Zyski:
- Możliwość rozróżnienia, gdzie sztuczna inteligencja oszczędza czas rzeczywisty w procesie inżynierii górniczej, a gdzie odpowiedzialność za bezpieczeństwo powinna spoczywać na kompetentnym inżynierze, w zależności od poziomu ryzyka
- Możliwość wdrożenia wielowarstwowej dyscypliny walidacji, która testuje każdy wynik AI pod kątem standardowych, niezależnych obliczeń i pomiarów w terenie
- Możliwość anonimizacji kontekstu i nabycie nawyku wybierania bezpiecznych pojazdów w celu ochrony danych rezerwowych, informacji o licencjach oraz danych osobowych/produkcyjnych
Zadaniem inżyniera górnictwa jest łączenie niepewności pod ziemią z decyzjami podejmowanymi na powierzchni. Oszacowanie złoża rudy na podstawie danych wiertniczych, obliczenie rezerwy, planowanie odkrywki, zarządzanie flotą sprzętu, monitorowanie zachowania zboczy, zapewnienie bezpieczeństwa pracy, pomiar wpływu na środowisko i raportowanie tego wszystkiego zgodnie z przepisami. Wspólną cechą tych zawodów jest to, że pracują z dużą liczbą pomiarów i danych, ale każda decyzja skutkuje życiem ludzkim, milionami lirów inwestycji i nieodwracalnymi konsekwencjami dla środowiska w terenie. Sztuczna inteligencja (w skrócie sztuczna inteligencja; systemy oprogramowania działające na tekście, liczbach i obrazach z wykorzystaniem dużych zbiorów danych i modeli językowych) stanowi potężną pomoc w tym obszarze wymagającym dużej ilości danych, ale wymagającym podejmowania decyzji. W tej części dowiesz się, gdzie bezpiecznie wykorzystywać sztuczną inteligencję w górnictwie, gdzie jest ona niebezpieczna i dlaczego należy weryfikować każdy wynik sztucznej inteligencji pod kątem standardów, pomiarów w terenie i oceny inżynierskiej.
Główną zasadą, którą będziesz stosować w tym module, jest: AI jest asystentem, a nie decydentem. Wartość gatunku (stosunek metalu w rudzie), kąt nachylenia, wartość rezerwowa, granica bezpieczeństwa lub artykuł legislacyjny nie stają się prawdą tylko dlatego, że „sztuczna inteligencja tak powiedziała”; Jest to jedynie hipoteza, dopóki nie zostanie zweryfikowana za pomocą pomiarów, odniesienia i kompetentnej oceny inżyniera. To zdanie zobaczysz ponownie w każdej jednostce modułu, ponieważ w górnictwie zła liczba często oznacza zawalenie się inwestycji, zawalenie się zbocza lub obrażenia człowieka.
Co to jest LLM i co robi w górnictwie?
LLM (Large Language Model) to oprogramowanie, które uczy się wzorców z bardzo dużych fragmentów tekstu i przewiduje „następne słowo” na podstawie prawdopodobieństwa. Jest to silnik narzędzi takich jak ChatGPT, Claude, Gemini. Rzecz w tym, że LLM to „estymator języka”, a nie „baza wiedzy”. Włada biegle terminologią górniczą, ale nie mierzy ocen; generuje liczbę, która wygląda na najbardziej prawdopodobną. Dlatego może udzielać pewnych, ale błędnych odpowiedzi na temat średniej oceny, szybkości usuwania, klauzuli regulacyjnej lub granicy wybuchowości. Nazywa się to halucynacją (fabrykacją). Halucynacje nie są awarią, ale nieodłączną cechą tej technologii; Dlatego weryfikacja nie jest „dodatkowym krokiem”, ale integralną częścią pracy.
Zadania, w których sztuczna inteligencja jest silna w górnictwie:
- Wyjaśnienie koncepcji i nauczanie: czym jest wariogram, jak działa zasada dźwigni, jak zachodzi drenaż kopalni kwaśnych.
- Czyszczenie i organizacja danych: przekształcanie rozproszonych kłód odwiertów w spójną tabelę, wychwytywanie niedopasowań jednostek.
- Generowanie listy hipotez: systematyczne wymienianie możliwych przyczyn spadku produkcji.
- Kodowanie: czyszczenie danych, tworzenie wykresów, geostatystyka i skrypty analizy anomalii w języku Python.
- Projekt tekstu: JSA (analiza bezpieczeństwa pracy), raport z monitoringu środowiska, projekt przetargu/specyfikacji technicznej.
- Burza mózgów: porównanie scenariuszy, pomysły na plan eksperymentów/pomiarów.
Gdzie sztuczna inteligencja jest słaba i ryzykowna:
- Podanie dokładnej wartości liczbowej (nachylenie, rezerwa, kąt nachylenia, wartość graniczna).
- Aktualne i szczegółowe przepisy/standardowe artykuły i informacje o wersji.
- Diagnoza bez rzeczywistych danych pomiarowych Twojej witryny.
- Decyzja kluczowa dla bezpieczeństwa: zatwierdzenie projektu wybuchu, decyzja o ewakuacji, użyteczność.
Klasyfikacja oparta na ryzyku: filtr przed użyciem AI
Nie każde zadanie wiąże się z tym samym poziomem ryzyka. Przed użyciem sztucznej inteligencji sklasyfikowaj zadanie według poziomu ryzyka. Poniższa tabela przedstawia ramy decyzyjne, z których będziesz korzystać w całym module.
Poziom ryzyka
przykładowe zadanie
Rola sztucznej inteligencji
Obowiązkowa weryfikacja
niski
Wyjaśnienie koncepcji, tekst roboczy, szkielet kodu
bezpłatne korzystanie
Recenzja wystarczy
średni
Czyszczenie danych, lista hipotez, konfiguracja obliczeń
Projekt/współautor
Sterowanie ręczne + potwierdzenie źródła
wysoki
Oszacowanie rezerwy, granica wżeru, parametr strzału
generator pomysłów
Standard + pomiar terenowy + oprogramowanie
krytyczny
Decyzja o ewakuacji, bezpieczeństwo stoku, decyzja o przydatności do użytku
Tylko wersja robocza/skan
Zatwierdzenie kompetentnego inżyniera + akredytowane badania
Wskazówka: jeśli oznaczysz zadanie jako „krytyczne”, wynik sztucznej inteligencji nigdy nie będzie ostatecznym dokumentem. Może to być co najwyżej wstępny projekt lub lista kontrolna; Kompetentny inżynier przejmuje podpis i odpowiedzialność.
Przepływ od początku do końca: osadzanie sztucznej inteligencji w przepływie pracy
Typowy cykl rozwiązywania problemów w górnictwie wygląda następująco, gdzie sztuczna inteligencja angażuje się w każdy krok, ale nie zamyka żadnego z nich samodzielnie:
- Zdefiniuj problem: co przewidzieć, jaką decyzję podjąć, jakie istnieją ograniczenia? (AI: wyjaśnia pytanie.)
- Zbieraj i czyść dane: wiercenia, produkcja, monitorowanie, dane laboratoryjne. (AI: silna w czyszczeniu i sprawdzaniu niespójności.)
- Generuj hipotezy/scenariusze: Możliwe przyczyny, alternatywne plany. (AI: tworzy listę systematyczną.)
- Analizuj: Obliczenia, geostatystyka, model, obróbka obrazu. (AI: generuje kod i fikcję obliczeniową.)
- Sprawdź: standardowe, terenowe, samodzielne konto, oprogramowanie. (Sztuczna inteligencja jest na uboczu; decydują ludzie i pomiary.)
- Zgłoś i podejmij decyzję: kompetentny inżynier bierze na siebie odpowiedzialność. (AI: autor projektu.)
Pamiętaj o tych sześciu krokach; pozostała część modułu pokazuje, krok po kroku, jak używać sztucznej inteligencji do zadań związanych z wydobyciem betonu.
trzy mini etui
Przypadek 1 – Wymyślona średnia ocen. Stażysta pyta narzędzie czatu AI o średnią ocenę projektu miedzianego; AI mówi „około 0,65% Cu”. Stażysta umieszcza to w prezentacji inwestycyjnej. Jednak sztuczna inteligencja nie widziała żadnych danych dotyczących wierceń tego projektu; wyprodukował typowy numer dla „projektu miedzianego”. Rzeczywista wartość pochodzi wyłącznie z własnych, zbiorczych danych dotyczących odwiertów i szacunków geostatystycznych; Rzeczywista wartość tego projektu wynosi 0,38%. Różnica polega na tym, że inwestycja wydaje się opłacalna, a przynosi stratę. Prawidłowe podejście to nigdy nie „pytać” o ocenę AI, ale obliczać ją na podstawie własnej bazy danych.
Przypadek 2 – Nieistniejąca klauzula regulująca. Inżynier pyta sztuczną inteligencję o maksymalne wibracje gruntu (PPV: szczytowa prędkość cząstek, mm/s) dozwolone podczas robót strzałowych. Sztuczna inteligencja mówi „10 mm/s zgodnie z przepisami” i tworzy numer pozycji. Inżynier pisze odpowiedni raport. Podczas oględzin okazuje się, że numer pozycji nie jest prawdziwy, a wartość graniczna różni się w zależności od odległości i rodzaju budynku. Właściwą postawą jest otwarcie obowiązującego rozporządzenia na oficjalnym źródle i potwierdzenie jego wartości i treści. Nawet jeśli sztuczna inteligencja poprawnie zna nazwę przepisu, może mieć halucynacje co do numeru artykułu.
Przypadek 3 – Prawidłowe użycie. Geolog podejrzewa rozbieżność w kolumnie gatunku w zestawie danych obejmującym 40 odwiertów. Mówi sztucznej inteligencji, aby „wymieniła wiersze w tej tabeli, które mogą zawierać niespójności jednostkowe, wartości ujemne, widoczne wartości odstające i puste komórki, i zapisał, co podejrzewasz w przypadku każdego z nich; NIE poprawiaj, po prostu zaznacz”. AI flaguje kilka linii zmieszanych z% zmieszanych z ppm, dwiema ocenami negatywnymi i wartością kodu 999. Geolog sprawdza i koryguje je pojedynczo na podstawie surowych kłód. Tutaj sztuczna inteligencja została użyta prawidłowo: przyciągnęła uwagę, człowiek podjął decyzję i skorygował.
Kopiowalne szablony podpowiedzi
Poniższe szablony możesz wykorzystać dostosowując je do własnego biznesu. W każdym z nich zawarta jest świadoma instrukcja „podania dokładnej liczby, wskazania źródła, wyjaśnienia niepewności”.
ROLA I SZABLON GRANIC "Rola: Jesteś doświadczonym asystentem inżyniera górnictwa. Zadanie: [wpisz temat]. Zasady: Podając dokładną wartość liczbową (gatunek, rezerwa, granica) podaj ŹRÓDŁO; jeśli nie jesteś pewien, powiedz "należy zweryfikować". Jeśli podajesz artykuł regulacyjny/normowy, podaj go wraz z jego wersją, ale pamiętaj, że musi to być potwierdzone z oficjalnego źródła. Na końcu odpowiedzi napisz pozycję "co wymaga sprawdzenia w terenie za pomocą pomiarów/obliczeń" przez przedmiot.”
SZABLON GENEROWANIA HIPOTEZ „Stwórz systematyczną listę możliwych przyczyn następującej sytuacji: [opisz sytuację; co zaobserwowano, jakie są dostępne dane]. Dla każdej hipotezy: (1) jakie dowody ją potwierdzają, (2) jakie pomiary lub obliczenia należy przeprowadzić, aby ją potwierdzić/obalić. POSTAW ostateczną diagnozę; sporządź plan działania dochodzenia.”
SZABLON LISTY KONTROLNEJ WERYFIKACJI „Wymień KAŻDĄ wartość liczbową i KAŻDE odniesienie do przepisów/norm w poniższym projekcie raportu. Dla każdego z nich wskaż, z jakiego źródła (dane samowiercące, tekst przepisów, raport laboratoryjny, badanie terenowe) należy je zweryfikować. Zbierz te o niepewnym pochodzeniu w rubryce „nie można używać bez weryfikacji”. Tekst: [wklej].”
SZABLON KONTROLI WSTĘPNEJ ANONIMIZACJI „Przed podaniem narzędzia AI następującego tekstu, należy zgłosić tajemnicę handlową lub części wrażliwe o charakterze osobistym/regulacyjnym: numery rezerwowe, numer licencji, rzeczywiste współrzędne, nazwiska klientów/personelu, poufne dane dotyczące kosztów. Zasugeruj, w jaki sposób mogę je zanonimizować. Tekst: [wklej].”
Słaba zachęta/silna zachęta
Zadawanie tego samego pytania na dwa sposoby przyniesie bardzo różne wyniki.
SŁABY PODPOWIEDŹ: „Ile wynoszą rezerwy tej kopalni?”
MOCNA WSKAZÓWKA: „Rola: jesteś asystentem geologa ds. zasobów. Wyjaśnij, przez jakie etapy musi przejść oszacowanie rezerwy/zasobu (kompozycja, wariogram, kriging, klasyfikacja, limit ekonomiczny) oraz jakie dane i zgoda kompetentnej osoby są wymagane na każdym etapie. NIE PODAWAJ DOKŁADNEGO numeru rezerwy; podkreśl, że można go obliczyć jedynie na podstawie własnych danych projektu i należy go zgłosić w ramach kodu takiego jak JORC/UMREK.”
Słaba zachęta zachęca sztuczną inteligencję do pogodzenia się; Silny podpowiedzi utrzymuje go we właściwej pracy (opis procesu) i przede wszystkim zapobiega wystąpieniu halucynacji cyfrowych.
Typowe błędy
- „Pytanie” AI o numery specyficzne dla kursu, takie jak ocena, rezerwa itp. AI nie zna Twoich danych; liczby te są obliczane wyłącznie na podstawie Twojej własnej bazy danych.
- Korzystanie z klauzuli prawnej/standardowej bez jej potwierdzenia. Numer i wartość przedmiotu są często halucynowane.
- Opieranie decyzji kluczowych dla bezpieczeństwa na wynikach AI. Decyzje dotyczące ewakuacji, zatwierdzenia strzału i przydatności do użytku podejmuje kompetentny inżynier.
- Wklejanie wrażliwych danych do narzędzia w chmurze bez ich anonimizacji. Dane dotyczące rezerw, koordynacji i kosztów stanowią tajemnicę handlową.
- Czekam na jedno pytanie i jedną odpowiedź. Używaj AI iteracyjnie: generuj wersje robocze, krytykuj, weryfikuj, poprawiaj.
Uwaga: im bardziej precyzyjna i pewna liczba pojawia się w wynikach AI, tym większa potrzeba weryfikacji. Precyzja nie jest gwarancją dokładności.
Podsumowując
W tej jednostce widziałeś, że sztuczna inteligencja jest asystentem w górnictwie, a nie decydentem. LLM są predyktorami języka; Jest potężny w wyjaśnianiu koncepcji, czyszczeniu danych, generowaniu hipotez i kodu, ale ryzykowny w tworzeniu dokładnych liczb i prawodawstwa (halucynacje). Klasyfikuj zadania jako niskie/średnie/wysokie/krytyczne i odpowiednio dostosuj głębokość weryfikacji. Zweryfikuj każdą wartość liczbową na podstawie własnych danych lub pomiaru w terenie, każde odniesienie do przepisów z oficjalnego źródła. Decyzje dotyczące bezpieczeństwa są zawsze podejmowane przez kompetentnego inżyniera i anonimizują wrażliwe dane przed ich wykorzystaniem.
Zadanie aplikacji
Wybierz pięć zadań z własnej firmy (lub fikcyjnego projektu wydobywczego): opis koncepcji, czyszczenie danych, lista hipotez, wartość rezerwowa/liczbowa i pytanie regulacyjne. Umieść je w powyższej tabeli ryzyka. Następnie zlecaj sztucznej inteligencji dwa zadania niskiego/średniego ryzyka za pomocą szablonu „Rola i granice” i oznacz każdy element liczbowy/regulacyjny wyniku szablonem „Lista kontrolna weryfikacji”. Zapisz, jakich elementów nie można zastosować bez weryfikacji.
lista kontrolna
- [ ] Przed użyciem umieściłem misję na poziomie ryzyka (niski/średni/wysoki/krytyczny).
- [ ] Obliczyłem liczby specyficzne dla pola, takie jak klasa, rezerwa itp., na podstawie własnych plonów, zamiast pytać sztuczną inteligencję.
- [ ] Sprawdziłem każde odniesienie do ustawodawstwa/normy na podstawie oficjalnego źródła.
- [ ] Zanonimizowałem wrażliwe dane (rezerwa, współrzędne, imię i nazwisko, koszt).
- [ ] Decyzję o kluczowym znaczeniu dla bezpieczeństwa pozostawiłem zatwierdzeniu przez kompetentnego inżyniera, a nie w oparciu o wyniki sztucznej inteligencji.
- [ ] Przeskanowałem każdą wartość liczbową w wynikach AI pod kątem „nie można jej użyć bez weryfikacji”.