Analiza danych wydobywczych za pomocą Pythona i granic sztucznej inteligencji

Zyski:

• Możliwość tworzenia skryptów, które czyszczą i wizualizują dane dotyczące wierceń, produkcji i monitorowania w języku Python, ze wsparciem AI
• Umiejętność rozpoznawania ryzyka związanego z jakością danych, nadmiernym uczeniem się i ekstrapolacją podczas budowania prostych modeli predykcyjnych i anomalii
• Możliwość weryfikacji kodu i wyniku wygenerowanego przez sztuczną inteligencję za pomocą kontroli jednostkowej, niezależnych obliczeń i wiarygodności inżynierskiej

W każdej jednostce tego modułu widziałeś, że sztuczna inteligencja ma potężną moc w kodowaniu: czyszczenie odwiertów, bilans masy, szkielet kriginga, podsumowanie floty, analiza wibracji, skanowanie środowiska. Ta ostatnia część skupia się na Pythonie, konkretnym narzędziu do tego kodu i właściwej dyscyplinie generowania kodu za pomocą sztucznej inteligencji. Python stał się de facto standardem w analizie danych eksploracyjnych, ponieważ jest darmowy, ma potężne biblioteki (pandy: manipulowanie danymi tabelarycznymi; numpy: rachunek numeryczny; matplotlib: kreślenie; scikit-learn: uczenie maszynowe) i automatyzuje powtarzalne zadania. Sztuczna inteligencja mnoży prędkość, z jaką piszesz ten kod; ale generowany przez niego kod nie zawsze jest poprawny. Główna zasada tej jednostki: nigdy nie uruchamiaj kodu napisanego przez sztuczną inteligencję bez uprzedniego przeczytania go, sprawdzenia poprawności jednostki i przetestowania jej z niewielką ilością znanych danych. Kod może po cichu generować zły wynik, co może przerodzić się w złą decyzję inżynieryjną w górnictwie.

Podstawowy przepływ generowania kodu za pomocą AI

Pobieranie kodu ze sztucznej inteligencji to cykl inżynieryjny, a nie rozmowa:

1. Opisz jasno zadanie. Dane wejściowe (kolumny, jednostki, przykładowy wiersz), pożądane dane wyjściowe i ograniczenia. Niejednoznaczne żądanie generuje niejednoznaczny kod.
2. Poproś, aby był mały i czytelny. Poproś o skomentowany kod krok po kroku, a nie o jedną gigantyczną funkcję.
3. Przeczytaj i zrozum. Zrozum, co robi każda linia; Nie uruchamiaj kodu, którego nie rozumiesz.
4. Testuj na małych danych. Uruchom go ręcznie z 5-10 liniami, których wyniki znasz i zweryfikuj oczekiwany wynik.
5. Kwestionuj przypadki skrajne. Pusta komórka, wartość ujemna, tasowanie jednostek, powtarzanie rekordu. Jak zachowuje się kod?
6. Skaluj i sprawdzaj logikę. Uruchom na wszystkich danych; Czy wynik jest uzasadniony pod względem technicznym?

Wskazówka: najczęstsze błędy przy wprowadzaniu kodu AI są ciche: zła nazwa kolumny, mieszanie jednostek (m vs ft, g/t vs ppm), cicho pomijane wiersze (np. dropna), zła średnia (zwykła średnia, gdy powinna być ważona). Nie powodują one błędów; Po prostu generuje złą liczbę. Zatem „nie wystąpił błąd” nigdy nie oznacza „poprawnie”.

Typowe zadania Pythona w górnictwie

• Czyszczenie danych: Łączenie tabel wierceń/produkcji/monitoringu, oznaczanie niespójności, normalizacja jednostek.
• Podsumowanie i wizualizacja: Histogram, szeregi czasowe, krzywa klasy-tonaż, wykresy OEE.
• Statystyka i geostatystyka: Statystyka podsumowująca, korelacja, wariogram/kriging (ze specjalnymi bibliotekami).
• Wykrywanie anomalii: przechwytywanie dryftu w oparciu o progi lub prosty model.
• Proste modele predykcyjne: na przykład zależność wielkości mielenia od plastyczności z regresją.

W przypadku większości tych zadań sztuczna inteligencja zapewnia doskonały kod startowy. Istnieją jednak dwie pułapki: jakość danych i ograniczenia modelu. Znajomość obu jest kluczem do bezpiecznego korzystania z kodu AI.

Ograniczenia modelu: nadmierne uczenie się i ekstrapolacja

Proste modele predykcyjne, które sztuczna inteligencja łatwo buduje, są podatne na dwa główne zagrożenia. Overfitting: model zapamiętuje dane szkoleniowe, ale słabo radzi sobie z nowymi danymi; Zachęca do tego budowanie złożonych modeli z niewielką ilością danych. Ekstrapolacja: model staje się zawodny, gdy zmuszony jest dokonać prognozy w zakresie wykraczającym poza dane szkoleniowe; Przykładowo model poznany w zakresie 0,3-0,8 g/t może dać bezsensowne wyniki dla 5 g/t. Sztuczna inteligencja nie zarządza „spontanicznie” tymi zagrożeniami za Ciebie; Twoim zadaniem jest krytyczna lektura modelu, dokonanie rozróżnienia między treningiem a testem, sprawdzenie przedziału ufności i sprawdzenie, czy przewidywanie jest fizycznie wiarygodne. Niezależnie od tego, jak dokładny wydaje się numer modelu, nie może on być podstawą decyzji inżynierskiej wykraczającej poza zakres danych.

trzy mini etui

Przypadek 1 — Błąd cichej głośności. Inżynier potrzebuje kodu, który sprawi, że sztuczna inteligencja obliczy średnią ocenę na podstawie danych z testów. Kod działa, wynik to 2,1 g/t. Inżynier czyta kod; Należy zauważyć, że średnia nie jest ważona długością interwału, ale jest traktowana jako średnia prosta. Wysokie oceny w krótkich odstępach czasu powodowały niesprawiedliwe przybieranie na wadze. Po przejściu do średniej ważonej wartość ta spada do 1,7 g/t. Kod nie zawierał błędów; czytanie wychwyciło błąd.

Przypadek 2 — Ciche zrzucanie linii. W kodzie podsumowującym produkcję AI oczyściła wiersze z brakującymi wartościami za pomocą dropna. Kod działa płynnie, ale całkowity tonaż jest zaniżony, ponieważ niektóre prawidłowe wiersze zostały całkowicie usunięte z powodu jednej pustej kolumny. Kiedy inżynier porównuje liczbę linii między wejściem i wyjściem, widzi różnicę i koryguje logikę czyszczenia. Lekcja: zawsze porównuj liczbę linii wejściowych i wyjściowych.

Przypadek 3 – Pułapka ekstrapolacyjna. Zespół stosuje model regresji poznany w zakresie niskich ocen do obszaru o wysokich ocenach; Model daje absurdalnie wysoką ocenę wydajności. Na szczęście inżynier odrzuca wynik, twierdząc, że „ten obszar jest daleko poza zakresem obserwowanym przez model” i żąda przeprowadzenia badań metalurgicznych. Lekcja: znać zakres danych, dla których model jest ważny; Nie używaj szacunków spoza stanu.

Kopiowalne szablony podpowiedzi

KOD BEZPIECZNEGO CZYSZCZENIA DANYCH „Rola: Jesteś asystentem analityka danych w Pythonie. Napisz kod za pomocą pand, który czyści poniższą tabelę. Kolumny i jednostki: [lista]. Reguły: (1) drukuj liczbę wierszy PRZED i PO upuszczeniu wierszy; (2) zgłoś, które wiersze zostały usunięte i dlaczego; (3) skomentuj konwersje jednostek; (4) tam, gdzie to konieczne, użyj średniej ważonej zamiast zwykłej. Wyjaśnij każdy krok linią komentarza.

WNIOSEK O PRZEGLĄD KODU"Wyjaśnij następujący kod Pythona wiersz po wierszu i wskaż następujące punkty ryzyka: nieprawidłowe założenie nazwy kolumny, pomieszanie jednostek, ciche opuszczanie wierszy, średni błąd płaski/ważony, zachowanie skrajnych wielkości liter (null/ujemne). NIE NAPRAWIAJ kodu; po prostu wypisz ryzyko. Kod: [wklej]."

KONFIGURACJA TESTOWA Z MAŁYMI DANYMI "Dla tej funkcji utwórz ręcznie małe dane testowe (5-6 linii), których wynik jest znany i oczekiwany wynik; napisz blok testowy, który sprawdzi, czy funkcja działa poprawnie na tych danych. Przetestuj także skrajne przypadki (pusta komórka, wartość ujemna, ekstremalna wartość jednostkowa). Funkcja: [wklej]."

PROSTY MODEL + OSTRZEŻENIE GRANICOWE „Skonfiguruj prostą regresję dla [x -> y] z następującymi danymi. Rozróżnij między trenowaniem a testowaniem, zgłoś metrykę błędu i jasno określ zakres x, w którym model jest WAŻNY. Ostrzegaj, jeśli prognozy są przeprowadzane POZA tym zakresem. Skomentuj ryzyko przetrenowania i rzadkości danych. Dane: [wklej].”

Słaba zachęta/silna zachęta

SŁABY PODSUMOWANIE: „Oblicz średnią ocenę na podstawie tych danych”.

MOCNA WSKAZÓWKA:"Rola: Jesteś asystentem Pythona. Kolumny: HoleID, From(m), To(m),Au(g/t). Oblicz WAŻONĄ średnią ocenę z długością interwału. Kod: (1) wydrukuj liczbę wierszy wejścia/wyjścia; (2) zgłoś wartości zerowe/ujemne przed ich usunięciem; (3) potwierdź założenie dotyczące jednostki. Pokaż także sumy częściowe, abym mógł ręcznie zweryfikować wynik. Dane: [wklej]."

Tabela porównawcza: ryzyko i środki ostrożności

Ryzyko

objaw

środek ostrożności

Zakłócenia jednostki

Rozsądna, ale błędna liczba

Skomentuj jednostkę w kodzie, sprawdź ją

Cichy spadek linii

Brakuje całości

Porównaj liczbę linii wejściowych/wyjściowych

Zwykły vs średnia ważona

zła średnia

Sprawdź ważenie

nadmierne uczenie się

Źle na danych testowych

Oddzielenie szkoleń od testowania, zachowaj prostotę

ekstrapolacja

Bezsensowne przypuszczenie poza zasięgiem

Ogranicz prawidłowy zakres

Typowe błędy

• Uruchamianie kodu bez jego czytania. „Nie wykryło żadnych błędów” nie oznacza, że ​​to prawda.
• Nie testuję z małymi danymi. Zaufanie bez weryfikowalnego przykładu jest fałszywe.
• Nie porównuje się liczby linii wejściowych/wyjściowych. W ten sposób uciekają ciche straty.
• Ignorując gamę modeli. Szacunki ekstrapolacyjne są niewiarygodne.
• Ufając pięknu wykresu. Stylowy wykres może ukryć niewłaściwą liczbę.

Uwaga: Jeśli kod AI trafi na konto inżynieryjne, kod ten będzie tak samo odpowiedzialny jak konto. Gdziekolwiek wynikiem będzie decyzja eksploracyjna, przeprowadź kod i jego dane wyjściowe przez niezależną kontrolę logiczną i porównanie z drugą metodą, jeśli to możliwe.

Podsumowując

Python jest de facto narzędziem do analizy danych eksploracyjnych, a sztuczna inteligencja znacznie zwiększa prędkość, z jaką je piszesz. Jednak kod AI może zawierać ciche błędy (pomieszanie jednostek, pomijanie wierszy, nieprawidłowe uśrednianie) i pułapki modelowe (nadmierne uczenie się, ekstrapolacja). Bezpieczny przepływ: opisz jasno, chcesz, żeby był mały i czytelny, czytaj i zrozum, testuj z małymi znanymi danymi, zapytaj o przypadki brzegowe, sprawdź skalę i logikę. Dane wyjściowe modelu nie mogą być podstawą decyzji wykraczającej poza zakres danych; a każdy kod niesie ze sobą taką samą odpowiedzialność jak konto, jeśli zamienia się w decyzję o wydobyciu.

Zadanie aplikacji

Użyj szablonu „Kod bezpiecznego czyszczenia danych” z zadaniem uśredniania ocen lub podsumowaniem produkcji, aby uzyskać kod od sztucznej inteligencji; Usuń ryzyko związane z kodem za pomocą szablonu „Żądanie przeglądu kodu”. Następnie za pomocą szablonu „Konfiguracja testowa z małymi danymi” utwórz ręcznie zbiór danych, którego wyniki znasz i zweryfikuj kod. Na koniec, dla prostej relacji, skonfiguruj model za pomocą szablonu „Prosty model + ostrzeżenie o ograniczeniu” i sprawdź, czy wyświetla ostrzeżenie, gdy wykracza poza prawidłowy zakres.

lista kontrolna

• [ ] Przeczytałem kod AI i zrozumiałem każdą linijkę, nie pisałem go na ślepo.
• [ ] Przetestowałem to na małych, ręcznie weryfikowalnych danych.
• [ ] Porównałem liczbę linii wejściowych i wyjściowych.
• [ ] Sprawdziłem spójność i wagę jednostek.
• [ ] Ograniczyłem prawidłowy zakres danych modelu, unikając ekstrapolacji.
• [ ] Sprawdziłem wynik, który przekształcił się w decyzję, za pomocą niezależnej logiki/metody drugiej.

Egzamin modułowy

1. Stażysta pyta narzędzie czatu AI o średnią zawartość rudy i wpisuje otrzymaną wartość „1,8 g/t złota” bezpośrednio do raportu o rezerwach. Jaki jest zasadniczy błąd w tym podejściu?

• A) Wartość oceny musi pochodzić z własnych danych dotyczących wierceń/analiz projektu i zweryfikowanej prognozy; Liczba wygenerowana przez sztuczną inteligencję może być sfabrykowana bez źródła ✔
• B) Należało zapytać o sztuczną inteligencję w uncjach zamiast w gramach
• C) Wartość jest prawidłowa, zamiast przecinka powinna zostać użyta kropka
• D) Wystarczy zadać AI trzy razy to samo pytanie i wyciągnąć średnią

Wyjaśnienie: Model językowy nie zna danych wiertniczych Twojego projektu; daje liczbę, która wydaje się najbardziej prawdopodobna (halucynacje). Ocena pochodzi wyłącznie z własnych, zbiorczych danych dotyczących odwiertów i szacunków geostatystycznych; Wyniki AI nie mogą zostać uwzględnione w raporcie bez zgody kompetentnej osoby.

2. Co umożliwia „klasyfikacja oparta na ryzyku” w zastosowaniu sztucznej inteligencji w inżynierii górniczej?

• A) Obniż cenę narzędzia AI
• B) Określ rolę AI i obowiązkową głębokość weryfikacji w zależności od poziomu ryzyka zadania ✔
• C) Podpowiedzi powinny być pisane krócej
• D) Automatycznie deleguj wszystkie decyzje do AI

Wyjaśnienie: Nie każda misja charakteryzuje się tym samym poziomem ryzyka. Klasyfikacja zadania jako niskie/średnie/wysokie/krytyczne określa, które wyjście można swobodnie wykorzystać, a które wymaga weryfikacji standardowej i terenowej oraz zgody kompetentnego inżyniera.

3. Co oznacza model „wariogramu” w geostatystyce?

• A) Zużycie paliwa przez sprzęt
• B) Zmiana ceny metalu w czasie
• C) Ciągłość przestrzenna w zależności od odległości; ✔ jak podobieństwo maleje w miarę oddalania się punktów
• D) Częstotliwość wibracji wytwarzanych przez piaskowanie

Opis: Wariogram opisuje, jak maleje podobieństwo próbek do siebie (ciągłość przestrzenna) wraz ze wzrostem odległości między dwoma punktami. Kriging wykorzystuje ten model do oszacowania niezmierzonych punktów z marginesem niepewności.

4. Jakie jest najlepsze podejście w przypadku wstępnej klasyfikacji litologii przez sztuczną inteligencję na podstawie fotografii rdzeni wiertniczych?

• A) Przetwarzanie rodzaju skały podanego przez sztuczną inteligencję bezpośrednio w dzienniku wierceń
• B) Kopiowanie tekstu AI do raportu bez sprawdzania zdjęcia
• C) Anulowanie obserwacji geologa i poleganie wyłącznie na sztucznej inteligencji
• D) Uznaj wynik za wstępną prognozę/hipotezę i zweryfikuj ją za pomocą obserwacji geologicznych i analiz laboratoryjnych ✔

Opis: sztuczna inteligencja może wygenerować listę przewidywań i uwagi na podstawie obrazu; Jednakże ostateczną decyzję dotyczącą litologii/zmian podejmuje się na podstawie obserwacji geologa i analizy laboratoryjnej. Wyniki AI to początek, hipoteza do sprawdzenia.

5. Co oznacza „współczynnik usuwania” w planowaniu odkrywkowym?

• A) Ilość rdzy (skały płonnej), którą należy usunąć, aby uzyskać jedną jednostkę rudy ✔
• B) Procent metalu w rudzie
• C) Dzienna liczba przejazdów samochodów ciężarowych
• D) Ilość materiału wybuchowego użytego do wybuchu

Opis: Szybkość usuwania to ilość odpadów (pasków/odpadów), które należy usunąć, aby uzyskać jedną jednostkę rudy. Ostateczny limit pit-limitu i ekonomia w dużej mierze zależą od tego stosunku; Mimo że sztuczna inteligencja generuje scenariusze, decyzja o granicach należy do kompetentnego inżyniera.

6. Co oznacza w konserwacji predykcyjnej stwierdzenie, że sztuczna inteligencja wykrywa „anomalie” w danych dotyczących wibracji i temperatury?

• A) Dowód, że sprzęt zdecydowanie uległ awarii
• B) Ostrzeżenie, że dane odbiegają od normy; Nie jest to ostateczne rozpoznanie nieprawidłowego działania, ale objaw, który należy potwierdzić w badaniu fizykalnym ✔
• C) Nakazać automatyczne zatrzymanie sprzętu
• D) Gwarancja, że dane zostały zapisane nieprawidłowo

Wyjaśnienie: Anomalia to odchylenie danych od normalnego zachowania i może wskazywać na awarię; ale nie jest to ostateczna diagnoza. Decyzja o zatrzymaniu sprzętu lub wymianie części jest podejmowana po fizycznym badaniu zespołu konserwacyjnego i zatwierdzeniu kierownika operacyjnego.

7. Co jest niezbędne dla bezpieczeństwa podczas stosowania sztucznej inteligencji w projektowaniu odwiertów i strzałów?

• A) Wdrożenie rekomendacji AI bezpośrednio w terenie
• B) Pominięcie pomiaru drgań
• C) Weryfikacja proponowanego projektu AI z pomiarami terenowymi, limitami regulacyjnymi i zatwierdzeniem autoryzowanego eksperta strzałowego ✔
• D) Ustalanie ilości materiałów wybuchowych z maksymalną podaną przez sztuczną inteligencję

Opis: Wysadzanie; Niesie ze sobą poważne ryzyko związane z bezpieczeństwem i przepisami, takie jak wibracje, wstrząsy powietrzne i latające kamienie. Sztuczna inteligencja może stworzyć szkic projektu i zalecenia dotyczące parametrów; Jednakże ostateczny projekt musi przejść pomiary terenowe, ograniczenia regulacyjne i zatwierdzenie upoważnionego eksperta ds. strzałów (detonator/odpowiedzialny).

8. Jaki jest typowy związek między „odzyskiem” a „klasą koncentratu” w przetwarzaniu minerałów i o czym sztuczna inteligencja powinna pamiętać, interpretując to?

• A) Obydwa zawsze rosną razem
• B) Nie ma między nimi żadnego związku
• C) Zależność jest stała i taka sama we wszystkich obiektach
• D) Zwykle występuje odwrotna równowaga (stopność maleje wraz ze wzrostem gatunku); rzeczywiste wartości należy zweryfikować za pomocą badań metalurgicznych i bilansu masy ✔

Wyjaśnienie: Ogólnie rzecz biorąc, gdy staramy się uzyskać gatunek o wyższym stężeniu, wydajność spada (równowaga między stopniem a wydajnością). Sztuczna inteligencja może wyjaśnić ten trend, ale rzeczywiste wartości operacyjne muszą zostać potwierdzone badaniami metalurgicznymi i bilansem masowym; ogólny trend nie zastępuje rzeczywistości site-specific.

9. Jakie jest najwłaściwsze zastosowanie analizy danych o zdarzeniach potencjalnie wypadkowych/wypadkach za pomocą sztucznej inteligencji w zakresie bezpieczeństwa pracy?

• A) Klasyfikuj zapisy tekstowe i wyodrębniaj powtarzające się wzorce ryzyka; Pozostaw decyzję ekspertowi BHP ✔
• B) Automatycznie ustalaj sprawcę wypadku
• C) Delegowanie nakazów przestoju w pracy do AI
• D) Archiwizowanie zapisów potencjalnie niebezpiecznych bez ich przeglądania

Opis: sztuczna inteligencja może klasyfikować duże ilości rekordów tekstowych i szybko wyodrębniać powtarzające się wzorce i ryzykowne warunki. Jednakże decyzja o wstrzymaniu prac, ewakuacji terenu lub pierwotnej przyczynie podejmowana jest w ramach ekspertyzy BHP i przepisów prawa; Dane wyjściowe AI to dane wejściowe, a nie decyzja.

10. Dlaczego „przyspieszenie tempa odkształcenia” jest krytycznym sygnałem w danych radarowych/pryzmatycznych w monitorowaniu zboczy?

• A) Zdecydowanie wskazuje, że urządzenie pomiarowe jest uszkodzone.
• B) Może zwiastować postępującą porażkę; Decyzja o wczesnym ostrzeganiu i ewakuacji należy do inżyniera geotechnika ✔
• C) Pokazuje, że stok jest całkowicie bezpieczny
• D) Ma znaczenie tylko wtedy, gdy występują opady atmosferyczne i można je zignorować

Wyjaśnienie: Przed zniszczeniem zbocza zwykle obserwuje się stopniowy wzrost szybkości odkształcania (przyspieszenie); Może to być oznaką postępującego niepowodzenia. Sztuczna inteligencja może podkreślić trend, ale decyzja o ewakuacji/wczesnym ostrzeganiu jest podejmowana na podstawie analizy i protokołu inżyniera geotechnicznego.

11. Jaka jest najdokładniejsza reakcja w monitorowaniu środowiska na znak „przekroczenia” wykryty przez sztuczną inteligencję w szeregach czasowych jakości wody?

• A) Raportowanie wyników sztucznej inteligencji bezpośrednio do agencji rządowej
• B) Zignoruj ostrzeżenie i kontynuuj oglądanie
• C) Sprawdź na podstawie wyników akredytowanego laboratorium, limitów regulacyjnych i oceny inżyniera ochrony środowiska ✔
• D) Poleganie wyłącznie na sztucznej inteligencji i rezygnacja z analiz laboratoryjnych

Opis: sztuczna inteligencja może wcześnie zasygnalizować potencjalne naruszenie; Jednakże oficjalna decyzja o zgodności jest podejmowana na podstawie analizy akredytowanego laboratorium, wartości granicznych określonych w przepisach i oceny inżyniera ochrony środowiska. Wyniki AI to ostrzeżenie kontrolne, a nie decyzja prawna/techniczna.

12. Jaki jest najbardziej niezawodny sposób uniknięcia otrzymania zmyślonego (halucynacyjnego) odniesienia, gdy poprosisz sztuczną inteligencję o numer klauzuli standardu, takiego jak JORC lub NI 43-101?

• A) Opierając się na numerze pozycji nadanym przez sztuczną inteligencję
• B) Zadawanie tego samego pytania ponownie, używając innych słów
• C) Patrzenie na post na blogu zamiast na standard
• D) Otwarcie i potwierdzenie każdego odniesienia do artykułu z aktualnego oficjalnego tekstu normy i uzyskanie zgody kompetentnej osoby ✔

Objaśnienie: Chociaż model języka poprawnie zna nazwę normy, może mieć halucynacje dotyczące numeru artykułu i tekstu. Każde odniesienie do substancji musi zostać otwarte i potwierdzone na podstawie aktualnego oficjalnego tekstu normy, a ostateczna zgodność musi zostać potwierdzona przez kompetentną osobę (CP/QP).

13. Jaka jest najważniejsza kontrola przed uruchomieniem skryptu analitycznego napisanego przez sztuczną inteligencję w Pythonie?

• A) Czytanie kodu i weryfikacja dopasowania jednostki/kolumny, testowanie z małymi znanymi danymi i sprawdzanie wiarygodności wyniku ✔
• B) Uruchomienie kodu bezpośrednio na całym zestawie danych bez jego czytania
• C) Wystarczy zobaczyć, że nie ma błędu i zaakceptować wynik
• D) Poleganie na grafice wyjściowej, aby wyglądała ładnie.

Opis: kod AI może mieszać jednostki, błędnie przyjmować nazwy kolumn lub dyskretnie usuwać wiersze. Niezbędne jest przeczytanie kodu, sprawdzenie dopasowania objętości i kolumny, przetestowanie niewielkiej ilości znanych danych i sprawdzenie, czy wynik jest uzasadniony pod względem technicznym.

14. Jakie jest najlepsze zachowanie pod względem prywatności podczas przekazywania danych eksploracyjnych do narzędzia AI opartego na chmurze?

• A) Wklejanie wszystkich nieprzetworzonych danych w niezmienionej postaci
• B) Anonimizuj kontekst i wyczyść wrażliwe dane dotyczące rezerw/koordynacji/produkcji oraz korzystaj z korporacyjnego, zgodnego z polityką narzędzia ✔
• C) Zakładając, że podanie rzeczywistych współrzędnych jest istotne dla jakości wyników
• D) Całkowite ignorowanie polityki prywatności

Wyjaśnienie: Dane dotyczące rezerw, informacje o licencjach/koordynacjach oraz dane produkcyjne są wrażliwe z punktu widzenia tajemnic handlowych i przepisów. Należy zanonimizować kontekst, wyczyścić prawdziwe współrzędne i nazwy, wybrać narzędzie gwarantujące ochronę korporacyjną/prywatność i przestrzegać polityki firmy.