ਲਾਭ:
- ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ ਕਿ AI ਖਨਨ ਇੰਜੀਨੀਅਰਿੰਗ ਵਰਕਫਲੋ ਵਿੱਚ ਅਸਲ ਸਮੇਂ ਦੀ ਕਿੱਥੇ ਬਚਤ ਕਰਦਾ ਹੈ ਅਤੇ ਕਿੱਥੇ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਜ਼ਿੰਮੇਵਾਰੀ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਕੋਲ ਰਹਿਣੀ ਚਾਹੀਦੀ ਹੈ, ਜੋਖਿਮ ਦੇ ਪੱਧਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ
- ਇੱਕ ਬਹੁ-ਪੱਧਰੀ ਪ੍ਰਮਾਣਿਕਤਾ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਮਿਆਰੀ, ਸੁਤੰਤਰ ਗਣਨਾ ਅਤੇ ਫੀਲਡ ਮਾਪ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ
- ਸੰਦਰਭ ਨੂੰ ਅਗਿਆਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਰਿਜ਼ਰਵ ਡੇਟਾ, ਲਾਇਸੈਂਸ ਜਾਣਕਾਰੀ ਅਤੇ ਕਰਮਚਾਰੀਆਂ/ਉਤਪਾਦਨ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਲਈ ਸੁਰੱਖਿਅਤ ਵਾਹਨਾਂ ਦੀ ਚੋਣ ਕਰਨ ਦੀ ਆਦਤ ਪਾਉਣ ਦੀ ਸਮਰੱਥਾ
ਇੱਕ ਮਾਈਨਿੰਗ ਇੰਜਨੀਅਰ ਦਾ ਕੰਮ ਜ਼ਮੀਨ ਦੇ ਉੱਪਰਲੇ ਫੈਸਲਿਆਂ ਨਾਲ ਜ਼ਮੀਨ ਹੇਠਾਂ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਹੈ। ਡ੍ਰਿਲਿੰਗ ਡੇਟਾ ਤੋਂ ਧਾਤੂ ਦੇ ਸਰੀਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ, ਰਿਜ਼ਰਵ ਦੀ ਗਣਨਾ ਕਰਨਾ, ਟੋਏ ਦੀ ਯੋਜਨਾ ਬਣਾਉਣਾ, ਸਾਜ਼ੋ-ਸਾਮਾਨ ਦੇ ਫਲੀਟ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ, ਢਲਾਣ ਦੇ ਵਿਵਹਾਰ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ, ਕਿੱਤਾਮੁਖੀ ਸੁਰੱਖਿਆ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣਾ, ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਪਣਾ ਅਤੇ ਕਾਨੂੰਨ ਦੇ ਅਨੁਸਾਰ ਇਹਨਾਂ ਸਭ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ। ਇਹਨਾਂ ਨੌਕਰੀਆਂ ਦੀ ਆਮ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਉਹ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਮਾਪਾਂ ਅਤੇ ਅੰਕੜਿਆਂ ਨਾਲ ਕੰਮ ਕਰਦੇ ਹਨ, ਪਰ ਹਰ ਇੱਕ ਫੈਸਲੇ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਨੁੱਖੀ ਜ਼ਿੰਦਗੀਆਂ, ਲੱਖਾਂ ਲੀਰਾਂ ਦਾ ਨਿਵੇਸ਼ ਅਤੇ ਖੇਤਰ ਵਿੱਚ ਵਾਤਾਵਰਣ ਦੇ ਉਲਟ ਨਤੀਜੇ ਨਿਕਲਦੇ ਹਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਛੋਟੇ ਲਈ AI; ਸਾਫਟਵੇਅਰ ਸਿਸਟਮ ਜੋ ਵੱਡੇ ਡੇਟਾ ਅਤੇ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਨਾਲ ਟੈਕਸਟ, ਨੰਬਰਾਂ ਅਤੇ ਚਿੱਤਰਾਂ 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ) ਇਸ ਡੇਟਾ-ਇੰਤਜ਼ਾਮ ਪਰ ਫੈਸਲੇ-ਨਾਜ਼ੁਕ ਆਧਾਰ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ। ਇਹ ਯੂਨਿਟ ਤੁਹਾਨੂੰ ਸਿਖਾਉਂਦਾ ਹੈ ਕਿ ਮਾਈਨਿੰਗ ਵਿੱਚ AI ਦੀ ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਕਿੱਥੇ ਕਰਨੀ ਹੈ, ਇਹ ਕਿੱਥੇ ਖ਼ਤਰਨਾਕ ਹੈ, ਅਤੇ ਤੁਹਾਨੂੰ ਹਰ AI ਆਉਟਪੁੱਟ ਨੂੰ ਮਿਆਰਾਂ, ਫੀਲਡ ਮਾਪ, ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਨਿਰਣੇ ਦੇ ਵਿਰੁੱਧ ਪ੍ਰਮਾਣਿਤ ਕਿਉਂ ਕਰਨਾ ਪੈਂਦਾ ਹੈ।
ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਜੋ ਤੁਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਵਰਤੋਗੇ: AI ਇੱਕ ਸਹਾਇਕ ਹੈ, ਇੱਕ ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਨਹੀਂ। ਇੱਕ ਗ੍ਰੇਡ (ਧਾਤੂ ਵਿੱਚ ਧਾਤ ਦਾ ਅਨੁਪਾਤ) ਮੁੱਲ, ਇੱਕ ਢਲਾਣ ਕੋਣ, ਇੱਕ ਰਿਜ਼ਰਵ ਅੰਕੜਾ, ਇੱਕ ਸੁਰੱਖਿਆ ਸੀਮਾ ਜਾਂ ਇੱਕ ਵਿਧਾਨਕ ਲੇਖ ਸਿਰਫ਼ ਇਸ ਲਈ ਸੱਚ ਨਹੀਂ ਹੁੰਦਾ ਕਿਉਂਕਿ "AI ਨੇ ਅਜਿਹਾ ਕਿਹਾ"; ਇਹ ਸਿਰਫ਼ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ ਜਦੋਂ ਤੱਕ ਮਾਪ, ਸੰਦਰਭ, ਅਤੇ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਨਿਰਣੇ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ। ਤੁਸੀਂ ਇਸ ਵਾਕ ਨੂੰ ਮੋਡੀਊਲ ਦੀ ਹਰ ਇਕਾਈ ਵਿੱਚ ਦੁਬਾਰਾ ਦੇਖੋਗੇ, ਕਿਉਂਕਿ ਮਾਈਨਿੰਗ ਵਿੱਚ, ਇੱਕ ਗਲਤ ਨੰਬਰ ਦਾ ਅਕਸਰ ਮਤਲਬ ਹੁੰਦਾ ਹੈ ਇੱਕ ਨਿਵੇਸ਼ ਦਾ ਢਹਿ ਜਾਣਾ, ਢਲਾਣ ਦਾ ਢਹਿ ਜਾਣਾ, ਜਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦਾ ਸੱਟ ਲੱਗਣਾ।
LLM ਕੀ ਹੈ ਅਤੇ ਇਹ ਮਾਈਨਿੰਗ ਵਿੱਚ ਕੀ ਕਰਦਾ ਹੈ?
LLM (ਵੱਡਾ ਭਾਸ਼ਾ ਮਾਡਲ) ਇੱਕ ਸਾਫਟਵੇਅਰ ਹੈ ਜੋ ਟੈਕਸਟ ਦੇ ਬਹੁਤ ਵੱਡੇ ਹਿੱਸਿਆਂ ਤੋਂ ਪੈਟਰਨ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਸੰਭਾਵਨਾ ਦੇ ਅਧਾਰ 'ਤੇ "ਅਗਲੇ ਸ਼ਬਦ" ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਹ ChatGPT, Claude, Gemini ਵਰਗੇ ਟੂਲਸ ਦਾ ਇੰਜਣ ਹੈ। ਬਿੰਦੂ ਇਹ ਹੈ: LLM ਇੱਕ "ਭਾਸ਼ਾ ਅਨੁਮਾਨਕ" ਹੈ, "ਗਿਆਨ ਅਧਾਰ" ਨਹੀਂ। ਮਾਈਨਿੰਗ ਸ਼ਬਦਾਵਲੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਬੋਲਦਾ ਹੈ, ਪਰ ਇੱਕ ਗ੍ਰੇਡ ਨੂੰ ਮਾਪਦਾ ਨਹੀਂ ਹੈ; ਉਹ ਸੰਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਦਿਖਦਾ ਹੈ। ਇਸ ਲਈ, ਉਹ ਔਸਤ ਗ੍ਰੇਡ, ਸਟ੍ਰਿਪਿੰਗ ਰੇਟ, ਇੱਕ ਰੈਗੂਲੇਟਰੀ ਧਾਰਾ, ਜਾਂ ਇੱਕ ਵਿਸਫੋਟਕ ਸੀਮਾ ਬਾਰੇ ਭਰੋਸੇਮੰਦ ਪਰ ਗਲਤ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ। ਇਸ ਨੂੰ ਭੁਲੇਖਾ (ਫੈਬਰੀਕੇਸ਼ਨ) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਭਰਮ ਇੱਕ ਖਰਾਬੀ ਨਹੀਂ ਹੈ, ਪਰ ਇਸ ਤਕਨਾਲੋਜੀ ਦੀ ਇੱਕ ਅੰਦਰੂਨੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ; ਇਸ ਲਈ, ਤਸਦੀਕ ਇੱਕ "ਵਾਧੂ ਕਦਮ" ਨਹੀਂ ਹੈ ਪਰ ਨੌਕਰੀ ਦਾ ਇੱਕ ਅਨਿੱਖੜਵਾਂ ਅੰਗ ਹੈ।
ਉਹ ਕੰਮ ਜਿੱਥੇ AI ਮਾਈਨਿੰਗ ਵਿੱਚ ਮਜ਼ਬੂਤ ਹੈ:
- ਸੰਕਲਪ ਦੀ ਵਿਆਖਿਆ ਅਤੇ ਸਿੱਖਿਆ: ਇੱਕ ਵੇਰੀਓਗ੍ਰਾਮ ਕੀ ਹੈ, ਲੀਵਰੇਜ ਨਿਯਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਐਸਿਡ ਮਾਈਨ ਡਰੇਨੇਜ ਕਿਵੇਂ ਹੁੰਦੀ ਹੈ।
- ਡੇਟਾ ਕਲੀਨਿੰਗ ਅਤੇ ਸੰਗਠਨ: ਖਿੰਡੇ ਹੋਏ ਬੋਰਹੋਲ ਲੌਗਸ ਨੂੰ ਇਕਸਾਰ ਸਾਰਣੀ ਵਿੱਚ ਬਦਲਣਾ, ਯੂਨਿਟ ਦੀ ਬੇਮੇਲਤਾ ਨੂੰ ਕੈਪਚਰ ਕਰਨਾ।
- ਅਨੁਮਾਨਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਤਿਆਰ ਕਰਨਾ: ਉਤਪਾਦਨ ਵਿੱਚ ਗਿਰਾਵਟ ਦੇ ਸੰਭਾਵਿਤ ਕਾਰਨਾਂ ਨੂੰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਸੂਚੀਬੱਧ ਕਰਨਾ।
- ਕੋਡਿੰਗ: ਪਾਈਥਨ ਦੇ ਨਾਲ ਡੇਟਾ ਕਲੀਨਿੰਗ, ਗ੍ਰਾਫਿੰਗ, ਭੂ-ਵਿਗਿਆਨ ਅਤੇ ਅਨੌਮਲੀ ਵਿਸ਼ਲੇਸ਼ਣ ਸਕ੍ਰਿਪਟਾਂ।
- ਡਰਾਫਟ ਟੈਕਸਟ: JSA (ਨੌਕਰੀ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ), ਵਾਤਾਵਰਣ ਨਿਗਰਾਨੀ ਰਿਪੋਰਟ, ਡਰਾਫਟ ਟੈਂਡਰ/ਤਕਨੀਕੀ ਨਿਰਧਾਰਨ।
- ਬ੍ਰੇਨਸਟੋਰਮ: ਦ੍ਰਿਸ਼ ਦੀ ਤੁਲਨਾ, ਪ੍ਰਯੋਗ/ਮਾਪ ਯੋਜਨਾ ਦੇ ਵਿਚਾਰ।
ਜਿੱਥੇ AI ਕਮਜ਼ੋਰ ਅਤੇ ਜੋਖਮ ਭਰਪੂਰ ਹੈ:
- ਸਹੀ ਸੰਖਿਆਤਮਕ ਮੁੱਲ (ਗ੍ਰੇਡ, ਰਿਜ਼ਰਵ, ਢਲਾਣ ਕੋਣ, ਸੀਮਾ ਮੁੱਲ) ਦੇਣਾ।
- ਮੌਜੂਦਾ ਅਤੇ ਖਾਸ ਕਾਨੂੰਨ/ਮਿਆਰੀ ਲੇਖ ਅਤੇ ਸੰਸਕਰਣ ਜਾਣਕਾਰੀ।
- ਤੁਹਾਡੀ ਸਾਈਟ ਦੇ ਅਸਲ ਮਾਪ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ ਨਿਦਾਨ.
- ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲਾ: ਧਮਾਕੇ ਦੇ ਡਿਜ਼ਾਈਨ ਦੀ ਪ੍ਰਵਾਨਗੀ, ਨਿਕਾਸੀ ਦਾ ਫੈਸਲਾ, ਸੇਵਾਯੋਗਤਾ।
ਜੋਖਮ-ਅਧਾਰਿਤ ਵਰਗੀਕਰਨ: AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਫਿਲਟਰ
ਹਰ ਕੰਮ ਜੋਖਮ ਦੇ ਇੱਕੋ ਪੱਧਰ 'ਤੇ ਨਹੀਂ ਹੁੰਦਾ। AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਜੋਖਮ ਦੇ ਪੱਧਰ ਦੁਆਰਾ ਕੰਮ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਇੱਕ ਫੈਸਲੇ ਦਾ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ ਤੁਸੀਂ ਇਸ ਮੋਡੀਊਲ ਵਿੱਚ ਕਰੋਗੇ।
ਜੋਖਮ ਦਾ ਪੱਧਰ
ਨਮੂਨਾ ਕੰਮ
AI ਭੂਮਿਕਾ
ਲਾਜ਼ਮੀ ਪੁਸ਼ਟੀਕਰਨ
ਘੱਟ
ਸੰਕਲਪ ਵਿਆਖਿਆ, ਡਰਾਫਟ ਟੈਕਸਟ, ਕੋਡ ਪਿੰਜਰ
ਮੁਫਤ ਵਰਤੋਂ
ਸਮੀਖਿਆ ਕਾਫ਼ੀ ਹੈ
ਮੱਧਮ
ਡਾਟਾ ਸਫਾਈ, ਅਨੁਮਾਨ ਸੂਚੀ, ਗਣਨਾ ਸੈੱਟਅੱਪ
ਡਰਾਫਟ/ਸਹਿ-ਲੇਖਕ
ਮੈਨੁਅਲ ਕੰਟਰੋਲ + ਸਰੋਤ ਪੁਸ਼ਟੀ
ਉੱਚ
ਰਿਜ਼ਰਵ ਅਨੁਮਾਨ, ਟੋਏ ਦੀ ਸੀਮਾ, ਧਮਾਕੇ ਦਾ ਪੈਰਾਮੀਟਰ
ਵਿਚਾਰ ਜਨਰੇਟਰ
ਮਿਆਰੀ + ਖੇਤਰ ਮਾਪ + ਸਾਫਟਵੇਅਰ
ਨਾਜ਼ੁਕ
ਨਿਕਾਸੀ ਦਾ ਫੈਸਲਾ, ਢਲਾਣ ਸੁਰੱਖਿਆ, ਸੇਵਾਯੋਗਤਾ/ਉਪਯੋਗਤਾ ਦਾ ਫੈਸਲਾ
ਸਿਰਫ਼ ਡਰਾਫਟ/ਸਕੈਨ
ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ + ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਟੈਸਟਿੰਗ
ਸੁਝਾਅ: ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਕੰਮ ਨੂੰ "ਨਾਜ਼ੁਕ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ, ਤਾਂ AI ਦਾ ਆਉਟਪੁੱਟ ਕਦੇ ਵੀ ਅੰਤਿਮ ਦਸਤਾਵੇਜ਼ ਨਹੀਂ ਹੁੰਦਾ। ਵੱਧ ਤੋਂ ਵੱਧ ਇਹ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਡਰਾਫਟ ਜਾਂ ਚੈਕਲਿਸਟ ਹੋ ਸਕਦਾ ਹੈ; ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦਾ ਹੈ।
ਐਂਡ-ਟੂ-ਐਂਡ ਫਲੋ: ਤੁਹਾਡੇ ਵਰਕਫਲੋ ਵਿੱਚ ਏਆਈ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ
ਮਾਈਨਿੰਗ ਵਿੱਚ ਇੱਕ ਆਮ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ ਵਾਲਾ ਚੱਕਰ ਇਸ ਤਰ੍ਹਾਂ ਚਲਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ AI ਹਰੇਕ ਪੜਾਅ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਪਰ ਉਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਨੂੰ ਵੀ ਬੰਦ ਨਹੀਂ ਕਰਦਾ:
- ਸਮੱਸਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਕੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨੀ ਹੈ, ਕੀ ਫੈਸਲਾ ਕਰਨਾ ਹੈ, ਕਿਹੜੀ ਰੁਕਾਵਟ ਹੈ? (AI: ਸਵਾਲ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ।)
- ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ ਅਤੇ ਸਾਫ਼ ਕਰੋ: ਡ੍ਰਿਲਿੰਗ, ਉਤਪਾਦਨ, ਨਿਗਰਾਨੀ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਡੇਟਾ। (AI: ਸਫਾਈ ਅਤੇ ਅਸੰਗਤਤਾ ਦੀ ਜਾਂਚ ਵਿੱਚ ਮਜ਼ਬੂਤ।)
- ਪਰਿਕਲਪਨਾ / ਦ੍ਰਿਸ਼ ਬਣਾਓ: ਸੰਭਾਵੀ ਕਾਰਨ, ਵਿਕਲਪਕ ਯੋਜਨਾਵਾਂ। (AI: ਯੋਜਨਾਬੱਧ ਸੂਚੀ ਤਿਆਰ ਕਰਦਾ ਹੈ।)
- ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ: ਗਣਨਾ, ਜੀਓਸਟੈਟਿਸਟਿਕਸ, ਮਾਡਲ, ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ। (AI: ਕੋਡ ਅਤੇ ਕੈਲਕੂਲੇਸ਼ਨ ਫਿਕਸ਼ਨ ਤਿਆਰ ਕਰਦਾ ਹੈ।)
- ਪੁਸ਼ਟੀ ਕਰੋ: ਸਟੈਂਡਰਡ, ਫੀਲਡ, ਸਟੈਂਡਅਲੋਨ ਖਾਤਾ, ਸਾਫਟਵੇਅਰ। (AI ਪਾਸੇ ਹੈ; ਮਨੁੱਖ ਅਤੇ ਮਾਪ ਫੈਸਲਾ ਕਰਦੇ ਹਨ।)
- ਰਿਪੋਰਟ ਕਰੋ ਅਤੇ ਫੈਸਲਾ ਕਰੋ: ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦਾ ਹੈ। (AI: ਡਰਾਫਟ ਲੇਖਕ।)
ਇਹਨਾਂ ਛੇ ਕਦਮਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ; ਬਾਕੀ ਦਾ ਮੋਡਿਊਲ ਤੁਹਾਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਕੰਕਰੀਟ ਮਾਈਨਿੰਗ ਕੰਮਾਂ ਦੇ ਨਾਲ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਕਦਮ ਦਰ ਕਦਮ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਮੇਡ-ਅੱਪ ਔਸਤ ਗ੍ਰੇਡ। ਇੱਕ ਇੰਟਰਨਲ ਏਆਈ ਚੈਟ ਟੂਲ ਨੂੰ ਇੱਕ ਤਾਂਬੇ ਦੇ ਪ੍ਰੋਜੈਕਟ ਦੇ ਔਸਤ ਗ੍ਰੇਡ ਬਾਰੇ ਪੁੱਛਦਾ ਹੈ; AI ਕਹਿੰਦਾ ਹੈ "ਲਗਭਗ 0.65% Cu." ਇੰਟਰਨ ਇਸ ਨੂੰ ਨਿਵੇਸ਼ ਪੇਸ਼ਕਾਰੀ ਵਿੱਚ ਰੱਖਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਏਆਈ ਨੇ ਇਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਇੱਕ ਵੀ ਡ੍ਰਿਲਿੰਗ ਡੇਟਾ ਨਹੀਂ ਦੇਖਿਆ ਹੈ; "ਕਾਂਪਰ ਪ੍ਰੋਜੈਕਟ" ਲਈ ਇੱਕ ਖਾਸ ਸੰਖਿਆ ਤਿਆਰ ਕੀਤੀ। ਅਸਲ ਮੁੱਲ ਸਿਰਫ ਪ੍ਰੋਜੈਕਟ ਦੇ ਆਪਣੇ ਕੰਪੋਜ਼ਿਟਡ ਡਰਿਲਿੰਗ ਡੇਟਾ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਅੰਦਾਜ਼ੇ ਤੋਂ ਆਉਂਦਾ ਹੈ; ਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਅਸਲ ਮੁੱਲ 0.38% ਹੈ। ਅੰਤਰ ਲਾਭਦਾਇਕ ਦਿਖਾਈ ਦੇਣ ਵਾਲੇ ਨਿਵੇਸ਼ ਅਤੇ ਘਾਟੇ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ ਹੈ। ਸਹੀ ਰਵੱਈਆ ਇਹ ਹੈ ਕਿ ਏਆਈ ਲਈ ਗ੍ਰੇਡ ਕਦੇ ਵੀ "ਪੁੱਛੋ" ਨਾ, ਪਰ ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾਬੇਸ ਤੋਂ ਇਸਦੀ ਗਣਨਾ ਕਰੋ।
ਕੇਸ 2 - ਗੈਰ-ਮੌਜੂਦ ਨਿਯਮ ਧਾਰਾ। ਇੱਕ ਇੰਜਨੀਅਰ AI ਨੂੰ ਬਲਾਸਟਿੰਗ ਵਿੱਚ ਮਨਜ਼ੂਰ ਅਧਿਕਤਮ ਜ਼ਮੀਨੀ ਵਾਈਬ੍ਰੇਸ਼ਨ (PPV: ਪੀਕ ਪਾਰਟੀਕਲ ਵੇਲੋਸਿਟੀ, mm/s) ਪੁੱਛਦਾ ਹੈ। AI ਕਹਿੰਦਾ ਹੈ "ਨਿਯਮ ਦੇ ਅਨੁਸਾਰ 10 mm/s" ਅਤੇ ਇੱਕ ਆਈਟਮ ਨੰਬਰ ਬਣਾਉਂਦਾ ਹੈ। ਇੰਜਨੀਅਰ ਉਸ ਅਨੁਸਾਰ ਰਿਪੋਰਟ ਲਿਖਦਾ ਹੈ। ਨਿਰੀਖਣ ਦੌਰਾਨ, ਇਹ ਸਾਹਮਣੇ ਆਇਆ ਹੈ ਕਿ ਆਈਟਮ ਨੰਬਰ ਅਸਲ ਨਹੀਂ ਹੈ ਅਤੇ ਸੀਮਾ ਮੁੱਲ ਦੂਰੀ ਅਤੇ ਇਮਾਰਤ ਦੀ ਕਿਸਮ ਦੇ ਅਧਾਰ 'ਤੇ ਬਦਲਦਾ ਹੈ। ਸਹੀ ਰਵੱਈਆ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਮੌਜੂਦਾ ਨਿਯਮ ਨੂੰ ਖੋਲ੍ਹਣਾ ਅਤੇ ਮੁੱਲ ਅਤੇ ਪਦਾਰਥ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਹੈ। ਭਾਵੇਂ AI ਨਿਯਮ ਦਾ ਨਾਮ ਸਹੀ ਢੰਗ ਨਾਲ ਜਾਣਦਾ ਹੈ, ਇਹ ਲੇਖ ਨੰਬਰ ਨੂੰ ਭੁਲੇਖਾ ਪਾ ਸਕਦਾ ਹੈ।
ਕੇਸ 3 - ਸਹੀ ਵਰਤੋਂ। ਇੱਕ ਭੂ-ਵਿਗਿਆਨੀ ਨੂੰ 40 ਬੋਰਹੋਲ ਦੇ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਗ੍ਰੇਡ ਕਾਲਮ ਵਿੱਚ ਇੱਕ ਅੰਤਰ ਹੋਣ ਦਾ ਸ਼ੱਕ ਹੈ। ਇਹ AI ਨੂੰ "ਇਸ ਸਾਰਣੀ ਵਿੱਚ ਉਹਨਾਂ ਕਤਾਰਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਨ ਲਈ ਕਹਿੰਦਾ ਹੈ ਜਿਹਨਾਂ ਵਿੱਚ ਇਕਾਈ ਅਸੰਗਤਤਾਵਾਂ, ਨਕਾਰਾਤਮਕ ਮੁੱਲ, ਦ੍ਰਿਸ਼ਮਾਨ ਆਊਟਲੀਅਰ, ਅਤੇ ਖਾਲੀ ਸੈੱਲ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਉਹ ਲਿਖੋ ਜੋ ਤੁਹਾਨੂੰ ਹਰ ਇੱਕ ਲਈ ਸ਼ੱਕ ਹੈ; ਠੀਕ ਨਾ ਕਰੋ, ਸਿਰਫ਼ ਨਿਸ਼ਾਨ ਲਗਾਓ।" AI ppm, ਦੋ ਨੈਗੇਟਿਵ ਗ੍ਰੇਡ, ਅਤੇ ਇੱਕ 999 ਕੋਡ ਮੁੱਲ ਦੇ ਨਾਲ % ਮਿਕਸਡ ਦੇ ਨਾਲ ਮਿਕਸਡ ਕੁਝ ਲਾਈਨਾਂ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ। ਭੂ-ਵਿਗਿਆਨੀ ਕੱਚੇ ਚਿੱਠਿਆਂ ਵਿੱਚੋਂ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਇਨ੍ਹਾਂ ਦੀ ਜਾਂਚ ਅਤੇ ਸੁਧਾਰ ਕਰਦਾ ਹੈ। ਇੱਥੇ AI ਦੀ ਸਹੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ: ਧਿਆਨ ਖਿੱਚਿਆ, ਮਨੁੱਖ ਨੇ ਫੈਸਲਾ ਲਿਆ ਅਤੇ ਸੁਧਾਰ ਕੀਤਾ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
ਤੁਸੀਂ ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਂਪਲੇਟਾਂ ਨੂੰ ਆਪਣੇ ਕਾਰੋਬਾਰ ਲਈ ਅਨੁਕੂਲ ਬਣਾ ਕੇ ਵਰਤ ਸਕਦੇ ਹੋ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ, "ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਦੇਣ, ਸਰੋਤ ਦਰਸਾਉਣ, ਅਨਿਸ਼ਚਿਤਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ" ਲਈ ਇੱਕ ਸੁਚੇਤ ਹਦਾਇਤ ਹੈ।
ਰੋਲ ਅਤੇ ਸੀਮਾ ਟੇਮਪਲੇਟ "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਤਜਰਬੇਕਾਰ ਮਾਈਨਿੰਗ ਇੰਜੀਨੀਅਰ ਸਹਾਇਕ ਹੋ। ਕੰਮ: [ਵਿਸ਼ਾ ਲਿਖੋ]। ਨਿਯਮ: ਸਹੀ ਸੰਖਿਆਤਮਕ ਮੁੱਲ (ਗ੍ਰੇਡ, ਰਿਜ਼ਰਵ, ਸੀਮਾ) ਦਿੰਦੇ ਸਮੇਂ, ਸਰੋਤ ਦਿਓ; ਜੇਕਰ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ, ਤਾਂ ਕਹੋ 'ਪੜਤਾਲ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ'। ਜੇਕਰ ਤੁਸੀਂ ਇਸ ਦਾ ਇੱਕ ਸੰਸਕਰਣ ਦਿੰਦੇ ਹੋ, ਤਾਂ ਇਸ ਨੂੰ ਨਿਯਮਿਤ ਰੂਪ ਨਾਲ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਇਸ ਨੂੰ ਨਿਯਮਿਤ ਰੂਪ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਜਵਾਬ ਦੇ ਅੰਤ ਵਿੱਚ, ਆਈਟਮ ਦੁਆਰਾ 'ਫੀਲਡ ਮਾਪ/ਗਣਨਾ ਦੁਆਰਾ ਤਸਦੀਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ' ਲਿਖੋ।"
ਹਾਇਪੋਥੀਸਿਸ ਜਨਰੇਸ਼ਨ ਟੈਂਪਲੇਟ "ਹੇਠ ਦਿੱਤੀ ਸਥਿਤੀ ਦੇ ਸੰਭਾਵਿਤ ਕਾਰਨਾਂ ਦੀ ਇੱਕ ਵਿਵਸਥਿਤ ਸੂਚੀ ਤਿਆਰ ਕਰੋ: [ਸਥਿਤੀ ਦਾ ਵਰਣਨ ਕਰੋ; ਕੀ ਦੇਖਿਆ ਗਿਆ ਸੀ, ਕਿਹੜਾ ਡੇਟਾ ਉਪਲਬਧ ਹੈ]। ਹਰੇਕ ਪਰਿਕਲਪਨਾ ਲਈ: (1) ਕਿਹੜਾ ਸਬੂਤ ਇਸਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, (2) ਇਸਦੀ ਪੁਸ਼ਟੀ/ਨਿਰਮਾਣ ਕਰਨ ਲਈ ਕੀ ਮਾਪ ਜਾਂ ਗਣਨਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਇੱਕ ਨਿਸ਼ਚਤ ਜਾਂਚ-ਪੜਤਾਲ ਸੜਕ ਬਣਾਓ।"
ਤਸਦੀਕ ਚੈਕਲਿਸਟ ਟੈਮਪਲੇਟ "ਹੇਠਾਂ ਰਿਪੋਰਟ ਡਰਾਫਟ ਵਿੱਚ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਅਤੇ ਹਰੇਕ ਨਿਯਮ/ਮਿਆਰੀ ਸੰਦਰਭ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰੋ। ਹਰੇਕ ਲਈ, ਇਹ ਦਰਸਾਓ ਕਿ ਕਿਸ ਸਰੋਤ ਤੋਂ (ਸਵੈ-ਡਰਿਲਿੰਗ ਡੇਟਾ, ਰੈਗੂਲੇਟਰੀ ਟੈਕਸਟ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਰਿਪੋਰਟ, ਫੀਲਡ ਸਰਵੇਖਣ) ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਅਨਿਸ਼ਚਿਤ ਮੂਲ ਦੇ ਉਹਨਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰੋ ਜੋ 'ਵਰਤਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ:' [Tepaste ਤੋਂ ਬਿਨਾਂ] ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।"
ਅਗਿਆਤਕਰਨ ਪ੍ਰੀ-ਚੈੱਕ ਟੈਮਪਲੇਟ "ਕਿਸੇ AI ਟੂਲ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਫਲੈਗ ਟਰੇਡ ਸੀਕਰੇਟ ਜਾਂ ਨਿੱਜੀ/ਰੈਗੂਲੇਟਰੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹਿੱਸੇ: ਰਿਜ਼ਰਵ ਨੰਬਰ, ਲਾਇਸੈਂਸ ਨੰਬਰ, ਅਸਲ ਕੋਆਰਡੀਨੇਟਸ, ਗਾਹਕ/ਸਟਾਫ਼ ਦੇ ਨਾਮ, ਗੁਪਤ ਲਾਗਤ ਡੇਟਾ। ਸੁਝਾਅ ਦਿਓ ਕਿ ਮੈਂ ਇਹਨਾਂ ਨੂੰ ਕਿਵੇਂ ਅਗਿਆਤ ਕਰ ਸਕਦਾ ਹਾਂ। ਟੈਕਸਟ: [ਪੇਸਟ]।"
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਇੱਕੋ ਸਵਾਲ ਨੂੰ ਦੋ ਤਰੀਕਿਆਂ ਨਾਲ ਪੁੱਛਣ ਨਾਲ ਬਹੁਤ ਵੱਖਰੇ ਨਤੀਜੇ ਨਿਕਲਣਗੇ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਖਾਨ ਦਾ ਰਿਜ਼ਰਵ ਕਿੰਨਾ ਹੈ?"
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਸਹਾਇਕ ਸਰੋਤ ਭੂ-ਵਿਗਿਆਨੀ ਹੋ। ਸਮਝਾਓ ਕਿ ਇੱਕ ਰਿਜ਼ਰਵ/ਸਰੋਤ ਅਨੁਮਾਨ ਨੂੰ ਕਿਹੜੇ ਪੜਾਅ (ਕੰਪੋਜ਼ਿਟਿੰਗ, ਵੇਰੀਓਗ੍ਰਾਮ, ਕ੍ਰੀਗਿੰਗ, ਵਰਗੀਕਰਨ, ਆਰਥਿਕ ਸੀਮਾ) ਵਿੱਚੋਂ ਲੰਘਣ ਦੀ ਲੋੜ ਹੈ ਅਤੇ ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਕਿਹੜੇ ਡੇਟਾ ਅਤੇ ਕਿਸ ਸਮਰੱਥ ਵਿਅਕਤੀ ਦੀ ਮਨਜ਼ੂਰੀ ਦੀ ਲੋੜ ਹੈ। ਕੋਈ ਸਹੀ ਰਿਜ਼ਰਵ ਨੰਬਰ ਨਾ ਦਿਓ; ਸਿਰਫ਼ ਇਸ ਪ੍ਰੋਜੈਕਟ ਦੇ ਡੇਟਾ ਦਾ ਹਿਸਾਬ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। JORC/UMREK ਵਰਗੇ ਕੋਡ ਦੇ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।"
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਮੇਕਅੱਪ ਕਰਨ ਲਈ ਸੱਦਾ ਦਿੰਦਾ ਹੈ; ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਇਸ ਨੂੰ ਸਹੀ ਕੰਮ (ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਰਣਨ) ਵਿੱਚ ਰੱਖਦਾ ਹੈ ਅਤੇ ਡਿਜੀਟਲ ਭੁਲੇਖੇ ਨੂੰ ਪਹਿਲੀ ਥਾਂ 'ਤੇ ਹੋਣ ਤੋਂ ਰੋਕਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- AI ਨੂੰ ਕੋਰਸ-ਵਿਸ਼ੇਸ਼ ਨੰਬਰਾਂ ਜਿਵੇਂ ਕਿ ਗ੍ਰੇਡ, ਰਿਜ਼ਰਵ, ਆਦਿ ਲਈ "ਪੁੱਛਣਾ"। AI ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ ਹੈ; ਇਹਨਾਂ ਨੰਬਰਾਂ ਦੀ ਗਣਨਾ ਸਿਰਫ਼ ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾਬੇਸ ਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਕਾਨੂੰਨ/ਮਿਆਰੀ ਧਾਰਾ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਆਈਟਮ ਨੰਬਰ ਅਤੇ ਮੁੱਲ ਨੂੰ ਅਕਸਰ ਭੁਲੇਖਾ ਪਾਇਆ ਜਾਂਦਾ ਹੈ।
- AI ਆਉਟਪੁੱਟ 'ਤੇ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲੇ ਨੂੰ ਆਧਾਰਿਤ ਕਰਨਾ। ਨਿਕਾਸੀ, ਬਲਾਸਟਿੰਗ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਸੇਵਾਯੋਗਤਾ ਦੇ ਫੈਸਲੇ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੁਆਰਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
- ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕੀਤੇ ਬਿਨਾਂ ਕਲਾਉਡ ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕਰਨਾ। ਰਿਜ਼ਰਵ, ਤਾਲਮੇਲ ਅਤੇ ਲਾਗਤ ਡੇਟਾ ਵਪਾਰਕ ਰਾਜ਼ ਹਨ।
- ਇੱਕ ਸਵਾਲ ਅਤੇ ਇੱਕ ਜਵਾਬ ਦੀ ਉਡੀਕ ਹੈ। AI ਦੀ ਦੁਹਰਾਈ ਨਾਲ ਵਰਤੋਂ ਕਰੋ: ਡਰਾਫਟ ਤਿਆਰ ਕਰੋ, ਆਲੋਚਨਾ ਕਰੋ, ਪੁਸ਼ਟੀ ਕਰੋ, ਸਹੀ ਕਰੋ।
ਸਾਵਧਾਨ: ਇੱਕ AI ਆਉਟਪੁੱਟ ਵਿੱਚ ਇੱਕ ਨੰਬਰ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਸਟੀਕ ਅਤੇ ਭਰੋਸੇਮੰਦ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਤਸਦੀਕ ਦੀ ਲੋੜ ਓਨੀ ਹੀ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ। ਸ਼ੁੱਧਤਾ ਸ਼ੁੱਧਤਾ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਤੁਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ AI ਮਾਈਨਿੰਗ ਵਿੱਚ ਇੱਕ ਸਹਾਇਕ ਹੈ, ਫੈਸਲਾ ਲੈਣ ਵਾਲਾ ਨਹੀਂ। LLM ਭਾਸ਼ਾ ਪੂਰਵ-ਸੂਚਕ ਹਨ; ਇਹ ਸੰਕਲਪ ਵਿਆਖਿਆ, ਡੇਟਾ ਸਫਾਈ, ਪਰਿਕਲਪਨਾ ਅਤੇ ਕੋਡ ਬਣਾਉਣ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਸਹੀ ਸੰਖਿਆਵਾਂ ਅਤੇ ਵਿਧਾਨ (ਭਰਮ) ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਜੋਖਮ ਭਰਪੂਰ ਹੈ। ਕਾਰਜਾਂ ਨੂੰ ਘੱਟ/ਮੱਧਮ/ਉੱਚ/ਨਾਜ਼ੁਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ ਅਤੇ ਉਸ ਅਨੁਸਾਰ ਤਸਦੀਕ ਦੀ ਡੂੰਘਾਈ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰੋ। ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾ ਜਾਂ ਫੀਲਡ ਮਾਪ ਤੋਂ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਹਰ ਰੈਗੂਲੇਟਰੀ ਸੰਦਰਭ। ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲੇ ਹਮੇਸ਼ਾ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਕੋਲ ਰਹਿੰਦੇ ਹਨ ਅਤੇ ਵਰਤੋਂ ਤੋਂ ਪਹਿਲਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਦੇ ਹਨ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਖੁਦ ਦੇ ਕਾਰੋਬਾਰ (ਜਾਂ ਇੱਕ ਜਾਅਲੀ ਮਾਈਨਿੰਗ ਪ੍ਰੋਜੈਕਟ) ਤੋਂ ਪੰਜ ਕਾਰਜ ਚੁਣੋ: ਇੱਕ ਸੰਕਲਪ ਵਰਣਨ, ਇੱਕ ਡੇਟਾ ਸਫਾਈ, ਅਨੁਮਾਨਾਂ ਦੀ ਇੱਕ ਸੂਚੀ, ਇੱਕ ਰਿਜ਼ਰਵ/ਸੰਖਿਆਤਮਕ ਮੁੱਲ, ਅਤੇ ਇੱਕ ਰੈਗੂਲੇਟਰੀ ਸਵਾਲ। ਉਪਰੋਕਤ ਜੋਖਮ ਸਾਰਣੀ ਵਿੱਚ ਹਰੇਕ ਨੂੰ ਰੱਖੋ। ਫਿਰ "ਰੋਲ ਅਤੇ ਸੀਮਾ" ਟੈਮਪਲੇਟ ਨਾਲ AI ਨੂੰ ਦੋ ਘੱਟ/ਮੱਧਮ ਜੋਖਮ ਵਾਲੇ ਕਾਰਜਾਂ ਨੂੰ ਆਊਟਸੋਰਸ ਕਰੋ ਅਤੇ ਆਉਟਪੁੱਟ ਦੇ ਹਰੇਕ ਸੰਖਿਆਤਮਕ/ਨਿਯੰਤ੍ਰਕ ਤੱਤ ਨੂੰ "ਤਸਦੀਕ ਜਾਂਚ ਸੂਚੀ" ਟੈਮਪਲੇਟ ਨਾਲ ਚਿੰਨ੍ਹਿਤ ਕਰੋ। ਲਿਖੋ ਕਿ ਕਿਹੜੇ ਤੱਤ ਬਿਨਾਂ ਤਸਦੀਕ ਦੇ ਵਰਤੇ ਨਹੀਂ ਜਾ ਸਕਦੇ।
ਚੈੱਕਲਿਸਟ
- ਮੈਂ ਇਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਮਿਸ਼ਨ ਨੂੰ ਜੋਖਮ ਪੱਧਰ (ਘੱਟ/ਮੱਧਮ/ਉੱਚ/ਨਾਜ਼ੁਕ) 'ਤੇ ਰੱਖਿਆ।
- [ ] ਮੈਂ AI ਨੂੰ ਪੁੱਛਣ ਦੀ ਬਜਾਏ ਆਪਣੀ ਖੁਦ ਦੀ ਪੈਦਾਵਾਰ ਤੋਂ ਫੀਲਡ-ਵਿਸ਼ੇਸ਼ ਸੰਖਿਆਵਾਂ ਜਿਵੇਂ ਕਿ ਗ੍ਰੇਡ, ਰਿਜ਼ਰਵ, ਆਦਿ ਦੀ ਗਣਨਾ ਕੀਤੀ।
- ਮੈਂ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਹਰੇਕ ਵਿਧਾਨ/ਮਿਆਰੀ ਹਵਾਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ (ਰਿਜ਼ਰਵ, ਕੋਆਰਡੀਨੇਟਸ, ਨਾਮ, ਲਾਗਤ) ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲੇ ਨੂੰ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਮਨਜ਼ੂਰੀ 'ਤੇ ਛੱਡ ਦਿੱਤਾ, ਨਾ ਕਿ AI ਆਉਟਪੁੱਟ 'ਤੇ ਅਧਾਰਤ।
- [ ] ਮੈਂ AI ਆਉਟਪੁੱਟ ਵਿੱਚ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਮੁੱਲ ਨੂੰ "ਪੁਸ਼ਟੀ ਤੋਂ ਬਿਨਾਂ ਵਰਤਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ" ਲਈ ਸਕੈਨ ਕੀਤਾ ਹੈ।