Zyski:
- Umiejętność efektywnego wykorzystania sztucznej inteligencji w przetwarzaniu, kontroli jakości i raportowaniu wyników laboratoryjnych
- Możliwość przyspieszenia tworzenia raportów geologicznych/geotetechnicznych, przeglądu literatury i podsumowań danych za pomocą sztucznej inteligencji
- Możliwość zabezpieczenia automatycznie generowanej treści dzięki możliwości śledzenia, potwierdzeniu źródła i zatwierdzeniu inżyniera
Niewidoczna, ale duża część pracy inżyniera geologa odbywa się w biurze: przetwarzanie wyników laboratoryjnych, kontrola jakości, zestawianie danych, pisanie raportów, skanowanie literatury oraz przygotowywanie map i rycin. Zadania te są powtarzalne, czasochłonne i wymagające uwagi; To właśnie w tym obszarze sztuczna inteligencja oszczędza najwięcej czasu. Ale i tutaj jest pułapka: raport jest oficjalną podstawą decyzji inżynierskiej. Sfabrykowane źródło, błędnie skopiowany numer lub niemożliwe do wyśledzenia roszczenie może niezauważone przedostać się do tekstu, a konsekwencje mogą być poważne. Celem tej jednostki jest ustanowienie dyscypliny, która nigdy nie rezygnuje z identyfikowalności, potwierdzania źródła i zatwierdzania inżynierów podczas korzystania ze sztucznej inteligencji w kompleksowej wydajności biurowej.
W tej jednostce zajmiemy się trzema frontami biurowymi: przetwarzaniem wyników laboratoryjnych i kontrolą jakości (czyszczenie i zabezpieczanie danych analitycznych), tworzeniem raportów i literatury (przygotowanie, abstrakty i przyspieszenie przeglądu) oraz automatyzacją przepływu pracy (regularyzacja powtarzalnych zadań). Na każdym kroku AI jest autorem i organizatorem; Dokładność, źródło i ostateczna akceptacja treści należą do inżyniera.
Przetwarzanie wyników laboratoryjnych i kontrola jakości
Wyniki laboratoryjne (analizy jakości, badania indeksowe gleby, skład chemiczny wody) często pojawiają się w różnych formatach, w różnych jednostkach, a czasem błędnie. Sztuczna inteligencja łączy te dane w jeden schemat, wychwytuje niespójności jednostkowe, oznacza poniżej granicy wykrywalności i sprawdza próbki QA/QC (próbka ślepa, standardowy materiał odniesienia, ponowna analiza). QA/QC (zapewnienie jakości/kontrola jakości) to kontrola potwierdzająca wiarygodność laboratorium: jeśli w ślepej próbce występuje zanieczyszczenie, odchylenie od normy, niezgodność w powtórnej próbce, dane są wątpliwe.
Punkt krytyczny: sztuczna inteligencja nigdy po cichu nie usuwa ani nie poprawia wartości. Jego zadaniem jest oznaczanie problematycznych linii i umożliwienie inżynierowi podjęcia decyzji. Wartością odstającą może być naprawdę wysoka zawartość rudy lub błąd laboratoryjny; Inżynier dokonuje tego rozróżnienia na podstawie kontekstu. Sztuczna inteligencja sprawdza dane, a nie je czyści.
Wskazówka: Powtarzaj zasadę „tylko zaznacz, nie zmieniaj” przy każdym monicie podczas przetwarzania danych laboratoryjnych. Najbardziej podstępny błąd sztucznej inteligencji polega na tym, że psuje surowe dane, „poprawiając” wartość w dobrych intencjach i nie zdając sobie z tego sprawy.
Produkcja raportów i literatury
AI doskonale radzi sobie z pisaniem raportów: opracowuje sekcję dotyczącą metody, kontekst wprowadzający, podsumowanie wniosków w minutach; podsumowuje obszerną literaturę; Konwertuje złożoną tabelę na zwykły tekst. Ale oczywiste są dwa niebezpieczeństwa. Pierwszym z nich jest sfabrykowane źródło: model może z całą pewnością wygenerować nieistniejący artykuł, fałszywego autora lub nieistniejący artykuł kanoniczny. Po drugie, błąd w obsłudze liczb: klasa, współczynnik bezpieczeństwa lub głębokość mogą zostać błędnie przeniesione do tekstu.
Zatem złota zasada: AI tworzy wersję roboczą, inżynier ją weryfikuje i jest jej właścicielem. Każde źródło jest potwierdzone na podstawie oryginału (najczęstszym rodzajem halucynacji są odniesienia apokryficzne); każda liczba jest porównywana z danymi surowymi; Każde zgłoszenie techniczne jest sprawdzane w oparciu o wiedzę inżynierską. Po podpisaniu raportu odpowiedzialność za każde zawarte w nim zdanie spoczywa na podpisującym – „AI to napisała” nie jest wymówką.
Uwaga: Nigdy nie akceptuj bibliografii stworzonej przez sztuczną inteligencję taką, jaka jest. Zmyślone, ale realistycznie wyglądające odniesienia (pozornie dokładny autor, czasopismo, rok) to najczęstsze i niebezpieczne halucynacje. Zweryfikuj każde odniesienie w niezależnej bazie danych.
Automatyzacja przepływu pracy i identyfikowalność
Automatyzacja powtarzalnych zadań (przetwarzanie miesięcznych danych z monitoringu wody, wypełnianie standardowego szablonu raportu, łączenie tabel wierceń) za pomocą sztucznej inteligencji zapewnia dużą wydajność. Ale automatyzacja może również zautomatyzować błąd: raz ustalona zła reguła jest cicho powtarzana przy każdym uruchomieniu. Dlatego zautomatyzowane przepływy pracy muszą być identyfikowalne: rejestrowanie danych wejściowych, kroków i wersji modelu, z których pochodzą poszczególne dane wyjściowe; W przypadku wykrycia błędu musi być możliwe prześledzenie jego pierwotnej przyczyny i wszystkich wyników, których to dotyczy.
Identyfikowalność oznacza w praktyce: rejestrowane jest źródło i data danych wejściowych, zastosowane przekształcenia, zastosowana wersja podpowiedzi/modelu oraz etap akceptacji przez człowieka. Zapewnia to zarówno odpowiedzialność za debugowanie, jak i inżynierię. Niekontrolowana automatyzacja, niezależnie od tego, jak szybka, jest niedopuszczalna w biznesie, w którym bezpieczeństwo ma kluczowe znaczenie.
Trzy mini etui: w liczbach
Przypadek 1 — Wychwytywanie dryftu QA/QC. Jedna przesyłka laboratoryjna zawierała 320 próbek. Badanie przesiewowe AI QA/QC wykazało, że standardowy materiał odniesienia jest systematycznie zaniżony o 8% w ciągu ostatnich 40 próbek – dryf kalibracji przyrządu. Ten błąd systematyczny był problemem bardzo trudnym do wykrycia ręcznie, ale dotyczył całej partii; Przesyłka została ponownie przeanalizowana. Nie decydował o wzorze, on uczynił wzór widocznym.
Przypadek 2 — sfabrykowane źródło. AI sporządziła część literaturową raportu geotechnicznego i przygotowała sześć odnośników. Podczas weryfikacji stwierdzono, że dwa z nich nigdy nie istniały, a jeden został przypisany do niewłaściwego czasopisma. Gdyby referencje nie były sprawdzane pojedynczo w niezależnej bazie danych, sfabrykowane źródła zostałyby umieszczone w podpisanym raporcie inżynieryjnym. Przeciąg przyspieszył; Potwierdzenie zapisane.
Przypadek 3 – Pierwotna przyczyna z identyfikowalnością. W automatyce miesięcznego monitoringu wody wartości studni obserwacyjnej przez trzy miesiące były podawane w niewłaściwej jednostce. Dzięki zapisowi identyfikowalności w ciągu kilku minut ustalono, na którym etapie konwersji rozpoczął się błąd, i utworzono pełną listę trzech raportów, których dotyczy problem. W przypadku braku zapisów nie byłoby jasne, które wydruki zostały uszkodzone, a całe archiwum byłoby podejrzane.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Napisz raport geotechniczny dla tego projektu, dołącz literaturę. [dane]
Potężny monit:
Twoja rola: Osoba sporządzająca raport. PRZYGOTUJ raport zawierający następujące dane, ale: 1) W oparciu TYLKO o dane, które podam; NIE wymyślaj numeru, źródła ani ustalenia. 2) Wskaż w nawiasach, z której linii wejściowej pochodzi każda liczba. 3) Zamiast podawać faktyczne źródło literatury, umieść symbol zastępczy „tu zostanie dodane zweryfikowane źródło na temat [temat]”. 4) Zaznacz wszędzie, gdzie nie jesteś pewien, jako „WYMAGAJ POTWIERDZENIA INŻYNIERA”. Ostateczna treść i wszystkie źródła zostaną przeze mnie zweryfikowane. Dane są anonimowe.
Cztery szablony do kopiowania
1) Laboratoryjna kontrola QA/QC:
Sprawdź tabelę wyników laboratoryjnych: rozbieżność jednostek, oznaki poniżej granicy wykrywalności, zanieczyszczenie ślepej próbki, systematyczne odchylenia w wzorcu odniesienia, niezgodność w powtórzonej próbce. Zaznacz tylko problematyczne wiersze za pomocą example_id; Nie usuwaj ani nie poprawiaj żadnych wartości. Decyzja należy do mnie.
2) Wymuś potwierdzenie źródła:
Wyciągnij z tego tekstu wszystkie twierdzenia liczbowe i cytaty źródłowe i utwórz listę kontrolną: dane wejściowe, na których opiera się każda liczba, cytat z każdego źródła, który należy potwierdzić. Produkcja źródłowa; Zaznacz „należy zweryfikować”, jeśli nie możesz zweryfikować.
3) Ramy zapisów identyfikowalności:
Zaproponuj szablon rekordu identyfikowalności dla tego zautomatyzowanego przepływu pracy: źródło i data danych wejściowych, zastosowane transformacje, zastosowana wersja podpowiedzi/modelu, etap zatwierdzania przez człowieka. Pokaż, jak w przypadku znalezienia błędu dotrzeć do przyczyny źródłowej i wyników, na które ma to wpływ.
4) Kontrola spójności raportu:
Przeskanuj wersję roboczą raportu pod kątem wewnętrznej spójności: czy liczby w podsumowaniu odpowiadają treści, czy tabele i tekst kolidują ze sobą, czy jednostki są spójne w całym tekście, czy występują niezdefiniowane skróty? Wymień problemy; Decyzja dotycząca treści należy do mnie.
Obowiązki biurowe, zarobki i kontrola
Zadanie
Zysk AI
Główne ryzyko
Obowiązkowa kontrola
Przetwarzanie danych laboratoryjnych
wysoki
Cicha korekta
„Zaznacz, usuń” + surowe dane
Kontrola jakości/kontroli jakości
wysoki
Nie przegap slajdu
Ślepe/standardowe/potwierdzenie
Wersja robocza raportu
wysoki
Zmyślony problem/źródło
Potwierdzenie numeru i źródła
Przegląd literatury
wysoki
Zmyślone odniesienie
Niezależna weryfikacja bazy danych
automatyzacja pracy
bardzo wysoki
Powtórzenie błędu
Zapis identyfikowalności
Wskazówka: przed skonfigurowaniem automatyzacji zapytaj „skąd będę wiedzieć, czy ten przepływ pracy działa nieprawidłowo?” Odpowiedz na pytanie. Jeśli odpowiedź nie jest jasna, najpierw dodaj punkty identyfikowalności i kontroli; Szybkość przychodzi po sterowności.
Typowe błędy
- Ciche korygowanie wartości. Najbardziej podstępnym błędem jest „poprawianie” surowych danych przez sztuczną inteligencję; zasada powinna zawsze brzmieć „zaznacz, nie zmieniaj”.
- Nie sprawdzam bibliografii. Zmyślone odniesienia są najczęstszą halucynacją; Każdy nadruk musi zostać niezależnie zweryfikowany.
- Nie sprawdzam przenoszenia numeru. Tenor lub współczynnik bezpieczeństwa, który pogarsza się przy przejściu do tekstu, jest ukryty w tekście płynnym.
- Ustanawianie niewykrywalnej automatyzacji. W przepływie pracy, który nie prowadzi zapisów, nie można określić pierwotnej przyczyny ani wpływu błędu.
- Szukanie schronienia w wymówce, że „AI to napisała”. Odpowiedzialność za każde podpisane zdanie spoczywa na podpisującym; zgody nie można złagodzić.
Podsumowując
- Praca biurowa to obszar, w którym sztuczna inteligencja oszczędza najwięcej czasu; Jednak raport stanowi oficjalną podstawę do podjęcia decyzji, a błędy są kosztowne.
- W danych laboratoryjnych AI audytuje, a nie czyści; zasada brzmi „zaznacz, usuń/popraw”, decyzja należy do inżyniera.
- Fałszowanie źródeł i liczb w raportach i literaturze to najczęstsze ryzyko; Każde źródło i numer jest weryfikowane.
- Automatyzacja może zwiększyć błąd i prędkość; Zapis identyfikowalności zabezpiecza pierwotną przyczynę i dotknięte produkty.
- Za podpisaną treść odpowiada inżynier; „AI to napisała” nie jest wymówką.
Zadanie aplikacji
Otrzymaj anonimową tabelę wyników badań laboratoryjnych (lub reprezentatywne dane). Mieć linie problemów z flagą modelu za pomocą szablonu „Audyt laboratoryjny QA/QC”; świadomie systematycznie przesuwaj standardową wartość odniesienia i sprawdzaj, czy model ją wyłapuje i próbuje tę wartość usunąć. Następnie przygotuj krótką sekcję raportu i umieść w niej każdy problem i źródło na liście kontrolnej, korzystając z szablonu „wyzwanie związane z weryfikacją źródła”.
lista kontrolna
- [ ] Zawsze stosuję zasadę „zaznacz, usuń/popraw” w przypadku sztucznej inteligencji na danych laboratoryjnych.
- [ ] Sprawdzam wiarygodność laboratorium za pomocą próbek QA/QC (ślepe, standardowe, powtórzone).
- [ ] Niezależnie weryfikuję każde źródło i liczbę w raporcie i literaturze.
- [ ] Konfiguruję automatyczne przepływy pracy z identyfikowalnością.
- [ ] Akceptuję, że ponoszę pełną odpowiedzialność za treści, które podpisuję.