Vinster:
- Förmåga att urskilja var AI sparar realtid i gruvteknikens arbetsflöde och var säkerhetskritiskt ansvar bör ligga kvar hos den behöriga ingenjören, beroende på risknivån
- Möjlighet att implementera en flerskiktsvalideringsdisciplin som testar varje AI-utgång mot standard, oberoende beräkning och fältmätning
- Förmåga att anonymisera sammanhang och skaffa vanan att välja säkra fordon för att skydda reservdata, licensinformation och personal/produktionsdata
En gruvingenjörs uppgift är att överbrygga osäkerheten under jord med besluten ovan jord. Uppskattning av malmkroppen från borrdata, beräkning av reserv, planering av gropen, förvaltning av utrustningsflottan, övervakning av sluttningsbeteende, säkerställande av arbetssäkerhet, mätning av miljöpåverkan och rapportering av allt detta i enlighet med lagstiftningen. Gemensamt för dessa jobb är att de arbetar med ett stort antal mätningar och data, men varje beslut resulterar i människoliv, miljontals liras investeringar och oåterkalleliga miljökonsekvenser på fältet. Artificiell intelligens (förkortat AI; mjukvarusystem som arbetar med text, siffror och bilder med big data och språkmodeller) är ett kraftfullt hjälpmedel i denna dataintensiva men beslutskritiska mark. Den här enheten lär dig var du säkert kan använda AI i gruvdrift, var det är farligt och varför du måste validera varje AI-utdata mot standarder, fältmätningar och tekniska bedömningar.
Den centrala principen du kommer att använda genom hela denna modul är: AI är en assistent, inte en beslutsfattare. Ett halt (metallförhållande i malmen) värde, en lutningsvinkel, en reservsiffra, en säkerhetsgräns eller en lagstiftningsartikel blir inte sant bara för att "AI sa det"; Det är bara en hypotes tills det har verifierats genom mätning, referens och kompetent ingenjörsbedömning. Du kommer att se den här meningen igen i varje enhet i modulen, för i gruvdrift betyder ett fel nummer ofta kollaps av en investering, kollaps av en sluttning eller skada på en person.
Vad är LLM och vad gör det inom gruvdrift?
LLM (Large Language Model) är en programvara som lär sig mönster från mycket stora textbitar och förutsäger "nästa ord" baserat på sannolikhet. Detta är motorn för verktyg som ChatGPT, Claude, Gemini. Poängen är denna: LLM är en "språkskattare", inte en "kunskapsbas". Talar gruvterminologi flytande, men mäter inte ett betyg; ger det nummer som ser mest troligt ut. Därför kan han eller hon ge säkra men felaktiga svar om medelbetyg, strippningsfrekvens, en reglerande klausul eller en explosiv gräns. Detta kallas en hallucination (tillverkning). Hallucination är inte ett fel, utan en inneboende egenskap hos denna teknik; Därför är verifiering inte ett "ytterligare steg" utan en integrerad del av jobbet.
Uppgifter där AI är stark inom gruvdrift:
- Begreppsförklaring och undervisning: vad är ett variogram, hur fungerar hävstångsregeln, hur sur mindränering sker.
- Datarening och organisation: omvandla spridda borrhålsloggar till en sammanhängande tabell, fånga enhetsfel.
- Generera en lista med hypoteser: listar systematiskt möjliga orsaker till en nedgång i produktionen.
- Kodning: Datarensning, grafer, geostatistik och anomalianalysskript med Python.
- Utkast till text: JSA (arbetssäkerhetsanalys), miljöövervakningsrapport, utkast till anbud/teknisk specifikation.
- Brainstorm: scenariojämförelse, experiment/mätplansidéer.
Där AI är svag och riskabel:
- Ge exakt numeriskt värde (grad, reserv, lutningsvinkel, gränsvärde).
- Aktuell och specifik lagstiftning/standardartikel och versionsinformation.
- Diagnos utan faktiska mätdata för din webbplats.
- Säkerhetskritiskt beslut: godkännande av sprängkonstruktion, evakueringsbeslut, servicebarhet.
Riskbaserad klassificering: filtret innan AI används
Alla uppgifter har inte samma risknivå. Klassificera uppgiften efter risknivå innan du använder AI. Tabellen nedan ger en beslutsram som du kommer att använda genom hela den här modulen.
Risknivå
exempeluppgift
AI roll
Obligatorisk verifiering
låg
Begreppsförklaring, utkast till text, kodskelett
fri användning
Recension räcker
medium
Datarensning, hypoteslista, beräkningsuppsättning
Utkast/medförfattare
Manuell kontroll + källabekräftelse
hög
Reservuppskattning, gropgräns, sprängningsparameter
idégenerator
Standard + fältmätning + mjukvara
kritiska
Utrymningsbeslut, sluttningssäkerhet, servicebarhet/lämplighetsbeslut
Endast utkast/skanning
Kompetent ingenjörsgodkännande + ackrediterad provning
Tips: Om du har markerat en uppgift som "kritisk" är AI:s utdata aldrig det slutliga dokumentet. Som mest kan det vara ett preliminärt utkast eller checklista; The competent engineer undertakes the signature and responsibility.
End-to-end-flöde: bädda in AI i ditt arbetsflöde
En typisk problemlösningscykel inom gruvdrift går så här, med AI som deltar i varje steg men inte stänger någon av dem ensam:
- Definiera problemet: Vad ska förutsägas, vilket beslut ska fattas, vilka begränsningar finns det? (AI: förtydligar frågan.)
- Samla in och rensa data: Borrning, produktion, övervakning, laboratoriedata. (AI: stark i rengöring och inkonsekvenskontroll.)
- Generera hypoteser/scenarier: Möjliga orsaker, alternativa planer. (AI: producerar systematisk lista.)
- Analysera: Beräkning, geostatistik, modell, bildbehandling. (AI: genererar kod och beräkningsfiktion.)
- Verifiera: Standard, fält, fristående konto, programvara. (AI står vid sidan av; människor och mätning avgör.)
- Rapportera och besluta: Den behöriga ingenjören tar ansvar. (AI: utkastförfattare.)
Ha dessa sex steg i åtanke; resten av modulen visar hur du använder AI med konkreta gruvuppgifter, steg för steg.
tre minifodral
Fall 1 — Sammanställt medelbetyg. En praktikant frågar AI-chattverktyget om medelbetyget för ett kopparprojekt; AI säger "cirka 0,65% Cu." Praktikanten lägger detta i investeringspresentationen. AI har dock inte sett en enda borrdata från detta projekt; tog fram ett typiskt nummer för "kopparprojektet". Det verkliga värdet kommer endast från projektets egna sammansatta borrdata och geostatistiska uppskattningar; Det verkliga värdet i detta projekt är 0,38 %. Skillnaden är skillnaden mellan att investeringen verkar lönsam och att den går med förlust. Den korrekta inställningen är att aldrig "fråga" betyget för AI:n, utan beräkna det från din egen databas.
Fall 2 — Befintlig regleringsklausul. En ingenjör frågar AI vilken maximal markvibration (PPV: partikelhastighet, mm/s) som tillåts vid sprängning. AI:n säger "10 mm/s enligt förordning" och utgör ett artikelnummer. Ingenjören skriver rapporten i enlighet med detta. Vid besiktningen framkommer att artikelnumret inte är reellt och gränsvärdet varierar beroende på avstånd och byggnadstyp. Den korrekta inställningen är att öppna den aktuella förordningen från den officiella källan och bekräfta värdet och innehållet. Även om AI:n kan namnet på förordningen korrekt, kan det hallucinera artikelnumret.
Fall 3 — Korrekt användning. En geolog misstänker en avvikelse i betygskolumnen i en datamängd med 40 borrhål. Den säger till AI:en att "lista raderna i den här tabellen som kan ha enhetsinkonsekvenser, negativa värden, synliga extremvärden och tomma celler, och skriva vad du misstänker för var och en; korrigera INTE, markera bara." AI:n flaggar några rader blandade med % blandat med ppm, två negativa betyg och ett kodvärde på 999. Geologen kontrollerar och korrigerar dessa en efter en från råloggarna. Här användes AI på rätt sätt: väckte uppmärksamhet, människan fattade beslutet och korrigerade.
Kopierbara promptmallar
Du kan använda mallarna nedan genom att anpassa dem till din egen verksamhet. I var och en av dem finns en medveten instruktion att "ge ett exakt nummer, ange källan, förklara osäkerheten".
ROLL OCH GRÄNSMALL "Roll: Du är en erfaren gruvingenjörsassistent. Uppgift: [skriv ämnet]. Regler: När du anger det exakta numeriska värdet (betyg, reserv, gräns), ange KÄLLA; om du inte är säker, säg "måste verifieras". Om du anger en föreskrift/standardartikel, måste du bekräfta den från den officiella versionen av den, men påminn den från slutet av den. svara, skriv "vad som behöver verifieras genom fältmätning/beräkning" post för post."
MALL FÖR HYPOTESIGNERING"Ta fram en systematisk lista över möjliga orsaker till följande situation: [beskriv situationen; vad som observerades, vilka data finns tillgängliga]. För varje hypotes: (1) vilka bevis stöder den, (2) vilken mätning eller beräkning som ska göras för att bekräfta/motbevisa den. GÖR en definitiv diagnos; ta fram en undersökningsfärdplan."
VERIFICATION CHECKLISTA MALL"Lista VARJE numeriskt värde och VARJE föreskrift/standardreferens i rapportutkastet nedan. För varje, ange från vilken källa (självborrande data, föreskriftstext, laboratorierapport, fältundersökning) den ska verifieras. Samla in de av osäkert ursprung under 'kan inte användas utan verifiering'. Text: [klistra in]."
ANONYMISERING FÖRKONTROLL MALL "Innan du ger följande text till ett AI-verktyg, flagga affärshemlighet eller personliga/regulatoriska känsliga delar: reservnummer, licensnummer, faktiska koordinater, kund-/personalnamn, konfidentiell kostnadsdata. Föreslå hur jag kan anonymisera dessa. Text: [klistra in]."
Svag prompt / Stark prompt
Att ställa samma fråga på två sätt kommer att ge mycket olika resultat.
SVAG UPPMÄRKNING: "Hur mycket är reserven för denna gruva?"
STARK UPPMÄRKNING: "Roll: Du är biträdande resursgeolog. Förklara vilka steg en reserv/resursuppskattning behöver gå igenom (sammansättning, variogram, kriging, klassificering, ekonomisk gräns) och vilka data och vilken behörig persons godkännande som krävs vid varje steg. GE INTE ETT EXAKT reservnummer; understryker att detta endast ska kunna redovisas som egen data från projektets ram och en kod. JORC/UMREK."
Svag prompt uppmanar AI att göra upp; Den starka uppmaningen håller den i rätt jobb (processbeskrivning) och förhindrar att den digitala hallucinationen inträffar i första hand.
Vanliga misstag
- "Be" AI:n om kursspecifika siffror som betyg, reserv, etc. AI känner inte till dina data; dessa siffror beräknas enbart från din egen databas.
- Att använda lagstiftningen/standardklausulen utan att bekräfta den. Artikelnumret och värdet hallucineras ofta.
- Baserar säkerhetskritiskt beslut på AI-utdata. Beslut om evakuering, sprängningsgodkännande och servicebarhet fattas av den behöriga ingenjören.
- Klistra in känslig data i molnverktyget utan att anonymisera den. Reserv-, koordinat- och kostnadsdata är affärshemligheter.
- Väntar på en fråga och ett svar. Använd AI iterativt: generera utkast, kritisera, verifiera, korrigera.
Varning: Ju mer exakt och säker ett nummer visas i en AI-utgång, desto högre behov av verifiering. Precision är ingen garanti för noggrannhet.
Sammanfattningsvis
I den här enheten har du sett att AI är en assistent i gruvdrift, inte en beslutsfattare. LLM är språkprediktorer; Det är kraftfullt i konceptförklaring, datarensning, hypotes och kodgenerering, men riskabelt när det gäller att producera exakta siffror och lagstiftning (hallucination). Klassificera uppgifter som låg/medel/hög/kritisk och justera verifieringsdjupet därefter. Verifiera varje numeriskt värde från din egen data eller fältmätning, varje regulatorisk referens från den officiella källan. Säkerhetskritiska beslut ligger alltid kvar hos den behöriga ingenjören och anonymiserar känsliga uppgifter före användning.
Applikationsuppgift
Välj fem uppgifter från din egen verksamhet (eller ett fiktivt gruvprojekt): en konceptbeskrivning, en datarensning, en lista med hypoteser, ett reserv-/numeriskt värde och en regulatorisk fråga. Placera var och en i risktabellen ovan. Lägg sedan ut två låg-/medelriskuppgifter till AI med mallen "Roll och gräns" och markera varje numeriskt/reglerande element i resultatet med mallen "Verifieringschecklista". Skriv ner vilka element som inte kan användas utan verifiering.
checklista
- [ ] Jag placerade uppdraget på risknivå (låg/medel/hög/kritisk) innan jag använde den.
- [ ] Jag beräknade fältspecifika siffror som betyg, reserv etc. utifrån min egen avkastning istället för att fråga AI:n.
- [ ] Jag har verifierat varje lagstiftning/standardreferens från den officiella källan.
- [ ] Jag anonymiserade känsliga uppgifter (reserv, koordinater, namn, kostnad).
- [ ] Jag lämnade det säkerhetskritiska beslutet till behörig ingenjörsgodkännande, inte baserat på AI-utdata.
- [ ] Jag skannade varje numeriskt värde i AI-utgången för "kan inte användas utan verifiering".