ලාභ:
- AI සහාය ඇතිව Python සමඟින් විදුම්, නිෂ්පාදන සහ අධීක්ෂණ දත්ත පිරිසිදු කර දෘශ්යමාන කරන ස්ක්රිප්ට් නිෂ්පාදනය කිරීමේ හැකියාව
- සරල පුරෝකථනය සහ විෂමතා ආකෘති ගොඩනඟන විට දත්තවල ගුණාත්මකභාවය, අධි ඉගෙනීම සහ පිටකිරීමේ අවදානම හඳුනා ගැනීමේ හැකියාව
- AI-උත්පාදනය කරන ලද කේතය සත්යාපනය කිරීමේ හැකියාව සහ ඒකක පාලනය, ස්වාධීන ගණනය කිරීම සහ ඉංජිනේරු විද්යාව පිළිබඳ ප්රතිඵලය
මෙම මොඩියුලයේ සෑම ඒකකයකම AI සංකේතනය කිරීමේදී බලවත් බව ඔබ දැක ඇත: සිදුරු පිරිසිදු කිරීම, ස්කන්ධ සමතුලිතතාවය, ක්රිජිං ඇටසැකිල්ල, යාත්රා සාරාංශය, කම්පන විශ්ලේෂණය, පාරිසරික ස්කෑන් කිරීම. මෙම අවසාන ඒකකය Python, එම කේතය සඳහා සංයුක්ත මෙවලම සහ AI සමඟ කේතය ජනනය කිරීමේ නිසි විනය කෙරෙහි අවධානය යොමු කරයි. පයිතන් කැණීම් දත්ත විශ්ලේෂණයේ තථ්ය ප්රමිතිය බවට පත්ව ඇත්තේ එය නොමිලේ, බලවත් පුස්තකාල ඇති (pandas: tabular data manipulation; numpy: numerical calculus; matplotlib: plotting; scikit-Learn: machine learning) සහ පුනරාවර්තන කාර්යයන් ස්වයංක්රීය කරන බැවිනි. AI ඔබ එම කේතය ලියන වේගය ගුණ කරයි; නමුත් එය නිපදවන කේතය සැමවිටම නිවැරදි නොවේ. මෙම ඒකකයේ කේන්ද්රීය මූලධර්මය: AI විසින් ලියන කේතය කිසි විටෙක එය කියවීමෙන් තොරව, එහි ඒකකය වලංගු කිරීමකින් තොරව සහ දන්නා දත්ත කුඩා ප්රමාණයක් සමඟ පරීක්ෂා නොකර ධාවනය නොකරන්න. කේතය නිශ්ශබ්දව වැරදි ප්රතිඵලය නිපදවිය හැක, පතල් කැණීමේ දී නරක ඉංජිනේරුමය තීරණයක් බවට පත් විය හැකිය.
AI සමඟින් කේත ජනනය කිරීමේ මූලික ප්රවාහය
AI වෙතින් කේතය ලබා ගැනීම ඉංජිනේරු චක්රයක් මිස සංවාදයක් නොවේ:
- කාර්යය පැහැදිලිව විස්තර කරන්න. ආදානය (තීරු, ඒකක, නියැදි පේළිය), අපේක්ෂිත ප්රතිදානය සහ සීමාවන්. අපැහැදිලි ඉල්ලීම අපැහැදිලි කේතයක් නිපදවයි.
- එය කුඩා හා කියවිය හැකි ලෙස ඉල්ලා සිටින්න. එක් යෝධ කාර්යයකට වඩා පියවරෙන් පියවර, අදහස් දැක්වූ කේතයක් ඉල්ලා සිටින්න.
- කියවා තේරුම් ගන්න. එක් එක් පේළිය කරන්නේ කුමක්ද යන්න තේරුම් ගන්න; ඔබට නොතේරෙන කේතය ධාවනය නොකරන්න.
- කුඩා දත්ත සමඟ පරීක්ෂා කරන්න. ඔබ දන්නා ප්රතිඵල සහිත පේළි 5-10ක් සමඟ එය අතින් ධාවනය කර අපේක්ෂිත ප්රතිදානය සත්යාපනය කරන්න.
- ප්රශ්න මායිම් නඩු. හිස් කොටුව, සෘණ අගය, ඒකක මාරු කිරීම, පුනරාවර්තන වාර්තාව කේතය හැසිරෙන්නේ කෙසේද?
- පරිමාණය සහ තර්කනය පරීක්ෂා කරන්න. සියලුම දත්ත මත ධාවනය කරන්න; ප්රතිඵලය ඉංජිනේරුමය වශයෙන් සාධාරණද?
ඉඟිය: AI කේතය ඇතුළු කරන වඩාත් පොදු දෝෂ නිහඬය: වැරදි තීරු නම, ඒකක මිශ්ර කිරීම (m vs ft, g/t vs ppm), නිශ්ශබ්දව වැටුණු පේළි (ඩ්රොප්නා වැනි), වැරදි සාමාන්යය (එය බර කළ යුතු විට සාමාන්ය සාමාන්යය). මේවා දෝෂ ඇති නොකරයි; එය වැරදි අංකයක් නිපදවයි. එබැවින් "දෝෂයක් ලැබුණේ නැත" යන්නෙන් කිසි විටෙකත් "නිවැරදි" යන්න අදහස් නොවේ.
පතල් කැණීමේදී සාමාන්ය පයිතන් කාර්යයන්
- දත්ත පිරිසිදු කිරීම: කැණීම්/නිෂ්පාදන/අධීක්ෂණ වගු ඒකාබද්ධ කිරීම, නොගැලපීම සලකුණු කිරීම, ඒකක සාමාන්යකරණය.
- සාරාංශය සහ දෘශ්යකරණය: හිස්ටෝග්රෑම්, කාල ශ්රේණිය, ශ්රේණියේ-ටොන් වක්රය, OEE ප්රස්ථාර.
- සංඛ්යාලේඛන සහ භූ සංඛ්යාලේඛන: සාරාංශ සංඛ්යාලේඛන, සහසම්බන්ධය, variogram/kriging (විශේෂ පුස්තකාල සමඟ).
- විෂමතා හඳුනාගැනීම: එළිපත්ත මත පදනම් වූ හෝ සරල ආකෘති මත පදනම් වූ ප්ලාවිත ග්රහණය.
- සරල අනාවැකි ආකෘති: උදාහරණයක් ලෙස, ප්රතිගාමීත්වය සමඟ ඇඹරුම් ප්රමාණය-අස්වැන්න සම්බන්ධය.
මෙම බොහෝ කාර්යයන් සඳහා, AI විශිෂ්ට ආරම්භක කේතය සපයයි. නමුත් අන්තරායන් දෙකක් තිබේ: දත්ත ගුණාත්මකභාවය සහ මාදිලි සීමාවන්. දෙකම දැන ගැනීම AI කේතය ආරක්ෂිතව භාවිතා කිරීමට ප්රධාන වේ.
ආදර්ශ සීමාවන්: ඉගෙනීම සහ පිටකිරීම
AI පහසුවෙන් ගොඩනඟන සරල අනාවැකි ආකෘති ප්රධාන අවදානම් දෙකකට ගොදුරු වේ. වැඩිපුර ගැළපීම: ආකෘතිය පුහුණු දත්ත මතක තබා ගන්නා නමුත් නව දත්ත මත දුර්වල ලෙස ක්රියා කරයි; කුඩා දත්ත සහිත සංකීර්ණ ආකෘති ගොඩනැගීම මෙයට ආරාධනා කරයි. Extrapolation: පුහුණු දත්ත වලින් පරිබාහිර පරාසයක් හරහා පුරෝකථනයක් කිරීමට බල කරන විට ආකෘතිය විශ්වාස කළ නොහැකි වේ; උදාහරණයක් ලෙස, 0.3-0.8 g/t පරාසයක ඉගෙන ගත් ආකෘතියක් 5 g/t සඳහා අර්ථ විරහිත ප්රතිඵල ලබා දිය හැක. AI ඔබට මෙම අවදානම් "ඉබේම" කළමනාකරණය නොකරයි; ආදර්ශය විවේචනාත්මකව කියවීම, පුහුණුව/පරීක්ෂණ වෙනස කිරීම, විශ්වාස අන්තරය බැලීම සහ අනාවැකිය භෞතිකව පිළිගත හැකිද යන්න පරීක්ෂා කිරීම ඔබට භාරයි. ආදර්ශ අංකයක් කෙතරම් නිවැරදි ලෙස දිස් වුවද, දත්ත පරාසයෙන් පිටත ඉංජිනේරුමය තීරණයක් සඳහා එය පදනම විය නොහැක.
කුඩා නඩු තුනක්
නඩුව 1 - නිහඬ පරිමාව දෝෂය. ඉංජිනේරුවෙකුට අවශ්ය වන්නේ AI පරීක්ෂණ දත්ත වලින් සාමාන්ය ශ්රේණිය ගණනය කිරීමට සලස්වන කේතයකි. කේතය ක්රියා කරයි, ප්රතිඵලය 2.1 g / t වේ. ඉංජිනේරුවරයා කේතය කියවයි; සාමාන්යය පරතරය දිගෙන් බර නොකෙරෙන නමුත් සෘජු සාමාන්යයක් ලෙස ගන්නා බව සලකන්න. කෙටි කාල පරාසයන් තුළ ඉහළ ශ්රේණි අසාධාරණ ලෙස බර වැඩි විය. බරිත සාමාන්යය වෙත ගමන් කරන විට, අගය 1.7 g / t දක්වා අඩු වේ. කේතය කිසිදු දෝෂයක් ලබා දුන්නේ නැත; කියවීම දෝෂය හසු විය.
නඩුව 2 - නිහඬ රේඛාව පහත වැටීම. නිෂ්පාදන සාරාංශ කේතයක, AI විසින් dropna සමඟ නැතිවූ අගයන් සහිත පේළි පිරිසිදු කරන ලදී. කේතය සුමටව ක්රියාත්මක වේ, නමුත් තනි හිස් තීරුවක් හේතුවෙන් සමහර වලංගු පේළි සම්පූර්ණයෙන්ම අතහැර දැමූ නිසා මුළු ටොන් ප්රමාණය අවතක්සේරු කර ඇත. ඉංජිනේරුවා ආදානය සහ ප්රතිදානය අතර රේඛා ගණන සංසන්දනය කරන විට, ඔහු වෙනස දකින අතර පිරිසිදු කිරීමේ තර්කනය නිවැරදි කරයි. පාඩම: සෑම විටම ආදාන සහ ප්රතිදාන රේඛා ගණන සංසන්දනය කරන්න.
නඩුව 3 - නිස්සාරණ උගුල. කණ්ඩායමක් අඩු ශ්රේණියේ පරාසයක ඉගෙන ගත් ප්රතිගාමී ආකෘතියක් ඉහළ ශ්රේණියේ ප්රදේශයකට යොදවයි; ආකෘතිය විකාර සහගත ලෙස ඉහළ අස්වැන්නක් ඇස්තමේන්තුවක් ලබා දෙයි. වාසනාවකට මෙන්, ඉංජිනේරුවරයා "මෙම ප්රදේශය ආකෘතියෙන් පෙනෙන පරාසයෙන් බොහෝ දුරස්ය" යැයි පවසමින් ප්රතිඵලය ප්රතික්ෂේප කරන අතර ලෝහ විද්යාත්මක පරීක්ෂණයක් ඉල්ලා සිටී. පාඩම: ආකෘතිය වලංගු වන දත්ත පරාසය දැන ගන්න; රාජ්යයෙන් බැහැර ඇස්තමේන්තුවක් භාවිතා නොකරන්න.
පිටපත් කළ හැකි ඉක්මන් සැකිලි
ආරක්ෂිත දත්ත පිරිසිදු කිරීමේ කේතය "භූමිකාව: ඔබ පයිතන් දත්ත විශ්ලේෂක සහායකයෙකි. පහත වගුව පිරිසිදු කරන පැන්ඩා සමඟ කේතය ලියන්න. තීරු සහ ඒකක: [ලැයිස්තුව]. රීති: (1) පේළි වැටීමට පෙර සහ පසු පේළි ගණන මුද්රණය කරන්න; (2) ඒ වෙනුවට අවශ්ය පේළි 3 පහත වැටුණු තැන් වාර්තා කරන්න. සෑම පියවරක්ම විවරණ රේඛාවකින් පැහැදිලි කරන්න."
කේත සමාලෝචන ඉල්ලීම "පහත පයිතන් කේත පේළිය පේළියෙන් පැහැදිලි කර පහත අවදානම් ලක්ෂ්ය පෙන්වා දෙන්න: වැරදි තීරු නම උපකල්පනය, ඒකක ව්යාකූලත්වය, නිශ්ශබ්ද රෝඩ්රොප්, පැතලි/බර සාමාන්ය දෝෂය, දාර කේස් (ශුන්ය/සෘණ) හැසිරීම. කේතය නිවැරදි නොකරන්න: [අවදානම ලැයිස්තුගත කරන්න."
කුඩා දත්ත සහිත පරීක්ෂණ සැකසුම "මෙම ශ්රිතය සඳහා, මම ප්රතිඵලය සහ අපේක්ෂිත ප්රතිදානය දන්නා කුඩා පරීක්ෂණ දත්ත (පේළි 5-6) අතින් නිෂ්පාදනය කරන්න; මෙම දත්ත මත ශ්රිතය නිවැරදිව ක්රියා කරන්නේ දැයි පරීක්ෂා කරන පරීක්ෂණ වාරණයක් ලියන්න. අන්ත අවස්ථා (හිස් සෛලය, සෘණ, ඒකක ආන්තික අගය) ද පරීක්ෂා කරන්න. ශ්රිතය: [පේස්ට්]."
සරල මාදිලිය + මායිම් අවවාදය"පහත දත්ත සමඟ [x -> y] සඳහා සරල ප්රතිගමනයක් සකසන්න. පුහුණුව/පරීක්ෂාව අතර වෙනස හඳුනා ගන්න, දෝෂ මෙට්රික් වාර්තා කරන්න, සහ ආකෘතිය වලංගු වන x පරාසය පැහැදිලිව සඳහන් කරන්න. මෙම පරාසයෙන් පිටත පුරෝකථනය කරන්නේ නම් අනතුරු අඟවන්න. දත්ත වැඩි වීමේ අවදානම ගැන අදහස් දක්වන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ප්රොම්ප්ට්: "මෙම දත්ත වලින් සාමාන්ය ශ්රේණිය ගණනය කරන්න."
ශක්තිමත් ප්රොම්ප්ට්:"භූමිකාව: ඔබ පයිතන් සහායකයෙකි. තීරු: HoleID, From(m), To(m),Au(g/t). විරාම දිග සමඟ බර සාමාන්ය ශ්රේණිය ගණනය කරන්න. කේතය: (1) ආදාන/ප්රතිදාන පේළි සංඛ්යාව මුද්රණය කරන්න; (2) මම ශුන්ය/සෘණ අගයන් වාර්තා කරන්න; (3) උපසිරැසි කිරීමට පෙර ඒකක ශුන්ය/සෘණ අගයන් පෙන්විය හැක. ප්රතිඵලය අතින් සත්යාපනය කරන්න: [පේස්ට්]."
සංසන්දනාත්මක වගුව: අවදානම සහ පූර්වාරක්ෂාව
අවදානම
රෝග ලක්ෂණය
පූර්වාරක්ෂාව
ඒකකය මැදිහත් වීම
සාධාරණ නමුත් වැරදි අංකයක්
කේතය තුළ ඒකකය අදහස් දක්වන්න, එය පරීක්ෂා කරන්න
නිහඬ රේඛාව පහත වැටීම
එකතුව අතුරුදහන්
ආදාන/ප්රතිදාන රේඛා ගණන සසඳන්න
සාමාන්ය එදිරිව බර සහිත සාමාන්යය
වැරදි සාමාන්යය
බර තැබීම තහවුරු කරන්න
අධික ලෙස ඉගෙනීම
පරීක්ෂණ දත්ත මත නරකයි
පුහුණු/පරීක්ෂණ වෙන්වීම, එය සරලව තබා ගන්න
පිටකිරීම
විකාර අනුමාන පරාසයෙන් පිටත
වලංගු පරාසය සීමා කරන්න
පොදු වැරදි
- කේතය කියවීමෙන් තොරව ධාවනය කිරීම. "එය කිසිදු දෝෂයක් ලබා ගත්තේ නැත" යන්නෙන් අදහස් වන්නේ එය සත්යයක් නොවේ.
- කුඩා දත්ත සමඟ පරීක්ෂා කිරීම නොවේ. සත්යාපනය කළ හැකි උදාහරණයක් නොමැති විශ්වාසය අසත්ය වේ.
- ආදාන/ප්රතිදාන රේඛා ගණන සංසන්දනය නොකරයි. නිශ්ශබ්ද පාඩු ගැලවී යන ආකාරය මෙයයි.
- ආකෘති පරාසය නොසලකා හැරීම. පිටකිරීමේ ඇස්තමේන්තු විශ්වාස කළ නොහැක.
- ප්රස්ථාරයේ අලංකාරය විශ්වාස කිරීම. හැඩකාර වගුවකට වැරදි අංකයක් සැඟවිය හැක.
අවධානය: AI කේතය ඉංජිනේරු ගිණුමකට ගියහොත්, එම කේතය ගිණුමක් තරම්ම වගකිව යුතුය. ප්රතිඵලය පතල් කැණීමේ තීරණයක් බවට පත්වන ඕනෑම තැනක, කේතය සහ එහි ප්රතිදානය ස්වාධීන තාර්කික පරීක්ෂණයක් හරහා ධාවනය කර හැකි නම් දෙවන ක්රමයක් සමඟ සංසන්දනය කරන්න.
සාරාංශයක් ලෙස
Python යනු කැණීම් දත්ත විශ්ලේෂණය සඳහා වන තථ්ය මෙවලම වන අතර AI ඔබ එය ලියන වේගය බෙහෙවින් වැඩි කරයි. නමුත් AI කේතයට නිශ්ශබ්ද දෝෂ (ඒකක ව්යාකූලත්වය, පේළි වැටීම, වැරදි සාමාන්යකරණය) සහ ආකෘති උගුල් (අධික ඉගෙනීම, බාහිරකරණය) ආරක්ෂා කළ හැක. ආරක්ෂිත ප්රවාහය: පැහැදිලිව විස්තර කරන්න, කුඩා සහ කියවිය හැකි අවශ්ය, කියවා තේරුම් ගන්න, කුඩා දන්නා දත්ත සමඟ පරීක්ෂා කරන්න, දාර අවස්ථා විමසන්න, පරිමාණය සහ තාර්කික පරීක්ෂාව. දත්ත පරාසයෙන් පිටත තීරණයක් සඳහා ආදර්ශ නිමැවුමක් පදනම විය නොහැක; සහ සෑම කේතයක්ම පතල් කැණීමේ තීරණයක් බවට පත් වුවහොත් ගිණුමක් තරම් වගකීමක් දරයි.
යෙදුම් කාර්යය
AI වෙතින් කේතය ලබා ගැනීමට ශ්රේණියේ සාමාන්ය හෝ නිෂ්පාදන සාරාංශ කාර්යයක් සහිත "සුරක්ෂිත දත්ත සනීපාරක්ෂක කේතය" අච්චුව භාවිතා කරන්න; "කේත සමාලෝචන ඉල්ලීම" අච්චුව සමඟ කේතය අවදානමෙන් ඉවත් කරන්න. ඉන්පසු, "කුඩා දත්ත සහිත පරීක්ෂණ සැකසුම" අච්චුව සමඟින්, ඔබ දන්නා ප්රතිඵල සහිත දත්ත කට්ටලයක් අතින් සාදා කේතය සත්යාපනය කරන්න. අවසාන වශයෙන්, සරල සම්බන්ධතාවයක් සඳහා, "සරල ආකෘතිය + සීමාව අනතුරු ඇඟවීම" අච්චුව සමඟ ආකෘතියක් සකසා එය වලංගු පරාසයෙන් පිටත ගිය විට එය අනතුරු ඇඟවීමක් ලබා දෙන බව පරීක්ෂා කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම AI කේතය කියවා සෑම පේළියක්ම තේරුම් ගත්තා, මම එය අන්ධ ලෙස ධාවනය කළේ නැත.
- [ ] මම එය කුඩා, අතින් සත්යාපනය කළ හැකි දත්ත සමඟ පරීක්ෂා කළෙමි.
- [ ] මම ආදාන සහ ප්රතිදාන රේඛා ගණන සංසන්දනය කළෙමි.
- [ ] මම ඒකක අනුකූලතාව සහ බර තැබීම තහවුරු කළෙමි.
- [ ] මම ආදර්ශයේ වලංගු දත්ත පරාසය සීමා කළෙමි.
- [ ] මම තීරණයක් බවට පත් වූ ප්රතිඵලය ස්වාධීන තාර්කික/දෙවන ක්රමය සමඟ පරීක්ෂා කළෙමි.
මොඩියුල විභාගය
1. අභ්යාසකරුවෙකු ලෝපස් සිරුරේ සාමාන්ය ශ්රේණිය පිළිබඳව AI කතාබස් මෙවලමෙන් විමසන අතර එහි ප්රතිඵලය වන '1.8 g/t රන්' අගය සෘජුවම සංචිත වාර්තාවට ලියයි. මෙම ප්රවේශයේ මූලික වැරැද්ද කුමක්ද?
- A) ශ්රේණියේ අගය පැමිණිය යුත්තේ ව්යාපෘතියේ විදුම්/විශ්ලේෂණ දත්ත සහ සත්යාපිත පුරෝකථනයෙනි; AI විසින් ජනනය කරන ලද අංකය මූලාශ්ර රහිත ප්රබන්ධයක් විය හැකිය ✔
- B) ග්රෑම් වෙනුවට අවුන්ස වලින් AI ඉල්ලන්න තිබුනා
- C) අගය නිවැරදියි, කොමාවක් වෙනුවට කාලපරිච්ඡේදයක් පමණක් භාවිතා කළ යුතුය
- D) AI ගෙන් එකම ප්රශ්නය තුන් වතාවක් අසා සාමාන්යය ගැනීම ප්රමාණවත් වේ
පැහැදිලි කිරීම: භාෂා ආකෘතිය ඔබේ ව්යාපෘතියේ විදුම් දත්ත නොදනී; බොහෝ දුරට ඉඩ ඇති බව පෙනෙන සංඛ්යාවක් නිපදවයි (මායාව). ශ්රේණිය පැමිණෙන්නේ ව්යාපෘතියේ ම සංයුක්ත විදුම් දත්ත සහ භූ සංඛ්යාන ඇස්තමේන්තුවෙන් පමණි; දක්ෂ පුද්ගලයෙකුගේ අනුමැතියකින් තොරව AI ප්රතිදානය වාර්තාවට ඇතුළත් කළ නොහැක.
2. පතල් ඉංජිනේරු විද්යාවේදී AI භාවිතයේදී 'අවදානම් මත පදනම් වූ වර්ගීකරණය' සක්රීය කරන්නේ කුමක්ද?
- A) AI මෙවලමෙහි මිල අඩු කරන්න
- B) කාර්යයේ අවදානම් මට්ටම අනුව AI හි කාර්යභාරය සහ සත්යාපනයේ අනිවාර්ය ගැඹුර තීරණය කරන්න ✔
- C) විමසීම් කෙටියෙන් ලිවිය යුතුය
- D) සියලුම තීරණ ස්වයංක්රීයව AI වෙත පවරන්න
පැහැදිලි කිරීම: සෑම මෙහෙයුමක්ම එකම අවදානම් මට්ටමේ නැත. කාර්යය පහත්/මධ්යම/ඉහළ/විවේචනාත්මක ලෙස වර්ගීකරණය කිරීමෙන් කුමන ප්රතිදානය නිදහසේ භාවිතා කළ හැකිද යන්න තීරණය කරයි සහ සම්මත සහ ක්ෂේත්ර සත්යාපනය සහ දක්ෂ ඉංජිනේරු අනුමැතිය අවශ්ය වේ.
3. භූ සංඛ්යාලේඛනවල 'variogram' ආකෘතිය කුමක් ද?
- A) උපකරණවල ඉන්ධන පරිභෝජනය
- B) කාලයත් සමඟ ලෝහ මිල වෙනස් වීම
- C) දුර මත පදනම්ව අවකාශීය අඛණ්ඩතාව; ✔ ලකුණු දුරස් වන විට සමානකම අඩු වන ආකාරය
- D) පිපිරවීම මගින් නිර්මාණය කරන ලද කම්පන සංඛ්යාතය
විස්තරය: ලක්ෂ්ය දෙකක් අතර දුර වැඩි වන විට සාම්පලවල සමානතාව (අවකාශීය අඛණ්ඩතාව) අඩු වන ආකාරය Variogram විස්තර කරයි. ක්රිජිං මෙම ආකෘතිය භාවිතා කරන්නේ අවිනිශ්චිතතාවයේ ආන්තිකය සමඟ නොගැලපෙන ලකුණු තක්සේරු කිරීමට ය.
4. ඩ්රිල් කෝර් ඡායාරූපකරණයෙන් AI පූර්ව වර්ගීකරණ පාෂාණ විද්යාව ඇති විට හොඳම ප්රවේශය කුමක්ද?
- A) AI විසින් ලබා දෙන පාෂාණ වර්ගය සෘජුවම විදුම් ලොගයට සැකසීම
- B) ඡායාරූපය කිසිසේත්ම පරීක්ෂා නොකර AI හි පෙළ වාර්තාවට පිටපත් කිරීම
- C) භූ විද්යාඥයාගේ නිරීක්ෂණ අවලංගු කිරීම සහ AI මත පමණක් විශ්වාසය තැබීම
- D) ප්රතිදානය මූලික පුරෝකථනයක්/උපකල්පනයක් සලකා භූ විද්යාඥ නිරීක්ෂණ සහ රසායනාගාර විශ්ලේෂණය සමඟ එය සත්යාපනය කරන්න ✔
විස්තරය: AI හට රූපයෙන් අනාවැකි සහ අවධානය ලැයිස්තුවක් ජනනය කළ හැක; කෙසේ වෙතත්, අවසාන පාෂාණ විද්යාව/වෙනස් කිරීමේ තීරණය ගනු ලබන්නේ භූ විද්යාඥයාගේ නිරීක්ෂණ සහ රසායනාගාර විශ්ලේෂණය මගිනි. AI ප්රතිදානය ආරම්භයකි, සත්යාපනය කළ යුතු උපකල්පනයකි.
5. විවෘත වළ සැලසුම් කිරීමේදී 'ඉවත් කිරීමේ අනුපාතය' යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- A) ලෝපස් ඒකකයකට ළඟා වීමට ඉවත් කළ යුතු මලකඩ (අපද්රව්ය පාෂාණ) ප්රමාණය ✔
- B) ලෝපස් වල ලෝහ ප්රතිශතය
- C) ට්රක් රථවල දෛනික සංචාර ගණන
- D) පිපිරවීමේදී භාවිතා කරන පුපුරණ ද්රව්ය ප්රමාණය
විස්තරය: ඉරීම අනුපාතය යනු ලෝපස් ඒකකයක් ලබා ගැනීම සඳහා ඉවත් කළ යුතු අපද්රව්ය ප්රමාණය (තීරු/අපද්රව්ය) වේ. අවසාන වළේ සීමාව සහ ආර්ථිකය බොහෝ දුරට මෙම අනුපාතය මත රඳා පවතී; AI විසින් අවස්ථා ජනනය කළද, මායිම් තීරණය දක්ෂ ඉංජිනේරුවරයා සතුය.
6. AI විසින් කම්පන සහ උෂ්ණත්ව දත්තවල 'විෂමතා' සොයා ගන්නා විට අනාවැකි නඩත්තු කිරීමේදී අදහස් කරන්නේ කුමක්ද?
- A) උපකරණ නියත වශයෙන්ම අසාර්ථක වී ඇති බවට සාක්ෂි
- B) දත්ත සාමාන්යයෙන් බැහැර වන බවට අනතුරු ඇඟවීමක්; එය අක්රමිකතා පිළිබඳ නිශ්චිත රෝග විනිශ්චයක් නොව, ශාරීරික පරීක්ෂණයකින් තහවුරු කළ යුතු ලකුණකි ✔
- C) උපකරණ ස්වයංක්රීයව නතර කළ යුතු බවට නියෝග කරන්න
- D) දත්ත වැරදි ලෙස සටහන් කර ඇති බවට සහතික වන්න
පැහැදිලි කිරීම: විෂමතාවයක් යනු සාමාන්ය හැසිරීම් වලින් දත්ත අපගමනය වන අතර එය අක්රියතාවයක් පෙන්නුම් කරයි; නමුත් එය නිශ්චිත රෝග විනිශ්චයක් නොවේ. උපකරණ නැවැත්වීමට හෝ කොටස් ප්රතිස්ථාපනය කිරීමට තීරණය කරනු ලබන්නේ නඩත්තු කණ්ඩායමේ භෞතික පරීක්ෂණය සහ මෙහෙයුම් කළමනාකරුගේ අනුමැතියෙනි.
7. සරඹ-පිපිරුම් නිර්මාණයේදී AI භාවිතා කිරීමේදී ආරක්ෂාව සඳහා අත්යවශ්ය වන්නේ කුමක්ද?
- A) ක්ෂේත්රය තුළ AI නිර්දේශය සෘජුවම ක්රියාත්මක කිරීම
- B) කම්පන මැනීම මඟ හැරීම
- C) ක්ෂේත්ර මැනීම, නියාමන සීමාව සහ බලයලත් පිපිරුම් විශේෂඥයෙකුගේ අනුමැතිය සහිත AI හි යෝජිත සැලසුම සත්යාපනය කිරීම ✔
- D) AI විසින් ලබා දෙන උපරිමයෙන් පුපුරණ ද්රව්ය ප්රමාණය සවි කිරීම
විස්තරය: පිපිරවීම; එය කම්පනය, වායු කම්පනය සහ පියාසර ගල් වැනි බරපතල ආරක්ෂාව සහ නියාමන අවදානම් දරයි. AI හට සැලසුම් සටහනක් සහ පරාමිති නිර්දේශයක් නිපදවිය හැක; කෙසේ වෙතත්, අවසාන සැලසුම ක්ෂේත්ර මැනීම, නියාමන සීමාවන් සහ බලයලත් පිපිරුම් විශේෂඥයාගේ අනුමැතිය (ඩෙටනේටරය/වගකීම) සමත් විය යුතුය.
8. ඛනිජ සැකසීමේදී 'ප්රතිසාධනය' සහ 'සාන්ද්ර ශ්රේණිය' අතර සාමාන්ය සම්බන්ධය කුමක්ද සහ මෙය අර්ථකථනය කිරීමේදී AI මතක තබා ගත යුත්තේ කුමක්ද?
- A) දෙකම සෑම විටම එකට වැඩි වේ
- B) ඔවුන් අතර සම්බන්ධයක් නොමැත
- C) සම්බන්ධතාවය නියත වන අතර සියලු පහසුකම්වල සමාන වේ
- D) සාමාන්යයෙන් ප්රතිලෝම ශේෂයක් ඇත (ශ්රේණිය වැඩි වන විට අස්වැන්න අඩු වේ); තථ්ය අගයන් ලෝහ විද්යාත්මක පරීක්ෂණය සහ ස්කන්ධ ශේෂය මගින් සත්යාපනය කළ යුතුය ✔
පැහැදිලි කිරීම: සාමාන්යයෙන්, අපි ඉහළ සාන්ද්රිත ශ්රේණියක් ලබා ගැනීමට උත්සාහ කරන විට, අස්වැන්න අඩු වේ (ශ්රේණියේ අස්වැන්න ශේෂය). AI හට මෙම ප්රවණතාවය පැහැදිලි කළ හැකි නමුත් සැබෑ මෙහෙයුම් අගයන් ලෝහ විද්යාත්මක පරීක්ෂණ සහ ස්කන්ධ ශේෂය මගින් තහවුරු කළ යුතුය; සාමාන්ය ප්රවණතාවය අඩවි-විශේෂිත යථාර්ථය සඳහා ආදේශකයක් නොවේ.
9. වෘත්තීය ආරක්ෂාව තුළ AI සමඟ අතපසුවීම්/අනතුරු දත්ත විශ්ලේෂණය කිරීමේ වඩාත් සුදුසු භාවිතය කුමක්ද?
- A) නිදහස් පෙළ වාර්තා වර්ග කිරීම සහ පුනරාවර්තන අවදානම් රටා උපුටා ගැනීම; තීරණය OHS විශේෂඥයාට භාර දෙන්න ✔
- B) හදිසි අනතුරු වල වැරදිකරුවා ස්වයංක්රීයව තීරණය කරන්න
- C) වැඩ නැවැත්වීමේ නියෝග AI වෙත පැවරීම
- D) අතපසු වීමට ආසන්න වාර්තා ඒවා සමාලෝචනයකින් තොරව සංරක්ෂණය කිරීම
විස්තරය: AI හට නොමිලේ පෙළ වාර්තා විශාල ප්රමාණයක් වර්ගීකරණය කළ හැකි අතර පුනරාවර්තන රටා සහ අවදානම් තත්ත්වයන් ඉක්මනින් උපුටා ගත හැක. කෙසේ වෙතත්, කාර්යයක් නැවැත්වීමට, ප්රදේශයක් ඉවත් කිරීමට හෝ මූල හේතුව OHS විශේෂඥයාගේ සහ නීති සම්පාදනයේ රාමුව තුළ ගනු ලැබේ; AI ප්රතිදානය යනු ආදානය මිස තීරණය නොවේ.
10. බෑවුම් නිරීක්ෂණයේදී රේඩාර්/ප්රිස්ම දත්තවල 'විරූපණ අනුපාතය ත්වරණය' තීරණාත්මක ලකුණක් වන්නේ ඇයි?
- A) එය අනිවාර්යයෙන්ම මිනුම් උපකරණය කැඩී ඇති බව පෙන්නුම් කරයි.
- B) එය ප්රගතිශීලී පරාජයක් පෙන්නුම් කළ හැකිය; පූර්ව අනතුරු ඇඟවීම සහ ඉවත් කිරීමේ තීරණය භූ තාක්ෂණික ඉංජිනේරුවරයාට අයත් වේ ✔
- C) බෑවුම සම්පූර්ණයෙන්ම ආරක්ෂිත බව පෙන්නුම් කරයි
- D) එය සැලකිය යුතු වන්නේ වර්ෂාපතනයක් ඇති විට පමණක් වන අතර එය නොසලකා හැරිය හැක
පැහැදිලි කිරීම: බෑවුම අසාර්ථක වීමට පෙර, විරූපණ අනුපාතය (ත්වරණය) ක්රමයෙන් වැඩි වීමක් සාමාන්යයෙන් නිරීක්ෂණය කෙරේ; මෙය ප්රගතිශීලී අසාර්ථකත්වයේ සලකුණක් විය හැකිය. AI හට ප්රවණතාවය ඉස්මතු කළ හැක, නමුත් ඉවත් කිරීම/මුලින් අනතුරු ඇඟවීමේ තීරණය ගනු ලබන්නේ භූ තාක්ෂණික ඉංජිනේරුවරයාගේ විශ්ලේෂණය සහ ප්රොටෝකෝලය මගිනි.
11. පාරිසරික අධීක්ෂණයේදී, ජල තත්ත්ව කාල ශ්රේණියක් තුළ AI විසින් සොයා ගන්නා 'ඉක්මවන' ලකුණකට වඩාත්ම නිවැරදි ප්රතිචාරය කුමක්ද?
- A) AI ප්රතිදානය සෘජුවම රජයේ ආයතනයට වාර්තා කිරීම
- B) අනතුරු ඇඟවීම නොසලකා හැර දිගටම නරඹන්න
- C) ප්රතීතනය ලත් රසායනාගාර ප්රතිඵල, නියාමන සීමාව සහ පාරිසරික ඉංජිනේරු ඇගයීම සමග සත්යාපනය කරන්න ✔
- D) AI මත පමණක් රඳා සිටීම සහ රසායනාගාර විශ්ලේෂණය අවලංගු කිරීම
විස්තරය: AI විසින් සිදුවිය හැකි කඩකිරීමක් කලින් සංඥා කළ හැක; කෙසේ වෙතත්, නිල අනුකූලතා තීරණය ගනු ලබන්නේ පිළිගත් රසායනාගාර විශ්ලේෂණය, නීති සම්පාදනයේ සීමාවන් සහ පාරිසරික ඉංජිනේරුවරයාගේ ඇගයීම මගිනි. AI ප්රතිදානය යනු පිරික්සීමේ ඇඟවීමක් මිස නීතිමය/තාක්ෂණික තීරණයක් නොවේ.
12. JORC හෝ NI 43-101 වැනි ප්රමිතියක වගන්ති අංකය සඳහා ඔබ AI ගෙන් විමසූ විට සාදන ලද (මාත්යාවේ) යොමුවක් ලබා නොගැනීම සඳහා වඩාත්ම විශ්වාසදායක ක්රමය කුමක්ද?
- A) AI විසින් ලබා දී ඇති අයිතම අංකය මත විශ්වාසය තැබීම
- B) එකම ප්රශ්නයම විවිධ වචන වලින් නැවත ඇසීම
- C) සම්මතය වෙනුවට බ්ලොග් සටහනක් බැලීම
- D) සම්මතයේ වත්මන් නිල පාඨයෙන් එක් එක් ලිපි යොමුව විවෘත කිරීම සහ තහවුරු කිරීම සහ දක්ෂ පුද්ගලයෙකුගෙන් අනුමැතිය ලබා ගැනීම ✔
පැහැදිලි කිරීම: භාෂා ආකෘතිය සම්මතයේ නම නිවැරදිව දැන සිටියද, එය ලිපි අංකය සහ පෙළ මායාවට පත් කළ හැකිය. සෑම ද්රව්ය සඳහනක්ම සම්මතයේ වත්මන් නිල පාඨයෙන් විවෘත කර තහවුරු කළ යුතු අතර අවසාන අනුකූලතාව දක්ෂ පුද්ගලයා (CP/QP) විසින් තහවුරු කළ යුතුය.
13. AI-ලිඛිත Python විශ්ලේෂණ ස්ක්රිප්ට් එකක් ධාවනය කිරීමට පෙර වඩාත්ම තීරණාත්මක පරීක්ෂාව කුමක්ද?
- A) කේතය කියවීම සහ ඒකක/තීරු ගැලපීම තහවුරු කිරීම, දන්නා කුඩා දත්ත සමඟ පරීක්ෂා කිරීම සහ ප්රතිඵලයේ විශ්වසනීයත්වය පරීක්ෂා කිරීම ✔
- B) කේතය කියවීමෙන් තොරව සම්පූර්ණ දත්ත කට්ටලය මත කෙලින්ම ධාවනය කිරීම
- C) වරදක් නැති බව දැක ප්රතිඵලය පිළිගැනීම
- D) ප්රතිදානයේ ග්රැෆික්ස් මත රඳා පැවතීම ලස්සනයි.
විස්තරය: AI කේතය ඒකක මිශ්ර කිරීම, තීරු නම් වැරදි ලෙස උපකල්පනය කිරීම හෝ නිශ්ශබ්දව පේළි අතහැරිය හැක. කේතය කියවීම, පරිමාව සහ තීරු ගැලපීම තහවුරු කිරීම, දන්නා දත්ත කුඩා ප්රමාණයක් සමඟ පරීක්ෂා කිරීම සහ ප්රතිඵලය ඉංජිනේරුමය සාධාරණ දැයි පරීක්ෂා කිරීම අත්යවශ්ය වේ.
14. වලාකුළු මත පදනම් වූ AI මෙවලමකට පතල් දත්ත ලබා දීමේදී පෞද්ගලිකත්වය අනුව හොඳම හැසිරීම කුමක්ද?
- A) සියලුම අමු දත්ත එලෙසම ඇලවීම
- B) සන්දර්භය නිර්නාමික කිරීම සහ සංවේදී සංචිත/ඛණ්ඩාංක/නිෂ්පාදන දත්ත පිරිසිදු කිරීම සහ ආයතනික, ප්රතිපත්ති-අනුකූල මෙවලම භාවිතා කිරීම ✔
- C) ප්රතිඵලයේ ගුණාත්මක භාවය සඳහා සැබෑ ඛණ්ඩාංක සැපයීම අත්යවශ්ය බව උපකල්පනය කිරීම
- D) පෞද්ගලිකත්ව ප්රතිපත්තිය කිසිසේත්ම නොසලකා හැරීම
පැහැදිලි කිරීම: සංචිත සංඛ්යා, බලපත්ර/ඛණ්ඩාංක තොරතුරු සහ නිෂ්පාදන දත්ත වෙළඳ රහස් සහ නීති සම්පාදනය සම්බන්ධයෙන් සංවේදී වේ. සන්දර්භය නිර්නාමික කිරීම, සැබෑ ඛණ්ඩාංක සහ නම් ඉවත් කිරීම, ආයතනික/පෞද්ගලිකත්වය සහතික කිරීමේ මෙවලම තෝරා ගැනීම සහ සමාගම් ප්රතිපත්තියට අනුකූල වීම අවශ්ය වේ.