Zyski:
- Możliwość egzekwowania zasad prywatności w celu ochrony praw do minerałów, danych specyficznych dla danego miejsca i wrażliwości społeczności
- Umiejętność przekształcania halucynacji, niepewności i ograniczeń odpowiedzialności w kontrole operacyjne
- Możliwość dalszego stosowania sztucznej inteligencji w inżynierii geologicznej dzięki kompleksowej weryfikacji i dyscyplinie zarządzania
Ostatnia jednostka tego modułu łączy wszystkie poprzednie jednostki pod jednym dachem: zarządzanie wykorzystaniem sztucznej inteligencji w inżynierii geologicznej w sposób zrównoważony, bezpieczny i etyczny. Same umiejętności techniczne nie wystarczą; Inżynier geolog chroni również wrażliwe dane handlowe, bierze pod uwagę wrażliwość społeczności i środowiska, przekłada halucynacje i niepewność na kontrole operacyjne i przyjmuje na siebie ostateczną odpowiedzialność. Ta jednostka zamienia chaotyczne zasady w praktyczną dyscyplinę: czym się nie dzielimy, jakim wynikom ufamy i w jaki sposób, co robimy, gdy pojawiają się błędy i jak sprawić, by to wszystko stało się trwałym nawykiem.
Geologia to zawód, którego decyzje wpływają na kilometry pod ziemią, wielomilionowe inwestycje, a czasem także na bezpieczeństwo całych społeczności. Dlatego etyka nie jest tu abstrakcyjnym ideałem, ale konkretnymi zasadami osadzonymi w codziennej pracy. Po ukończeniu tej jednostki będziesz w stanie dopasować każdą technikę, której nauczyłeś się w trakcie modułu, do struktury zarządzania i używać sztucznej inteligencji jako kontrolowanego mnożnika siły, a nie źródła ryzyka.
Ochrona prywatności danych i wrażliwość na prawa do minerałów
Dane geologiczne są często niezwykle wrażliwe. Współrzędne wierceń, wartości gatunków, dane dotyczące rezerw i cele poszukiwań stanowią tajemnicę handlową i zazwyczaj należą do właściciela praw do złóż minerałów (firmy lub państwa posiadającego licencję). Wprowadzanie tych danych do niekontrolowanej zewnętrznej usługi sztucznej inteligencji stwarza trzy poważne zagrożenia: ryzyko konkurencyjne (konkurencja może wyśledzić odkrycie), ryzyko prawne (naruszenie prywatności i własności danych) oraz ryzyko społeczne (wczesny wyciek odkrycia może wywołać spekulacje i konflikty).
Właściwe podejście jest wielowarstwowe. Po pierwsze, anonimizacja wrażliwych danych: zastąpienie rzeczywistych współrzędnych wartościami reprezentatywnymi, rzeczywistej nazwy pola „Pole-A”, rzeczywistych ocen wartościami przeskalowanymi/reprezentatywnymi. Po drugie, jeśli to możliwe, korzystaj z zatwierdzonych przez instytucję, kontrolowanych narzędzi (środowiska wewnętrzne lub chronione umową, w których dane nie wyciekają). Po trzecie zasada najmniejszych danych: udostępnianie najmniejszej ilości danych wystarczającej do wykonania zadania, a nie całej bazy danych. Szybkość wydruku nigdy nie jest ważniejsza niż poufność danych.
Uwaga: Dodanie adnotacji „Te dane są poufne” nie chroni danych. Napisanie, że jest to poufne i udostępnienie go w niezmienionej formie niesie ze sobą takie samo ryzyko, jak niepisanie go w ogóle. Prywatność osiąga się poprzez anonimizację danych i stosowanie kontrolowanych środków; nie poprzez oświadczenie woli.
Przekształcenie halucynacji i niepewności w kontrolę operacyjną
Przez cały moduł widzieliśmy halucynacje (model wytwarzający nieistniejące informacje tak, jakby były prawdziwe) i niepewność. W tej jednostce przekształcamy je z abstrakcyjnych ostrzeżeń w konkretne kontrole. Dla każdego wyjścia AI obowiązują trzy elementy sterujące:
Ograniczenie zasobów. Narzucenie na model zasady „tylko na podstawie danych, które Ci podałem, nie wymyślaj” i oznaczenie źródła każdego roszczenia. To nie kończy halucynacji, ale czyni ją widoczną.
Przymus niepewności. Pytanie o poziom ufności lub zakres zamiast oszacowania jednopunktowego. Rozróżnienie „wysoki poziom pewności/średni/spekulacyjny” zapobiega działaniu modelu tak, jakby był dokładny.
Niezależna weryfikacja. Trzy punkty odniesienia, które ustalamy w całym module – rząd wielkości, wiarygodność geologiczna, dowody terenowe – mają zastosowanie do każdego wyniku. Do wyjść krytycznych dla bezpieczeństwa dodano również standardowe obliczenia i zatwierdzenie inżyniera.
Te trzy kontrole nie eliminują halucynacji i niepewności; sprawia, że są one łatwe w zarządzaniu, widoczne i kontrolowane. Na tym polega różnica: niekontrolowane ryzyko jest niebezpieczne, ryzyko widoczne i zarządzane jest normalną cechą inżynierii.
Granice odpowiedzialności i zgoda człowieka
Niezmienną zasadą tego modułu jest: sztuczna inteligencja wspiera i przyspiesza; Odpowiedzialność za decyzję, raport i projekt ponosi uprawniony inżynier geolog. To nie slogan, to fakt prawny i etyczny. Podpisany raport, sporządzona ocena zagrożeń, zatwierdzony projekt – wszystko to należy do obowiązków zawodowych danej osoby. „To właśnie powiedziała sztuczna inteligencja” nie jest wymówką inżynierską; tak samo jak nie może być „tak powiedział kalkulator”.
Oznacza to, że odpowiedzialność nie podlega delegowaniu. Nawet jeśli model generuje wynik, inżynier, który przekształca ten wynik w decyzję i podpisuje ją, jest odpowiedzialny za dokładność wyniku. Dlatego każdy wynik krytyczny dla bezpieczeństwa musi być możliwy do audytowania (możliwość prześledzenia, znane źródło), weryfikowalności (testowany za pomocą niezależnych obliczeń) i zatwierdzany przez człowieka. To trio stanowi ostatnią warstwę pewności, stanowiącą uzupełnienie każdej techniki, której uczymy się w trakcie modułu.
Wskazówka: Przed podpisaniem wydruku zadaj sobie pytanie: „Jeśli ten wydruk okaże się błędny, czy mogę obronić to, na czym oparłem swoją decyzję i jak ją uzasadniłem?” Jeśli Twoja odpowiedź brzmi „Wygenerowano sztuczną inteligencję”, weryfikacja nie została jeszcze ukończona.
Trzy mini etui: w liczbach
Przypadek 1 — Zapobieganie wyciekom. Geolog z firmy poszukiwawczej miał właśnie przesłać 1200 wierszy rzeczywistych tabel dotyczących parametrów odwiertów do niekontrolowanej usługi zewnętrznej w celu szybkiej analizy. Wkroczyła polityka instytucjonalna, która nakazała mu najpierw anonimizację danych (przeskalowanie współrzędnych i ukrycie nazwy pola). Później wartość komercyjna tego odkrycia wyniosła miliony dolarów; Niekontrolowany załadunek mógł stanowić poważny wyciek z punktu widzenia konkurencji i prawa. Anonimizacja trwała kilka minut, a wartość, jaką zachowała, była ogromna.
Przypadek 2 – Niepewność uwidoczniona. W jednym z raportów źródłowych zespół poprosił o podanie wyników modelu w postaci poziomów ufności, a nie pojedynczych cyfr. Okazało się, że strefa oznaczona jako „spekulacyjna” w rzeczywistości opierała się na pojedynczym odwiercie; Strefa ta została wyłączona z oceny ekonomicznej. Gdyby nie było presji niepewności, jedno brzmiące założenie oznaczałoby decyzję wartą milion dolarów jako solidne dane.
Przypadek 3 – Zaufaj identyfikowalności. Zapytany o źródło każdego wydania raportu geotechnicznego podczas audytu, zespół był w stanie prześledzić każdą wartość aż do danych wejściowych, metody i etapu zatwierdzania dzięki zapisom identyfikowalności. W jednym przypadku wykryto niewielką rozbieżność, ale pierwotną przyczynę i skutki zidentyfikowano i skorygowano w ciągu kilku minut. Dyscyplina zarządzania rozwiązała błąd, zanim przerodził się w kryzys.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Przeanalizuj wszystkie dane naszej firmy dotyczące wierceń i stopni w tym obszarze i wskaż nam najlepszy cel wydobycia. [rzeczywiste współrzędne i stopnie]
Potężny monit:
Chciałbym pomóc w analizie wyszukiwania. Zasady prywatności: - Współrzędne i nazwa witryny są reprezentatywne („Miejsce A”, wartości skalowane); Nie podzielam prawdziwych wartości. - Po prostu polegaj na podanych przeze mnie danych technicznych; formacja/minerał/dopasowanie do wieku.- Podaj komentarze z poziomem pewności (wysoki/średni/spekulacyjny).- Wymień założenia, które należy ostatecznie zweryfikować, oraz punkty wymagające potwierdzenia w terenie. Ostateczna decyzja i odpowiedzialność należą do mnie; Generujesz wersje robocze i opcje.
Cztery szablony do kopiowania
1) Wstępna kontrola prywatności:
Zanim przekażesz następujące dane narzędziu AI, rozważ ryzyko związane z prywatnością: które pola (współrzędne, ocena, nazwa witryny, firma) są wrażliwe i jak należy je anonimizować? Czego nie udostępniać zgodnie z zasadą najmniejszej ilości danych? Daj mi listę kontrolną.
2) Wizualizacja halucynacji:
Wymień każde twierdzenie faktyczne (wiek, powstanie, numer, źródło) w tym wyniku osobno i dla każdego z nich: czy jest poparte podanymi danymi, czy jest to wniosek, czy też nie jest poparte? Wyraźnie zaznacz te, które są bezpodstawne lub nieweryfikowalne.
3) Lista kontrolna zarządzania weryfikacją:
Sprawdź trzy warstwy danych wyjściowych o znaczeniu krytycznym dla bezpieczeństwa: (1) identyfikowalność – czy rejestrowane jest źródło, metoda i wersja modelu? (2) weryfikowalność – czy została przetestowana w oparciu o niezależne rachunki/standardy? (3) zatwierdzenie przez człowieka – czy istnieje etap zatwierdzenia przez wykwalifikowanego inżyniera? Zaznacz brakujące.
4) Wydzielenie limitów odpowiedzialności:
Podziel to zadanie na dwie części: (A) dane/szkic pracy, które sztuczna inteligencja może bezpiecznie wykonać, (B) punkty, które MUSZĄ być decyzją i podpisem autoryzowanego inżyniera. Określ, jaka weryfikacja jest wymagana dla każdego elementu B.
Wymiar zarządzania, ryzyko i kontrola
Rozmiar
Główne ryzyko
kontrola operacyjna
Prywatność danych
Konkurencja/wyciek prawny
Anonimizacja + kontrolowany pojazd + minimalne dane
halucynacja
Sfabrykowane informacje trafiają do podpisu
Ograniczenie zasobów + kontrola asercji
niepewność
fałszywa pewność
Wyzwanie dotyczące poziomu/zakresu pewności
identyfikowalność
Nie można znaleźć pierwotnej przyczyny
Rekord źródła/metody/wersji
Odpowiedzialność
Podstawa decyzji jest nie do utrzymania
Możliwość audytu + weryfikowalność + certyfikat człowieka
społeczność/środowisko
Wczesny wyciek, utrata zaufania
Precyzyjny nadzór + przejrzystość
Wskazówka: postrzegaj zarządzanie jako przyspieszacz, a nie przeszkodę. Dobrze ugruntowane zasady dotyczące prywatności, uwierzytelniania i identyfikowalności zmieniają wielogodzinne kryzysy w drobne poprawki, gdy pojawią się problemy; Zwiększa niezawodność i możliwość ponownego użycia.
Typowe błędy
- Próba zapewnienia poufności poprzez oświadczenie woli. Napisanie notatki „Poufnej” i udostępnienie danych w takiej postaci, w jakiej są, nie chroni ich; Niezbędna jest anonimowość i kontrolowany pojazd.
- Redukcja niepewności do pojedynczych cyfr. Jeżeli poziom ufności nie jest wymagany, przy podejmowaniu decyzji przyjmuje się jedno brzmiące założenie, tak jakby były to solidne dane.
- Ominięcie identyfikowalności. Bez zapisu źródła i metody nie można określić pierwotnej przyczyny ani wpływu błędu.
- Przeniesienie odpowiedzialności na pojazd. „AI tak powiedziała” nie jest wymówką; Podpis i decyzja należą do inżyniera.
- Ignorowanie wrażliwości społeczności i środowiska. Przedwczesne wycieki i brak przejrzystości niszczą zaufanie i swobodę społeczną.
Podsumowując
- Dane geologiczne są wrażliwe pod względem handlowym i prawnym; Prywatność zapewniana jest poprzez anonimizację, kontrolowane środki i zasadę najmniejszej ilości danych, a nie poprzez oświadczenie woli.
- Halucynacje i niepewność przekładają się na trzy kontrole operacyjne: ograniczenie zasobów, egzekwowanie niepewności, niezależna weryfikacja (trzy kotwice).
- Odpowiedzialność nie może być delegowana; Każdy wynik krytyczny dla bezpieczeństwa musi podlegać audytowi, weryfikacji i zatwierdzeniu przez człowieka.
- Dobre zarządzanie nie jest przeszkodą, ale czynnikiem przyspieszającym; Zamienia kryzysy w drobne poprawki i zwiększa pewność siebie.
- Sztuczna inteligencja jest kontrolowanym mnożnikiem siły w inżynierii geologicznej; Właścicielem decyzji i podpisu jest zawsze uprawniony inżynier.
Zadanie aplikacji
Rozważ prawdziwy, ale precyzyjny zbiór danych (zawierający współrzędne i nachylenie) z własnej firmy. Zapisz listę kontrolną określającą, które pola będziesz anonimizować i w jaki sposób, korzystając z szablonu „wstępnej kontroli prywatności”. Następnie w tym module wybierz typ wyniku, który uważasz za najbardziej ryzykowny (np. nachylenie FS, upłynnianie, tonaż zasobów), sprawdź trzy warstwy (możliwość śledzenia, weryfikowalność, zatwierdzenie przez człowieka) za pomocą szablonu „listy kontrolnej zarządzania weryfikacją” i napisz jednym zdaniem, w jaki sposób uwzględnisz brakujący punkt.
lista kontrolna
- [ ] Chronię wrażliwe dane geologiczne za pomocą anonimizacji, kontrolowanych środków i zasady najmniejszej ilości danych.
- [ ] Radzę sobie z halucynacjami i niepewnością dzięki ograniczeniom zasobów, poziomowi zaufania i trzem weryfikacjom kotwic.
- [ ] Sprawiam, że wszystkie wyniki krytyczne dla bezpieczeństwa podlegają audytowi, weryfikacji i zatwierdzeniu przez człowieka.
- [ ] Przyjąłem, że odpowiedzialność jest nieprzenoszalna i podpis pozostaje przy inżynierze.
- [ ] Wdrażam zarządzanie jako czynnik umożliwiający szybkość i zaufanie, warstwę zapewniającą oprócz wszystkich technik modułowych.
Egzamin modułowy
1. Która z poniższych zasad jest podstawową zasadą określającą ryzyko powstania sztucznej inteligencji w inżynierii geologicznej?
- A) Ryzyko wyjścia jest równe szkodzie, jaką spowodowałoby, gdyby wyjście było wadliwe; walidacja jest odpowiednio skalowana ✔
- B) Dane wyjściowe AI są ogólnie bezpieczne, ponieważ są napisane płynnie i pewnie
- C) Walidacja nie jest konieczna, jeśli używany jest najbardziej aktualny model
- D) Jeżeli wyjście odnosi się do normy, nie jest wymagana dodatkowa kontrola
Objaśnienie: Ryzyko wyjścia jest równe szkodzie, jaką spowoduje to, jeśli wyjście będzie wadliwe. Chociaż drobny błąd w podsumowaniu literatury może być nieszkodliwy, błąd we współczynniku nachylenia bezpieczeństwa lub ocenie upłynnienia może skutkować utratą życia i szkodami materialnymi; zatem intensywność weryfikacji wzrasta wraz z potencjalną szkodą.
2. Dlaczego problem „niewyjątkowości” w inwersji geofizycznej powoduje konieczność zastosowania sztucznej inteligencji?
- A) Bezpośrednia akceptacja pierwszej interpretacji stworzonej przez model
- B) Zawężenie interpretacji poprzez powiązanie jej z danymi odwiertów, ograniczeniami wiertniczymi i geologicznymi ✔
- C) Wybierz tylko grafikę o najwyższej rozdzielczości.
- D) Całkowite porzucenie danych geofizycznych
Wyjaśnienie: Ten sam pomiar geofizyczny (np. dane dotyczące grawitacji lub oporności) można opisać za pomocą więcej niż jednego modelu podpowierzchniowego. Zatem interpretacja stworzona przez sztuczną inteligencję nie jest jedyną poprawną; Należy go zawęzić poprzez połączenie niezależnych ograniczeń, takich jak profil odwiertu, wiercenie i kontekst geologiczny.
3. Jakie jest zastosowanie wariogramu i krigingu w szacowaniu zasobów?
- A) Automatycznie koloruje podstawowe zdjęcia
- B) Reguluje prędkość wiertarki
- C) Określa ciągłość przestrzenną pomiędzy próbkami i szacuje ocenę w niepróbkowanych blokach z niepewnością ✔
- D) Fizycznie wzbogaca rudę
Opis: Wariogram jest miarą ciągłości przestrzennej, która opisuje, jak podobieństwo stopni maleje wraz ze wzrostem odległości między punktami próbkowania. Kriging to metoda geostatystyczna wykorzystująca tę strukturę do oszacowania stopnia w niepróbkowanych blokach wraz z niepewnością oszacowania; Na tym opiera się model blokowy.
4. Który krok jest niezbędny, aby można było uznać mapę zmian utworzoną metodą teledetekcji za wiarygodną?
- A) Paleta kolorów mapy powinna być estetyczna.
- B) Obraz został pobrany w najwyższej rozdzielczości
- C) Kontrola pola i próbki w wybranych punktach z prawdą naziemną ✔
- D) Anomalia jest zaznaczana przez sztuczną inteligencję
Opis: Analiza widmowa wskazuje na anomalie wskazujące na przemianę minerałów, ale mogą one wprowadzać w błąd ze względu na roślinność, cień lub efekty atmosferyczne. Mapa nie jest uważana za ostateczną bez prawdy gruntowej oraz kontroli pola i próbek w wybranych punktach.
5. Dlaczego „współczynnik bezpieczeństwa” (FS) jest kotwicą walidacyjną dla wyników AI w analizie stateczności zbocza?
- A) Ponieważ pokazuje tylko koszt wykopu
- B) Tylko dlatego, że opisuje kolor zbocza
- C) Ponieważ fizycznie testuje ryzyko awarii, podając stosunek sił, które stawiają opór i przesuwają suwak ✔
- D) Ponieważ ma to znaczenie tylko w warunkach laboratoryjnych
Wyjaśnienie: Współczynnik bezpieczeństwa to stosunek sił przeciwdziałających poślizgowi do sił powodujących poślizg; Wartość FS bliska lub niższa od 1 wskazuje na ryzyko awarii. Geometria nachylenia lub zestaw parametrów sugerowany przez sztuczną inteligencję jest fizycznie testowany poprzez wygenerowanie FS poprzez obliczenie równowagi granicznej i porównanie go ze standardowymi progami.
6. Jaki jest główny cel przetwarzania dowolnego tekstu opisu rdzenia („brązowy, zwietrzały, spękany wapień, rzadkie żyły kalcytu”) za pomocą AI?
- A) Losowe przepisanie obserwacji
- B) Automatycznie zwiększaj głębokość wiercenia
- C) Fizyczna zmiana numeracji rdzenia
- D) Zapewnij możliwość zapytań o dane, tłumacząc niespójny dowolny tekst na standardową terminologię i pola strukturalne ✔
Opis: sztuczna inteligencja przekształca niespójne obserwacje terenowe w formie wolnego tekstu na standardową terminologię i pola strukturalne (litologia, stopień wietrzenia, nieciągłość, minerał wtórny), dzięki czemu dane można przeszukiwać i porównywać. Jednak interpretacja geologiczna została ponownie potwierdzona przez inżyniera.
7. Dlaczego „fałszywie negatywny” wynik jest szczególnie istotny w przypadku wyników sztucznej inteligencji dotyczących bezpieczeństwa życia, takich jak mapowanie podatności na osuwiska?
- A) Ponieważ klasyfikuje obszar niebezpieczny jako bezpieczny i nie powoduje konieczności podjęcia środków ostrożności i zagrożenia życia/mienia ✔
- B) Ponieważ zwiększa tylko rozmiar pliku mapy
- C) Tylko dlatego, że zwiększa liczbę stron raportu
- D) Ponieważ wyniki fałszywie negatywne są zawsze nieszkodliwe
Wyjaśnienie: Fałszywy wynik negatywny to bezpieczna klasyfikacja obszaru, który w rzeczywistości jest niebezpieczny; W takim przypadku nie są podejmowane żadne środki ostrożności i istnieje ryzyko utraty życia/mienia. Fałszywie pozytywne wyniki powodują niepotrzebne koszty. W obszarach bezpieczeństwa życia próg jest wybierany ostrożnie, aby zminimalizować liczbę wyników fałszywie ujemnych i jest potwierdzony w terenie.
8. Która zasada fizyczna jest kluczową kotwicą walidacyjną przy ocenie wyników modelu przepływu wód gruntowych?
- A) Model generuje wydruki kolorowe
- B) Zgodność z ochroną masy (bilans wodny) i poziomami studni obserwacyjnych ✔
- C) Zakończ symulację tak szybko, jak to możliwe
- D) Plik modelu musi być w najnowszym formacie
Opis: Modele wód gruntowych opierają się na zasadzie zachowania masy (bilansu wodnego): ilości wody wpływającej, wypływającej i magazynowanej w systemie powinny być spójne. Nawet jeśli kalibracja oparta na sztucznej inteligencji wygląda dobrze, jeśli bilans wodny nie zamyka się lub nie odpowiada poziomom obserwacyjnym, wynik jest zawodny.
9. O jakim limicie należy szczególnie pamiętać podczas szacowania przepuszczalności za pomocą uczenia maszynowego na podstawie dziennika odwiertu?
- A) Model jest automatycznie ważny w każdej dziedzinie i każdej litologii
- B) Niepewność prognozy nie powinna być w ogóle zgłaszana.
- C) Bezpośredni i bezbłędny pomiar przepuszczalności bali
- D) Wyuczona relacja jest specyficzna dla warunków edukacyjnych; ✔ Ekstrapolacja na różne lokalizacje niesie ze sobą ryzyko i musi być powiązana z badaniami rdzenia/odwiertu ✔
Wyjaśnienie: Przepuszczalności nie mierzy się bezpośrednio na podstawie kłód; Zależność wyuczona przez model jest specyficzna dla facjali i warunków ciśnienia danych uczących. Ślepe zastosowanie (ekstrapolacja) do innego miejsca lub nieznanej litologii może spowodować poważny błąd; Wyniki należy powiązać z pomiarami rdzenia i testowaniem odwiertów.
10. Dlaczego identyfikowalność jest niezbędna w projekcie raportu geologicznego generowanego przez sztuczną inteligencję?
- A) Identyfikowalność jest niepotrzebna, ponieważ zwiększa jedynie rozmiar pliku
- B) Nie ma potrzeby prowadzenia rejestrów, ponieważ sztuczna inteligencja nigdy nie popełnia błędów
- C) Nie można ustalić pierwotnej przyczyny ani odpowiedzialności, jeśli nie zostaną zarejestrowane dane, metody i modelowe źródło każdego problemu i roszczenia ✔
- D) Należy unikać identyfikowalności, ponieważ spowalnia to raport
Opis: Raport stanowi podstawę decyzji inżynieryjnej; Należy zwrócić uwagę, z jakich danych, z jakiej metody i z jakiej wersji modelu pochodzi dany problem, mapa i roszczenie. W przeciwnym razie, gdy wystąpi błąd, nie będzie można określić pierwotnej przyczyny ani decyzji, na które ma to wpływ, i nie będzie można zapewnić odpowiedzialności inżynieryjnej.
11. Jakie jest prawidłowe podejście przy wprowadzaniu danych dotyczących wierceń i nachyleń specyficznych dla danego miejsca do ogólnego narzędzia AI?
- A) Dokładne wprowadzenie rzeczywistych współrzędnych i nachylenie i uzyskanie najszybszej odpowiedzi
- B) Anonimizacja współrzędnych i wartości, praca z reprezentatywnymi wartościami i używanie wyłącznie zatwierdzonych/kontrolowanych narzędzi ✔
- C) Załadowanie całej bazy danych projektu i umożliwienie uczenia się modelu
- D) Pamiętaj, że dane są poufne i udostępniaj je w niezmienionej formie.
Opis: Współrzędne wierceń, wartości gatunków i informacje o rezerwach są wrażliwymi danymi handlowymi i często poufnymi, należącymi do właściciela praw do minerałów. Wejście na niekontrolowaną służbę zagraniczną stwarza ryzyko konkurencyjne i prawne. Prawidłowym podejściem jest anonimizacja współrzędnych/wartości rzeczywistych lub praca z wartościami reprezentatywnymi i używanie wyłącznie zatwierdzonych, kontrolowanych przez instytucję narzędzi.
12. Co oznacza „kontrola rzędu wielkości” w obliczeniach inżynierskich z wykorzystaniem sztucznej inteligencji?
- A) Zwiększenie liczby miejsc po przecinku wyniku
- B) Zmierz rozdzielczość graficzną wyniku
- C) Standaryzacja koloru wyniku
- D) Testowanie za pomocą szybkich obliczeń ręcznych, czy wynik mieści się w przybliżeniu w oczekiwanej potędze 10 ✔
Opis: Sprawdzanie rzędu wielkości polega na sprawdzaniu za pomocą szybkich ręcznych obliczeń, czy wynik mieści się w przybliżeniu w oczekiwanym zakresie potęgi 10. Na przykład, jeśli dla piasku oczekuje się przewodności hydraulicznej warstwy wodonośnej, wynikiem będzie kilometr/dzień zamiast metra/dzień, co wskazuje na jednostkę lub błąd edycyjny bez wchodzenia w szczegóły.
13. Jaki jest najsolidniejszy dowód potwierdzający wyniki modelu klasyfikującego litologię na podstawie kłód odwiertów?
- A) Badanie próbki rdzeniowej pobranej z tej samej głębokości ✔
- B) Model ma wysoki poziom ufności
- C) Dane wyjściowe powstają szybko
- D) Wykres dziennika jest wielokolorowy
Wyjaśnienie: Dzienniki są pomiarami pośrednimi; Najbardziej bezpośrednim i solidnym dowodem jest wizualne i laboratoryjne badanie próbki rdzeniowej pobranej z tej samej głębokości. Wiercenie rdzeniowe daje możliwość porównania logarytmicznej interpretacji modelu z prawdą gruntową.
14. Które stwierdzenie jest najtrafniejsze w odniesieniu do ostatecznej odpowiedzialności za wykorzystanie sztucznej inteligencji w inżynierii geologicznej?
- A) Ponieważ sztuczna inteligencja produkuje dane wyjściowe, odpowiedzialność przechodzi na producenta oprogramowania
- B) AI zapewnia wsparcie i przyspieszenie; Odpowiedzialność za decyzję i raport spoczywa na upoważnionym inżynierze, wyniki muszą być weryfikowalne i zatwierdzone przez człowieka ✔
- C) Zgoda inżyniera nie jest konieczna, ponieważ dane wyjściowe AI są automatycznie ważne
- D) Odpowiedzialność spoczywa wyłącznie na zespole terenowym, nie dotyczy inżyniera biurowego
Opis: sztuczna inteligencja to potężne narzędzie do prac pomocniczych, takich jak przetwarzanie danych, generowanie planów i przyspieszanie odkrywania; Jednakże odpowiedzialność za podpisany raport, ocenę zagrożeń i decyzję projektową ponosi upoważniony inżynier geolog. Wyniki muszą być audytowalne, weryfikowalne i zatwierdzane przez człowieka.