ശരാശരി ഗ്രേഡ്, സ്ട്രിപ്പിംഗ് നിരക്ക്, ഒരു റെഗുലേറ്ററി ക്ലോസ് അല്ലെങ്കിൽ സ്ഫോടനാത്മകമായ പരിധി എന്നിവയെക്കുറിച്ച് അയാൾ അല്ലെങ്കിൽ അവൾ ആത്മവിശ്വാസവും എന്നാൽ തെറ്റായ ഉത്തരങ്ങളും നൽകിയേക്കാം. ഇതിനെ ഹാലുസിനേഷൻ (ഫാബ്രിക്കേഷൻ) എന്ന് വിളിക്കുന്നു. ഹാലുസിനേഷൻ ഒരു തകരാറല്ല, മറിച്ച് ഈ സാങ്കേതികവിദ്യയുടെ അന്തർലീനമായ സവിശേഷതയാണ്; അതിനാൽ, സ്ഥിരീകരണം ഒരു "അധിക ഘട്ടം" അല്ല, ജോലിയുടെ അവിഭാജ്യ ഘടകമാണ്.

ഖനനത്തിൽ AI ശക്തമാകുന്ന ജോലികൾ:

• ആശയ വിശദീകരണവും പഠിപ്പിക്കലും: എന്താണ് ഒരു വേരിയോഗ്രാം, ലിവറേജ് റൂൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു, ആസിഡ് മൈൻ ഡ്രെയിനേജ് എങ്ങനെ സംഭവിക്കുന്നു.
• ഡാറ്റ ക്ലീനിംഗും ഓർഗനൈസേഷനും: ചിതറിക്കിടക്കുന്ന ബോർഹോൾ ലോഗുകൾ ഒരു യോജിച്ച പട്ടികയാക്കി മാറ്റുന്നു, യൂണിറ്റ് പൊരുത്തക്കേട് ക്യാപ്ചർ ചെയ്യുന്നു.
• അനുമാനങ്ങളുടെ ഒരു ലിസ്റ്റ് സൃഷ്ടിക്കുന്നു: ഉൽപ്പാദനം കുറയാനുള്ള സാധ്യതയുള്ള കാരണങ്ങൾ വ്യവസ്ഥാപിതമായി പട്ടികപ്പെടുത്തുന്നു.
• കോഡിംഗ്: പൈത്തണിനൊപ്പം ഡാറ്റ ക്ലീനിംഗ്, ഗ്രാഫിംഗ്, ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ്, അനോമലി അനാലിസിസ് സ്ക്രിപ്റ്റുകൾ.
• ഡ്രാഫ്റ്റ് ടെക്സ്റ്റ്: JSA (ജോലി സുരക്ഷാ വിശകലനം), പരിസ്ഥിതി നിരീക്ഷണ റിപ്പോർട്ട്, ഡ്രാഫ്റ്റ് ടെൻഡർ/സാങ്കേതിക സ്പെസിഫിക്കേഷൻ.
• ബ്രെയിൻസ്റ്റോം: സാഹചര്യ താരതമ്യം, പരീക്ഷണം/അളവ് പദ്ധതി ആശയങ്ങൾ.

AI ദുർബലവും അപകടസാധ്യതയുള്ളതുമായ ഇടങ്ങളിൽ:

• കൃത്യമായ സംഖ്യാ മൂല്യം (ഗ്രേഡ്, കരുതൽ, ചരിവ് ആംഗിൾ, പരിധി മൂല്യം) നൽകുന്നു.
• നിലവിലുള്ളതും നിർദ്ദിഷ്ടവുമായ നിയമനിർമ്മാണം/സാധാരണ ലേഖനം, പതിപ്പ് വിവരങ്ങൾ.
• നിങ്ങളുടെ സൈറ്റിൻ്റെ യഥാർത്ഥ അളവ് ഡാറ്റ ഇല്ലാതെ രോഗനിർണയം.
• സുരക്ഷാ-നിർണ്ണായക തീരുമാനം: സ്ഫോടന ഡിസൈൻ അംഗീകാരം, ഒഴിപ്പിക്കൽ തീരുമാനം, സേവനക്ഷമത.

അപകടസാധ്യത അടിസ്ഥാനമാക്കിയുള്ള വർഗ്ഗീകരണം: AI ഉപയോഗിക്കുന്നതിന് മുമ്പുള്ള ഫിൽട്ടർ

എല്ലാ ജോലികളും ഒരേ തലത്തിലുള്ള അപകടസാധ്യതയുള്ളതല്ല. AI ഉപയോഗിക്കുന്നതിന് മുമ്പ് റിസ്ക് ലെവൽ അനുസരിച്ച് ടാസ്ക്ക് തരംതിരിക്കുക. ഈ മൊഡ്യൂളിലുടനീളം നിങ്ങൾ ഉപയോഗിക്കുന്ന ഒരു തീരുമാന ചട്ടക്കൂട് ചുവടെയുള്ള പട്ടിക നൽകുന്നു.

റിസ്ക് ലെവൽ

മാതൃകാ ചുമതല

AI പങ്ക്

നിർബന്ധിത പരിശോധന

താഴ്ന്ന

ആശയ വിശദീകരണം, ഡ്രാഫ്റ്റ് ടെക്സ്റ്റ്, കോഡ് അസ്ഥികൂടം

സ്വതന്ത്ര ഉപയോഗം

അവലോകനം മതി

ഇടത്തരം

ഡാറ്റ ക്ലീനിംഗ്, ഹൈപ്പോതെസിസ് ലിസ്റ്റ്, കണക്കുകൂട്ടൽ സജ്ജീകരണം

ഡ്രാഫ്റ്റ്/സഹ-രചയിതാവ്

മാനുവൽ നിയന്ത്രണം + ഉറവിട സ്ഥിരീകരണം

ഉയർന്നത്

റിസർവ് എസ്റ്റിമേഷൻ, കുഴി പരിധി, സ്ഫോടന പരാമീറ്റർ

ആശയ ജനറേറ്റർ

സ്റ്റാൻഡേർഡ് + ഫീൽഡ് മെഷർമെൻ്റ് + സോഫ്റ്റ്വെയർ

വിമർശനാത്മകം

ഒഴിപ്പിക്കൽ തീരുമാനം, ചരിവുകളുടെ സുരക്ഷ, സേവനക്ഷമത/അനുയോജ്യത തീരുമാനം

ഡ്രാഫ്റ്റ്/സ്കാൻ മാത്രം

യോഗ്യതയുള്ള എഞ്ചിനീയർ അംഗീകാരം + അംഗീകൃത പരിശോധന

നുറുങ്ങ്: നിങ്ങൾ ഒരു ടാസ്ക്ക് "നിർണ്ണായകം" എന്ന് അടയാളപ്പെടുത്തിയിട്ടുണ്ടെങ്കിൽ, AI-യുടെ ഔട്ട്പുട്ട് ഒരിക്കലും അന്തിമ പ്രമാണമല്ല. പരമാവധി ഇത് ഒരു പ്രാഥമിക ഡ്രാഫ്റ്റോ ചെക്ക്‌ലിസ്റ്റോ ആകാം; യോഗ്യതയുള്ള എഞ്ചിനീയർ ഒപ്പും ഉത്തരവാദിത്തവും ഏറ്റെടുക്കുന്നു.

എൻഡ്-ടു-എൻഡ് ഫ്ലോ: നിങ്ങളുടെ വർക്ക്ഫ്ലോയിലേക്ക് AI ഉൾച്ചേർക്കുന്നു

ഖനനത്തിലെ ഒരു സാധാരണ പ്രശ്‌നപരിഹാര ചക്രം ഇങ്ങനെ പോകുന്നു, AI ഓരോ ഘട്ടത്തിലും ഇടപഴകുന്നു, എന്നാൽ അവയൊന്നും ഒറ്റയ്ക്ക് അടയ്ക്കുന്നില്ല:

1. പ്രശ്നം നിർവചിക്കുക: എന്താണ് പ്രവചിക്കേണ്ടത്, എന്ത് തീരുമാനമെടുക്കണം, എന്ത് നിയന്ത്രണമുണ്ട്? (AI: ചോദ്യം വ്യക്തമാക്കുന്നു.)
2. ഡാറ്റ ശേഖരിക്കുകയും വൃത്തിയാക്കുകയും ചെയ്യുക: ഡ്രില്ലിംഗ്, പ്രൊഡക്ഷൻ, മോണിറ്ററിംഗ്, ലബോറട്ടറി ഡാറ്റ. (AI: ക്ലീനപ്പിലും പൊരുത്തക്കേട് പരിശോധിക്കുന്നതിലും ശക്തമാണ്.)
3. അനുമാനങ്ങൾ/സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുക: സാധ്യമായ കാരണങ്ങൾ, ഇതര പദ്ധതികൾ. (AI: സിസ്റ്റമാറ്റിക് ലിസ്റ്റ് നിർമ്മിക്കുന്നു.)
4. വിശകലനം ചെയ്യുക: കണക്കുകൂട്ടൽ, ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ്, മോഡൽ, ഇമേജ് പ്രോസസ്സിംഗ്. (AI: കോഡും കണക്കുകൂട്ടൽ ഫിക്ഷനും സൃഷ്ടിക്കുന്നു.)
5. സ്ഥിരീകരിക്കുക: സ്റ്റാൻഡേർഡ്, ഫീൽഡ്, ഒറ്റപ്പെട്ട അക്കൗണ്ട്, സോഫ്റ്റ്വെയർ. (AI വശത്താണ്; മനുഷ്യരും അളവെടുപ്പും തീരുമാനിക്കുന്നു.)
6. റിപ്പോർട്ട് ചെയ്യുകയും തീരുമാനിക്കുകയും ചെയ്യുക: യോഗ്യതയുള്ള എഞ്ചിനീയർ ഉത്തരവാദിത്തം ഏറ്റെടുക്കുന്നു. (AI: ഡ്രാഫ്റ്റ് റൈറ്റർ.)

ഈ ആറ് ഘട്ടങ്ങൾ മനസ്സിൽ വയ്ക്കുക; ഘട്ടം ഘട്ടമായി കോൺക്രീറ്റ് മൈനിംഗ് ജോലികൾക്കൊപ്പം AI എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ബാക്കി മൊഡ്യൂൾ നിങ്ങളെ കാണിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ഉണ്ടാക്കിയ ശരാശരി ഗ്രേഡ്. ഒരു കോപ്പർ പ്രോജക്റ്റിൻ്റെ ശരാശരി ഗ്രേഡിനെക്കുറിച്ച് ഒരു ഇൻ്റേൺ AI ചാറ്റ് ടൂളിനോട് ചോദിക്കുന്നു; "ഏകദേശം 0.65% Cu" എന്ന് AI പറയുന്നു. ഇൻ്റേൺ ഇത് നിക്ഷേപ അവതരണത്തിൽ ഇടുന്നു. എന്നിരുന്നാലും, ഈ പദ്ധതിയുടെ ഒരു ഡ്രില്ലിംഗ് ഡാറ്റ പോലും AI കണ്ടിട്ടില്ല; "കോപ്പർ പ്രോജക്റ്റിനായി" ഒരു സാധാരണ നമ്പർ നിർമ്മിച്ചു. യഥാർത്ഥ മൂല്യം പ്രോജക്റ്റിൻ്റെ സ്വന്തം സംയോജിത ഡ്രില്ലിംഗ് ഡാറ്റയിൽ നിന്നും ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ എസ്റ്റിമേറ്റിൽ നിന്നും മാത്രമാണ് വരുന്നത്; ഈ പദ്ധതിയുടെ യഥാർത്ഥ മൂല്യം 0.38% ആണ്. നിക്ഷേപം ലാഭകരവും നഷ്ടമുണ്ടാക്കുന്നതും തമ്മിലുള്ള വ്യത്യാസമാണ്. AI-യുടെ ഗ്രേഡ് ഒരിക്കലും "ചോദിക്കരുത്", എന്നാൽ നിങ്ങളുടെ സ്വന്തം ഡാറ്റാബേസിൽ നിന്ന് അത് കണക്കാക്കുക എന്നതാണ് ശരിയായ മനോഭാവം.

കേസ് 2 - നിലവിലില്ലാത്ത നിയന്ത്രണ വ്യവസ്ഥ. സ്ഫോടനത്തിൽ അനുവദനീയമായ പരമാവധി ഗ്രൗണ്ട് വൈബ്രേഷൻ (PPV: പീക്ക് കണികാ വേഗത, mm/s) ഒരു എഞ്ചിനീയർ AI-യോട് ചോദിക്കുന്നു. AI "നിയന്ത്രണം അനുസരിച്ച് 10 mm/s" എന്ന് പറയുകയും ഒരു ഇനം നമ്പർ ഉണ്ടാക്കുകയും ചെയ്യുന്നു. എഞ്ചിനീയർ അതനുസരിച്ച് റിപ്പോർട്ട് എഴുതുന്നു. പരിശോധനയിൽ, ഇനത്തിൻ്റെ നമ്പർ യഥാർത്ഥമല്ലെന്നും ദൂരത്തെയും കെട്ടിടത്തിൻ്റെ തരത്തെയും ആശ്രയിച്ച് പരിധി മൂല്യം വ്യത്യാസപ്പെടുന്നുവെന്നും കണ്ടെത്തി. ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്ന് നിലവിലെ നിയന്ത്രണം തുറന്ന് മൂല്യവും പദാർത്ഥവും സ്ഥിരീകരിക്കുക എന്നതാണ് ശരിയായ മനോഭാവം. റെഗുലേഷൻ്റെ പേര് AI-ക്ക് ശരിയായി അറിയാമെങ്കിലും, അത് ലേഖന നമ്പറിനെ ഭ്രമിപ്പിച്ചേക്കാം.

കേസ് 3 - ശരിയായ ഉപയോഗം. 40 കുഴൽക്കിണറുകളുടെ ഒരു ഡാറ്റാ സെറ്റിലെ ഗ്രേഡ് കോളത്തിൽ പൊരുത്തക്കേടുണ്ടെന്ന് ഒരു ജിയോളജിസ്റ്റ് സംശയിക്കുന്നു. ഇത് AI-യോട് "യൂണിറ്റ് പൊരുത്തക്കേടുകൾ, നെഗറ്റീവ് മൂല്യങ്ങൾ, ദൃശ്യമായ ഔട്ട്‌ലറുകൾ, ശൂന്യമായ സെല്ലുകൾ എന്നിവ ഉണ്ടായിരിക്കാവുന്ന വരികൾ പട്ടികപ്പെടുത്താനും ഓരോന്നിനും നിങ്ങൾ സംശയിക്കുന്നത് എഴുതാനും; ശരിയാക്കരുത്, അടയാളപ്പെടുത്തുക" എന്ന് പറയുന്നു. പിപിഎം, രണ്ട് നെഗറ്റീവ് ഗ്രേഡുകൾ, 999 കോഡ് മൂല്യം എന്നിവയുമായി % കലർന്ന കുറച്ച് വരികൾ AI ഫ്ലാഗ് ചെയ്യുന്നു. അസംസ്കൃത രേഖകളിൽ നിന്ന് ജിയോളജിസ്റ്റ് ഇവ ഓരോന്നായി പരിശോധിച്ച് ശരിയാക്കുന്നു. ഇവിടെ AI ശരിയായി ഉപയോഗിച്ചു: ശ്രദ്ധ ആകർഷിച്ചു, മനുഷ്യൻ തീരുമാനവും തിരുത്തലും നടത്തി.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

ചുവടെയുള്ള ടെംപ്ലേറ്റുകൾ നിങ്ങളുടെ സ്വന്തം ബിസിനസ്സുമായി പൊരുത്തപ്പെടുത്തിക്കൊണ്ട് നിങ്ങൾക്ക് അവ ഉപയോഗിക്കാൻ കഴിയും. അവയിൽ ഓരോന്നിലും, "കൃത്യമായ ഒരു സംഖ്യ നൽകുക, ഉറവിടം സൂചിപ്പിക്കുക, അനിശ്ചിതത്വം വിശദീകരിക്കുക" എന്ന ബോധപൂർവമായ നിർദ്ദേശമുണ്ട്.

റോളും ബൗണ്ടറി ടെംപ്ലേറ്റും "റോൾ: നിങ്ങൾ പരിചയസമ്പന്നനായ ഒരു മൈനിംഗ് എഞ്ചിനീയർ അസിസ്റ്റൻ്റാണ്. ടാസ്ക്: [വിഷയം എഴുതുക]. നിയമങ്ങൾ: കൃത്യമായ സംഖ്യാ മൂല്യം (ഗ്രേഡ്, റിസർവ്, പരിധി) നൽകുമ്പോൾ, ഉറവിടം വ്യക്തമാക്കുക; നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ, 'സ്ഥിരീകരിക്കപ്പെടണം' എന്ന് പറയുക, എന്നാൽ അത് സ്ഥിരീകരിക്കുന്ന ലേഖനം നൽകണം. ഉത്തരത്തിൻ്റെ അവസാനം, ഇനം അനുസരിച്ച് 'ഫീൽഡ് മെഷർമെൻ്റ്/കണക്കുകൂട്ടൽ പ്രകാരം എന്താണ് പരിശോധിക്കേണ്ടത്' എന്ന് എഴുതുക.

ഹൈപ്പോഥെസിസ് ജനറേഷൻ ടെംപ്ലേറ്റ് "ഇനിപ്പറയുന്ന സാഹചര്യത്തിന് സാധ്യമായ കാരണങ്ങളുടെ ഒരു വ്യവസ്ഥാപിത ലിസ്റ്റ് തയ്യാറാക്കുക: [സാഹചര്യം വിവരിക്കുക; എന്താണ് നിരീക്ഷിച്ചത്, എന്ത് ഡാറ്റ ലഭ്യമാണ്]. ഓരോ സിദ്ധാന്തത്തിനും: (1) എന്ത് തെളിവുകൾ അതിനെ പിന്തുണയ്ക്കുന്നു, (2) ഇത് സ്ഥിരീകരിക്കുന്ന/തെളിയിക്കാൻ എന്ത് അളവെടുപ്പ് അല്ലെങ്കിൽ കണക്കുകൂട്ടൽ നടത്തണം. ഒരു കൃത്യമായ രോഗനിർണയം നടത്തുക;."

വെരിഫിക്കേഷൻ ചെക്ക്‌ലിസ്‌റ്റ് ടെംപ്ലേറ്റ് "താഴെയുള്ള റിപ്പോർട്ട് ഡ്രാഫ്റ്റിലെ ഓരോ സംഖ്യാ മൂല്യവും എല്ലാ നിയന്ത്രണ/മാനദണ്ഡ റഫറൻസും ലിസ്റ്റ് ചെയ്യുക. ഓരോന്നിനും, ഏത് ഉറവിടത്തിൽ നിന്നാണ് (സ്വയം-ഡ്രില്ലിംഗ് ഡാറ്റ, റെഗുലേറ്ററി ടെക്‌സ്‌റ്റ്, ലബോറട്ടറി റിപ്പോർട്ട്, ഫീൽഡ് സർവേ) ഇത് പരിശോധിക്കേണ്ടതെന്ന് സൂചിപ്പിക്കുക. "അനിശ്ചിതത്വമുള്ളവ 'ഉപയോഗിക്കാതിരിക്കുക' എന്നതിന് കീഴിൽ ശേഖരിക്കുക.

അജ്ഞാതമാക്കൽ പ്രീ-ചെക്ക് ടെംപ്ലേറ്റ് "ഒരു AI ടൂളിലേക്ക് ഇനിപ്പറയുന്ന ടെക്‌സ്‌റ്റ് നൽകുന്നതിന് മുമ്പ്, വ്യാപാര രഹസ്യം അല്ലെങ്കിൽ വ്യക്തിഗത/നിയന്ത്രണ സെൻസിറ്റീവ് ഭാഗങ്ങൾ: റിസർവ് നമ്പറുകൾ, ലൈസൻസ് നമ്പർ, യഥാർത്ഥ കോർഡിനേറ്റുകൾ, ഉപഭോക്തൃ/സ്റ്റാഫ് പേരുകൾ, രഹസ്യാത്മക ചെലവ് ഡാറ്റ. എനിക്ക് ഇവ എങ്ങനെ അജ്ഞാതമാക്കാമെന്ന് നിർദ്ദേശിക്കുക. ടെക്‌സ്‌റ്റ്: [പേസ്റ്റ്]."

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ഒരേ ചോദ്യം രണ്ട് തരത്തിൽ ചോദിക്കുന്നത് തികച്ചും വ്യത്യസ്തമായ ഫലങ്ങൾ നൽകും.

ദുർബലമായ നിർദ്ദേശം: "ഈ ഖനിയുടെ കരുതൽ ശേഖരം എത്രയാണ്?"

ശക്തമായ നിർദ്ദേശം: "റോൾ: നിങ്ങളാണ് അസിസ്റ്റൻ്റ് റിസോഴ്‌സ് ജിയോളജിസ്റ്റ്. ഒരു റിസർവ്/റിസോഴ്‌സ് എസ്റ്റിമേറ്റ് ഏത് ഘട്ടങ്ങളിലൂടെയാണ് കടന്നുപോകേണ്ടതെന്നും (കോമ്പോസിറ്റിംഗ്, വേരിയോഗ്രാം, ക്രിഗിംഗ്, ക്ലാസിഫിക്കേഷൻ, ഇക്കണോമിക് ലിമിറ്റ്) ഓരോ ഘട്ടത്തിലും ഏത് ഡാറ്റയാണ്, ഏത് യോഗ്യതയുള്ള വ്യക്തിയുടെ അംഗീകാരം വേണമെന്നും വിശദീകരിക്കുക. കൃത്യമായ ഒരു കരുതൽ സംഖ്യ നൽകരുത്. JORC/UMREK പോലുള്ള ഒരു കോഡ്."

ദുർബലമായ പ്രോംപ്റ്റ് AI-യെ മേക്കപ്പ് ചെയ്യാൻ ക്ഷണിക്കുന്നു; ശക്തമായ പ്രോംപ്റ്റ് അതിനെ ശരിയായ ജോലിയിൽ (പ്രോസസ്സ് വിവരണം) നിലനിർത്തുകയും ഡിജിറ്റൽ ഹാലൂസിനേഷൻ ആദ്യം സംഭവിക്കുന്നത് തടയുകയും ചെയ്യുന്നു.

സാധാരണ തെറ്റുകൾ

• ഗ്രേഡ്, റിസർവ് മുതലായവ പോലുള്ള കോഴ്‌സ്-നിർദ്ദിഷ്ട നമ്പറുകൾക്കായി AI-യോട് "ചോദിക്കുന്നു". AI-ക്ക് നിങ്ങളുടെ ഡാറ്റ അറിയില്ല; ഈ നമ്പറുകൾ നിങ്ങളുടെ സ്വന്തം ഡാറ്റാബേസിൽ നിന്ന് മാത്രം കണക്കാക്കുന്നു.
• സ്ഥിരീകരിക്കാതെ നിയമനിർമ്മാണം/സാധാരണ ക്ലോസ് ഉപയോഗിക്കുന്നു. ഇനത്തിൻ്റെ നമ്പറും മൂല്യവും ഇടയ്ക്കിടെ ഭ്രമാത്മകമാണ്.
• AI ഔട്ട്പുട്ടിൽ സുരക്ഷാ-നിർണ്ണായക തീരുമാനം അടിസ്ഥാനമാക്കി. ഒഴിപ്പിക്കൽ, ബ്ലാസ്റ്റിംഗ് അംഗീകാരം, സേവനക്ഷമതാ തീരുമാനങ്ങൾ എന്നിവ കഴിവുള്ള എഞ്ചിനീയറാണ് എടുക്കുന്നത്.
• അജ്ഞാതമാക്കാതെ തന്നെ ക്ലൗഡ് ടൂളിലേക്ക് സെൻസിറ്റീവ് ഡാറ്റ ഒട്ടിക്കുന്നു. കരുതൽ, കോർഡിനേറ്റ്, ചെലവ് ഡാറ്റ എന്നിവയാണ് വ്യാപാര രഹസ്യങ്ങൾ.
• ഒരു ചോദ്യത്തിനും ഒരു ഉത്തരത്തിനുമായി കാത്തിരിക്കുന്നു. AI ആവർത്തിച്ച് ഉപയോഗിക്കുക: ഡ്രാഫ്റ്റുകൾ സൃഷ്ടിക്കുക, വിമർശിക്കുക, സ്ഥിരീകരിക്കുക, ശരിയാക്കുക.

മുൻകരുതൽ: AI ഔട്ട്‌പുട്ടിൽ ഒരു നമ്പർ കൂടുതൽ കൃത്യതയോടെയും ആത്മവിശ്വാസത്തോടെയും ദൃശ്യമാകുമ്പോൾ, സ്ഥിരീകരണത്തിൻ്റെ ആവശ്യകത വർദ്ധിക്കും. കൃത്യത എന്നത് കൃത്യതയുടെ ഉറപ്പല്ല.

ചുരുക്കത്തിൽ

ഈ യൂണിറ്റിൽ, AI ഖനനത്തിൽ ഒരു അസിസ്റ്റൻ്റ് ആണെന്ന് നിങ്ങൾ കണ്ടു, ഒരു തീരുമാനമെടുക്കുന്നയാളല്ല. LLM-കൾ ഭാഷാ പ്രവചനങ്ങളാണ്; ആശയ വിശദീകരണം, ഡാറ്റ ക്ലീനിംഗ്, സിദ്ധാന്തം, കോഡ് സൃഷ്ടിക്കൽ എന്നിവയിൽ ഇത് ശക്തമാണ്, എന്നാൽ കൃത്യമായ സംഖ്യകളും നിയമനിർമ്മാണവും (ഹാലൂസിനേഷൻ) നിർമ്മിക്കുന്നതിൽ അപകടകരമാണ്. ടാസ്‌ക്കുകളെ താഴ്ന്ന/ഇടത്തരം/ഉയർന്ന/നിർണ്ണായകമെന്ന് തരംതിരിക്കുകയും അതിനനുസരിച്ച് വെരിഫിക്കേഷൻ ഡെപ്ത് ക്രമീകരിക്കുകയും ചെയ്യുക. നിങ്ങളുടെ സ്വന്തം ഡാറ്റയിൽ നിന്നോ ഫീൽഡ് മെഷർമെൻ്റിൽ നിന്നോ ഓരോ സംഖ്യാ മൂല്യവും, ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്നുള്ള എല്ലാ റെഗുലേറ്ററി റഫറൻസും പരിശോധിക്കുക. സുരക്ഷാ-നിർണ്ണായക തീരുമാനങ്ങൾ എല്ലായ്‌പ്പോഴും യോഗ്യതയുള്ള എഞ്ചിനീയറുടെ പക്കലായിരിക്കും കൂടാതെ ഉപയോഗിക്കുന്നതിന് മുമ്പ് സെൻസിറ്റീവ് ഡാറ്റ അജ്ഞാതമാക്കുകയും ചെയ്യും.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ സ്വന്തം ബിസിനസ്സിൽ നിന്ന് അഞ്ച് ടാസ്‌ക്കുകൾ തിരഞ്ഞെടുക്കുക (അല്ലെങ്കിൽ ഒരു സാങ്കൽപ്പിക ഖനന പദ്ധതി): ഒരു ആശയ വിവരണം, ഒരു ഡാറ്റ ക്ലീനിംഗ്, അനുമാനങ്ങളുടെ ഒരു ലിസ്റ്റ്, ഒരു കരുതൽ/സംഖ്യാ മൂല്യം, ഒരു നിയന്ത്രണ ചോദ്യം. മുകളിലുള്ള റിസ്ക് ടേബിളിൽ ഓരോന്നും സ്ഥാപിക്കുക. തുടർന്ന് "റോളും ബൗണ്ടറിയും" ടെംപ്ലേറ്റുള്ള രണ്ട് ലോ/മീഡിയം റിസ്ക് ടാസ്ക്കുകൾ AI-ലേക്ക് ഔട്ട്സോഴ്സ് ചെയ്യുക, കൂടാതെ ഔട്ട്പുട്ടിൻ്റെ ഓരോ സംഖ്യാ/നിയന്ത്രണ ഘടകങ്ങളും "പരിശോധിച്ച ചെക്ക്ലിസ്റ്റ്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് അടയാളപ്പെടുത്തുക. പരിശോധിച്ചുറപ്പിക്കാതെ ഏതൊക്കെ ഘടകങ്ങൾ ഉപയോഗിക്കാൻ കഴിയില്ലെന്ന് എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ മിഷൻ ഉപയോഗിക്കുന്നതിന് മുമ്പ് റിസ്ക് ലെവലിൽ (കുറഞ്ഞ/ഇടത്തരം/ഉയർന്ന/നിർണ്ണായകമായത്) സ്ഥാപിച്ചു.
• [ ] AI-യോട് ചോദിക്കുന്നതിനുപകരം ഞാൻ എൻ്റെ സ്വന്തം വിളവിൽ നിന്ന് ഗ്രേഡ്, റിസർവ് മുതലായവ പോലുള്ള ഫീൽഡ്-നിർദ്ദിഷ്ട സംഖ്യകൾ കണക്കാക്കി.
• [ ] ഞാൻ ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്ന് ഓരോ നിയമനിർമ്മാണവും / സ്റ്റാൻഡേർഡ് റഫറൻസും പരിശോധിച്ചു.
• [ ] ഞാൻ സെൻസിറ്റീവ് ഡാറ്റ അജ്ഞാതമാക്കി (റിസർവ്, കോർഡിനേറ്റുകൾ, പേര്, ചെലവ്).
• AI ഔട്ട്‌പുട്ടിനെ അടിസ്ഥാനമാക്കിയല്ല, യോഗ്യതയുള്ള എഞ്ചിനീയറുടെ അംഗീകാരത്തിന് സുരക്ഷാ-നിർണ്ണായക തീരുമാനം ഞാൻ വിട്ടു.
• [ ] AI ഔട്ട്‌പുട്ടിലെ എല്ലാ സംഖ്യാ മൂല്യവും "പരിശോധിപ്പിക്കാതെ ഉപയോഗിക്കാൻ കഴിയില്ല" എന്നതിനായി ഞാൻ സ്കാൻ ചെയ്തു.