Dobički:
- Sposobnost učinkovite uporabe AI pri obdelavi, nadzoru kakovosti in poročanju laboratorijskih rezultatov
- Sposobnost pospešitve priprave geološkega/geotehničnega poročila, pregleda literature in povzetka podatkov z AI
- Zmožnost zaščite samodejno ustvarjene vsebine s sledljivostjo, potrditvijo vira in odobritvijo inženirja
V pisarni se odvija neviden, a velik del dela inženirja geologije: obdelava laboratorijskih rezultatov, kontrola kakovosti, tabeliranje podatkov, pisanje poročil, skeniranje literature ter priprava kart in slik. Ta dela se ponavljajo, zahtevajo veliko časa in pozornosti; Prav na tem področju umetna inteligenca prihrani največ časa. Toda tudi tukaj je past: poročilo je uradna podlaga za inženirsko odločitev. Izmišljen vir, napačno kopirana številka ali neizsledljiva trditev lahko neopazno zdrsne v tekoče besedilo, posledice pa so lahko resne. Cilj te enote je vzpostaviti disciplino, ki nikoli ne opusti sledljivosti, potrditve vira in odobritve inženirjev ob uporabi umetne inteligence pri učinkovitosti pisarne od konca do konca.
V tej enoti bomo pokrivali tri pisarniške fronte: obdelavo laboratorijskih rezultatov in QA/QC (čiščenje in zagotavljanje analiznih podatkov), izdelavo poročil in literature (pospeševanje priprave, povzetka in pregledovanja) ter avtomatizacijo delovnega toka (uravnavanje ponavljajočih se nalog). Na vsakem koraku je AI pripravljavec in organizator; Točnost, vir in končna odobritev vsebine pripadajo inženirju.
Laboratorijska obdelava rezultatov in QA/QC
Laboratorijski rezultati (analize stopnje, testi indeksa tal, kemija vode) pogosto prispejo v različnih oblikah, v različnih enotah in včasih napačno. AI prilagodi te podatke v eno samo shemo, zajame nedoslednost enote, zastavice pod mejo zaznave in preveri vzorce QA/QC (slepi vzorec, standardni referenčni material, ponovna analiza). QA/QC (zagotavljanje kakovosti/kontrola kakovosti) je pregled, ki dokazuje zanesljivost laboratorija: če je v slepem vzorcu kontaminacija, v standardu odstopanje, v ponovljenem vzorcu neskladnost, je podatek vprašljiv.
Kritična točka: AI nikoli tiho ne izbriše ali popravi vrednosti. Njegova naloga je označiti problematične linije in prepustiti inženirju, da sprejme odločitev. Izstopajoča vrednost je lahko resnično visoka ruda ali laboratorijska napaka; Inženir to razliko naredi s kontekstom. Umetna inteligenca podatke preverja, ne čisti.
Nasvet: Pri obdelavi laboratorijskih podatkov ob vsakem pozivu ponovite pravilo "samo označi, ne spreminjaj". Najbolj zahrbtna napaka umetne inteligence je, ko pokvari neobdelane podatke tako, da "popravi" vrednost z dobrimi nameni in se tega ne zaveda.
Izdelava poročil in literature
AI je zmogljiv pripravljavec pri pisanju poročil: v minutah pripravi osnutek odseka metode, uvodnega konteksta, zaključnega povzetka; povzema dolgo literaturo; Pretvori kompleksno tabelo v golo besedilo. Očitni pa sta dve nevarnosti. Prvi je izmišljen vir: model lahko samozavestno ustvari neobstoječ članek, lažnega avtorja ali neobstoječ kanonski članek. Drugič, napaka pri obdelavi številk: stopnja, varnostni koeficient ali globina se lahko nepravilno prenesejo pri prehodu v besedilo.
Torej zlato pravilo: AI izdela osnutek, inženir ga preveri in ima v lasti. Vsak vir je potrjen iz izvirnika (apokrifne reference so najpogostejša vrsta halucinacije); vsako število se primerja z neobdelanimi podatki; Vsaka tehnična trditev je preizkušena z inženirskim znanjem. Ko je poročilo podpisano, je odgovornost za vsak stavek v njem na strani podpisnika - "AI je to napisal" ni izgovor.
Pozor: Nikoli ne sprejmite bibliografije, ki jo je ustvarila umetna inteligenca, takšne kot je. Izmišljene, a realistične navedbe (na videz točen avtor, revija, leto) so najpogostejše in nevarne halucinacije. Preverite vsako referenco glede na neodvisno bazo podatkov.
Avtomatizacija delovnega toka in sledljivost
Avtomatizacija ponavljajočih se opravil (obdelava mesečnih podatkov monitoringa vode, izpolnjevanje standardne predloge poročila, združevanje vrtalnih tabel) z umetno inteligenco zagotavlja veliko učinkovitost. Toda avtomatizacija lahko avtomatizira tudi napako: napačno pravilo, ki je enkrat vzpostavljeno, se tiho ponovi pri vsakem zagonu. Zato morajo biti avtomatizirani delovni tokovi sledljivi: beleženje, kateri vnos, kateri korak, iz katere različice modela prihaja vsak izhod; Ko se odkrije napaka, mora biti sledljiv glavni vzrok in vsi prizadeti izhodi.
Sledljivost v praksi pomeni: vir in datum vhodnih podatkov, uporabljene transformacije, uporabljena različica poziva/modela in korak človeške odobritve so zabeleženi. To zagotavlja odgovornost za odpravljanje napak in inženiring. Nenadzorovana avtomatizacija, ne glede na to, kako hitra je, je nesprejemljiva v varnostno kritičnem poslu.
Trije mini kovčki: po številkah
Primer 1 – Zajemanje premika QA/QC. Ena laboratorijska pošiljka je vsebovala 320 vzorcev kakovosti. Preverjanje AI QA/QC je označilo standardni referenčni material kot sistematično 8-odstotno premajhno odčitavanje v zadnjih 40 vzorcih — premik kalibracije instrumenta. Ta sistemska napaka je bila težava, ki jo je bilo zelo težko odkriti ročno, vendar je vplivala na celotno serijo; Pošiljka je bila ponovno analizirana. Ni določil vzorca, naredil je vzorec viden.
Primer 2 – Izdelan vir. AI je pripravil literaturo geotehničnega poročila in ustvaril šest referenc. Med preverjanjem je bilo ugotovljeno, da dva nikoli nista obstajala, eden pa je bil pripisan napačnemu dnevniku. Če reference ne bi bile preverjene ena za drugo v neodvisni bazi podatkov, bi izmišljeni viri vnesli podpisano inženirsko poročilo. Osnutek se je pospešil; Potrditev shranjena.
Primer 3 – Glavni vzrok s sledljivostjo. V avtomatiki mesečnega monitoringa vode so bile vrednosti opazovalne vrtine tri mesece prijavljene v napačni enoti. Zahvaljujoč zapisu sledljivosti je bilo v nekaj minutah ugotovljeno, pri katerem koraku pretvorbe se je začela napaka, in ustvarjen je bil popoln seznam treh prizadetih poročil. Če evidence ne bi vodili, bi ostalo nejasno, kateri izpisi so bili poškodovani, sumljiv pa bi bil celoten arhiv.
Šibek poziv / močan poziv
Šibek poziv:
Napišite geotehnično poročilo za ta projekt, vključite literaturo. [podatki]
Močan poziv:
Vaša vloga: pripravljavec poročil. PRIPRAVITE poročilo z naslednjimi podatki, vendar: 1) Temelji SAMO na podatkih, ki jih dam; NE izmišljujte številke, vira ali najdbe. 2) Z oklepaji pokaži, iz katere vnosne vrstice je posamezno število. 3) Namesto da bi ustvarili dejanski vir za literaturo, postavite ogrado »preverjen vir o [temi] bo dodan tukaj«. 4) Kjerkoli niste prepričani, označite kot "ZAHTEVAJ POTRDITEV INŽENIRJA". Končno vsebino in vse vire bom preveril jaz. Podatki so anonimni.
Štiri kopirane predloge
1) Laboratorijski QA/QC pregled:
Preverite tabelo laboratorijskih rezultatov: odstopanje enot, znaki pod mejo zaznavnosti, kontaminacija v slepem vzorcu, sistematični zamik standardne reference, neskladnost pri ponovljenem vzorcu. Označite samo problematične vrstice z example_id; Ne brišite ali popravljajte nobenih vrednosti. Odločitev je moja.
2) Uveljavi potrditev vira:
Izvlecite vse numerične trditve in navedbe virov v tem besedilu in naredite kontrolni seznam: vnos, na katerem temelji vsaka številka, navedba vsakega vira, ki ga je treba potrditi. Izdelava vira; Označite "mora biti preverjeno", kjer ne morete preveriti.
3) Okvir zapisa sledljivosti:
Predlagajte predlogo zapisa sledljivosti za ta avtomatiziran potek dela: vir vnosa in datum, uporabljene transformacije, uporabljena različica poziva/modela, korak človeške odobritve. Pokažite, kako priti do temeljnega vzroka in prizadetih rezultatov, ko je najdena napaka.
4) Preverjanje skladnosti poročila:
Preverite notranjo skladnost osnutka poročila: ali se številke v povzetku ujemajo s telesom, ali so tabele in besedilo v nasprotju, ali so enote v celoti skladne, ali obstajajo nedefinirane okrajšave? Navedite težave; Odločitev o vsebini je moja.
Služba, zaslužek in nadzor
Iskanje
pridobitev AI
Glavno tveganje
Obvezen pregled
Laboratorijska obdelava podatkov
visoka
Tihi popravek
"Označi, izbriši" + neobdelani podatki
QA/QC pregled
visoka
Ne zamudite diapozitiva
Slepo/standardno/ponovna potrditev
Prijavi osnutek
visoka
Izmišljena izdaja/vir
Številka in potrditev vira
Pregled literature
visoka
Izmišljena referenca
Neodvisno preverjanje baze podatkov
avtomatizacija poteka dela
zelo visoko
Ponavljanje napake
Evidenca sledljivosti
Namig: Preden nastavite avtomatizacijo, vprašajte "kako bom vedel, ali ta potek dela ne deluje pravilno?" Odgovorite na vprašanje. Če odgovor ni jasen, najprej dodajte sledljivost in kontrolne točke; Hitrost pride po vodljivosti.
Pogoste napake
- Tiho popravljanje vrednosti. AI »izboljševanje« neobdelanih podatkov je najbolj zahrbtna napaka; pravilo naj bo vedno »označi, ne spremeni«.
- Ne preverjam bibliografije. Izmišljene reference so najpogostejša halucinacija; Vsak odtis mora biti neodvisno preverjen.
- Ne preverjam prenosa številke. V tekočem besedilu se skriva tenor ali varnostni koeficient, ki se ob prehodu v besedilo poslabša.
- Vzpostavitev nesledljive avtomatizacije. V poteku dela, ki ne vodi evidenc, ni mogoče ugotoviti temeljnega vzroka in vpliva napake.
- Zatekanje k izgovoru, da je "AI to napisal". Za vsak podpisan stavek je odgovoren podpisnik; odobritve ni mogoče omiliti.
Če povzamem
- Pisarniško delo je področje, kjer umetna inteligenca prihrani največ časa; Toda poročilo je uradna podlaga za odločitev in napake so drage.
- Pri laboratorijskih podatkih umetna inteligenca revidira, ne čisti; pravilo je "označi, izbriši/popravi", odločitev je na inženirju.
- Ponarejanje virov in številk v poročilih in literaturi so najpogostejša tveganja; Vsak vir in številka sta preverjena.
- Avtomatizacija lahko poveča napako in hitrost; Zapis sledljivosti ščiti glavni vzrok in prizadete rezultate.
- Za podpisano vsebino je odgovoren inženir; "AI je to napisal" ni izgovor.
Aplikacijska naloga
Prejemanje tabele anonimiziranih laboratorijskih rezultatov (ali reprezentativnih podatkov). Imejte vrstice težav z zastavico modela s predlogo "Laboratorijska revizija QA/QC"; zavestno sistematično premakniti standardno referenčno vrednost in preizkusiti, ali jo model ujame in poskuša vrednost izbrisati. Nato pripravite kratek razdelek poročila in vsako težavo in vir v njem postavite na kontrolni seznam s predlogo »izziv preverjanja vira«.
kontrolni seznam
- [ ] Za AI na laboratorijskih podatkih vedno uporabim pravilo »označi, izbriši/popravi«.
- [ ] Laboratorijsko zanesljivost preverjam z vzorci QA/QC (slepi, standardni, ponavljajoči).
- [ ] Neodvisno preverim vsak vir in številko v poročilu in literaturi.
- [ ] Nastavil sem avtomatizirane poteke dela s sledljivostjo.
- [ ] Strinjam se, da nosim polno odgovornost za vsebino, ki jo podpišem.