Analiza e të dhënave të minierave me Python dhe kufijtë e AI — Inteligjenca Artificiale në Inxhinierinë e Minierave

Fitimet:

Aftësia për të prodhuar skripta që pastrojnë dhe vizualizojnë të dhënat e shpimit, prodhimit dhe monitorimit me Python, me mbështetjen e AI
Aftësia për të njohur cilësinë e të dhënave, rreziqet e mbimësimit dhe ekstrapolimit gjatë ndërtimit të modeleve të thjeshta të parashikimit dhe anomalive
Aftësia për të verifikuar kodin e gjeneruar nga AI dhe rezultatin me kontrollin e njësisë, llogaritjen e pavarur dhe besueshmërinë inxhinierike

Në çdo njësi të këtij moduli keni parë që AI është i fuqishëm në kodim: pastrimi i puseve, balancimi i masës, skeleti kriging, përmbledhja e flotës, analiza e dridhjeve, skanimi i mjedisit. Kjo njësi e fundit fokusohet në Python, mjeti konkret për atë kod, dhe disiplina e duhur e gjenerimit të kodit me AI. Python është bërë standardi de fakto në analizën e të dhënave minerare sepse është falas, ka biblioteka të fuqishme (panda: manipulim me të dhëna tabelare; numpy: llogaritje numerike; matplotlib: komplot; scikit-learn: mësimi i makinës) dhe automatizon detyrat e përsëritura. AI shumëfishon shpejtësinë me të cilën shkruani atë kod; por kodi që prodhon nuk është gjithmonë i saktë. Parimi qendror i kësaj njësie: Asnjëherë mos ekzekutoni kodin që AI shkruan pa e lexuar më parë, pa e vërtetuar njësinë e saj dhe pa e testuar atë me një sasi të vogël të dhënash të njohura. Kodi mund të prodhojë në heshtje rezultatin e gabuar, i cili mund të kthehet në një vendim të keq inxhinierik në miniera.

Rrjedha bazë e gjenerimit të kodit me AI

Marrja e kodit nga AI është një cikël inxhinierik, jo një bisedë:

Përshkruani qartë detyrën. Hyrja (kolonat, njësitë, rreshti i mostrës), prodhimi i dëshiruar dhe kufizimet. Kërkesa e paqartë prodhon kod të paqartë.
Kërkoni që të jetë i vogël dhe i lexueshëm. Kërkoni kod hap pas hapi të komentuar dhe jo një funksion gjigant.
Lexoni dhe kuptoni. Kuptoni se çfarë bën çdo rresht; Mos ekzekutoni kodin që nuk e kuptoni.
Testoni me të dhëna të vogla. Ekzekutoni manualisht me 5-10 rreshta, rezultatet e të cilave i dini dhe verifikoni rezultatin e pritur.
Rastet e skajit të pyetjeve. Qelizë e zbrazët, vlerë negative, përzierje e njësisë, regjistrim i përsëritur Si sillet kodi?
Shkalloni dhe kontrolloni logjikën. Ekzekutoni në të gjitha të dhënat; A është rezultati inxhinierikisht i arsyeshëm?

Këshillë: Gabimet më të zakonshme që futin kodin e AI janë të heshtura: emri i gabuar i kolonës, përzierja e njësisë (m vs ft, g/t vs ppm), rreshtat e hedhura në heshtje (si dropna), mesatarja e gabuar (mesatarja e thjeshtë kur duhet të peshohet). Këto nuk shkaktojnë gabime; Thjesht prodhon numrin e gabuar. Pra, "nuk mora një gabim" nuk do të thotë kurrë "i saktë".

Detyrat tipike të Python në miniera

Pastrimi i të dhënave: Bashkimi i tabelave të shpimit/prodhimit/monitorimit, raportimi i mospërputhjes, normalizimi i njësisë.
Përmbledhje dhe vizualizimi: Histogrami, seritë kohore, kurba e klasës-tonazhit, grafikët OEE.
Statistika dhe gjeostatistika: Statistika përmbledhëse, korrelacion, variogram/kriging (me biblioteka të veçanta).
Zbulimi i anomalive: Kapja e lëvizjes bazuar në prag ose modele të thjeshta.
Modele të thjeshta parashikimi: Për shembull, marrëdhënia e bluarjes së madhësisë-rendimentit me regresionin.

Për shumicën e këtyre detyrave, AI ofron kod të shkëlqyeshëm fillestar. Por ka dy gracka: cilësia e të dhënave dhe kufijtë e modelit. Njohja e të dyjave është çelësi për përdorimin e sigurt të kodit AI.

Kufijtë e modelit: mbimësimi dhe ekstrapolimi

Modelet e thjeshta parashikuese që AI ndërton lehtësisht janë të prekshme ndaj dy rreziqeve kryesore. Mbi përshtatja: Modeli memorizon të dhënat e trajnimit, por performon dobët në të dhënat e reja; Ndërtimi i modeleve komplekse me pak të dhëna e fton këtë. Ekstrapolimi: Modeli bëhet i pabesueshëm kur detyrohet të bëjë një parashikim mbi një gamë jashtë të dhënave të trajnimit; Për shembull, një model i mësuar në intervalin 0,3-0,8 g/t mund të japë rezultate të pakuptimta për 5 g/t. AI nuk i menaxhon "spontanisht" këto rreziqe për ju; Varet nga ju që ta lexoni modelin në mënyrë kritike, të bëni dallimin trajnim/test, të shikoni intervalin e besimit dhe të kontrolloni nëse parashikimi është fizikisht i besueshëm. Pavarësisht se sa i saktë shfaqet një numër modeli, ai nuk mund të jetë bazë për një vendim inxhinierik jashtë gamës së të dhënave.

tre mini kuti

Rasti 1 - Gabim i heshtur i volumit. Një inxhinier kërkon kodin që e bën AI të llogarisë notën mesatare nga të dhënat e analizës. Kodi funksionon, rezultati është 2.1 g/t. Inxhinieri lexon kodin; Vini re se mesatarja nuk peshohet sipas gjatësisë së intervalit, por merret si mesatare e drejtë. Notat e larta në intervale të shkurtra po shtonin në mënyrë të padrejtë peshë. Kur kaloni në mesataren e ponderuar, vlera ulet në 1.7 g/t. Kodi nuk dha gabime; leximi e kapi gabimin.

Rasti 2 - Rënia e vijës së heshtur. Në një kod përmbledhës prodhimi, AI pastronte rreshtat me vlera që mungojnë me dropna. Kodi funksionon pa probleme, por tonazhi total është nënvlerësuar sepse disa rreshta të vlefshëm janë hequr krejtësisht për shkak të një kolone të vetme boshe. Kur inxhinieri krahason numrin e linjave midis hyrjes dhe daljes, ai sheh ndryshimin dhe korrigjon logjikën e pastrimit. Mësimi: krahasoni gjithmonë numrin e linjave hyrëse dhe dalëse.

Rasti 3 - Kurthi i ekstrapolimit. Një ekip zbaton një model regresioni të mësuar në diapazonin e notave të ulëta në një zonë me notë të lartë; Modeli jep një vlerësim absurdisht të lartë të rendimentit. Për fat të mirë, inxhinieri hedh poshtë rezultatin, duke thënë se "kjo zonë është shumë jashtë kufijve të parë nga modeli" dhe kërkon testim metalurgjik. Mësimi: di gamën e të dhënave për të cilat modeli është i vlefshëm; Mos përdorni një vlerësim jashtë shtetit.

Modele të shpejtë të kopjueshëm

KODI I SIGURT PËR PASTRIMIN E TË DHËNAVE "Roli: Ju jeni një asistent i analistit të të dhënave në Python. Shkruani kodin me panda që pastron tabelën e mëposhtme. Kolonat dhe njësitë: [lista]. Rregullat: (1) shtypni numrin e rreshtave PARA dhe PAS hedhjes së rreshtave; (2) raportoni se cilat rreshta u hodhën në vend; Shpjegoni çdo hap me një rresht komenti."

KËRKESA PËR RISHIKIM KODI "Shpjegoni rresht pas rreshti kodin e mëposhtëm të Python dhe vini në dukje pikat e mëposhtme të rrezikut: supozim i gabuar i emrit të kolonës, konfuzion i njësisë, rreshtim i heshtur, gabim mesatar i sheshtë/ponderuar, sjellje e rastit (nul/negativ). MOS E ndreq kodin; thjesht listo kodin.

SETUP TEST ME TË DHËNA TË VOGLA "Për këtë funksion, prodhoni manualisht një të dhënë të vogël testimi (5-6 rreshta) nga të cilat unë e di rezultatin dhe daljen e pritshme; shkruaj një bllok testimi që kontrollon nëse funksioni funksionon saktë në këto të dhëna. Provoni gjithashtu rastet ekstreme (qeliza boshe, negative, vlera ekstreme njësi). Funksioni: [ngjit]."

MODELI I THJESHTË + PARALAJMËRIMI KUFIRI"Vendosni një regresion të thjeshtë për [x -> y] me të dhënat e mëposhtme. Dalloni midis trajnimit/testimit, raportoni metrikën e gabimit dhe tregoni qartë diapazonin e x mbi të cilin modeli është i Vlefshëm. Paralajmëroni nëse bëhen parashikime JASHTË këtij diapazoni. Komentimi i rrezikut të të dhënave të mbitejkalimit."

Prompt i dobët / Prompt i fortë

PROMPT I DOBËT: "Llogaritni notën mesatare nga këto të dhëna."

PROMPT FORTË:"Roli: Ju jeni një asistent Python. Kolonat: HoleID, From(m), To(m),Au(g/t). Llogaritni notën mesatare TË PEDHUR me gjatësinë e intervalit. Kodi: (1) printoni numrin e rreshtave hyrëse/dalëse; (2) raportoni vlerat null/negative. Gjithashtu, para se t'i konfirmoj njësinë; rezultati manualisht: [ngjit]."

Tabela e krahasimit: rreziku dhe masa paraprake

Rreziku

simptomë

masë paraprake

Ndërhyrja e njësisë

Numër i arsyeshëm por i gabuar

Komentoni njësinë në kod, kontrolloni atë

Rënie e vijës së heshtur

Totali mungon

Krahasoni numrin e linjave hyrëse/dalëse

Mesatarja e thjeshtë kundrejt mesatares së ponderuar

mesatare e gabuar

Verifikoni peshimin

mbimësimi

Të këqija në të dhënat e testit

Ndarja e trajnimit/testimit, mbajeni të thjeshtë

ekstrapolimi

Hamendje e pakuptimtë jashtë rrezes

Kufizo diapazonin e vlefshëm

Gabimet e zakonshme

Ekzekutimi i kodit pa e lexuar atë. "Nuk ka marrë asnjë gabim" nuk do të thotë se është e vërtetë.
Nuk testohet me të dhëna të vogla. Besimi pa një shembull të verifikueshëm është i rremë.
Mos krahasimi i numrit të linjave hyrëse/dalëse. Kështu ikin humbjet e heshtura.
Injorimi i gamës së modelit. Vlerësimet e ekstrapolimit janë jo të besueshme.
Duke i besuar bukurisë së grafikut. Një tabelë me stil mund të fshehë numrin e gabuar.

Kujdes: Nëse kodi i AI shkon në një llogari inxhinierike, ai kod është po aq përgjegjës sa një llogari. Kudo që rezultati bëhet një vendim minierash, ekzekutoni kodin dhe daljen e tij përmes një kontrolli logjik të pavarur dhe krahasimi me një metodë të dytë nëse është e mundur.

Në përmbledhje

Python është mjeti de fakto për analizën e të dhënave të minierave, dhe AI rrit shumë shpejtësinë me të cilën e shkruani atë. Por kodi i AI mund të strehojë gabime të heshtura (konfuzion i njësisë, rënie rreshtash, mesatarizimi i gabuar) dhe kurthe modelesh (të mësuarit e tepërt, ekstrapolimi). Rrjedha e sigurt: përshkruani qartë, dëshironi të vogla dhe të lexueshme, lexoni dhe kuptoni, testoni me të dhëna të vogla të njohura, rastet e skajeve të pyetjes, kontrollin e shkallës dhe logjikës. Një produkt i modelit nuk mund të jetë bazë për një vendim jashtë gamës së të dhënave; dhe çdo kod mbart po aq përgjegjësi sa një llogari nëse kthehet në një vendim minerar.

Detyra e aplikimit

Përdorni shabllonin "Kodi i sigurt i pastrimit të të dhënave" me një detyrë mesatare të notave ose përmbledhje të prodhimit për të marrë kodin nga AI; Hiqeni kodin nga rreziku me shabllonin "Kërkesë për rishikim të kodit". Më pas, me shabllonin "Test setup with small data", krijoni manualisht një grup të dhënash, rezultatet e të cilit i njihni dhe verifikoni kodin. Së fundi, për një marrëdhënie të thjeshtë, konfiguroni një model me shabllonin "Modeli i thjeshtë + paralajmërim limit" dhe provoni që ai jep një paralajmërim kur del jashtë diapazonit të vlefshëm.

listë kontrolli

[ ] Kam lexuar kodin e AI dhe kam kuptuar çdo rresht, nuk e kam drejtuar verbërisht.
[ ] E testova me të dhëna të vogla, të verifikueshme manualisht.
[ ] Kam krahasuar numrin e linjave hyrëse dhe dalëse.
[ ] Kam verifikuar qëndrueshmërinë dhe peshën e njësisë.
[ ] Kufizova gamën e vlefshme të të dhënave të modelit, duke shmangur ekstrapolimin.
[ ] Kontrollova rezultatin, i cili u kthye në vendim, me logjikë të pavarur/metodë të dytë.

Provimi i Modulit

1. Një praktikant pyet mjetin e bisedës AI për shkallën mesatare të trupit të xehes dhe shkruan vlerën që rezulton prej '1,8 g/t ari' drejtpërdrejt në raportin e rezervës. Cili është gabimi themelor në këtë qasje?

A) Vlera e notës duhet të vijë nga të dhënat e shpimit/analizës së vetë projektit dhe parashikimi i verifikuar; Numri i gjeneruar nga AI mund të jetë një trillim pa burim ✔
B) Duhet të ishte kërkuar për AI në ons në vend të gramëve
C) Vlera është e saktë, vetëm një pikë duhet të ishte përdorur në vend të presjes
D) Mjafton t'i bëni AI të njëjtën pyetje tre herë dhe të merrni mesataren

Shpjegim: Modeli i gjuhës nuk i njeh të dhënat e shpimit të projektit tuaj; prodhon një numër që duket më i mundshëm (halucinacion). Nota vjen vetëm nga të dhënat e përbëra të projektit të shpimit dhe vlerësimi gjeostatistikor; Prodhimi i UA nuk mund të përfshihet në raport pa miratimin e një personi kompetent.

2. Çfarë mundëson 'klasifikimi i bazuar në rrezik' në përdorimin e AI në inxhinierinë minerare?

A) Ulni çmimin e mjetit AI
B) Përcaktoni rolin e AI dhe thellësinë e detyrueshme të verifikimit sipas nivelit të rrezikut të detyrës ✔
C) Kërkesat duhet të shkruhen më shkurt
D) Delegoni automatikisht të gjitha vendimet tek AI

Shpjegim: Jo çdo mision është në të njëjtin nivel rreziku. Klasifikimi i detyrës si i ulët/mesatar/i lartë/kritik përcakton se cili rezultat mund të përdoret lirisht dhe cili kërkon verifikim standard dhe në terren dhe miratim inxhinier kompetent.

3. Çfarë modeli 'variogram' në gjeostatistikë?

A) Konsumi i karburantit të pajisjes
B) Ndryshimi i çmimit të metalit me kalimin e kohës
C) Vazhdimësia hapësinore në varësi të distancës; ✔ si zvogëlohet ngjashmëria ndërsa pikat largohen më shumë
D) Frekuenca e vibrimit të krijuar nga shpërthimi

Përshkrimi: Variogrami përshkruan se si zvogëlohet ngjashmëria e mostrave me njëri-tjetrin (vazhdimësia hapësinore) ndërsa distanca midis dy pikave rritet. Kriging përdor këtë model për të vlerësuar pikat e pamata me një diferencë pasigurie.

4. Cila është qasja më e mirë kur kemi litologji të para-klasifikimit të AI nga fotografia e bërthamës së stërvitjes?

A) Përpunimi i llojit të shkëmbit të dhënë nga AI direkt në regjistrin e shpimit
B) Kopjimi i tekstit të AI në raport pa e shqyrtuar fare foton
C) Anulimi i vëzhgimit të gjeologut dhe mbështetja vetëm në AI
D) Konsideroni rezultatin një parashikim/hipotezë paraprake dhe verifikojeni atë me vëzhgim gjeolog dhe analiza laboratorike ✔

Përshkrimi: AI mund të gjenerojë një listë parashikimesh dhe vëmendjeje nga imazhi; Megjithatë, vendimi përfundimtar i litologjisë/alterimit merret nga vëzhgimi dhe analiza laboratorike e gjeologut. Prodhimi i AI është një fillim, një hipotezë për t'u verifikuar.

5. Çfarë do të thotë 'raporti i zhveshjes' në planifikimin e hapur?

A) Sasia e ndryshkut (shkëmbit të mbeturinave) që duhet hequr për të arritur një njësi xehe ✔
B) Përqindja e metalit në mineral
C) Numri ditor i udhëtimeve të kamionëve
D) Sasia e eksplozivit që përdoret në shpërthim

Përshkrimi: Shkalla e zhveshjes është sasia e mbetjeve (shirit/mbeturinave) që duhet hequr për të arritur një njësi xehe. Kufiri përfundimtar i gropës dhe ekonomia varen kryesisht nga ky raport; Edhe pse AI gjeneron skenarë, vendimi për kufirin varet nga inxhinieri kompetent.

6. Çfarë do të thotë në mirëmbajtjen parashikuese kur AI gjen 'anomali' në të dhënat e dridhjeve dhe temperaturës?

A) Dëshmi se pajisja ka dështuar përfundimisht
B) Një paralajmërim se të dhënat devijojnë nga normalja; Nuk është një diagnozë përfundimtare e mosfunksionimit, por një shenjë që duhet të konfirmohet me ekzaminim fizik ✔
C) Urdhëroni që pajisja të ndalet automatikisht
D) Garantoni që të dhënat janë regjistruar gabimisht

Shpjegim: Anomalia është një devijim i të dhënave nga sjellja normale dhe mund të tregojë një mosfunksionim; por nuk është një diagnozë përfundimtare. Vendimi për ndalimin e pajisjeve ose zëvendësimin e pjesëve merret me ekzaminimin fizik të ekipit të mirëmbajtjes dhe miratimin e menaxherit të operacioneve.

7. Cila është thelbësore për sigurinë kur përdoret AI në dizajnin e shpërthimit të stërvitjes?

A) Zbatimi i rekomandimit të UA direkt në terren
B) Kapërcimi i matjes së vibrimit
C) Verifikimi i dizajnit të propozuar nga IA me matje në terren, kufi rregullator dhe miratim i ekspertit të autorizuar të shpërthimit ✔
D) Fiksimi i sasisë së lëndëve plasëse me maksimumin e dhënë nga UA

Përshkrimi: Shpërthim; Ajo mbart rreziqe serioze sigurie dhe rregullatore si dridhje, goditje ajri dhe gurë fluturues. AI mund të prodhojë një skicë dizajni dhe rekomandim parametri; Megjithatë, projekti përfundimtar duhet të kalojë matjen në terren, kufijtë rregullatorë dhe miratimin e ekspertit të autorizuar të shpërthimit (detonator/përgjegjës).

8. Cila është marrëdhënia tipike midis 'rikuperimit' dhe 'notës së koncentratit' në përpunimin e mineraleve dhe çfarë duhet të mbajë mend AI kur e interpreton këtë?

A) Të dyja rriten gjithmonë së bashku
B) Nuk ka asnjë lidhje mes tyre
C) Marrëdhënia është konstante dhe e njëjtë në të gjitha objektet
D) Zakonisht ka një bilanc të kundërt (yield-i ulet me rritjen e notës); vlerat aktuale duhet të verifikohen me testim metalurgjik dhe balancim të masës ✔

Shpjegim: Në përgjithësi, ndërsa përpiqemi të marrim një notë më të lartë të përqendruar, rendimenti zvogëlohet (balanca klasë-yield). AI mund të shpjegojë këtë prirje, por vlerat aktuale të funksionimit duhet të konfirmohen nga testimi metalurgjik dhe balanca e masës; tendenca e përgjithshme nuk është një zëvendësim për realitetin specifik të vendndodhjes.

9. Cili është përdorimi më i përshtatshëm i analizimit të të dhënave për shkak të mungesës/aksidentit me AI në sigurinë në punë?

A) Klasifikoni regjistrimet e tekstit të lirë dhe nxirrni modelet e rrezikut të përsëritur; Lëreni vendimin tek eksperti i OHS ✔
B) Përcaktoni automatikisht fajtorin e aksidenteve
C) Delegimi i urdhrave të ndërprerjes së punës tek UA
D) Arkivimi i të dhënave të afërta pa i shqyrtuar ato

Përshkrimi: AI mund të klasifikojë sasi të mëdha të regjistrimeve të tekstit të lirë dhe të nxjerrë shpejt modele të përsëritura dhe kushte të rrezikshme. Megjithatë, vendimi për të ndërprerë një punë, për të evakuuar një zonë ose një shkak rrënjësor merret në kuadrin e ekspertit OHS dhe legjislacionit; Prodhimi i AI është hyrje, jo vendim.

10. Pse 'përshpejtimi i shkallës së deformimit' është një shenjë kritike në të dhënat e radarit/prizmit në monitorimin e pjerrësisë?

A) Kjo tregon përfundimisht se pajisja matëse është e prishur.
B) Mund të lajmërojë një disfatë progresive; Vendimi i paralajmërimit të hershëm dhe evakuimi i takon inxhinierit gjeoteknik ✔
C) Tregon se pjerrësia është plotësisht e sigurt
D) Është i rëndësishëm vetëm kur ka reshje dhe mund të injorohet

Shpjegim: Para prishjeve të pjerrësisë, përgjithësisht vërehet një rritje graduale e shkallës së deformimit (përshpejtimit); Kjo mund të jetë një shenjë e dështimit progresiv. AI mund të nxjerrë në pah tendencën, por vendimi për evakuim/paralajmërim të hershëm merret nga analiza dhe protokolli i inxhinierit gjeoteknik.

11. Në monitorimin mjedisor, cila është përgjigja më e saktë ndaj një shenje 'tejkalimi' që AI gjen në një seri kohore të cilësisë së ujit?

A) Raportimi i rezultateve të IA direkt tek agjencia qeveritare
B) Injoroni paralajmërimin dhe vazhdoni të shikoni
C) Verifiko me rezultatin e akredituar të laboratorit, limitin rregullator dhe vlerësimin inxhinier mjedisor ✔
D) Mbështetja vetëm në AI dhe anulimi i analizave laboratorike

Përshkrimi: AI mund të sinjalizojë një shkelje të mundshme herët; Megjithatë, vendimi zyrtar i konformitetit merret nga analizat laboratorike të akredituara, vlerat kufitare në legjislacion dhe vlerësimi i inxhinierit të mjedisit. Prodhimi i AI është një alarm kontrolli, jo një vendim ligjor/teknik.

12. Cila është mënyra më e besueshme për të shmangur marrjen e një reference të sajuar (halucinative) kur kërkoni nga AI numrin e klauzolës së një standardi si JORC ose NI 43-101?

A) Duke u mbështetur në numrin e artikullit të dhënë nga UA
B) Bërja përsëri e së njëjtës pyetje me fjalë të ndryshme
C) Shikimi i një postimi në blog në vend të standardit
D) Hapja dhe konfirmimi i çdo referimi artikulli nga teksti aktual zyrtar i standardit dhe marrja e miratimit nga një person kompetent ✔

Shpjegim: Megjithëse modeli gjuhësor e njeh saktë emrin e standardit, ai mund të halucinojë numrin dhe tekstin e artikullit. Çdo referencë e substancës duhet të hapet dhe të konfirmohet nga teksti aktual zyrtar i standardit dhe konformiteti përfundimtar duhet të konfirmohet nga personi kompetent (CP/QP).

13. Cili është kontrolli më kritik përpara se të ekzekutoni një skript të analizës Python të shkruar me AI?

A) Leximi i kodit dhe verifikimi i përputhjes së njësisë/kolonës, testimi me të dhëna të vogla të njohura dhe kontrollimi i besueshmërisë së rezultatit ✔
B) Ekzekutimi i kodit direkt në të gjithë grupin e të dhënave pa e lexuar atë
C) Vetëm duke parë që nuk ka gabim dhe duke pranuar rezultatin
D) Mbështetja në grafikën e daljes për t'u dukur bukur.

Përshkrimi: Kodi i AI mund të përziejë njësi, të supozojë gabimisht emrat e kolonave ose të hedhë rreshtat në heshtje. Është thelbësore të lexoni kodin, të verifikoni përputhjen e vëllimit dhe kolonës, të testoni me një sasi të vogël të dhënash të njohura dhe të kontrolloni nëse rezultati është i arsyeshëm inxhinierik.

14. Cila është sjellja më e mirë për sa i përket privatësisë kur jepni të dhëna të minierave një mjeti AI të bazuar në cloud?

A) Ngjitja e të gjitha të dhënave të papërpunuara siç janë
B) Anonimizoni kontekstin dhe pastroni të dhënat e ndjeshme të rezervës/koordinatës/prodhimit dhe përdorni mjetin e korporatës, në përputhje me politikat ✔
C) Duke supozuar se sigurimi i koordinatave aktuale është thelbësor për cilësinë e rezultatit
D) Injorimi fare i politikës së privatësisë

Shpjegim: Shifrat e rezervës, informacioni i licencës/koordinimit dhe të dhënat e prodhimit janë të ndjeshme për sa i përket sekreteve tregtare dhe legjislacionit. Është e nevojshme të anonimizoni kontekstin, të pastroni koordinatat dhe emrat e vërtetë, të zgjidhni mjetin e garantimit të korporatës/privatësisë dhe të pajtoheni me politikën e kompanisë.