ලාභ:
- ඛනිජ අපේක්ෂාව තුළ AI සහ බහු-ස්ථර දත්ත විලයන භාවිතය පැහැදිලි කිරීමේ හැකියාව
- භූ සංඛ්යාලේඛන (kriging, variogram) සහ යන්ත්ර ඉගෙනීම භාවිතයෙන් බ්ලොක් මාදිලිය සහ ශ්රේණියේ ඇස්තමේන්තු කරන්නේ කෙසේද යන්න අවබෝධ කර ගැනීම.
- හරස් වලංගුකරණය, වර්ගීකරණ විශ්වාසය සහ වාර්තා කිරීමේ ප්රමිතීන් සමඟ මූලාශ්ර ඇස්තමේන්තු නිමැවුම් පරීක්ෂා කිරීමේ හැකියාව
Prospecting යනු ඔට්ටු ඇල්ලීමේ ක්රීඩාවක් වන අතර එහිදී ඩොලර් මිලියන ගණනක තීරණ සරඹ සාම්පල අතලොස්සක් මත පදනම් වේ. ඛනිජ නිධියක් (ඉංග්රීසි ලෝපස් නිධියක්; පොහොසත් හා සූරාකෑමට තරම් විශාල ඛනිජ සමුච්චයක්) වර්ග කිලෝමීටර් සිය ගණනක ප්රදේශයක් යට සඟවා ඇති අතර, අපට එය "දකින්නේ" කලාතුරකින් සිදු වන කැණීම්, භූ භෞතික සෙවනැලි සහ මතුපිට සලකුණු වලින් පමණි. ඛනිජ ගවේෂණය AI හි වඩාත් උද්යෝගිමත් නමුත් වඩාත්ම භයානක යෙදුම් ක්ෂේත්රවලින් එකක් වන්නේ එබැවිනි: එය නිවැරදිව භාවිතා කළ විට, එය ගවේෂණ ඉලක්ක කිරීම වේගවත් කරන අතර විරල දත්ත වලින් වැඩි අර්ථයක් උකහා ගනී; වැරදි ලෙස භාවිතා කරන විට, එය සංඛ්යා ලේඛන පිටුපස නොපවතින ද්රව්යයක් සඟවා ආයෝජකයින් සහ සමාජය නොමඟ යවයි.
මෙම ඒකකය තුළ, අපි ගවේෂණයේ ප්රධාන කෘතිම බුද්ධි අංශ දෙකක් ආවරණය කරන්නෙමු: ගවේෂණ ඉලක්ක කිරීම (ඛනිජ අපේක්ෂාව; තැන්පතුවක් තිබිය හැකි ප්රදේශය බහු ස්ථර දත්ත වලින් ඇස්තමේන්තු කිරීම) සහ සම්පත් ඇස්තමේන්තු කිරීම (විදින ලද තැන්පතුවක ලෝහ ප්රමාණය කොපමණ දැයි අපට පැවසිය හැක්කේ කුමන විශ්වාසයකින්ද යන්න ගණනය කිරීම). දෙකෙහිම, AI යනු ප්රබල රටා සෙවුමකි; නමුත් අවස්ථා දෙකේදීම, අවසාන අගය වන්නේ ජාත්යන්තර වාර්තාකරණ ප්රමිතීන්ට අත්සන් කර ඇති දක්ෂ පුද්ගලයාගේ වගකීමයි.
සෙවුම් ඉලක්ක කිරීම: බහු-ස්ථර දත්ත විලයනය
ගවේෂණ භූ විද්යාඥයෙක් තනි දත්ත වර්ගයක් දෙස නොව, උඩින් ඇති ස්ථර දෙස බලයි: භූ විද්යාත්මක සිතියම, ව්යුහාත්මක සමෝච්ඡ (දෝෂ සහ නැමීම්), භූ භෞතික විද්යාව (චුම්බක, ගුරුත්වාකර්ෂණය, ප්රතිරෝධකතාව), භූ රසායන විද්යාව (පස සහ ප්රවාහ නියැදි මූලද්රව්ය අගයන්) සහ දුරස්ථ සංවේදනය මගින් සිතියම්ගත කරන ලද වෙනස් කිරීම්. සෑම ස්ථරයක්ම දුර්වල ඉඟියකි; සැබෑ සංඥාව වන්නේ ඔවුන් එකට යොමු කරන ස්ථානයයි. මෙය දත්ත විලයනය ලෙස හැඳින්වේ.
කෘතිම බුද්ධිය මෙහි කාර්යයන් දෙකක් කරයි. පළමුව, එය ස්ථර දුසිම් ගණනක් එකම ඛණ්ඩාංක ජාලයකට (ඒකීය, වෙහෙසකර නමුත් දෝෂ සහිත කාර්යයක්) තනි විශ්ලේෂණ වගුවකට පෙළගස්වයි. දෙවනුව, එය දන්නා තැන්පතු වටා ඇති රටාව ඉගෙන ගන්නා අතර සමාන අත්සනකින් නව ප්රදේශ සලකුණු කරයි (අධීක්ෂණය කළ ඉගෙනීම). නමුත් මෙහි තීරනාත්මක උගුලක් තිබේ: දන්නා ඇඳන් සංඛ්යාව බොහෝ විට ඉතා කුඩා වේ (සමහර විට එක් ප්රදේශයක ඇඳන් 5-10), එබැවින් ආකෘතිය පහසුවෙන් මතක තබා ගත හැකි අතර නව ප්රදේශ වල අසමත් වේ. ඉලක්කගත ප්රතිදානය "නිසැක මැණික පවතී" ලැයිස්තුවක් නොව, "විදුම් කිරීම මගින් පරීක්ෂා කිරීම වටී" ප්රමුඛතා අනුපිළිවෙලක් වන්නේ එබැවිනි.
පියවර සාමාන්යයෙන් පහත පරිදි වේ: (1) ස්ථර පෙළගස්වා පිරිසිදු කරන්න, (2) ඇඳ ආකෘතිය මත පදනම්ව එක් එක් ස්ථරයක් අර්ථවත් සංකේත බවට පරිවර්තනය කරන්න (උදා: “දෝෂ ඡේදනයට ඇති දුර”, “චුම්බක ඉහළ දාරය”), (3) දන්නා ඇඳන් සමඟ දුම්රිය හෝ විශේෂඥ රීතිය සමඟ බර, (4) සම්භාවිතා සිතියමක් නිෂ්පාදනය කරන්න, (5) ක්ෂේත්රයේ ඉහළම සම්භාවිතා ක්රම සමඟ පරීක්ෂා කරන්න.
ඉඟිය: ආකෘතියට අමුවෙන් ස්ථර පෝෂණය කරනවා වෙනුවට, භූ විද්යාත්මකව අර්ථවත් සලකුණු ව්යුත්පන්න කරන්න (“චුම්බක වළල්ල + ආර්ගිලික් වෙනස් කිරීම + පෝර්ෆිරි තඹ සඳහා දෝෂ ඡේදනය”). දරණ ආකෘතියට ගැළපෙන දර්ශක අන්ධ සංඛ්යාලේඛනවලට වඩා බොහෝ ශක්තිමත් ඉලක්ක නිපදවයි.
භූ සංඛ්යාලේඛන සහ සම්පත් ඇස්තමේන්තු: Variogram, Kriging සහ Block Model
තැන්පතුව සොයාගෙන සරඹ කළ පසු, ප්රශ්නය වෙනස් වේ: “මෙහි කොපමණ ලෝහ ප්රමාණයක් තිබේද සහ අපට එය කොපමණ විශ්වාස කළ හැකිද?” පිළිතුර සඳහා නියැදි සරඹ ලක්ෂ්යවල සිට නියැදි නොකළ පාෂාණ පරිමාව දක්වා අතිරේක කිරීමක් අවශ්ය වේ. මේ සඳහා සම්මත මෙවලම භූ සංඛ්යාලේඛන වේ.
මූලික සංකල්පය වන්නේ විරියෝග්රෑම් ය: සාම්පල දෙකක් තවත් දුරස් වන විට ශ්රේණියේ සමානකම් අඩු වන ආකාරය විස්තර කරන අවකාශීය අඛණ්ඩතාවේ මිනුමක්. ආසන්න උදාහරණ සමාන වේ, දුරස්ථ ඒවා ස්වාධීන ය; variogram මෙම "සමානතා පරාසය" ප්රමාණ කරයි. ක්රිජිං යනු එක් එක් නියැදි නොකළ බ්ලොක් සඳහා ඇස්තමේන්තුව සහ ඇස්තමේන්තුවේ අවිනිශ්චිතතාවය යන දෙකම ශ්රේණිය ලබා දීම සඳහා මෙම variogram ව්යුහය භාවිතා කරන බර සහිත සාමාන්ය ක්රමයකි. තැන්පතුව මීටර වලින් මනින ලද පැති සහිත කුට්ටි වලට බෙදී ඇත (බ්ලොක් ආකෘතිය), සහ එක් එක් කොටසකට ශ්රේණියක් සහ විශ්වාසයක් පවරනු ලැබේ.
කෘතිම බුද්ධිය මෙහි ස්ථාන තුනකින් පැමිණේ. variogram ආකෘති නිර්මාණයේදී, එය විකල්ප ආකෘති යෝජනා කරන අතර ගැළපුම ඇගයීමට ලක් කරයි. යන්ත්ර ඉගෙනීමේ ක්රම (උදා: අහඹු වනාන්තර, ශ්රේණිය වැඩි කිරීම) ක්රිජිං වලට අමතරව රේඛීය නොවන ශ්රේණි සම්බන්ධතා ග්රහණය කර ගත හැක. තවද එය සමස්ත කාර්ය ප්රවාහය කේතනය කිරීම, පරීක්ෂා කිරීම සහ වාර්තා කිරීම වේගවත් කරයි. නමුත් යකඩ රීති දෙකක් නියතව පවතී: ඇස්තමේන්තු අවිනිශ්චිතතාවය කිසි විටෙකත් සැඟවිය නොහැක, සහ අවසාන සම්පත ජාත්යන්තර ප්රමිතීන්ට අනුව මනින ලද/දර්ශක/අනුමාන කරන ලද පන්තිවලට (JORC, NI 43-101, PERC වැනි සම්පත්/සංචිත වාර්තාකරණයේ පොදු, විගණනය කළ හැකි රාමු) වර්ග කරනු ලැබේ.
අවවාදයයි: යන්ත්ර ඉගෙනීමේ ආකෘතිය මඟින් විදුම් බිඳීම් "සුමට" කළ හැකි අතර, යථාර්ථයේ නොපවතින අඛණ්ඩතාවයක් ඇති කරයි. ඉහළ ශ්රේණියේ නිදර්ශක කිහිපයකට සම්පූර්ණ කොටසම අසාධාරණ ලෙස පොහොසත් කළ හැකිය (ඉංග්රීසි ආලේප කිරීම). ඉහළ අගයන් සීමා කිරීම (ඉහළ කැපීම) සහ වාරණ පදනම මත සාම්පල ගණන පාලනය කිරීම අත්යවශ්ය වේ; එසේ නොමැති නම් ටොන් කඩදාසි මත ඉදිමෙනු ඇත.
කුඩා අවස්ථා තුනක්: අංක අනුව
1 වන අවස්ථාව - ඉලක්කගත ප්රමුඛතාවය. ගවේෂණ කණ්ඩායමක් 380 km² බලපත්ර ප්රදේශයක සීමිත විදුම් අයවැයක් සමඟ වැඩ කරමින් සිටියේය. භූ භෞතික/භූ රසායන විද්යා ස්ථර හතක් ඒකාබද්ධ කරන සම්භාවිතා සිතියමක් “ඉහළ ප්රමුඛතාව” ලෙස සලකුණු කළේ ප්රදේශයෙන් 6%ක් පමණි. කණ්ඩායම පළමු අභ්යාස පහ මෙම 6% වෙත යොමු කරන ලදී; ඒවායින් තුනක සැලකිය යුතු තඹ මංසන්ධි සොයා ගන්නා ලදී. තීරනාත්මක කරුණ: සිතියම ලෝපස් "ඔප්පු" නොකළ අතර, විදුම් අයවැය අවධානය යොමු කළ යුතු ස්ථානය තාර්කික කර ඇති අතර අන්ධ අත්හදා බැලීම් ගණන අඩු කළේය.
නඩුව 2 - ස්මෑරිං අල්ලා ගැනීම. එක් රන් තැන්පතුවකදී, පළමු බ්ලොක් මාදිලිය 78 g/t හි තනි අධි සාම්පලයක බලපෑම හේතුවෙන් අවට කුට්ටි පුම්බා ඇති අතර, සම්පත 14% කින් අධිතක්සේරු කර ඇත. QA/QC සමාෙලෝචනයෙහි යෙදෙන ඉහළම කප්පාදුව (සංඛ්යානමය එළිපත්තට ඉහළ අගය අඩු කිරීම) සහ අසල්වැසි නියැදි පාලනය සමඟ අනාවැකිය යථාර්ථවාදී මට්ටමකට ගෙන එන ලදී. වෙනස ඩොලර් මිලියන ගණනක ආයෝජන තීරණයකට සෘජුවම බලපෑවේය.
නඩුව 3 - වර්ගීකරණ විනය. යකඩ ව්යාපෘතියක් මත, ආකෘතිය ඉහළ විශ්වාසයකින් මුළු තැන්පතුවම පුරෝකථනය කරන ලදී; කෙසේ වෙතත්, ආන්තික ප්රදේශ වල විදුම් ඝනත්වය ඉතා විරල විය. බලය ලත් පුද්ගලයා ආර්ථික ඇගයීමෙන් විරල නියැදි පරිමාව ඉවත් කර, එය "අනුමාන" වෙත පහත හෙලන ලදී. මේ අනුව, වාර්තාව ප්රසිද්ධියේ හෙළිදරව් කරන ලද සංචිතවල අතිශයෝක්තියෙන් වැළකී ප්රමිතියට අනුකූල විය.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
කැණීමේ අස්වැන්න විශ්ලේෂණය කර තැන්පතුවේ රත්රන් ප්රමාණය කොපමණ දැයි කියන්න.[assay table]
බලවත් විමසුම:
ඔබේ භූමිකාව: සම්පත් භූ විද්යාඥයා. පහත සංයෝග විශ්ලේෂණ දත්ත සමඟ මූලාශ්ර අංකයක් ලබා දෙන්න. ඒ වෙනුවට:1) ශ්රේණි බෙදාහැරීම සාරාංශ කරන්න; හැකි පිටස්තරයන් සහ ඉහළ කප්පාදුවක අවශ්යතාවය සලකුණු කරන්න.2) අවකාශීය අඛණ්ඩතාව සඳහා කුමන විරිත්යාකරණ දිශාවන් පරීක්ෂා කළ යුතුද යන්න යෝජනා කරන්න.3) අඩු කැණීම් ඝණත්වය හේතුවෙන් "අත්හරින ලද" ලෙස වර්ගීකරණය කළ හැක්කේ කුමන ප්රදේශද යන්න සඳහන් කරන්න.4) ප්රතිඵලයට බලපෑ හැකි අවිනිශ්චිතතාවයේ මූලාශ්ර 4ක් ලැයිස්තුගත කරන්න.දත්ත නිර්නාමිකයි; සැබෑ ඛණ්ඩාංක/සමාගමක් නැත.
බලගතු විමසුම මඟින් ආකෘතිය තනි රැවටිලිකාර අංකයක් නිපදවීම වළක්වන අතර එය භාරව සිටින පුද්ගලයා ඇසිය යුතු ප්රශ්න හරියටම සංවිධානය කරන සහායකයකු බවට පත් කරයි.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ස්ථර විලයනය සඳහා සංකේත ව්යුත්පන්න:
පෝර්ෆිරි තඹ ගවේෂණ ආකෘතිය මත පදනම්ව පහත ස්ථර වලින් අර්ථවත් සලකුණු යෝජනා කරන්න: චුම්බක, ගුරුත්වාකර්ෂණය, ප්රතිරෝධය, පාංශු භූ රසායන විද්යාව (Cu-Mo-Au), වෙනස් කිරීම. එක් එක් සලකුණ සඳහා: තැන්පතු ආකෘතියට සබැඳිය, නොමඟ යවන මූලාශ්රය සහ ක්ෂේත්ර සත්යාපන ක්රමය. නිශ්චිත ඉලක්කයක් ලබා දීම; ප්රමුඛතා තර්කනය ස්ථාපිත කරන්න.
2) Assay QA/QC පූර්ව පරීක්ෂාව:
පහත සඳහන් දේ සඳහා විශ්ලේෂණ වගුව පරීක්ෂා කරන්න: සෘණ/නොහැකි අගය, හඳුනාගැනීමේ සීමාවට පහළින් ලකුණුවල අනුපාතය, ඒකක විෂමතාව (ppm/%/g-t), නැවත සාම්පල ගිවිසුම, හිස් සහ සම්මත නියැදි ප්ලාවිතය. drilling_id මගින් ගැටළු ලැයිස්තුගත කරන්න; තක්සේරුව, නිවැරදි කිරීම.
3) Variogram අර්ථකථන කෙටුම්පත:
පර්යේෂණාත්මක variogram ප්රතිඵල අර්ථකථනය කරන්න: nugget, range සහ sill යන්නෙන් අදහස් කරන්නේ කුමක්ද යන්න සරල භාෂාවෙන් පැහැදිලි කරන්න; ඇනිසොට්රොපියේ යම් සලකුණු තිබේද? ක්රිජිං කිරීමට පෙර භූ විද්යාඥයාගේ අනුමැතිය අවශ්ය තීරණ මොනවාදැයි සලකුණු කරන්න. තර්කය, කේතය නොවේ.
4) මූලාශ්ර වර්ගීකරණ පාලනය:
බ්ලොක් ආකෘතියේ, එක් එක් බ්ලොක් සඳහා: ක්රිජිං විචලනය, ඇස්තමේන්තු කිරීමේදී භාවිතා කරන සාම්පල ගණන සහ ළඟම ඇති ළිඳට ඇති දුර ලබා දී ඇත. සම්මත තර්කයට අනුව මනින ලද/පෙන්වන ලද/අනුමාන කළ පන්තියට වඩාත් ගැලපෙන කුට්ටි මොනවාද යන්න පිළිබඳ සාධාරණ දළ සටහනක් දෙන්න. අවසාන වර්ගීකරණය බලයලත් පුද්ගලයාට අයත් වේ; මෙය ප්රකාශ කරන්න.
ක්රම සංසන්දනය
ක්රමය
මොනවද කරන්නේ
ශක්තිමත් ලක්ෂ්යයක්
ප්රධාන අවදානම
විශේෂඥ රීතිය (බර ස්තරය)
තොරතුරු සමඟ ඉලක්ක වර්ග කරයි
කුඩා දත්ත සමඟ ක්රියා කරයි, විනිවිද පෙනෙන
විශේෂඥ පක්ෂග්රාහීත්වය
අධීක්ෂණය කරන ලද ML ඉලක්ක කිරීම
දන්න ඇඳෙන් ඉගෙන ගන්නවා
සංකීර්ණ රටාවක් ග්රහණය කරයි
උදාහරණ කිහිපයකින් කටපාඩම් කිරීම
ක්රිජිං
Tenor අවිනිශ්චිතතාවයෙන් පුරෝකථනය කරයි
සම්මත, විගණනය කළ හැකි
Variogram දෝෂය, ආලේප කිරීම
ML ශ්රේණියේ ඇස්තමේන්තුව
රේඛීය නොවන සම්බන්ධතාවය
නම්යශීලී
අවිනිශ්චිතභාවය, අධික ලෙස අනුවර්තනය වීම සැඟවිය හැක
අනුකරණය (උදා. SGS)
සම්භාවිතා අවස්ථා ජනනය කරයි
අවිනිශ්චිතතාවය දෘශ්යමාන කරයි
වැරදි ලෙස අර්ථකථනය කළහොත් අධි විශ්වාසය
ඉඟිය: සම්පත් ඇස්තමේන්තු කරන විට, "තනි හොඳම අංකයක්" වෙනුවට පරාසයක් සහ දර්ශනයක් ඉල්ලන්න. ශුභවාදී/අපේක්ෂිත/ප්රවේශම් සහගත අවස්ථා තුනක් තීරණ ගැනීම සඳහා තනි අංකයකින් නිර්මිත ව්යාජ නිශ්චිතභාවයට වඩා බොහෝ අවංක පදනමක් සපයයි.
පොදු වැරදි
- එතරම් නොදන්නා ඇඳක් සමඟ ML කටපාඩම් කිරීම. ෙබයාරිං පහකින් පුහුණු කරන ලද ආකෘතියක් නව ක්ෂේත්රය තුළ විශ්වාස කළ නොහැකි ය; ප්රතිදානය සාක්ෂි වශයෙන් නොව ප්රමුඛතා ලැයිස්තුවක් ලෙස බලන්න.
- ආන්තික අගයන් සීමා නොකිරීම. ඉහළ-කැපීම සිදු නොකළහොත්, තනි ඉහළ තක්සේරුවක්, අසාධාරණ ලෙස අවට කුට්ටි පොහොසත් කරයි (ස්මියර්) සහ ටොන් එක පුම්බා ඇත.
- අවිනිශ්චිතභාවය වාර්තා නොකරයි. ක්රිජිං විචලනය සහ වර්ගීකරණය සඟවා තනි සංඛ්යා ඉදිරිපත් කිරීම ප්රමිතිවලට සහ අඛණ්ඩතාවට පටහැනිය.
- වර්ගීකරණය මඟ හැරීම. මනින ලද ලෙස විරල නියැදි පරිමාවක් ඉදිරිපත් කිරීම ආර්ථික විනිශ්චය සහ මහජන විශ්වාසය අඩාල කරයි.
- QA/QC මඟ හැරීම. හිස් සහ සම්මත සාම්පල සහිත ප්ලාවිතය රසායනාගාර අධීක්ෂණයකින් තොරව කිසිදු ශ්රේණියක් විශ්වාසදායක නොවේ.
සාරාංශයකින්
- ගවේෂණ ඉලක්ක කිරීම බහු-ස්ථර දත්ත විලයනය හරහා විදුම් ප්රමුඛතාවය ජනනය කරයි; එය ලෝපස් ඔප්පු නොකරයි, එය අන්ධ නඩු විභාගය අඩු කරයි.
- variograms සහ kriging භාවිතා කරමින් සම්පත් ඇස්තමේන්තු ශ්රේණිය නිශ්චිතව ගණනය කරයි; බ්ලොක් ආකෘතිය මේ මත ගොඩනගා ඇත.
- යන්ත්ර ඉගෙනීම ප්රබල වේ, නමුත් එය කුඩා සාම්පල කටපාඩම් කරයි, පිටස්තරයින්ට මඩ ගැසීම සහ අවිනිශ්චිතතාවය සැඟවිය හැක.
- අවසාන වෑල්ඩය JORC/NI 43-101 වැනි ප්රමිතීන්ට අනුව බලයලත් සුදුසුකම් ලත් පුද්ගලයෙකු විසින් වර්ගීකරණය කර අත්සන් කර ඇත.
- අගය එක් රැවටිලිකාර අංකයක නොවේ; අවිනිශ්චිතභාවය පරීක්ෂා කළ හැකි ප්රමුඛතාවයක් සහ අවංකව වාර්තා කරන ලද වර්ගීකරණයකි.
යෙදුම් කාර්යය
නිර්නාමික සංයෝග විශ්ලේෂණ වගුවක් (හෝ නියෝජිත අගයන්) ලබා ගන්න. ප්රබල විමසුම සමඟින්, ප්රභව රූපයක් වෙනුවට අධි අගය/ඉහළ කැපුම් අවශ්යතාවය, විරිත්යාකරණ දිශාවන් සහ අඩු ඝනත්ව කලාප සඳහා ආකෘතියෙන් අසන්න. ඉන්පසු "මූලාශ්ර වර්ගීකරණ පාලනය" අච්චුව මඟින් කුමන විශ්වාස පන්තියට වැටෙන්නේද යන්න පිළිබඳ කෙටුම්පතක් නිපදවන්න. අවසාන වශයෙන්, ආකෘතිය තනි ටොන් රූපයක් ලබා දීමට උත්සාහ කරන්නේ දැයි නිරීක්ෂණය කර ඔබ එය ප්රතික්ෂේප කළ යුත්තේ මන්දැයි එක් වාක්යයකින් ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] ගවේෂණ ඉලක්ක කිරීම ලෝපස් ඔප්පු නොකරන බව මට වැටහුණා, එය කැණීම් ප්රමුඛතාවයක් ඇති කරයි.
- [ ] variogram සහ kriging ඇස්තමේන්තු ශ්රේණිය අවිනිශ්චිතතාවයෙන් යුක්ත වන ආකාරය මට පැහැදිලි කළ හැකිය.
- [ ] මම ආලේප කිරීම, ඉහළ කැපීම සහ අධි තක්සේරු කිරීමේ අවදානම හඳුනාගෙන QA/QC අනිවාර්යය ලෙස සලකමි.
- [ ] සම්පත ප්රමිතියෙන් මනින ලද/ඇඟවූ/අනුමාන කරන ලද ලෙස වර්ග කර ඇති අතර බලයලත් පුද්ගලයාට අයත් බව මට වැටහේ.
- [ ] මම තනි සංඛ්යා වෙනුවට අවිනිශ්චිතතා පරාසයන් සහ අවස්ථා අවශ්ය විනයක් අනුගමනය කළෙමි.