ਲਾਭ:
- ਸਕ੍ਰਿਪਟਾਂ ਤਿਆਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ AI ਸਮਰਥਨ ਦੇ ਨਾਲ, ਪਾਈਥਨ ਨਾਲ ਡਰਿਲਿੰਗ, ਉਤਪਾਦਨ ਅਤੇ ਨਿਗਰਾਨੀ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਅਤੇ ਕਲਪਨਾ ਕਰਦੀਆਂ ਹਨ
- ਸਧਾਰਨ ਪੂਰਵ-ਅਨੁਮਾਨ ਅਤੇ ਅਸੰਗਤ ਮਾਡਲ ਬਣਾਉਣ ਵੇਲੇ ਡਾਟਾ ਗੁਣਵੱਤਾ, ਓਵਰਲਰਨਿੰਗ ਅਤੇ ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਜੋਖਮਾਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਸਮਰੱਥਾ
- ਏਆਈ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਯੂਨਿਟ ਨਿਯੰਤਰਣ, ਸੁਤੰਤਰ ਗਣਨਾ ਅਤੇ ਇੰਜਨੀਅਰਿੰਗ ਪ੍ਰਸੰਨਤਾ ਨਾਲ ਨਤੀਜਾ
ਇਸ ਮੋਡੀਊਲ ਦੀ ਹਰੇਕ ਇਕਾਈ ਵਿੱਚ ਤੁਸੀਂ ਦੇਖਿਆ ਹੈ ਕਿ AI ਕੋਡਿੰਗ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ: ਬੋਰਹੋਲ ਕਲੀਨਿੰਗ, ਪੁੰਜ ਸੰਤੁਲਨ, ਕ੍ਰੀਗਿੰਗ ਸਕੈਲਟਨ, ਫਲੀਟ ਸੰਖੇਪ, ਵਾਈਬ੍ਰੇਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ, ਵਾਤਾਵਰਣ ਸਕੈਨਿੰਗ। ਇਹ ਆਖਰੀ ਇਕਾਈ ਪਾਈਥਨ, ਉਸ ਕੋਡ ਲਈ ਠੋਸ ਟੂਲ, ਅਤੇ AI ਨਾਲ ਕੋਡ ਬਣਾਉਣ ਦੇ ਉਚਿਤ ਅਨੁਸ਼ਾਸਨ 'ਤੇ ਕੇਂਦਰਿਤ ਹੈ। ਪਾਈਥਨ ਮਾਈਨਿੰਗ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਅਸਲ ਮਿਆਰ ਬਣ ਗਿਆ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮੁਫਤ ਹੈ, ਇਸ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਲਾਇਬ੍ਰੇਰੀਆਂ ਹਨ (ਪਾਂਡਾ: ਟੇਬਲਯੂਲਰ ਡੇਟਾ ਹੇਰਾਫੇਰੀ; ਨਮਪੀ: ਸੰਖਿਆਤਮਕ ਕੈਲਕੂਲਸ; ਮੈਟਪਲੋਟਲਿਬ: ਪਲਾਟਿੰਗ; ਸਕਿਟ-ਲਰਨ: ਮਸ਼ੀਨ ਸਿਖਲਾਈ), ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਦਾ ਹੈ। AI ਉਸ ਗਤੀ ਨੂੰ ਗੁਣਾ ਕਰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਉਹ ਕੋਡ ਲਿਖਦੇ ਹੋ; ਪਰ ਇਹ ਜੋ ਕੋਡ ਬਣਾਉਂਦਾ ਹੈ ਉਹ ਹਮੇਸ਼ਾ ਸਹੀ ਨਹੀਂ ਹੁੰਦਾ। ਇਸ ਯੂਨਿਟ ਦਾ ਕੇਂਦਰੀ ਸਿਧਾਂਤ: ਏਆਈ ਦੁਆਰਾ ਲਿਖੇ ਕੋਡ ਨੂੰ ਪਹਿਲਾਂ ਪੜ੍ਹੇ ਬਿਨਾਂ, ਇਸਦੀ ਇਕਾਈ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ, ਅਤੇ ਇਸ ਨੂੰ ਥੋੜ੍ਹੇ ਜਿਹੇ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕੀਤੇ ਬਿਨਾਂ ਕਦੇ ਵੀ ਨਾ ਚਲਾਓ। ਕੋਡ ਚੁੱਪਚਾਪ ਗਲਤ ਨਤੀਜਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਮਾਈਨਿੰਗ ਵਿੱਚ ਇੱਕ ਗਲਤ ਇੰਜੀਨੀਅਰਿੰਗ ਫੈਸਲੇ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ।
AI ਨਾਲ ਕੋਡ ਬਣਾਉਣ ਦਾ ਮੂਲ ਪ੍ਰਵਾਹ
AI ਤੋਂ ਕੋਡ ਪ੍ਰਾਪਤ ਕਰਨਾ ਇੱਕ ਇੰਜੀਨੀਅਰਿੰਗ ਚੱਕਰ ਹੈ, ਗੱਲਬਾਤ ਨਹੀਂ:
- ਕੰਮ ਦਾ ਸਪਸ਼ਟ ਵਰਣਨ ਕਰੋ। ਇਨਪੁਟ (ਕਾਲਮ, ਇਕਾਈਆਂ, ਨਮੂਨਾ ਕਤਾਰ), ਲੋੜੀਦਾ ਆਉਟਪੁੱਟ, ਅਤੇ ਰੁਕਾਵਟਾਂ। ਅਸਪਸ਼ਟ ਬੇਨਤੀ ਅਸਪਸ਼ਟ ਕੋਡ ਪੈਦਾ ਕਰਦੀ ਹੈ।
- ਇਸ ਨੂੰ ਛੋਟਾ ਅਤੇ ਪੜ੍ਹਨਯੋਗ ਬਣਾਉਣ ਲਈ ਕਹੋ। ਇੱਕ ਵਿਸ਼ਾਲ ਫੰਕਸ਼ਨ ਦੀ ਬਜਾਏ ਕਦਮ-ਦਰ-ਕਦਮ, ਟਿੱਪਣੀ ਕੋਡ ਲਈ ਪੁੱਛੋ।
- ਪੜ੍ਹੋ ਅਤੇ ਸਮਝੋ. ਸਮਝੋ ਕਿ ਹਰੇਕ ਲਾਈਨ ਕੀ ਕਰਦੀ ਹੈ; ਉਹ ਕੋਡ ਨਾ ਚਲਾਓ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਸਮਝਦੇ।
- ਛੋਟੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕਰੋ। ਇਸਨੂੰ 5-10 ਲਾਈਨਾਂ ਨਾਲ ਹੱਥੀਂ ਚਲਾਓ ਜਿਸ ਦੇ ਨਤੀਜੇ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਅਤੇ ਉਮੀਦ ਕੀਤੀ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
- ਸਵਾਲ ਕਿਨਾਰੇ ਮਾਮਲੇ. ਖਾਲੀ ਸੈੱਲ, ਨਕਾਰਾਤਮਕ ਮੁੱਲ, ਯੂਨਿਟ ਸ਼ਫਲਿੰਗ, ਦੁਹਰਾਉਣਾ ਰਿਕਾਰਡ ਕੋਡ ਕਿਵੇਂ ਵਿਵਹਾਰ ਕਰਦਾ ਹੈ?
- ਤਰਕ ਨੂੰ ਸਕੇਲ ਕਰੋ ਅਤੇ ਜਾਂਚ ਕਰੋ। ਸਾਰੇ ਡੇਟਾ ਤੇ ਚਲਾਓ; ਕੀ ਨਤੀਜਾ ਇੰਜੀਨੀਅਰਿੰਗ ਤੌਰ 'ਤੇ ਵਾਜਬ ਹੈ?
ਸੰਕੇਤ: ਸਭ ਤੋਂ ਆਮ ਤਰੁਟੀਆਂ ਜੋ AI ਕੋਡ ਨੂੰ ਦਾਖਲ ਕਰਦੀਆਂ ਹਨ ਉਹ ਚੁੱਪ ਹਨ: ਗਲਤ ਕਾਲਮ ਨਾਮ, ਯੂਨਿਟ ਮਿਕਸਿੰਗ (m vs ft, g/t ਬਨਾਮ ppm), ਚੁੱਪਚਾਪ ਡ੍ਰੌਪ ਕੀਤੀਆਂ ਕਤਾਰਾਂ (ਜਿਵੇਂ ਕਿ ਡ੍ਰੌਪਨਾ), ਗਲਤ ਔਸਤ (ਸਾਦਾ ਔਸਤ ਜਦੋਂ ਇਸ ਨੂੰ ਵਜ਼ਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ)। ਇਹ ਗਲਤੀਆਂ ਦਾ ਕਾਰਨ ਨਹੀਂ ਬਣਦੇ; ਇਹ ਸਿਰਫ ਗਲਤ ਨੰਬਰ ਪੈਦਾ ਕਰਦਾ ਹੈ. ਇਸ ਲਈ "ਗਲਤੀ ਨਹੀਂ ਮਿਲੀ" ਦਾ ਮਤਲਬ ਕਦੇ ਵੀ "ਸਹੀ" ਨਹੀਂ ਹੁੰਦਾ।
ਮਾਈਨਿੰਗ ਵਿੱਚ ਆਮ ਪਾਈਥਨ ਕਾਰਜ
- ਡੇਟਾ ਕਲੀਨਿੰਗ: ਡ੍ਰਿਲਿੰਗ/ਉਤਪਾਦਨ/ਨਿਗਰਾਨੀ ਟੇਬਲਾਂ ਨੂੰ ਮਿਲਾਉਣਾ, ਅਸੰਗਤਤਾ ਫਲੈਗਿੰਗ, ਯੂਨਿਟ ਸਧਾਰਣ ਕਰਨਾ।
- ਸੰਖੇਪ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ: ਹਿਸਟੋਗ੍ਰਾਮ, ਸਮਾਂ ਲੜੀ, ਗ੍ਰੇਡ-ਟਨੇਜ ਕਰਵ, OEE ਗ੍ਰਾਫ।
- ਅੰਕੜੇ ਅਤੇ ਜੀਓਸਟੈਟਿਸਟਿਕਸ: ਸੰਖੇਪ ਅੰਕੜੇ, ਸਬੰਧ, ਵੇਰੀਓਗ੍ਰਾਮ/ਕ੍ਰਿਗਿੰਗ (ਵਿਸ਼ੇਸ਼ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੇ ਨਾਲ)।
- ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣਾ: ਥ੍ਰੈਸ਼ਹੋਲਡ-ਅਧਾਰਿਤ ਜਾਂ ਸਧਾਰਨ ਮਾਡਲ-ਅਧਾਰਿਤ ਡ੍ਰਾਈਫਟ ਕੈਪਚਰ।
- ਸਧਾਰਨ ਪੂਰਵ-ਅਨੁਮਾਨ ਮਾਡਲ: ਉਦਾਹਰਨ ਲਈ, ਰਿਗਰੈਸ਼ਨ ਦੇ ਨਾਲ ਪੀਸਣ ਦਾ ਆਕਾਰ-ਉਪਜ ਸਬੰਧ।
ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਕੰਮਾਂ ਲਈ, AI ਸ਼ਾਨਦਾਰ ਸ਼ੁਰੂਆਤੀ ਕੋਡ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਪਰ ਇੱਥੇ ਦੋ ਕਮੀਆਂ ਹਨ: ਡਾਟਾ ਗੁਣਵੱਤਾ ਅਤੇ ਮਾਡਲ ਸੀਮਾਵਾਂ। ਦੋਵਾਂ ਨੂੰ ਜਾਣਨਾ ਏਆਈ ਕੋਡ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਵਰਤਣ ਦੀ ਕੁੰਜੀ ਹੈ।
ਮਾਡਲ ਸੀਮਾਵਾਂ: ਓਵਰਲਰਨਿੰਗ ਅਤੇ ਐਕਸਟਰਪੋਲੇਸ਼ਨ
ਸਧਾਰਨ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਜੋ AI ਆਸਾਨੀ ਨਾਲ ਬਣਾਉਂਦੇ ਹਨ ਦੋ ਵੱਡੇ ਜੋਖਮਾਂ ਲਈ ਕਮਜ਼ੋਰ ਹੁੰਦੇ ਹਨ। ਓਵਰਫਿਟਿੰਗ: ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਯਾਦ ਰੱਖਦਾ ਹੈ ਪਰ ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ; ਥੋੜ੍ਹੇ ਜਿਹੇ ਡੇਟਾ ਨਾਲ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਬਣਾਉਣਾ ਇਸ ਨੂੰ ਸੱਦਾ ਦਿੰਦਾ ਹੈ। ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ: ਮਾਡਲ ਅਵਿਸ਼ਵਾਸ਼ਯੋਗ ਬਣ ਜਾਂਦਾ ਹੈ ਜਦੋਂ ਇਸਨੂੰ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ ਬਾਹਰ ਇੱਕ ਸੀਮਾ ਉੱਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ, 0.3-0.8 g/t ਦੀ ਰੇਂਜ ਵਿੱਚ ਸਿੱਖਿਆ ਗਿਆ ਮਾਡਲ 5 g/t ਲਈ ਅਰਥਹੀਣ ਨਤੀਜੇ ਦੇ ਸਕਦਾ ਹੈ। AI ਤੁਹਾਡੇ ਲਈ ਇਹਨਾਂ ਖਤਰਿਆਂ ਦਾ ਪ੍ਰਬੰਧਨ "ਖੁਦਕੁਸ਼" ਨਹੀਂ ਕਰਦਾ ਹੈ; ਇਹ ਤੁਹਾਡੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਪੜ੍ਹੋ, ਸਿਖਲਾਈ/ਟੈਸਟ ਨੂੰ ਵੱਖਰਾ ਬਣਾਓ, ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਨੂੰ ਦੇਖੋ, ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਭਵਿੱਖਬਾਣੀ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਸਹੀ ਹੈ। ਮਾਡਲ ਨੰਬਰ ਕਿੰਨਾ ਵੀ ਸਹੀ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਇਹ ਡਾਟਾ ਰੇਂਜ ਤੋਂ ਬਾਹਰ ਕਿਸੇ ਇੰਜੀਨੀਅਰਿੰਗ ਫੈਸਲੇ ਦਾ ਆਧਾਰ ਨਹੀਂ ਹੋ ਸਕਦਾ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਚੁੱਪ ਵੌਲਯੂਮ ਗਲਤੀ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਕੋਡ ਚਾਹੁੰਦਾ ਹੈ ਜੋ AI ਨੂੰ ਪਰਖ ਡੇਟਾ ਤੋਂ ਔਸਤ ਗ੍ਰੇਡ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਕੋਡ ਕੰਮ ਕਰਦਾ ਹੈ, ਨਤੀਜਾ 2.1 g/t ਹੈ। ਇੰਜੀਨੀਅਰ ਕੋਡ ਪੜ੍ਹਦਾ ਹੈ; ਧਿਆਨ ਦਿਓ ਕਿ ਔਸਤ ਨੂੰ ਅੰਤਰਾਲ ਦੀ ਲੰਬਾਈ ਦੁਆਰਾ ਭਾਰ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਪਰ ਇੱਕ ਸਿੱਧੀ ਔਸਤ ਵਜੋਂ ਲਿਆ ਜਾਂਦਾ ਹੈ। ਥੋੜ੍ਹੇ ਅੰਤਰਾਲਾਂ ਵਿੱਚ ਉੱਚੇ ਗ੍ਰੇਡ ਗਲਤ ਢੰਗ ਨਾਲ ਭਾਰ ਵਧਾ ਰਹੇ ਸਨ। ਜਦੋਂ ਵਜ਼ਨ ਔਸਤ ਵੱਲ ਵਧਦਾ ਹੈ, ਤਾਂ ਮੁੱਲ ਘਟ ਕੇ 1.7 g/t ਹੋ ਜਾਂਦਾ ਹੈ। ਕੋਡ ਨੇ ਕੋਈ ਗਲਤੀ ਨਹੀਂ ਦਿੱਤੀ; ਪੜ੍ਹਨ ਵਿੱਚ ਗਲਤੀ ਫੜੀ ਗਈ।
ਕੇਸ 2 - ਸਾਈਲੈਂਟ ਲਾਈਨ ਡਰਾਪਿੰਗ। ਇੱਕ ਉਤਪਾਦਨ ਸੰਖੇਪ ਕੋਡ ਵਿੱਚ, AI ਨੇ ਡ੍ਰੌਪਨਾ ਨਾਲ ਗੁੰਮ ਮੁੱਲਾਂ ਨਾਲ ਕਤਾਰਾਂ ਨੂੰ ਸਾਫ਼ ਕੀਤਾ। ਕੋਡ ਸੁਚਾਰੂ ਢੰਗ ਨਾਲ ਚੱਲਦਾ ਹੈ, ਪਰ ਕੁੱਲ ਟਨੇਜ ਦਾ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾਇਆ ਗਿਆ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਖਾਲੀ ਕਾਲਮ ਦੇ ਕਾਰਨ ਕੁਝ ਵੈਧ ਕਤਾਰਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਜਦੋਂ ਇੰਜੀਨੀਅਰ ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁੱਟ ਵਿਚਕਾਰ ਲਾਈਨਾਂ ਦੀ ਸੰਖਿਆ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਉਹ ਅੰਤਰ ਦੇਖਦਾ ਹੈ ਅਤੇ ਸਫਾਈ ਤਰਕ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ। ਪਾਠ: ਹਮੇਸ਼ਾ ਇੰਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕਰੋ।
ਕੇਸ 3 - ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਟਰੈਪ। ਇੱਕ ਟੀਮ ਇੱਕ ਉੱਚ ਗ੍ਰੇਡ ਖੇਤਰ ਵਿੱਚ ਘੱਟ ਗ੍ਰੇਡ ਰੇਂਜ ਵਿੱਚ ਸਿੱਖੇ ਗਏ ਰੀਗਰੈਸ਼ਨ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਦੀ ਹੈ; ਮਾਡਲ ਇੱਕ ਬੇਤੁਕੇ ਤੌਰ 'ਤੇ ਉੱਚ ਉਪਜ ਦਾ ਅਨੁਮਾਨ ਦਿੰਦਾ ਹੈ. ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਇੰਜੀਨੀਅਰ ਨਤੀਜੇ ਨੂੰ ਰੱਦ ਕਰਦਾ ਹੈ, "ਇਹ ਖੇਤਰ ਮਾਡਲ ਦੁਆਰਾ ਦੇਖੀ ਗਈ ਸੀਮਾ ਤੋਂ ਬਹੁਤ ਬਾਹਰ ਹੈ" ਅਤੇ ਮੈਟਲਰਜੀਕਲ ਟੈਸਟਿੰਗ ਲਈ ਬੇਨਤੀ ਕਰਦਾ ਹੈ। ਪਾਠ: ਡੇਟਾ ਦੀ ਰੇਂਜ ਨੂੰ ਜਾਣੋ ਜਿਸ ਲਈ ਮਾਡਲ ਵੈਧ ਹੈ; ਰਾਜ ਤੋਂ ਬਾਹਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ।
ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ
ਸੁਰੱਖਿਅਤ ਡੇਟਾ ਕਲੀਨਿੰਗ ਕੋਡ "ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਪਾਈਥਨ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਸਹਾਇਕ ਹੋ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਵਾਲੇ ਪਾਂਡਾ ਦੇ ਨਾਲ ਕੋਡ ਲਿਖੋ। ਕਾਲਮ ਅਤੇ ਇਕਾਈਆਂ: [ਸੂਚੀ]। ਨਿਯਮ: (1) ਕਤਾਰਾਂ ਛੱਡਣ ਤੋਂ ਪਹਿਲਾਂ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਪ੍ਰਿੰਟ ਕਰੋ; (2) ਰਿਪੋਰਟ ਕਰੋ ਕਿ ਕਿਹੜੀਆਂ ਕਤਾਰਾਂ ਛੱਡੀਆਂ ਗਈਆਂ ਹਨ; ਔਸਤਨ ਕਤਾਰਾਂ ਕਿਉਂ ਘਟਾਈਆਂ ਗਈਆਂ ਹਨ; (3 ਟਿੱਪਣੀਆਂ ਕਿੱਥੇ ਜ਼ਰੂਰੀ ਹਨ) (3 ਟਿੱਪਣੀਆਂ ਕਿਉਂ ਵਰਤੀਆਂ ਗਈਆਂ) ਸਾਦੇ ਦੀ ਬਜਾਏ ਇੱਕ ਟਿੱਪਣੀ ਲਾਈਨ ਦੇ ਨਾਲ ਹਰੇਕ ਕਦਮ ਦੀ ਵਿਆਖਿਆ ਕਰੋ।"
ਕੋਡ ਸਮੀਖਿਆ ਬੇਨਤੀ "ਹੇਠ ਦਿੱਤੀ ਪਾਈਥਨ ਕੋਡ ਲਾਈਨ ਨੂੰ ਲਾਈਨ ਦੁਆਰਾ ਸਮਝਾਓ ਅਤੇ ਹੇਠਾਂ ਦਿੱਤੇ ਜੋਖਮ ਬਿੰਦੂਆਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰੋ: ਗਲਤ ਕਾਲਮ ਨਾਮ ਧਾਰਨਾ, ਇਕਾਈ ਉਲਝਣ, ਸਾਈਲੈਂਟ ਰੋਡ੍ਰੌਪ, ਫਲੈਟ/ਵੇਟਿਡ ਔਸਤ ਗਲਤੀ, ਕਿਨਾਰੇ ਦਾ ਕੇਸ (ਨਲ/ਨਕਾਰਾਤਮਕ) ਵਿਵਹਾਰ। ਕੋਡ ਨੂੰ ਠੀਕ ਨਾ ਕਰੋ; ਸਿਰਫ ਜੋਖਮ ਦੀ ਸੂਚੀ ਬਣਾਓ।
ਛੋਟੇ ਡੇਟਾ ਦੇ ਨਾਲ ਟੈਸਟ ਸੈੱਟਅੱਪ "ਇਸ ਫੰਕਸ਼ਨ ਲਈ, ਮੈਨੂਅਲੀ ਇੱਕ ਛੋਟਾ ਟੈਸਟ ਡੇਟਾ (5-6 ਲਾਈਨਾਂ) ਤਿਆਰ ਕਰੋ ਜਿਸਦਾ ਮੈਂ ਨਤੀਜਾ ਅਤੇ ਅਨੁਮਾਨਿਤ ਆਉਟਪੁੱਟ ਜਾਣਦਾ ਹਾਂ; ਇੱਕ ਟੈਸਟ ਬਲਾਕ ਲਿਖੋ ਜੋ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਫੰਕਸ਼ਨ ਇਸ ਡੇਟਾ 'ਤੇ ਸਹੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਅਤਿਅੰਤ ਕੇਸਾਂ (ਖਾਲੀ ਸੈੱਲ, ਨਕਾਰਾਤਮਕ, ਯੂਨਿਟ ਅਤਿ ਮੁੱਲ) ਫੰਕਸ਼ਨ: [ਪੇਸਟ]।"
ਸਧਾਰਨ ਮਾਡਲ + ਸੀਮਾ ਚੇਤਾਵਨੀ"ਹੇਠ ਦਿੱਤੇ ਡੇਟਾ ਦੇ ਨਾਲ [x -> y] ਲਈ ਇੱਕ ਸਧਾਰਨ ਰਿਗਰੈਸ਼ਨ ਸੈਟ ਅਪ ਕਰੋ। ਸਿਖਲਾਈ/ਟੈਸਟਿੰਗ ਵਿੱਚ ਫਰਕ ਕਰੋ, ਗਲਤੀ ਮੈਟ੍ਰਿਕ ਦੀ ਰਿਪੋਰਟ ਕਰੋ, ਅਤੇ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ x ਦੀ ਰੇਂਜ ਦੱਸੋ ਜਿਸ ਉੱਤੇ ਮਾਡਲ ਵੈਧ ਹੈ। ਚੇਤਾਵਨੀ ਦਿਓ ਕਿ ਜੇਕਰ ਭਵਿੱਖਬਾਣੀ ਇਸ ਰੇਂਜ ਤੋਂ ਬਾਹਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਡੇਟਾ ਦੇ ਵੱਧਣ ਅਤੇ ਜ਼ੋਖਮ ਉੱਤੇ ਟਿੱਪਣੀ ਕਰੋ। ਡੇਟਾ: [ਪੇਸਟ]।"
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਇਸ ਡੇਟਾ ਤੋਂ ਔਸਤ ਗ੍ਰੇਡ ਦੀ ਗਣਨਾ ਕਰੋ।"
ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ:"ਭੂਮਿਕਾ: ਤੁਸੀਂ ਪਾਈਥਨ ਸਹਾਇਕ ਹੋ। ਕਾਲਮ: HoleID, From(m), To(m),Au(g/t)। ਅੰਤਰਾਲ ਦੀ ਲੰਬਾਈ ਦੇ ਨਾਲ ਵਜ਼ਨ ਵਾਲੇ ਔਸਤ ਗ੍ਰੇਡ ਦੀ ਗਣਨਾ ਕਰੋ। ਕੋਡ: (1) ਇਨਪੁਟ/ਆਉਟਪੁੱਟ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ; (2) ਨਲ/ਨਕਾਰਾਤਮਕ ਮੁੱਲਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰੋ; ਉਹਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇਕਾਈ ਨੂੰ ਦਰਸਾਉਣ ਲਈ (3) ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਨਲ/ਨਕਾਰਾਤਮਕ ਮੁੱਲ ਵੀ ਦਿਖਾਓ। ਇਸ ਲਈ ਮੈਂ ਨਤੀਜੇ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਕਰ ਸਕਦਾ/ਸਕਦੀ ਹਾਂ: [ਪੇਸਟ]।
ਤੁਲਨਾ ਸਾਰਣੀ: ਜੋਖਮ ਅਤੇ ਸਾਵਧਾਨੀ
ਜੋਖਮ
ਲੱਛਣ
ਸਾਵਧਾਨੀ
ਯੂਨਿਟ ਦਖਲ
ਵਾਜਬ ਪਰ ਗਲਤ ਨੰਬਰ
ਕੋਡ ਵਿੱਚ ਯੂਨਿਟ ਦੀ ਟਿੱਪਣੀ ਕਰੋ, ਇਸਦੀ ਜਾਂਚ ਕਰੋ
ਚੁੱਪ ਲਾਈਨ ਡਰਾਪ
ਕੁੱਲ ਗੁੰਮ ਹੈ
ਇਨਪੁਟ/ਆਊਟਪੁੱਟ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕਰੋ
ਸਾਦਾ ਬਨਾਮ ਵਜ਼ਨ ਔਸਤ
ਗਲਤ ਔਸਤ
ਵਜ਼ਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ
ਓਵਰਲਰਿੰਗ
ਟੈਸਟ ਡਾਟਾ 'ਤੇ ਖਰਾਬ
ਸਿਖਲਾਈ/ਟੈਸਟਿੰਗ ਵਿਭਾਜਨ, ਇਸਨੂੰ ਸਧਾਰਨ ਰੱਖੋ
ਐਕਸਟਰਪੋਲੇਸ਼ਨ
ਬਕਵਾਸ ਅੰਦਾਜ਼ਾ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਹੈ
ਵੈਧ ਰੇਂਜ ਨੂੰ ਸੀਮਤ ਕਰੋ
ਆਮ ਗਲਤੀਆਂ
- ਕੋਡ ਨੂੰ ਪੜ੍ਹੇ ਬਿਨਾਂ ਚੱਲ ਰਿਹਾ ਹੈ। "ਇਸ ਵਿੱਚ ਕੋਈ ਗਲਤੀ ਨਹੀਂ ਆਈ" ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸੱਚ ਹੈ।
- ਛੋਟੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਨਹੀਂ ਕੀਤਾ ਜਾ ਰਿਹਾ। ਪ੍ਰਮਾਣਿਤ ਉਦਾਹਰਣ ਤੋਂ ਬਿਨਾਂ ਭਰੋਸਾ ਝੂਠ ਹੈ।
- ਇਨਪੁਟ/ਆਉਟਪੁੱਟ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। ਇਸ ਤਰ੍ਹਾਂ ਖਾਮੋਸ਼ ਨੁਕਸਾਨ ਤੋਂ ਬਚ ਜਾਂਦਾ ਹੈ।
- ਮਾਡਲ ਰੇਂਜ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ ਅਨੁਮਾਨ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹਨ।
- ਚਾਰਟ ਦੀ ਸੁੰਦਰਤਾ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ. ਇੱਕ ਸਟਾਈਲਿਸ਼ ਚਾਰਟ ਗਲਤ ਨੰਬਰ ਨੂੰ ਲੁਕਾ ਸਕਦਾ ਹੈ।
ਧਿਆਨ ਦਿਓ: ਜੇਕਰ AI ਕੋਡ ਕਿਸੇ ਇੰਜੀਨੀਅਰਿੰਗ ਖਾਤੇ ਵਿੱਚ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹ ਕੋਡ ਇੱਕ ਖਾਤੇ ਵਾਂਗ ਹੀ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਜਿੱਥੇ ਵੀ ਨਤੀਜਾ ਮਾਈਨਿੰਗ ਦਾ ਫੈਸਲਾ ਬਣ ਜਾਂਦਾ ਹੈ, ਕੋਡ ਅਤੇ ਇਸਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਸੁਤੰਤਰ ਤਰਕ ਜਾਂਚ ਦੁਆਰਾ ਚਲਾਓ ਅਤੇ ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ ਤਾਂ ਦੂਜੀ ਵਿਧੀ ਨਾਲ ਤੁਲਨਾ ਕਰੋ।
ਸੰਖੇਪ ਵਿੱਚ
ਪਾਈਥਨ ਮਾਈਨਿੰਗ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਅਸਲ ਟੂਲ ਹੈ, ਅਤੇ AI ਉਸ ਗਤੀ ਨੂੰ ਬਹੁਤ ਵਧਾਉਂਦਾ ਹੈ ਜਿਸ 'ਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਲਿਖਦੇ ਹੋ। ਪਰ AI ਕੋਡ ਚੁੱਪ ਬੱਗ (ਯੂਨਿਟ ਉਲਝਣ, ਰੋਅ ਡਰਾਪਿੰਗ, ਗਲਤ ਔਸਤ) ਅਤੇ ਮਾਡਲ ਟ੍ਰੈਪ (ਓਵਰਲਰਨਿੰਗ, ਐਕਸਟਰਾਪੋਲੇਸ਼ਨ) ਨੂੰ ਬੰਦ ਕਰ ਸਕਦਾ ਹੈ। ਸੁਰੱਖਿਅਤ ਪ੍ਰਵਾਹ: ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਵਰਣਨ ਕਰੋ, ਛੋਟਾ ਅਤੇ ਪੜ੍ਹਨਯੋਗ ਚਾਹੁੰਦੇ ਹੋ, ਪੜ੍ਹੋ ਅਤੇ ਸਮਝੋ, ਛੋਟੇ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕਰੋ, ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ, ਸਕੇਲ ਅਤੇ ਤਰਕ ਦੀ ਜਾਂਚ ਕਰੋ। ਇੱਕ ਮਾਡਲ ਆਉਟਪੁੱਟ ਡੇਟਾ ਰੇਂਜ ਤੋਂ ਬਾਹਰ ਕਿਸੇ ਫੈਸਲੇ ਦਾ ਅਧਾਰ ਨਹੀਂ ਹੋ ਸਕਦਾ; ਅਤੇ ਹਰੇਕ ਕੋਡ ਇੱਕ ਖਾਤੇ ਜਿੰਨੀ ਜਿੰਮੇਵਾਰੀ ਰੱਖਦਾ ਹੈ ਜੇਕਰ ਇਹ ਇੱਕ ਮਾਈਨਿੰਗ ਫੈਸਲੇ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਏਆਈ ਤੋਂ ਕੋਡ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਗ੍ਰੇਡ ਔਸਤ ਜਾਂ ਉਤਪਾਦਨ ਸੰਖੇਪ ਕਾਰਜ ਦੇ ਨਾਲ "ਸੁਰੱਖਿਅਤ ਡੇਟਾ ਸੈਨੀਟਾਈਜ਼ੇਸ਼ਨ ਕੋਡ" ਟੈਂਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਕੋਡ ਨੂੰ "ਕੋਡ ਸਮੀਖਿਆ ਬੇਨਤੀ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ ਜੋਖਮ ਤੋਂ ਮੁਕਤ ਕਰੋ। ਫਿਰ, "ਛੋਟੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਸੈੱਟਅੱਪ" ਟੈਮਪਲੇਟ ਦੇ ਨਾਲ, ਹੱਥੀਂ ਇੱਕ ਡਾਟਾ ਸੈੱਟ ਬਣਾਓ ਜਿਸ ਦੇ ਨਤੀਜੇ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਅਤੇ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਸਧਾਰਨ ਰਿਸ਼ਤੇ ਲਈ, "ਸਧਾਰਨ ਮਾਡਲ + ਸੀਮਾ ਚੇਤਾਵਨੀ" ਟੈਮਪਲੇਟ ਨਾਲ ਇੱਕ ਮਾਡਲ ਸੈਟ ਅਪ ਕਰੋ ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਇਹ ਵੈਧ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਜਾਣ 'ਤੇ ਇੱਕ ਚੇਤਾਵਨੀ ਦਿੰਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ AI ਕੋਡ ਪੜ੍ਹਿਆ ਅਤੇ ਹਰ ਲਾਈਨ ਨੂੰ ਸਮਝ ਲਿਆ, ਮੈਂ ਇਸਨੂੰ ਅੰਨ੍ਹੇਵਾਹ ਨਹੀਂ ਚਲਾਇਆ।
- [ ] ਮੈਂ ਇਸਨੂੰ ਛੋਟੇ, ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕੀਤਾ।
- [ ] ਮੈਂ ਇੰਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਦੀ ਤੁਲਨਾ ਕੀਤੀ।
- [ ] ਮੈਂ ਇਕਾਈ ਦੀ ਇਕਸਾਰਤਾ ਅਤੇ ਵਜ਼ਨ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ।
- [ ] ਮੈਂ ਐਕਸਟਰਪੋਲੇਸ਼ਨ ਤੋਂ ਪਰਹੇਜ਼ ਕਰਦੇ ਹੋਏ, ਮਾਡਲ ਦੀ ਵੈਧ ਡੇਟਾ ਰੇਂਜ ਨੂੰ ਸੀਮਿਤ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਸੁਤੰਤਰ ਤਰਕ/ਦੂਜੀ ਵਿਧੀ ਦੇ ਨਾਲ, ਨਤੀਜੇ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਜੋ ਇੱਕ ਫੈਸਲੇ ਵਿੱਚ ਬਦਲ ਗਿਆ।
ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ
1. ਇੱਕ ਇੰਟਰਨਲ AI ਚੈਟ ਟੂਲ ਨੂੰ ਓਰ ਬਾਡੀ ਦੇ ਔਸਤ ਗ੍ਰੇਡ ਬਾਰੇ ਪੁੱਛਦਾ ਹੈ ਅਤੇ ਰਿਜ਼ਰਵ ਰਿਪੋਰਟ ਵਿੱਚ ਸਿੱਧਾ '1.8 g/t ਗੋਲਡ' ਦਾ ਨਤੀਜਾ ਮੁੱਲ ਲਿਖਦਾ ਹੈ। ਇਸ ਪਹੁੰਚ ਵਿੱਚ ਬੁਨਿਆਦੀ ਗਲਤੀ ਕੀ ਹੈ?
- A) ਗ੍ਰੇਡ ਮੁੱਲ ਪ੍ਰੋਜੈਕਟ ਦੇ ਆਪਣੇ ਡਰਿਲਿੰਗ/ਵਿਸ਼ਲੇਸ਼ਣ ਡੇਟਾ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਪੂਰਵ ਅਨੁਮਾਨ ਤੋਂ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ; AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਨੰਬਰ ਇੱਕ ਗੈਰ-ਸਰੋਤ ਬਨਾਵਟ ਹੋ ਸਕਦਾ ਹੈ ✔
- ਅ) ਇਸ ਨੂੰ ਗ੍ਰਾਮ ਦੀ ਬਜਾਏ ਔਂਸ ਵਿੱਚ AI ਲਈ ਕਿਹਾ ਜਾਣਾ ਚਾਹੀਦਾ ਸੀ
- C) ਮੁੱਲ ਸਹੀ ਹੈ, ਕਾਮੇ ਦੀ ਬਜਾਏ ਸਿਰਫ਼ ਇੱਕ ਪੀਰੀਅਡ ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
- D) AI ਨੂੰ ਇੱਕੋ ਸਵਾਲ ਤਿੰਨ ਵਾਰ ਪੁੱਛਣਾ ਅਤੇ ਔਸਤ ਲੈਣਾ ਕਾਫ਼ੀ ਹੈ
ਵਿਆਖਿਆ: ਭਾਸ਼ਾ ਮਾਡਲ ਤੁਹਾਡੇ ਪ੍ਰੋਜੈਕਟ ਦੇ ਡਰਿਲਿੰਗ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ ਹੈ; ਇੱਕ ਸੰਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਜਾਪਦਾ ਹੈ (ਭਰਮ)। ਗ੍ਰੇਡ ਸਿਰਫ ਪ੍ਰੋਜੈਕਟ ਦੇ ਆਪਣੇ ਕੰਪੋਜ਼ਿਟਡ ਡਰਿਲਿੰਗ ਡੇਟਾ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਅੰਦਾਜ਼ੇ ਤੋਂ ਆਉਂਦਾ ਹੈ; AI ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਸੇ ਸਮਰੱਥ ਵਿਅਕਤੀ ਦੀ ਪ੍ਰਵਾਨਗੀ ਤੋਂ ਬਿਨਾਂ ਰਿਪੋਰਟ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
2. ਮਾਈਨਿੰਗ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਵਿੱਚ 'ਜੋਖਮ-ਅਧਾਰਤ ਵਰਗੀਕਰਨ' ਕੀ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ?
- ਏ) ਏਆਈ ਟੂਲ ਦੀ ਕੀਮਤ ਘਟਾਓ
- ਅ) AI ਦੀ ਭੂਮਿਕਾ ਅਤੇ ਕਾਰਜ ਦੇ ਜੋਖਮ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ ਤਸਦੀਕ ਦੀ ਲਾਜ਼ਮੀ ਡੂੰਘਾਈ ਦਾ ਪਤਾ ਲਗਾਓ ✔
- C) ਪ੍ਰੋਂਪਟ ਛੋਟੇ ਲਿਖੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ
- ਡੀ) ਸਾਰੇ ਫੈਸਲਿਆਂ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ AI ਨੂੰ ਸੌਂਪਣਾ
ਵਿਆਖਿਆ: ਹਰ ਮਿਸ਼ਨ ਇੱਕੋ ਜੋਖਮ ਪੱਧਰ 'ਤੇ ਨਹੀਂ ਹੁੰਦਾ। ਕੰਮ ਨੂੰ ਘੱਟ/ਮੱਧਮ/ਉੱਚ/ਨਾਜ਼ੁਕ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਆਉਟਪੁੱਟ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਜਿਸ ਲਈ ਮਿਆਰੀ ਅਤੇ ਫੀਲਡ ਤਸਦੀਕ ਅਤੇ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
3. ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਵਿੱਚ 'ਵੈਰੀਓਗਰਾਮ' ਮਾਡਲ ਕੀ ਕਰਦਾ ਹੈ?
- ਏ) ਉਪਕਰਣ ਦੀ ਬਾਲਣ ਦੀ ਖਪਤ
- ਅ) ਸਮੇਂ ਦੇ ਨਾਲ ਧਾਤ ਦੀ ਕੀਮਤ ਵਿੱਚ ਤਬਦੀਲੀ
- C) ਦੂਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ ਸਥਾਨਿਕ ਨਿਰੰਤਰਤਾ; ✔ ਸਮਾਨਤਾ ਕਿਵੇਂ ਘਟਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਪੁਆਇੰਟ ਹੋਰ ਦੂਰ ਹੁੰਦੇ ਹਨ
- ਡੀ) ਧਮਾਕੇ ਦੁਆਰਾ ਬਣਾਈ ਗਈ ਵਾਈਬ੍ਰੇਸ਼ਨ ਬਾਰੰਬਾਰਤਾ
ਵਰਣਨ: ਵੇਰੀਓਗਰਾਮ ਦੱਸਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਨਮੂਨਿਆਂ ਦੀ ਇੱਕ ਦੂਜੇ ਨਾਲ ਸਮਾਨਤਾ ਘਟਦੀ ਹੈ (ਸਥਾਨਕ ਨਿਰੰਤਰਤਾ) ਕਿਉਂਕਿ ਦੋ ਬਿੰਦੂਆਂ ਵਿਚਕਾਰ ਦੂਰੀ ਵਧਦੀ ਹੈ। ਕ੍ਰਿਗਿੰਗ ਇਸ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਹਾਸ਼ੀਏ ਦੇ ਨਾਲ ਨਾ ਮਾਪੇ ਬਿੰਦੂਆਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਕਰਦੀ ਹੈ।
4. ਡ੍ਰਿਲ ਕੋਰ ਫੋਟੋਗ੍ਰਾਫੀ ਤੋਂ AI ਪ੍ਰੀ-ਕਲਾਸਫੀ ਲਿਥੋਲੋਜੀ ਹੋਣ ਵੇਲੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪਹੁੰਚ ਕੀ ਹੈ?
- ਏ) AI ਦੁਆਰਾ ਦਿੱਤੀ ਗਈ ਚੱਟਾਨ ਦੀ ਕਿਸਮ ਨੂੰ ਸਿੱਧੇ ਡ੍ਰਿਲਿੰਗ ਲੌਗ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕਰਨਾ
- ਅ) ਫੋਟੋ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ AI ਦੇ ਟੈਕਸਟ ਨੂੰ ਰਿਪੋਰਟ ਵਿੱਚ ਕਾਪੀ ਕਰਨਾ
- C) ਭੂ-ਵਿਗਿਆਨੀ ਦੇ ਨਿਰੀਖਣ ਨੂੰ ਰੱਦ ਕਰਨਾ ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ AI 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
- D) ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਭਵਿੱਖਬਾਣੀ/ਕਲਪਨਾ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਅਤੇ ਭੂ-ਵਿਗਿਆਨੀ ਨਿਰੀਖਣ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾਲ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
ਵਰਣਨ: AI ਚਿੱਤਰ ਤੋਂ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਅਤੇ ਧਿਆਨ ਸੂਚੀ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਅੰਤਮ ਲਿਥੋਲੋਜੀ/ਪਰਿਵਰਤਨ ਦਾ ਫੈਸਲਾ ਭੂ-ਵਿਗਿਆਨੀ ਦੇ ਨਿਰੀਖਣ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। AI ਆਉਟਪੁੱਟ ਇੱਕ ਸ਼ੁਰੂਆਤ ਹੈ, ਇੱਕ ਪਰਿਕਲਪਨਾ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਹੈ।
5. ਖੁੱਲੇ ਟੋਏ ਦੀ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ 'ਸਟਰਿੱਪਿੰਗ ਅਨੁਪਾਤ' ਦਾ ਕੀ ਅਰਥ ਹੈ?
- A) ਜੰਗਾਲ (ਕੂੜਾ ਚੱਟਾਨ) ਦੀ ਮਾਤਰਾ ਜਿਸ ਨੂੰ ਧਾਤ ਦੀ ਇੱਕ ਯੂਨਿਟ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਹਟਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
- ਅ) ਧਾਤ ਵਿੱਚ ਧਾਤੂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ
- C) ਟਰੱਕਾਂ ਦੇ ਰੋਜ਼ਾਨਾ ਸਫ਼ਰ ਦੀ ਗਿਣਤੀ
- ਡੀ) ਧਮਾਕੇ ਵਿੱਚ ਵਰਤੇ ਗਏ ਵਿਸਫੋਟਕ ਦੀ ਮਾਤਰਾ
ਵਰਣਨ: ਸਟ੍ਰਿਪਿੰਗ ਰੇਟ ਕੂੜੇ ਦੀ ਮਾਤਰਾ ਹੈ (ਸਟ੍ਰਿਪ/ਕੂੜਾ) ਜਿਸ ਨੂੰ ਧਾਤੂ ਦੀ ਇੱਕ ਯੂਨਿਟ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਹਟਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਅੰਤਮ ਟੋਏ ਦੀ ਸੀਮਾ ਅਤੇ ਆਰਥਿਕਤਾ ਇਸ ਅਨੁਪਾਤ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ; ਹਾਲਾਂਕਿ AI ਦ੍ਰਿਸ਼ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਸੀਮਾ ਦਾ ਫੈਸਲਾ ਸਮਰੱਥ ਇੰਜੀਨੀਅਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
6. ਪੂਰਵ-ਅਨੁਮਾਨਤ ਰੱਖ-ਰਖਾਅ ਵਿੱਚ ਇਸਦਾ ਕੀ ਅਰਥ ਹੁੰਦਾ ਹੈ ਜਦੋਂ AI ਨੂੰ ਵਾਈਬ੍ਰੇਸ਼ਨ ਅਤੇ ਤਾਪਮਾਨ ਡੇਟਾ ਵਿੱਚ 'ਅਸੰਗਤੀਆਂ' ਮਿਲਦੀਆਂ ਹਨ?
- ਏ) ਸਬੂਤ ਕਿ ਸਾਜ਼-ਸਾਮਾਨ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਅਸਫਲ ਹੋ ਗਿਆ ਹੈ
- ਬੀ) ਇੱਕ ਚੇਤਾਵਨੀ ਹੈ ਕਿ ਡੇਟਾ ਆਮ ਨਾਲੋਂ ਭਟਕ ਜਾਂਦਾ ਹੈ; ਇਹ ਖਰਾਬੀ ਦਾ ਨਿਸ਼ਚਿਤ ਨਿਦਾਨ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਨਿਸ਼ਾਨੀ ਹੈ ਜਿਸਦੀ ਸਰੀਰਕ ਜਾਂਚ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੇ ਜਾਣ ਦੀ ਲੋੜ ਹੈ ✔
- ਸੀ) ਆਦੇਸ਼ ਦਿਓ ਕਿ ਸਾਜ਼-ਸਾਮਾਨ ਨੂੰ ਆਪਣੇ ਆਪ ਬੰਦ ਕਰ ਦਿੱਤਾ ਜਾਵੇ
- ਡੀ) ਗਾਰੰਟੀ ਦਿਓ ਕਿ ਡੇਟਾ ਗਲਤ ਦਰਜ ਕੀਤਾ ਗਿਆ ਸੀ
ਵਿਆਖਿਆ: ਇੱਕ ਵਿਗਾੜ ਆਮ ਵਿਵਹਾਰ ਤੋਂ ਡੇਟਾ ਦਾ ਇੱਕ ਭਟਕਣਾ ਹੈ ਅਤੇ ਇੱਕ ਖਰਾਬੀ ਦਾ ਸੰਕੇਤ ਕਰ ਸਕਦਾ ਹੈ; ਪਰ ਇਹ ਇੱਕ ਨਿਸ਼ਚਿਤ ਨਿਦਾਨ ਨਹੀਂ ਹੈ। ਸਾਜ਼-ਸਾਮਾਨ ਨੂੰ ਰੋਕਣ ਜਾਂ ਪੁਰਜ਼ਿਆਂ ਨੂੰ ਬਦਲਣ ਦਾ ਫੈਸਲਾ ਮੇਨਟੇਨੈਂਸ ਟੀਮ ਦੀ ਸਰੀਰਕ ਜਾਂਚ ਅਤੇ ਓਪਰੇਸ਼ਨ ਮੈਨੇਜਰ ਦੀ ਮਨਜ਼ੂਰੀ ਨਾਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
7. ਡ੍ਰਿਲ-ਬਲਾਸਟ ਡਿਜ਼ਾਈਨ ਵਿਚ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਸੁਰੱਖਿਆ ਲਈ ਕਿਹੜਾ ਜ਼ਰੂਰੀ ਹੈ?
- ਏ) AI ਸਿਫਾਰਿਸ਼ ਨੂੰ ਸਿੱਧੇ ਖੇਤਰ ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ
- ਅ) ਵਾਈਬ੍ਰੇਸ਼ਨ ਮਾਪ ਛੱਡਣਾ
- C) ਫੀਲਡ ਮਾਪ, ਰੈਗੂਲੇਟਰੀ ਸੀਮਾ ਅਤੇ ਅਧਿਕਾਰਤ ਬਲਾਸਟਿੰਗ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੇ ਨਾਲ AI ਦੇ ਪ੍ਰਸਤਾਵਿਤ ਡਿਜ਼ਾਈਨ ਦੀ ਪੁਸ਼ਟੀ ✔
- ਡੀ) ਏਆਈ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਅਧਿਕਤਮ ਨਾਲ ਵਿਸਫੋਟਕਾਂ ਦੀ ਮਾਤਰਾ ਨੂੰ ਫਿਕਸ ਕਰਨਾ
ਵਰਣਨ: ਧਮਾਕੇ; ਇਹ ਗੰਭੀਰ ਸੁਰੱਖਿਆ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਜੋਖਮਾਂ ਜਿਵੇਂ ਕਿ ਵਾਈਬ੍ਰੇਸ਼ਨ, ਹਵਾ ਦੇ ਝਟਕੇ ਅਤੇ ਉੱਡਦੇ ਪੱਥਰਾਂ ਨੂੰ ਚੁੱਕਦਾ ਹੈ। AI ਇੱਕ ਡਿਜ਼ਾਈਨ ਸਕੈਚ ਅਤੇ ਪੈਰਾਮੀਟਰ ਸਿਫ਼ਾਰਸ਼ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਅੰਤਿਮ ਡਿਜ਼ਾਈਨ ਨੂੰ ਫੀਲਡ ਮਾਪ, ਰੈਗੂਲੇਟਰੀ ਸੀਮਾਵਾਂ ਅਤੇ ਅਧਿਕਾਰਤ ਬਲਾਸਟਿੰਗ ਮਾਹਰ (ਡੈਟੋਨੇਟਰ/ਜ਼ਿੰਮੇਵਾਰ) ਦੀ ਪ੍ਰਵਾਨਗੀ ਪਾਸ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
8. ਖਣਿਜ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ 'ਰਿਕਵਰੀ' ਅਤੇ 'ਕੇਂਦਰਿਤ ਗ੍ਰੇਡ' ਵਿਚਕਾਰ ਖਾਸ ਸਬੰਧ ਕੀ ਹੈ ਅਤੇ ਇਸਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ AI ਨੂੰ ਕੀ ਯਾਦ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ?
- ਏ) ਦੋਵੇਂ ਹਮੇਸ਼ਾ ਇਕੱਠੇ ਵਧਦੇ ਹਨ
- ਅ) ਉਨ੍ਹਾਂ ਵਿਚਕਾਰ ਕੋਈ ਸਬੰਧ ਨਹੀਂ ਹੈ
- C) ਰਿਸ਼ਤਾ ਸਥਿਰ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਸਹੂਲਤਾਂ ਵਿੱਚ ਇੱਕੋ ਜਿਹਾ ਹੈ
- ਡੀ) ਆਮ ਤੌਰ 'ਤੇ ਉਲਟਾ ਸੰਤੁਲਨ ਹੁੰਦਾ ਹੈ (ਗਰੇਡ ਵਧਣ ਨਾਲ ਉਪਜ ਘੱਟ ਜਾਂਦੀ ਹੈ); ਅਸਲ ਮੁੱਲਾਂ ਦੀ ਧਾਤੂ ਜਾਂਚ ਅਤੇ ਪੁੰਜ ਸੰਤੁਲਨ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ✔
ਵਿਆਖਿਆ: ਆਮ ਤੌਰ 'ਤੇ, ਜਦੋਂ ਅਸੀਂ ਉੱਚ ਕੇਂਦਰਿਤ ਗ੍ਰੇਡ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਉਪਜ ਘੱਟ ਜਾਂਦੀ ਹੈ (ਗਰੇਡ-ਉਪਜ ਸੰਤੁਲਨ)। AI ਇਸ ਰੁਝਾਨ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਅਸਲ ਓਪਰੇਟਿੰਗ ਮੁੱਲਾਂ ਦੀ ਧਾਤੂ ਜਾਂਚ ਅਤੇ ਪੁੰਜ ਸੰਤੁਲਨ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ; ਆਮ ਰੁਝਾਨ ਸਾਈਟ-ਵਿਸ਼ੇਸ਼ ਹਕੀਕਤ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ।
9. ਕਿੱਤਾਮੁਖੀ ਸੁਰੱਖਿਆ ਵਿੱਚ AI ਨਾਲ ਮਿਸ/ਐਕਸੀਡੈਂਟ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਵਰਤੋਂ ਕੀ ਹੈ?
- A) ਮੁਫਤ ਟੈਕਸਟ ਰਿਕਾਰਡਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰੋ ਅਤੇ ਆਵਰਤੀ ਜੋਖਮ ਪੈਟਰਨਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ; ਫੈਸਲਾ OHS ਮਾਹਰ 'ਤੇ ਛੱਡੋ ✔
- ਅ) ਹਾਦਸਿਆਂ ਦੇ ਦੋਸ਼ੀ ਨੂੰ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰੋ
- C) AI ਨੂੰ ਕੰਮ ਰੋਕਣ ਦੇ ਆਦੇਸ਼ ਸੌਂਪਣਾ
- ਡੀ) ਉਹਨਾਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੇ ਬਿਨਾਂ ਨੇੜੇ-ਤੇੜੇ ਦੇ ਰਿਕਾਰਡਾਂ ਨੂੰ ਪੁਰਾਲੇਖ ਕਰਨਾ
ਵਰਣਨ: AI ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਮੁਫਤ ਟੈਕਸਟ ਰਿਕਾਰਡਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਪੈਟਰਨਾਂ ਅਤੇ ਜੋਖਮ ਭਰੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਐਕਸਟਰੈਕਟ ਕਰ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਕਿਸੇ ਕੰਮ ਨੂੰ ਰੋਕਣ, ਕਿਸੇ ਖੇਤਰ ਜਾਂ ਮੂਲ ਕਾਰਨ ਨੂੰ ਖਾਲੀ ਕਰਨ ਦਾ ਫੈਸਲਾ OHS ਮਾਹਰ ਅਤੇ ਕਾਨੂੰਨ ਦੇ ਢਾਂਚੇ ਦੇ ਅੰਦਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; AI ਆਉਟਪੁੱਟ ਇਨਪੁਟ ਹੈ, ਫੈਸਲਾ ਨਹੀਂ।
10. ਢਲਾਣ ਦੀ ਨਿਗਰਾਨੀ ਵਿੱਚ ਰਾਡਾਰ/ਪ੍ਰਿਜ਼ਮ ਡੇਟਾ ਵਿੱਚ 'ਡਿਫਾਰਮੇਸ਼ਨ ਰੇਟ ਦਾ ਪ੍ਰਵੇਗ' ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਕੇਤ ਕਿਉਂ ਹੈ?
- ਏ) ਇਹ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਾਪਣ ਵਾਲਾ ਯੰਤਰ ਟੁੱਟ ਗਿਆ ਹੈ।
- ਅ) ਇਹ ਇੱਕ ਪ੍ਰਗਤੀਸ਼ੀਲ ਹਾਰ ਦਾ ਐਲਾਨ ਕਰ ਸਕਦਾ ਹੈ; ਅਗੇਤੀ ਚੇਤਾਵਨੀ ਅਤੇ ਨਿਕਾਸੀ ਦਾ ਫੈਸਲਾ ਭੂ-ਤਕਨੀਕੀ ਇੰਜੀਨੀਅਰ ਦਾ ਹੈ ✔
- C) ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਢਲਾਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੁਰੱਖਿਅਤ ਹੈ
- D) ਇਹ ਕੇਵਲ ਉਦੋਂ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਵਰਖਾ ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ
ਵਿਆਖਿਆ: ਢਲਾਣ ਦੀ ਅਸਫਲਤਾ ਤੋਂ ਪਹਿਲਾਂ, ਵਿਗਾੜ ਦਰ (ਪ੍ਰਵੇਗ) ਵਿੱਚ ਇੱਕ ਹੌਲੀ ਹੌਲੀ ਵਾਧਾ ਆਮ ਤੌਰ 'ਤੇ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ; ਇਹ ਪ੍ਰਗਤੀਸ਼ੀਲ ਅਸਫਲਤਾ ਦਾ ਸੰਕੇਤ ਹੋ ਸਕਦਾ ਹੈ. AI ਰੁਝਾਨ ਨੂੰ ਉਜਾਗਰ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਨਿਕਾਸੀ/ਸ਼ੁਰੂਆਤੀ ਚੇਤਾਵਨੀ ਦਾ ਫੈਸਲਾ ਭੂ-ਤਕਨੀਕੀ ਇੰਜੀਨੀਅਰ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਪ੍ਰੋਟੋਕੋਲ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
11. ਵਾਤਾਵਰਣ ਦੀ ਨਿਗਰਾਨੀ ਵਿੱਚ, ਇੱਕ 'ਵੱਧਤਾ' ਚਿੰਨ੍ਹ ਦਾ ਸਭ ਤੋਂ ਸਹੀ ਜਵਾਬ ਕੀ ਹੈ ਜੋ AI ਨੂੰ ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ ਸਮਾਂ ਲੜੀ ਵਿੱਚ ਮਿਲਦਾ ਹੈ?
- A) ਸਰਕਾਰੀ ਏਜੰਸੀ ਨੂੰ ਸਿੱਧੇ AI ਆਉਟਪੁੱਟ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ
- ਅ) ਚੇਤਾਵਨੀ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰੋ ਅਤੇ ਦੇਖਣਾ ਜਾਰੀ ਰੱਖੋ
- C) ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਨਤੀਜੇ, ਰੈਗੂਲੇਟਰੀ ਸੀਮਾ ਅਤੇ ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰ ਮੁਲਾਂਕਣ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰੋ ✔
- ਡੀ) ਸਿਰਫ਼ ਏਆਈ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਰੱਦ ਕਰਨਾ
ਵਰਣਨ: AI ਇੱਕ ਸੰਭਾਵੀ ਉਲੰਘਣਾ ਦਾ ਛੇਤੀ ਸੰਕੇਤ ਦੇ ਸਕਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਅਧਿਕਾਰਤ ਅਨੁਕੂਲਤਾ ਦਾ ਫੈਸਲਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ, ਕਾਨੂੰਨ ਵਿੱਚ ਸੀਮਾ ਮੁੱਲਾਂ ਅਤੇ ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰ ਦੇ ਮੁਲਾਂਕਣ ਦੁਆਰਾ ਲਿਆ ਜਾਂਦਾ ਹੈ। AI ਆਉਟਪੁੱਟ ਇੱਕ ਸਕ੍ਰੀਨਿੰਗ ਚੇਤਾਵਨੀ ਹੈ, ਇੱਕ ਕਾਨੂੰਨੀ/ਤਕਨੀਕੀ ਫੈਸਲਾ ਨਹੀਂ।
12. ਜਦੋਂ ਤੁਸੀਂ AI ਨੂੰ JORC ਜਾਂ NI 43-101 ਵਰਗੇ ਸਟੈਂਡਰਡ ਦੇ ਕਲਾਜ਼ ਨੰਬਰ ਲਈ ਪੁੱਛਦੇ ਹੋ ਤਾਂ ਮੇਡ-ਅੱਪ (ਭਰਮ) ਹਵਾਲਾ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਬਚਣ ਦਾ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਕੀ ਹੈ?
- A) AI ਦੁਆਰਾ ਦਿੱਤੇ ਆਈਟਮ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
- ਅ) ਵੱਖ-ਵੱਖ ਸ਼ਬਦਾਂ ਨਾਲ ਇੱਕੋ ਸਵਾਲ ਦੁਬਾਰਾ ਪੁੱਛਣਾ
- C) ਸਟੈਂਡਰਡ ਦੀ ਬਜਾਏ ਬਲੌਗ ਪੋਸਟ ਨੂੰ ਵੇਖਣਾ
- ਡੀ) ਸਟੈਂਡਰਡ ਦੇ ਮੌਜੂਦਾ ਅਧਿਕਾਰਤ ਟੈਕਸਟ ਤੋਂ ਹਰੇਕ ਲੇਖ ਦੇ ਹਵਾਲੇ ਨੂੰ ਖੋਲ੍ਹਣਾ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰਨਾ ਅਤੇ ਇੱਕ ਸਮਰੱਥ ਵਿਅਕਤੀ ਤੋਂ ਪ੍ਰਵਾਨਗੀ ਪ੍ਰਾਪਤ ਕਰਨਾ ✔
ਵਿਆਖਿਆ: ਭਾਵੇਂ ਕਿ ਭਾਸ਼ਾ ਮਾਡਲ ਮਿਆਰੀ ਦਾ ਨਾਮ ਸਹੀ ਢੰਗ ਨਾਲ ਜਾਣਦਾ ਹੈ, ਇਹ ਲੇਖ ਨੰਬਰ ਅਤੇ ਟੈਕਸਟ ਨੂੰ ਭੁਲੇਖਾ ਪਾ ਸਕਦਾ ਹੈ। ਹਰੇਕ ਪਦਾਰਥ ਦਾ ਹਵਾਲਾ ਸਟੈਂਡਰਡ ਦੇ ਮੌਜੂਦਾ ਅਧਿਕਾਰਤ ਪਾਠ ਤੋਂ ਖੋਲ੍ਹਿਆ ਅਤੇ ਪੁਸ਼ਟੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਅੰਤਿਮ ਅਨੁਕੂਲਤਾ ਦੀ ਪੁਸ਼ਟੀ ਯੋਗ ਵਿਅਕਤੀ (CP/QP) ਦੁਆਰਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
13. AI-ਲਿਖਤ ਪਾਈਥਨ ਵਿਸ਼ਲੇਸ਼ਣ ਸਕ੍ਰਿਪਟ ਨੂੰ ਚਲਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਜਾਂਚ ਕੀ ਹੈ?
- ਏ) ਕੋਡ ਨੂੰ ਪੜ੍ਹਨਾ ਅਤੇ ਇਕਾਈ/ਕਾਲਮ ਮੈਚਿੰਗ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, ਛੋਟੇ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕਰਨਾ ਅਤੇ ਨਤੀਜੇ ਦੀ ਸੁਚੱਜੀਤਾ ਦੀ ਜਾਂਚ ਕਰਨਾ ✔
- ਅ) ਕੋਡ ਨੂੰ ਬਿਨਾਂ ਪੜ੍ਹੇ ਪੂਰੇ ਡੇਟਾ ਸੈੱਟ 'ਤੇ ਸਿੱਧਾ ਚਲਾਉਣਾ
- ਗ) ਇਹ ਦੇਖਣਾ ਕਿ ਕੋਈ ਗਲਤੀ ਨਹੀਂ ਹੈ ਅਤੇ ਨਤੀਜਾ ਸਵੀਕਾਰ ਕਰਨਾ
- ਡੀ) ਵਧੀਆ ਦਿਖਣ ਲਈ ਆਉਟਪੁੱਟ ਦੇ ਗ੍ਰਾਫਿਕਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ।
ਵਰਣਨ: ਏਆਈ ਕੋਡ ਇਕਾਈਆਂ ਨੂੰ ਮਿਲ ਸਕਦਾ ਹੈ, ਕਾਲਮ ਦੇ ਨਾਮ ਨੂੰ ਗਲਤ ਮੰਨ ਸਕਦਾ ਹੈ, ਜਾਂ ਚੁੱਪਚਾਪ ਕਤਾਰਾਂ ਨੂੰ ਛੱਡ ਸਕਦਾ ਹੈ। ਕੋਡ ਨੂੰ ਪੜ੍ਹਨਾ, ਵਾਲੀਅਮ ਅਤੇ ਕਾਲਮ ਮੈਚਿੰਗ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, ਥੋੜ੍ਹੇ ਜਿਹੇ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕਰਨਾ, ਅਤੇ ਇਹ ਜਾਂਚ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਕੀ ਨਤੀਜਾ ਇੰਜੀਨੀਅਰਿੰਗ ਵਾਜਬ ਹੈ।
14. ਕਲਾਉਡ-ਅਧਾਰਿਤ ਏਆਈ ਟੂਲ ਨੂੰ ਮਾਈਨਿੰਗ ਡੇਟਾ ਦੇਣ ਵੇਲੇ ਗੋਪਨੀਯਤਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਵਹਾਰ ਕੀ ਹੈ?
- ਏ) ਸਾਰਾ ਕੱਚਾ ਡਾਟਾ ਪੇਸਟ ਕਰਨਾ ਜਿਵੇਂ ਹੈ
- ਅ) ਸੰਦਰਭ ਨੂੰ ਅਗਿਆਤ ਕਰੋ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਰਿਜ਼ਰਵ/ਕੋਆਰਡੀਨੇਟ/ਉਤਪਾਦਨ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰੋ ਅਤੇ ਕਾਰਪੋਰੇਟ, ਨੀਤੀ-ਅਨੁਕੂਲ ਸਾਧਨ ਦੀ ਵਰਤੋਂ ਕਰੋ ✔
- C) ਇਹ ਮੰਨਣਾ ਕਿ ਨਤੀਜਾ ਗੁਣਵੱਤਾ ਲਈ ਅਸਲ ਕੋਆਰਡੀਨੇਟ ਪ੍ਰਦਾਨ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ
- ਡੀ) ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਨੂੰ ਬਿਲਕੁਲ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ
ਵਿਆਖਿਆ: ਰਿਜ਼ਰਵ ਅੰਕੜੇ, ਲਾਇਸੈਂਸ/ਕੋਆਰਡੀਨੇਟ ਜਾਣਕਾਰੀ ਅਤੇ ਉਤਪਾਦਨ ਡੇਟਾ ਵਪਾਰਕ ਭੇਦ ਅਤੇ ਕਾਨੂੰਨ ਦੇ ਰੂਪ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ। ਸੰਦਰਭ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ, ਅਸਲ ਕੋਆਰਡੀਨੇਟਸ ਅਤੇ ਨਾਮਾਂ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ, ਕਾਰਪੋਰੇਟ/ਗੋਪਨੀਯਤਾ ਗਾਰੰਟੀ ਦੇਣ ਵਾਲੇ ਟੂਲ ਦੀ ਚੋਣ ਕਰਨਾ ਅਤੇ ਕੰਪਨੀ ਨੀਤੀ ਦੀ ਪਾਲਣਾ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ।