नफा:
- भूगर्भीय अभियांत्रिकी वर्कफ्लोमध्ये AI रिअल टाइम कुठे वाचवते आणि कोणते निर्णय अभियंत्याची जबाबदारी राहिले पाहिजे हे ओळखण्याची क्षमता
- एक शिस्त लागू करण्याची क्षमता जी प्रत्येक AI आउटपुटला परिमाण, भूगर्भीय तर्कसंगतता आणि क्षेत्रीय पुराव्याच्या क्रमाने प्रमाणित करते
- अस्पष्टता, भ्रम आणि डेटा गोपनीयतेचे धोके ओळखा आणि संदर्भ अज्ञात करून सुरक्षित प्रॉम्प्ट सेट करण्याची सवय विकसित करा.
भूगर्भीय अभियांत्रिकी हा एक असा व्यवसाय आहे ज्यामध्ये आपण कधीही जमिनीखालील सत्य पूर्णपणे पाहू शकत नाही. बोअरहोल अनेक किलोमीटरच्या जमिनीचा फक्त एक सेंटीमीटर तुकडा घेतो; एक भूभौतिक विभाग एक अप्रत्यक्ष सावली आहे; नकाशा म्हणजे निरीक्षणांमधील अंतरांचे स्पष्टीकरण. म्हणूनच भूगर्भशास्त्र ही एक शिस्त आहे जी स्वाभाविकपणे अनिश्चिततेसह कार्य करते. आर्टिफिशियल इंटेलिजन्स (एआय; सॉफ्टवेअर सिस्टम जी मोठ्या डेटा पॅटर्नमधून शिकतात आणि मजकूर/प्रतिमा/संख्या तयार करतात) ही अनिश्चितता व्यवस्थापित करण्यासाठी एक शक्तिशाली साधन आहे, परंतु हे एक साधन आहे जे धोकादायकपणे समान अनिश्चितता लपवू शकते. हे युनिट दोन पाया घालते ज्यावर संपूर्ण मॉड्यूल तयार केले जाईल: जिओलॉजी वर्कफ्लोमध्ये एआय वास्तविक मूल्य कोठे निर्माण करते आणि आम्ही प्रत्येक आउटपुटचे प्रमाणीकरण कसे करतो.
चला सुरुवातीपासूनच स्पष्ट होऊ या: या मॉड्यूलमध्ये तुम्ही शिकू शकणारे कोणतेही तंत्र सक्षम भूवैज्ञानिक अभियंत्याच्या स्वाक्षरी, क्षेत्र निरीक्षण आणि अभियांत्रिकी निर्णयाची जागा घेणार नाही. कृत्रिम बुद्धिमत्ता एक सहाय्यक आहे; जलद वाचतो, जलद लिहितो, नमुने पकडतो. परंतु उतार निकामी झाल्यास, धरणाचा पाया कोसळला किंवा खनिज साठा आहे त्यापेक्षा मोठा असल्याचे नोंदवले गेले तर जबाबदारी सॉफ्टवेअरची नसून त्यावर स्वाक्षरी केलेल्या अभियंत्याची आहे. तुम्हाला हे वाक्य मॉड्यूलच्या प्रत्येक युनिटमध्ये वेगवेगळ्या स्वरूपात पुन्हा दिसेल, कारण सुरक्षा-गंभीर अभियांत्रिकीमध्ये हे एकमेव सत्य आहे.
जिओलॉजी वर्कफ्लोमध्ये कृत्रिम बुद्धिमत्ता कोठे मूल्य निर्माण करते?
भूगर्भीय अभियंत्याचा आठवडा साधारणपणे तीन प्रकारच्या कामांमध्ये विभागलेला असतो: डेटा तयार करणे (लॉग डिजिटायझेशन, फील्ड नोट संपादन, टेबल क्लीनअप), व्याख्या आणि विश्लेषण (लिथॉलॉजी वर्गीकरण, सहसंबंध, संसाधन अंदाज, धोक्याचे मूल्यांकन), आणि संप्रेषण (अहवाल, नकाशा, सादरीकरण, पत्रव्यवहार). AI तिन्ही क्षेत्रांना स्पर्श करते, परंतु प्रत्येक क्षेत्रात त्याचे योगदान आणि जोखीम भिन्न आहेत.
डेटा तयार करणे हे कृत्रिम बुद्धिमत्तेचे सर्वात सुरक्षित आणि फायदेशीर क्षेत्र आहे. संरचित सारणीमध्ये मुक्त-मजकूर कोर वर्णनांचे भाषांतर करणे, विसंगत युनिट्सचे मानकीकरण करणे, प्रयोगशाळेच्या आउटपुटच्या हजारो ओळींमध्ये आउटलियर फ्लॅग करणे—ही पुनरावृत्ती, नियम-आधारित, सत्यापित करण्यास सोपी कार्ये आहेत. जरी येथे एरर आली तरी, स्त्रोताकडे (रॉ लॉग) परत जाण्यासाठी आणि ते तपासण्यासाठी काही मिनिटे लागतील.
व्याख्या आणि विश्लेषणाच्या क्षेत्रात सर्वोच्च मूल्य आणि सर्वाधिक जोखीम असते. AI ड्रिल विभागातून संभाव्य दोष भूमिती सुचवू शकते; हे एक नमुना प्रकट करू शकते जो अनुभवी डोळा देखील चुकवू शकतो. परंतु तेच मॉडेल अस्तित्वात नसलेल्या स्ट्रॅटिग्राफिक युनिटमध्ये आत्मविश्वासाने बसू शकते (या घटनेला मतिभ्रम म्हणतात: मॉडेल अशी माहिती तयार करते जी प्रत्यक्षात अस्तित्वात नाही, जणू ती वास्तविक आहे). या क्षेत्रात, AI हा एक गृहितक जनरेटर आहे, निर्णय घेणारा नाही.
संप्रेषणाच्या क्षेत्रात, कृत्रिम बुद्धिमत्ता एक मसुदा प्रवेगक आहे. भू-तांत्रिक अहवालाच्या पद्धती विभागाचा मसुदा, साहित्याचा सारांश किंवा काही मिनिटांत ई-मेल तयार करतो. येथे धोका असा आहे की बनावट स्रोत आणि चुकीची संख्या वाहत्या मजकुरात लक्ष न देता स्वाक्षरीमध्ये सरकते.
प्रमाणीकरण शिस्त: तीन अँकर नियम
या मॉड्यूलचे हृदय एकच सवय आहे: कोणतेही AI आउटपुट प्रमाणित केल्याशिवाय अभियांत्रिकी निर्णयामध्ये समाविष्ट न करणे. आम्ही तीन स्वतंत्र अँकरच्या आधारे प्रमाणीकरण करतो.
पहिला अँकर — ऑर्डर ऑफ मॅग्निट्यूड. परिणाम अंदाजे 10 श्रेणीच्या अपेक्षित पॉवरमध्ये आहे का? वाळूच्या जलचराची हायड्रॉलिक चालकता सामान्यत: दररोज मीटरच्या क्रमाने असते; मॉडेलने किलोमीटर/दिवस दिल्यास, एक युनिट किंवा संपादन त्रुटी आहे आणि ते तपशीलात न जाता समजू शकते. चुनखडीची अक्षीय संकुचित शक्ती 30-200 MPa च्या श्रेणीत असते; 3000 MPa हास्यास्पद आहे. या तपासणीला काही सेकंद लागतात आणि बहुतेक त्रुटी आढळतात.
दुसरा अँकर - भूगर्भीय तर्कशुद्धता. आउटपुट फील्डच्या भूवैज्ञानिक कथेशी सुसंगत आहे का? जर मॉडेलने सागरी चुनखडीच्या खाली एक तरुण जलोदर ठेवला असेल, तर एकतर उलट दोष आहे (आणि हे स्वतंत्रपणे सिद्ध करणे आवश्यक आहे) किंवा मॉडेल बकवास आहे. स्ट्रॅटिग्राफिक सीक्वेन्स, टेक्टोनिक फ्रेमवर्क आणि डिपॉझिशनल एन्व्हायर्नमेंट हे प्रशंसनीयतेचे फिल्टर आहे ज्यातून प्रत्येक व्याख्या उत्तीर्ण होणे आवश्यक आहे.
तिसरा अँकर - फील्ड पुरावा. हा सर्वात मजबूत अँकर आहे. कोर नमुना, आऊटक्रॉप निरीक्षण, फील्ड सत्यापन. लॉग-आधारित लिथोलॉजी व्याख्या समान खोलीतून घेतलेल्या कोरशी तुलना केली जाते. रिमोट सेन्सिंगद्वारे मॅप केलेल्या बदल क्षेत्राची चाचणी फील्डमधील अनेक ठिकाणी नमुन्यांसह केली जाते. सत्याचा नेहमीच विजय होतो.
तीन मिनी प्रकरणे: संख्यांनुसार
केस 1 - लॉग डिजिटायझेशनमध्ये वेळेची बचत. एक अभियंता 1980 च्या दशकापासून 42 स्कॅन केलेले (पेपर) बोरहोल लॉग मॅन्युअली डिजिटायझेशन करत होते; प्रति लॉग सरासरी 35 मिनिटे, एकूण अंदाजे 24 तास. एआय-संचालित चार्टिंग वर्कफ्लोसह, त्याने पहिला मसुदा 6 मिनिटांपर्यंत कमी केला, उर्वरित वेळ व्हिज्युअल पडताळणीसाठी दिला. एकूण वेळ सुमारे 8 तास घसरला; महत्त्वाची गोष्ट म्हणजे मिळालेला वेळ नियंत्रणासाठी खर्च करण्यात आला.
केस 2 - कॅप्चर केलेला भ्रम. जेव्हा एखाद्या इंटर्नला एआयने फील्डच्या स्ट्रॅटिग्राफीचा सारांश दिला तेव्हा मजकुरात "तुझला फॉर्मेशन बाष्पीभवन सामान्य प्रदेशात" हे वाक्य समाविष्ट होते. साइटवर बाष्पीभवन नव्हते; मॉडेलने दुसऱ्या बेसिनमधील माहिती गोंधळात टाकली होती. अहवालावर स्वाक्षरी होण्यापूर्वी भूगर्भीय प्रशंसनीयता फिल्टर (प्रदेशातील टेक्टोनिक फ्रेमवर्क बाष्पीभवन निक्षेपासाठी योग्य नाही) त्रुटी पकडली.
केस 3 - युनिट त्रुटी. एका स्रोत गणनेमध्ये, मॉडेलने 2.7 g/cm³ ऐवजी 2.7 t/m³ सह घनता गोंधळात टाकून 1000 च्या घटकाने टनेज आउटपुट फुगवले (खरं तर दोन्ही समान आहेत, परंतु मॉडेलची मध्यवर्ती पायरी चुकीची होती आणि परिणाम 1000 च्या घटकाने फुगवला). मॅग्निच्युड चेकचा क्रम - "हा ब्लॉक 5 दशलक्ष टन असू शकत नाही परंतु 5 अब्ज टन" - लगेच त्रुटी दूर केली.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या क्षेत्राच्या भूगर्भशास्त्राचा सारांश द्या आणि त्याच्या खनिज क्षमतेचे मूल्यांकन करा.[डेटा]
शक्तिशाली सूचना:
तुमची भूमिका: एक वरिष्ठ अन्वेषण भूवैज्ञानिक. दिलेल्या डेटाच्या आधारे खाली दिलेल्या ड्रिलिंग सारांशाचा अर्थ लावा. - डेटामध्ये नसलेली कोणतीही रचना, खनिजे किंवा वय जोडू नका. - प्रत्येक टिप्पणीच्या पुढे कंसासह तुम्ही आधारित असलेली डेटा लाइन दाखवा. - जिथे तुम्हाला खात्री नसेल तिथे "डेटा अपुरा" लिहा, अंदाज लावू नका. - शेवटी: सत्यापित करणे आवश्यक असलेल्या 3 गृहितकांची एक वेगळी यादी बनवा. डेटा: [ड्रिलिंग सारांश]
मजबूत प्रॉम्प्ट मॉडेलवर तीन गोष्टी लादते: स्त्रोताशी चिकटून राहणे, अनिश्चितता मान्य करणे आणि सत्यापित करण्यासाठी गोष्टी चिन्हांकित करणे. हे भ्रम पूर्णपणे संपत नाही, परंतु ते दृश्यमान करते.
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) अनामित संदर्भ स्थापित करणे:
मला भूगर्भीय अभियांत्रिकी असाइनमेंटसाठी मदत हवी आहे. फील्डचे नाव, निर्देशांक आणि कंपनीची माहिती गोपनीय आहे; मी त्यांना "फील्ड-ए", "एक्स समन्वय" सारख्या प्रातिनिधिक अभिव्यक्तीसह देईन. शोध: [शोध]. फक्त मी देत असलेल्या तांत्रिक डेटावर अवलंबून रहा.
२) तीन अँकर पडताळणी विनंत्या:
खालील आउटपुटसाठी तीन तपासा: 1) परिमाणाचा क्रम: प्रत्येक संख्या अपेक्षित श्रेणीत आहे का? नसल्यास, चिन्हांकित करा. 2) भूगर्भीय तर्कशुद्धता: स्ट्रॅटिग्राफिक / टेक्टोनिकली विसंगत दावा आहे का? 3) सत्यापन सूची: फील्ड/प्रयोगशाळेत पुष्टी करणे आवश्यक असलेल्या वस्तू. आउटपुट: [मजकूर]
3) संदिग्धता लागू करणे:
आत्मविश्वासाच्या तीन स्तरांवर तुमचे स्पष्टीकरण द्या: - उच्च आत्मविश्वास (थेट डेटाद्वारे समर्थित)- मध्यम आत्मविश्वास (वाजवी अनुमान)- सट्टा (अतिरिक्त डेटा आवश्यक) कार्य: [कार्य]. डेटा: [डेटा]
4) निर्णय/समर्थन फरक:
खालील कार्य दोन भागात विभागा: अ) डेटा/मसुदा कार्य जे AI आत्मविश्वासाने करू शकतेB) निर्णयाचे मुद्दे ज्यासाठी अधिकृत अभियंता मंजूरी आवश्यक आहे कार्य वर्णन: [व्याख्या]
AI ची भूमिका: मिशन प्रकारानुसार जोखीम
कार्य प्रकार
AI योगदान
जोखीम पातळी
सत्यापन घनता
लॉग/टेबल डिजिटायझेशन
उच्च
कमी
स्पॉट चेक
लिथोलॉजीचे प्राथमिक वर्गीकरण
उच्च
मध्यम
कोर + वाजवीपणा
संसाधन/टनेज गणना
मध्यम
उच्च
हात खाते + स्वतंत्र
उतार/बेस सुरक्षा निर्णय
मर्यादित
खूप उच्च
पूर्ण अभियंता मान्यता
अहवाल/साहित्य मसुदा
उच्च
मध्यम
स्रोत पुष्टीकरण
धोका/आपत्ती मूल्यांकन
मर्यादित
खूप उच्च
फील्ड + मानक + मान्यता
टीप: एखाद्या कार्याची जोखीम पातळी निश्चित करण्यासाठी, एक प्रश्न विचारा: "हे आउटपुट चुकीचे असल्यास सर्वात वाईट काय होऊ शकते?" 'मी काही मिनिटे गमावेन' असे उत्तर असल्यास, हलके सत्यापित करा; जर 'एखाद्याला दुखापत होऊ शकते', तर आऊटपुटला गृहितक मानून पूर्ण अभियांत्रिकी प्रक्रियेतून ठेवा.
लक्ष द्या: कृत्रिम बुद्धिमत्तेचे सर्वात धोकादायक वैशिष्ट्य म्हणजे ते चुका करते असे नाही, परंतु ते आत्मविश्वासाने चुका करते. अस्खलित, तांत्रिक आणि व्यवस्थित मजकूर याचा अर्थ असा नाही की तो बरोबर आहे. पुराव्यावर विश्वास ठेवा, शैली नाही.
सामान्य चुका
- अचूकतेसाठी चुकीचा प्रवाह. मजकूर कितीही व्यावसायिक असला तरीही, तथ्यात्मक दावे (वय, निर्मिती, संख्या, स्त्रोत) स्वतंत्रपणे सत्यापित केले पाहिजेत.
- कार्याच्या प्रकारानुसार जोखीम मोजत नाही. ईमेल ड्राफ्ट प्रमाणेच द्रवीकरण पुनरावलोकनाकडे पहात आहे. संभाव्य हानीसह प्रमाणीकरण स्केल.
- विचार न करता गोपनीय फील्ड डेटा प्रविष्ट करणे. समन्वय, श्रेणी आणि राखीव माहिती व्यावसायिक आणि कायदेशीरदृष्ट्या संवेदनशील आहे; अनियंत्रित वाहनात प्रवेश करण्यापूर्वी अनामिक करा.
- अनिश्चिततेकडे दुर्लक्ष करणे. केवळ मॉडेल "आत्मविश्वास" दिसत आहे याचा अर्थ अनिश्चितता नाहीशी होते असे नाही; सिंगल पॉइंट अंदाजाऐवजी श्रेणी आणि आत्मविश्वासाची पातळी विचारा.
- निर्णय घेताना AI चुकणे. मॉडेल गृहीते व्युत्पन्न करते; जबाबदार अभियंता निर्णय घेतो.
सारांशात
- भूगर्भशास्त्र स्वाभाविकपणे अनिश्चिततेसह कार्य करते; AI ही अनिश्चितता व्यवस्थापित करू शकते आणि धोकादायकपणे लपवू शकते.
- आर्टिफिशियल इंटेलिजन्स ही डेटा तयार करण्यात सर्वात सुरक्षित आणि सर्वात फायदेशीर आहे, सर्वात मौल्यवान परंतु व्याख्या/विश्लेषणामध्ये सर्वात धोकादायक आहे आणि संप्रेषणातील प्रवेगक आहे.
- प्रत्येक आउटपुट तीन अँकरच्या विरूद्ध प्रमाणित केले जाते: परिमाण, भूगर्भीय संभाव्यता, फील्ड पुरावा.
- परिणामाची जोखीम ती चुकीची असल्यास त्यामुळे होणाऱ्या हानीइतकीच असते; त्यानुसार प्रमाणीकरण स्केल.
- सुरक्षितता-गंभीर अभियांत्रिकीमध्ये, AI आउटपुट अधिकृत अभियंता मंजुरीसाठी कधीही पर्याय नाही.
अर्ज कार्य
तुम्ही तुमच्या स्वत:च्या नोकरीतून आठवड्यातून पाच भूगर्भशास्त्रीय कार्यांची यादी करा (उदा. लॉग एडिटिंग, सहसंबंध, अहवाल विभाग, ग्रेड तपासणी, धोक्याची सूचना). या युनिटमधील तक्त्यानुसार प्रत्येकाला जोखीम पातळीवर ठेवा आणि विचारा "जर ते चुकीचे असेल तर सर्वात वाईट काय होईल?" एका वाक्यात प्रश्नाचे उत्तर द्या. नंतर सर्वात कमी जोखमीच्या कार्यासाठी एक मजबूत अनामित प्रॉम्प्ट लिहा आणि प्रयत्न करा; तीन अँकरसह आउटपुट तपासा आणि कोणत्या अँकरला समस्या आली ते लक्षात घ्या.
चेकलिस्ट
- [] भूगर्भशास्त्रीय कार्यप्रवाहामध्ये कृत्रिम बुद्धिमत्ता कुठे सुरक्षित आणि कोठे धोकादायक मूल्य आहे हे मी ओळखू शकतो.
- प्रत्येक आउटपुटची परिमाण, भूगर्भीय तर्कशुद्धता आणि क्षेत्रीय पुराव्यासह पडताळणी करण्यासाठी मी प्रतिक्षिप्त क्रिया प्राप्त केली.
- [ ] एखाद्या कार्याची जोखीम पातळी "जर ते चुकीचे झाले तर सर्वात वाईट काय होऊ शकते?" मी प्रश्नासह ठरवू शकतो.
- [ ] मला माहित आहे की भ्रम आणि अनिश्चितता म्हणजे काय आणि ते कसे दृश्यमान करावे.
- गोपनीय फील्ड डेटा निनावी करून सुरक्षित प्रॉम्प्ट सेट करण्याची सवय मी अंगीकारली आहे.