Zyski:
- Umiejętność rozpoznania, gdzie sztuczna inteligencja oszczędza czas rzeczywisty w procesie inżynierii geologicznej i za jakie decyzje powinien odpowiadać inżynier
- Umiejętność zastosowania dyscypliny, która sprawdza krzyżowo każdy wynik AI pod kątem rzędu wielkości, wiarygodności geologicznej i dowodów terenowych
- Rozpoznaj ryzyko niejednoznaczności, halucynacji i prywatności danych oraz wypracuj nawyk konfigurowania bezpiecznych podpowiedzi poprzez anonimizację kontekstu.
Inżynieria geologiczna to zawód, w którym nigdy w pełni nie dostrzeżemy prawdy pod ziemią. Z odwiertu pobierany jest jedynie centymetrowy wycinek wielu kilometrów ziemi; przekrój geofizyczny jest cieniem pośrednim; Mapa jest interpretacją luk pomiędzy obserwacjami. Dlatego geologia jest dyscypliną, która z natury opiera się na niepewności. Sztuczna inteligencja (AI; systemy oprogramowania, które uczą się na podstawie wzorców dużych zbiorów danych i tworzą tekst/obrazy/liczby) to potężne narzędzie w zarządzaniu tą niepewnością, ale jest także narzędziem, które może niebezpiecznie ukryć tę samą niepewność. Jednostka ta kładzie dwie podstawy, na których zostanie zbudowany cały moduł: w którym miejscu procesu geologicznego sztuczna inteligencja generuje rzeczywistą wartość i w jaki sposób sprawdzamy każdy wynik.
Od początku powiedzmy sobie jasno: żadna technika, której nauczysz się w tym module, nie zastąpi podpisu, obserwacji terenowych i opinii inżynierskiej kompetentnego inżyniera geologa. Sztuczna inteligencja jest asystentem; Szybko czyta, szybko pisze, łapie wzorce. Jeśli jednak zbocze zawali się, zawali się fundament tamy lub zgłoszono, że zasoby minerałów są większe niż w rzeczywistości, odpowiedzialność nie leży po stronie oprogramowania, ale inżyniera, który je podpisał. To zdanie zobaczysz ponownie w różnych formach w każdej jednostce modułu, ponieważ jest to jedyna prawda w inżynierii krytycznej dla bezpieczeństwa.
Gdzie sztuczna inteligencja tworzy wartość w procesie pracy w geologii?
Tydzień inżyniera geologa dzieli się z grubsza na trzy rodzaje pracy: przygotowanie danych (digitalizacja kłód, edycja notatek terenowych, czyszczenie tabel), interpretacja i analiza (klasyfikacja litologiczna, korelacja, szacowanie zasobów, ocena zagrożeń) oraz komunikacja (raport, mapa, prezentacja, korespondencja). Sztuczna inteligencja dotyka wszystkich trzech obszarów, ale w każdym z nich jej wkład i ryzyko są inne.
Przygotowanie danych to najbezpieczniejsza i najbardziej dochodowa dziedzina sztucznej inteligencji. Tłumaczenie dowolnych opisów podstawowych na ustrukturyzowaną tabelę, standaryzacja niespójnych jednostek, oznaczanie wartości odstających w tysiącach wierszy wyników laboratoryjnych — to zadania powtarzalne, oparte na regułach i łatwe do sprawdzenia. Nawet jeśli wystąpi tu błąd, powrót do źródła (nieprzetworzony dziennik) i sprawdzenie go zajmie kilka minut.
Pole interpretacji i analizy niesie ze sobą najwyższą wartość i największe ryzyko. Sztuczna inteligencja może zasugerować możliwą geometrię uskoku na podstawie sekcji wiertnicy; Może to ujawnić wzór, który nawet doświadczone oko może przeoczyć. Ale ten sam model może z pewnością pasować do nieistniejącej jednostki stratygraficznej (zjawisko to nazywa się halucynacją: model wytwarza informacje, które w rzeczywistości nie istnieją, tak jakby były prawdziwe). W tej dziedzinie sztuczna inteligencja jest generatorem hipotez, a nie decydentem.
W dziedzinie komunikacji sztuczna inteligencja jest akceleratorem projektu. W ciągu kilku minut przygotowuje część dotyczącą metodyki raportu geotechnicznego, streszczenia literatury lub wiadomości e-mail. Istnieje ryzyko, że sfabrykowane źródła i nieprawidłowe liczby mogą niezauważone wśliznąć się do podpisu w płynnym tekście.
Dyscyplina walidacji: zasada trzech kotwic
Sercem tego modułu jest jeden nawyk: nie uwzględniać wyników sztucznej inteligencji w decyzjach inżynieryjnych bez ich sprawdzenia. Walidację opieramy na trzech niezależnych kotwicach.
Pierwsza kotwica — rząd wielkości. Czy wynik mieści się w przybliżeniu w oczekiwanej potędze zakresu 10? Przewodność hydrauliczna warstwy wodonośnej piasku jest zwykle rzędu metrów dziennie; Jeśli model podaje kilometry/dzień, oznacza to błąd jednostki lub edycji i można to zrozumieć bez wchodzenia w szczegóły. Jednoosiowa wytrzymałość wapienia na ściskanie mieści się w zakresie 30-200 MPa; 3000 MPa to absurd. Ta kontrola zajmuje kilka sekund i pozwala wykryć większość błędów.
Druga kotwica — wiarygodność geologiczna. Czy wynik jest zgodny z historią geologiczną złoża? Jeśli model umieścił młode aluwium pod wapieniem morskim, albo występuje błąd odwrotny (i należy to wykazać osobno), albo model jest bzdurą. Sekwencja stratygraficzna, struktura tektoniczna i środowisko depozycyjne stanowią filtr wiarygodności, przez który musi przejść każda interpretacja.
Trzecia kotwica — dowody terenowe. To najsilniejsza kotwica. Próbka rdzenia, obserwacja wychodni, weryfikacja terenowa. Interpretację litologii opartą na logach porównuje się z rdzeniem pobranym z tej samej głębokości. Strefa zmian wyznaczona metodą teledetekcji jest testowana na próbkach w kilku punktach w terenie. Ziemska prawda zawsze zwycięża.
Trzy mini etui: w liczbach
Przypadek 1 — Oszczędność czasu przy digitalizacji kłód. Inżynier ręcznie digitalizował 42 zeskanowane (papierowe) protokoły odwiertów z lat 80. XX wieku; Średnio 35 minut na dziennik, łącznie około 24 godzin. Dzięki procesowi tworzenia wykresów opartemu na sztucznej inteligencji skrócił pierwszą wersję roboczą do 6 minut, poświęcając pozostały czas na weryfikację wizualną. Całkowity czas spadł do około 8 godzin; Krytyczne było to, że uzyskany czas wykorzystano na kontrolę.
Przypadek 2 — Uchwycona halucynacja. Kiedy stażysta zlecił sztucznej inteligencji podsumowanie stratygrafii pola, w tekście znalazło się zdanie „Ewaporyty z formacji Tuzla powszechne w regionie”. Na miejscu nie było ewaporatu; model pomylił informacje z innego basenu. Filtr wiarygodności geologicznej (struktura tektoniczna regionu nie nadawała się do osadzania się ewaporatów) wychwycił błąd przed podpisaniem raportu.
Przypadek 3 – Błąd jednostki. W obliczeniach jednego ze źródeł model zawyżył tonaż wyjściowy 1000 razy, myląc gęstość z 2,7 t/m3 zamiast 2,7 g/cm3 (w rzeczywistości te dwie wartości są równe, ale etap pośredni modelu był nieprawidłowy i zawyżył wynik 1000 razy). Kontrola rzędu wielkości – „ten blok nie może mieć 5 milionów ton, ale 5 miliardów ton” – natychmiast ujawniła błąd.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Podsumuj geologię tego pola i oceń jego potencjał mineralny.[dane]
Potężny monit:
Twoja rola: Starszy geolog poszukiwawczy. Zinterpretuj poniższe podsumowanie wierceń w oparciu WYŁĄCZNIE o podane dane. - Nie dodawaj żadnych formacji, minerałów ani wieku, których nie ma w danych. - Pokaż linię danych, na której się opierasz, w nawiasach obok każdego komentarza. - Wpisz „dane niewystarczające”, jeśli nie jesteś pewien, nie zgaduj. - Na koniec: sporządź osobną listę 3 założeń, które wymagają weryfikacji. Dane: [podsumowanie wierceń]
Silna zachęta narzuca modelowi trzy rzeczy: trzymanie się źródła, przyznanie się do niepewności i zaznaczenie rzeczy do sprawdzenia. Nie kończy to całkowicie halucynacji, ale czyni ją widoczną.
Cztery szablony do kopiowania
1) Ustalenie anonimowego kontekstu:
Potrzebuję pomocy z zadaniem z inżynierii geologicznej. Nazwa pola, współrzędne i dane firmy są POUFNE; Podam je za pomocą reprezentatywnych wyrażeń, takich jak „Pole-A”, „współrzędna X”. Zadanie: [zadanie]. Polegaj tylko na podanych przeze mnie danych technicznych.
2) Trzy prośby o weryfikację kotwicy:
Wykonaj trzy sprawdzenia następujących wyników:1) Rząd wielkości: czy każda liczba mieści się w oczekiwanym zakresie? Jeśli nie, zaznacz.2) Wiarygodność geologiczna: czy istnieje twierdzenie niespójne stratygraficznie/tektonicznie?3) Lista weryfikacyjna: elementy wymagające potwierdzenia w terenie/laboratorium. Wynik: [tekst]
3) Wymuszanie niejednoznaczności:
Podaj swoją interpretację na trzech poziomach ufności: - Wysoki poziom ufności (bezpośrednio poparty danymi) - Średni poziom ufności (rozsądne wnioskowanie) - Spekulacyjny (wymagane dodatkowe dane) Zadanie: [zadanie]. Dane: [dane]
4) Rozróżnienie decyzja/wsparcie:
Podziel następujące zadanie na dwie części: A) Dane/szkic pracy, które sztuczna inteligencja może wykonać z pewnością B) Punkty decyzyjne, dla których WYMAGANA jest zgoda upoważnionego inżyniera Opis zadania: [definicja]
Rola sztucznej inteligencji: ryzyko według rodzaju misji
Typ zadania
Wkład AI
Poziom ryzyka
Gęstość weryfikacji
Digitalizacja dziennika/tabeli
wysoki
niski
kontrola na miejscu
Wstępna klasyfikacja litologiczna
wysoki
średni
Rdzeń + rozsądek
Obliczanie zasobów/tonażu
średni
wysoki
Konto ręczne + niezależne
Decyzja dotycząca bezpieczeństwa nachylenia/podstawy
ograniczone
bardzo wysoki
Pełna akceptacja inżyniera
Raport/projekt literatury
wysoki
średni
potwierdzenie źródła
Ocena zagrożeń/katastrof
ograniczone
bardzo wysoki
Pole + norma + zatwierdzenie
Wskazówka: aby określić poziom ryzyka zadania, zadaj jedno pytanie: „Co najgorszego może się wydarzyć, jeśli wynik będzie nieprawidłowy?” Jeśli odpowiedź brzmi „stracę kilka minut”, zweryfikuj to delikatnie; Jeśli „ktoś może zostać ranny”, potraktuj wynik jako hipotezę i poddaj go pełnemu procesowi inżynieryjnemu.
Uwaga: najniebezpieczniejszą cechą sztucznej inteligencji nie jest to, że popełnia błędy, ale to, że popełnia je pewnie. Tekst płynny, techniczny i schludny nie oznacza, że jest poprawny. Zaufaj dowodom, a nie stylowi.
Typowe błędy
- Mylisz płynność z dokładnością. Niezależnie od tego, jak profesjonalny wydaje się tekst, ustalenia faktyczne (wiek, powstanie, numer, źródło) powinny zostać niezależnie zweryfikowane.
- Brak skalowania ryzyka według rodzaju zadania. Patrzenie na recenzję upłynnienia w taki sam sposób, jak na wersję roboczą e-maila. Walidacja skaluje się z potencjalną szkodliwością.
- Bezmyślne wprowadzanie poufnych danych w terenie. Informacje o koordynacjach, ocenach i rezerwacjach są wrażliwe pod względem handlowym i prawnym; anonimizacji przed wejściem do niekontrolowanego pojazdu.
- Ignorowanie niepewności. To, że model wygląda na „pewnego siebie”, nie oznacza, że niepewność znika; Zapytaj o zakres i poziom ufności, a nie o szacunki jednopunktowe.
- Mylenie sztucznej inteligencji z podejmowaniem decyzji. Model generuje hipotezy; Odpowiedzialny inżynier podejmuje decyzję.
Podsumowując
- Geologia z natury operuje niepewnością; Sztuczna inteligencja może zarówno zarządzać tą niepewnością, jak i niebezpiecznie ją ukrywać.
- Sztuczna inteligencja to najbezpieczniejszy i najbardziej opłacalny sposób na przygotowanie danych, najcenniejszy, ale najbardziej ryzykowny w interpretacji/analizie oraz akcelerator w komunikacji.
- Każdy wynik jest weryfikowany w oparciu o trzy punkty odniesienia: rząd wielkości, wiarygodność geologiczna, dowody terenowe.
- Ryzyko wyniku jest równe szkodzie, jaką spowoduje, jeśli będzie błędne; walidacja jest odpowiednio skalowana.
- W inżynierii krytycznej dla bezpieczeństwa wyniki AI nigdy nie zastępują zgody autoryzowanego inżyniera.
Zadanie aplikacji
Wymień pięć zadań geologicznych, które wykonujesz w tygodniu w ramach swojej pracy (np. edycja dziennika, korelacja, sekcja raportu, sprawdzenie oceny, notacja zagrożeń). Umieść każde z nich na poziomie ryzyka zgodnie z tabelą w tym rozdziale i zadaj sobie pytanie: „Co najgorszego by się stało, gdyby było źle?” Odpowiedz na pytanie jednym zdaniem. Następnie napisz silny, anonimowy monit dotyczący zadania o najniższym ryzyku i wypróbuj go; Sprawdź wynik dla trzech kotwic i zanotuj, która kotwica wykryła problem.
lista kontrolna
- [ ] Potrafię rozróżnić, gdzie sztuczna inteligencja generuje bezpieczną, a gdzie ryzykowną wartość w procesie geologicznym.
- [ ] Nabrałem odruchu sprawdzania każdego wyniku pod kątem rzędu wielkości, wiarygodności geologicznej i dowodów terenowych.
- [ ] Poziom ryzyka zadania, zadając pytanie „co najgorszego, co może się wydarzyć, jeśli coś pójdzie nie tak?” Mogę to ustalić za pomocą pytania.
- [ ] Wiem, czym są halucynacje i niepewność i jak je uwidocznić.
- [ ] Przyjąłem nawyk konfigurowania bezpiecznego monitu poprzez anonimizację poufnych danych w polu.