Mining Data Analysis med Python and the Frontiers of AI

Vinster:

• Möjlighet att producera skript som rengör och visualiserar borr-, produktions- och övervakningsdata med Python, med AI-stöd
• Förmåga att känna igen datakvalitet, överinlärning och extrapoleringsrisker när man bygger enkla prediktions- och anomalimodeller
• Möjlighet att verifiera AI-genererad kod och resultat med enhetskontroll, oberoende beräkning och teknisk rimlighet

I varje enhet i den här modulen har du sett att AI är kraftfull i kodning: borrhålsrengöring, massbalans, krigingskelett, sammanfattning av flottan, vibrationsanalys, miljöskanning. Den här sista enheten fokuserar på Python, det konkreta verktyget för den koden, och den korrekta disciplinen att generera kod med AI. Python har blivit de facto-standarden för analys av gruvdata eftersom det är gratis, har kraftfulla bibliotek (pandas: manipulering av tabelldata; numpy: numerisk kalkyl; matplotlib: plottning; scikit-learn: maskininlärning) och automatiserar repetitiva uppgifter. AI multiplicerar hastigheten med vilken du skriver den koden; men koden den producerar är inte alltid korrekt. Den centrala principen för denna enhet: Kör aldrig koden som AI skriver utan att först läsa den, validera dess enhet och testa den med en liten mängd känd data. Koden kan i tysthet producera fel resultat, vilket kan förvandlas till ett dåligt tekniskt beslut inom gruvdrift.

Grundläggande flöde för att generera kod med AI

Att få kod från AI är en ingenjörscykel, inte en konversation:

1. Beskriv uppgiften tydligt. Indata (kolumner, enheter, exempelrad), önskad utdata och begränsningar. Tvetydig begäran producerar tvetydig kod.
2. Be att den ska vara liten och läsbar. Be om steg-för-steg, kommenterad kod snarare än en jättefunktion.
3. Läs och förstå. Förstå vad varje rad gör; Kör inte kod du inte förstår.
4. Testa med små data. Kör det manuellt med 5-10 rader vars resultat du känner till och verifiera den förväntade produktionen.
5. Frågekantsfall. Tom cell, negativt värde, enhetsblandning, upprepande post Hur beter sig koden?
6. Skala och kontrollera logik. Kör på all data; Är resultatet tekniskt rimligt?

Tips: De vanligaste felen som anger AI-kod är tysta: fel kolumnnamn, enhetsblandning (m vs ft, g/t vs ppm), tyst släppta rader (som dropna), fel medelvärde (vanligt medelvärde när det ska viktas). Dessa orsakar inga fel; Det ger bara fel nummer. Så "fick inget fel" betyder aldrig "rätt".

Typiska Python-uppgifter inom gruvdrift

• Datarensning: Sammanfogning av borr-/produktions-/övervakningstabeller, inkonsekvensflaggning, enhetsnormalisering.
• Sammanfattning och visualisering: Histogram, tidsserier, grad-tonnage-kurva, OEE-grafer.
• Statistik och geostatistik: Sammanfattande statistik, korrelation, variogram/kriging (med specialbibliotek).
• Anomalidetektering: Tröskelbaserad eller enkel modellbaserad driftfångst.
• Enkla förutsägelsemodeller: Till exempel slipstorlek-utbyteförhållande med regression.

För de flesta av dessa uppgifter ger AI utmärkt startkod. Men det finns två fallgropar: datakvalitet och modellgränser. Att känna till båda är nyckeln till att använda AI-kod på ett säkert sätt.

Modellgränser: överlärning och extrapolering

De enkla prediktiva modellerna som AI enkelt bygger är sårbara för två stora risker. Överanpassning: Modellen memorerar träningsdata men presterar dåligt på nya data; Att bygga komplexa modeller med lite data inbjuder till detta. Extrapolering: Modellen blir opålitlig när den tvingas göra en förutsägelse över ett intervall utanför träningsdatan; Till exempel kan en inlärd modell i intervallet 0,3-0,8 g/t ge meningslösa resultat för 5 g/t. AI hanterar inte dessa risker "spontant" åt dig; Det är upp till dig att läsa modellen kritiskt, göra skillnaden mellan träning och test, titta på konfidensintervallet och kontrollera om förutsägelsen är fysiskt rimlig. Oavsett hur exakt ett modellnummer verkar, kan det inte ligga till grund för ett tekniskt beslut utanför dataområdet.

tre minifodral

Fall 1 — Tyst volymfel. En ingenjör vill ha kod som gör att AI:n beräknar medelbetyget från analysdata. Koden fungerar, resultatet är 2,1 g/t. Ingenjören läser koden; Lägg märke till att medelvärdet inte viktas efter intervalllängd, utan tas som ett rakt medelvärde. Höga betyg i korta intervaller var orättvist att gå upp i vikt. Vid övergång till det vägda medelvärdet minskar värdet till 1,7 g/t. Koden gav inga fel; läsningen fångade felet.

Fall 2 — Tyst linjefall. I en produktionssammanfattningskod rensade AI upp rader med saknade värden med dropna. Koden fungerar smidigt, men det totala tonnaget är underskattat eftersom några giltiga rader har tagits bort helt på grund av en enda tom kolumn. När ingenjören jämför antalet rader mellan ingång och utgång ser han skillnaden och korrigerar rengöringslogiken. Lektion: jämför alltid antalet in- och utdatarader.

Fall 3 — Extrapolationsfälla. Ett team tillämpar en regressionsmodell som lärts in i låggradsintervallet på ett höggradigt område; Modellen ger en absurt hög avkastningsuppskattning. Lyckligtvis avvisar ingenjören resultatet och säger att "det här området ligger långt utanför det intervall som modellen ser" och begär metallurgisk testning. Lärdom: känna till det dataområde som modellen är giltig för; Använd inte en uppskattning utanför staten.

Kopierbara promptmallar

SÄKER DATA RENGÖRINGSKOD "Roll: Du är assistent för Python-dataanalytiker. Skriv kod med pandor som rensar följande tabell. Kolumner och enheter: [lista]. Regler: (1) skriv ut antalet rader FÖRE och EFTER att rader släpps; (2) rapportera vilka rader som släpptes och varför; (3) kommentera i stället för varje steg av vikten för varje enhet; kommentarsrad."

BEGÄRAN FÖR KODGRANSKNING"Förklara följande Python-kod rad för rad och peka ut följande riskpunkter: felaktigt kolumnnamnsantagande, enhetsförvirring, tyst raddrop, platt/vägt genomsnittsfel, kantfall (noll/negativt) beteende. FIXA INTE koden, lista bara riskerna. Kod: [klistra in]."

TESTINSTÄLLNING MED SMÅ DATA "För den här funktionen, producera manuellt ett litet testdata (5-6 rader) som jag känner till resultatet och den förväntade uteffekten av; skriv ett testblock som kontrollerar om funktionen fungerar korrekt på dessa data. Testa även extremfallen (tom cell, negativ, extremvärde för enhet). Funktion: [klistra in]."

ENKEL MODELL + GRÄNSVARNING"Sätt upp en enkel regression för [x -> y] med följande data. Skilj mellan träning/testning, rapportera felmåttet och ange tydligt intervallet av x över vilket modellen är GILTIGT. Varna om förutsägelser görs UTANFÖR detta intervall. Kommentera risken för överträning av data].":[paste data]."

Svag prompt / Stark prompt

SVAG PROMPT: "Beräkna medelbetyget från dessa data."

STARK PROMPT:"Roll: Du är en Python-assistent. Kolumner: HoleID, From(m), To(m),Au(g/t). Beräkna VIKTIGT medelbetyg med intervalllängd. Kod: (1) skriv ut antalet inmatnings-/utgångsrader; (2) rapportera null/negativa värden innan du släpper dem. manuellt Data: [klistra in]."

Jämförelsetabell: risk och försiktighet

Risk

symptom

försiktighetsåtgärd

Enhetsstörningar

Rimligt men fel nummer

Kommentera ut enheten i kod, kontrollera den

Tyst linjefall

Totalt saknas

Jämför antal in-/utgångslinjer

Vanligt vs vägt genomsnitt

fel genomsnitt

Verifiera viktningen

överlärning

Dåligt med testdata

Tränings-/testseparation, håll det enkelt

extrapolering

Nonsens gissning utanför räckhåll

Begränsa giltigt intervall

Vanliga misstag

• Kör koden utan att läsa den. "Det fick inga fel" betyder inte att det är sant.
• Testar inte med små data. Förtroende utan ett verifierbart exempel är falskt.
• Jämför inte antalet in-/utgångslinjer. Det är så tysta förluster undkommer.
• Ignorerar modellutbudet. Extrapoleringsuppskattningar är opålitliga.
• Lita på skönheten i diagrammet. Ett snyggt diagram kan dölja fel nummer.

Observera: Om AI-koden går in på ett teknikkonto är den koden lika ansvarig som ett konto. Varhelst resultatet blir ett gruvbeslut, kör koden och dess utdata genom en oberoende logisk kontroll och jämförelse med en andra metod om möjligt.

Sammanfattningsvis

Python är de facto-verktyget för gruvdataanalys, och AI ökar avsevärt hastigheten med vilken du skriver det. Men AI-kod kan hysa tysta buggar (enhetsförvirring, radavkastning, felaktig medelvärdesberäkning) och modellfällor (överinlärning, extrapolering). Säkert flöde: beskriv tydligt, vill ha litet och läsbart, läs och förstå, testa med små kända data, frågekantfall, skala och logikkontroll. En modellutgång kan inte ligga till grund för ett beslut utanför dataområdet; och varje kod bär lika mycket ansvar som ett konto om det blir ett gruvbeslut.

Applikationsuppgift

Använd mallen "Säker datasaneringskod" med ett betygsgenomsnitt eller produktionssammanfattningsuppgift för att hämta koden från AI; Ta bort koden med mallen "Kodgranskningsbegäran". Skapa sedan manuellt en datamängd vars resultat du känner till och verifiera koden med mallen "Testuppsättning med små data". Slutligen, för ett enkelt förhållande, sätt upp en modell med mallen "Enkel modell + gränsvarning" och testa att den ger en varning när den går utanför det giltiga intervallet.

checklista

• [ ] Jag läste AI-koden och förstod varje rad, jag körde den inte blint.
• [ ] Jag testade det med små, manuellt verifierbara data.
• [ ] Jag jämförde antalet in- och utgångslinjer.
• [ ] Jag verifierade enhetlighet och viktning.
• [ ] Jag begränsade modellens giltiga dataintervall och undviker extrapolering.
• [ ] Jag kontrollerade resultatet, som blev ett beslut, med oberoende logik/sekund-metod.

Modulexamen

1. En praktikant frågar AI-chattverktyget om den genomsnittliga halten av malmkroppen och skriver det resulterande värdet på '1,8 g/t guld' direkt i reservrapporten. Vad är det grundläggande misstaget i detta tillvägagångssätt?

• A) Betygsvärdet ska komma från projektets egna borr-/analysdata och verifierad prognos; Antalet som genereras av AI:n kan vara en tillverkning utan källa ✔
• B) Det borde ha frågats efter AI i uns istället för gram
• C) Värdet är korrekt, endast en punkt ska ha använts istället för kommatecken
• D) Det räcker att ställa AI samma fråga tre gånger och ta medelvärdet

Förklaring: Språkmodellen känner inte till borrdata för ditt projekt; producerar ett tal som verkar mest troligt (hallucination). Betyget kommer endast från projektets egna sammansatta borrdata och geostatistiska skattningar; AI-utdata kan inte inkluderas i rapporten utan godkännande av en behörig person.

2. Vad möjliggör "riskbaserad klassificering" vid användning av AI i gruvteknik?

• A) Sänk priset på AI-verktyget
• B) Bestäm rollen för AI och det obligatoriska verifieringsdjupet enligt uppgiftens risknivå ✔
• C) Uppmaningar bör skrivas kortare
• D) Delegera automatiskt alla beslut till AI

Förklaring: Alla uppdrag är inte på samma risknivå. Att klassificera uppgiften som låg/medel/hög/kritisk avgör vilken utgång som kan användas fritt och vilken som kräver standard- och fältverifiering och kompetent ingenjörsgodkännande.

3. Vad modellerar 'variogram' i geostatistik?

• A) Utrustningens bränsleförbrukning
• B) Förändring av metallpris över tid
• C) Rumslig kontinuitet beroende på avstånd; ✔ hur likheten minskar när punkterna kommer längre bort
• D) Vibrationsfrekvensen som skapas av sprängning

Beskrivning: Variogram beskriver hur likheten mellan prover med varandra minskar (spatial kontinuitet) när avståndet mellan två punkter ökar. Kriging använder denna modell för att uppskatta omätade punkter med en osäkerhetsmarginal.

4. Vilket är det bästa tillvägagångssättet när AI förklassificerar litologi från borrkärnfotografering?

• A) Bearbetning av bergarten som ges av AI direkt in i borrloggen
• B) Kopiera AI:s text till rapporten utan att granska bilden alls
• C) Avbryta geologens observation och enbart förlita sig på AI
• D) Betrakta resultatet som en preliminär förutsägelse/hypotes och verifiera den med geologobservation och laboratorieanalys ✔

Beskrivning: AI kan generera en förutsägelse- och uppmärksamhetslista från bilden; Det slutliga litologi/ändringsbeslutet fattas dock av geologens observation och laboratorieanalys. AI-utgång är en början, en hypotes som ska verifieras.

5. Vad betyder "stripping ratio" vid planering av dagbrott?

• A) Mängden rost (avfallssten) som måste avlägsnas för att nå en malmenhet ✔
• B) Andel metall i malmen
• C) Dagligt antal resor med lastbilar
• D) Mängden sprängämne som används vid sprängning

Beskrivning: Stripningshastighet är mängden avfall (remsa/avfall) som måste avlägsnas för att uppnå en malmenhet. Den slutliga gropgränsen och ekonomin beror till stor del på detta förhållande; Även om AI genererar scenarier är gränsbeslutet upp till den behöriga ingenjören.

6. Vad betyder det för prediktivt underhåll när AI hittar "avvikelser" i vibrations- och temperaturdata?

• A) Bevis på att utrustningen definitivt har gått sönder
• B) En varning om att uppgifterna avviker från det normala; Det är inte en definitiv diagnos av funktionsfel, utan ett tecken som måste bekräftas genom fysisk undersökning ✔
• C) Beordra att utrustningen ska stoppas automatiskt
• D) Garantera att data registrerades felaktigt

Förklaring: En anomali är en avvikelse av data från normalt beteende och kan indikera ett fel; men det är ingen definitiv diagnos. Beslutet att stoppa utrustningen eller byta ut delar fattas med den fysiska undersökningen av underhållsteamet och godkännande av driftledaren.

7. Vilket är viktigt för säkerheten när man använder AI i borr-sprängningsdesign?

• A) Implementering av AI-rekommendationen direkt i fält
• B) Hoppa över vibrationsmätning
• C) Verifiering av AI:s föreslagna design med fältmätning, regulatorisk gräns och godkännande av auktoriserad sprängexpert ✔
• D) Fastställande av mängden sprängämnen med det maximala som ges av AI

Beskrivning: Sprängning; Det medför allvarliga säkerhets- och regulatoriska risker som vibrationer, luftchock och flygande stenar. AI kan producera en designskiss och parameterrekommendation; Den slutliga konstruktionen måste dock klara fältmätning, regulatoriska gränser och godkännande av auktoriserad sprängexpert (sprängkapsel/ansvarig).

8. Vilket är det typiska förhållandet mellan "återvinning" och "koncentratkvalitet" vid mineralbearbetning och vad ska AI komma ihåg när man tolkar detta?

• A) De två ökar alltid tillsammans
• B) Det finns inget samband mellan dem
• C) Relationen är konstant och densamma i alla anläggningar
• D) Det finns vanligtvis en omvänd balans (avkastningen minskar när betyget ökar); faktiska värden måste verifieras genom metallurgisk testning och massbalans ✔

Förklaring: Generellt, när vi försöker få ett högre koncentrerat betyg, minskar avkastningen (betyg-skördebalans). AI kan förklara denna trend, men faktiska driftsvärden måste bekräftas genom metallurgisk testning och massbalans; den allmänna trenden är inte en ersättning för platsspecifik verklighet.

9. Vilken är den lämpligaste användningen av att analysera tillbud/olycksdata med AI inom arbetarskydd?

• A) Klassificera fritextposter och extrahera återkommande riskmönster; Överlåt beslutet till arbetsmiljöexperten ✔
• B) Avgör automatiskt den skyldige till olyckor
• C) Delegera order om arbetsavbrott till AI
• D) Arkivering av nästan missade poster utan att granska dem

Beskrivning: AI kan klassificera stora mängder fritextposter och snabbt extrahera repetitiva mönster och riskfyllda förhållanden. Beslutet att stoppa ett arbete, evakuera ett område eller grundorsak fattas dock inom ramen för arbetsmiljöexperten och lagstiftningen; AI-utgång är input, inte beslut.

10. Varför är "acceleration av deformationshastighet" ett kritiskt tecken i radar/prismadata vid lutningsövervakning?

• A) Det indikerar definitivt att mätanordningen är trasig.
• B) Det kan förebåda ett progressivt nederlag; Tidig varning och evakueringsbeslut tillhör geoteknisk ingenjör ✔
• C) Det visar att backen är helt säker
• D) Det är bara signifikant när det finns nederbörd och kan ignoreras

Förklaring: Före lutningsbrott observeras i allmänhet en gradvis ökning av deformationshastigheten (acceleration); Detta kan vara ett tecken på progressivt misslyckande. AI kan belysa trenden, men beslutet om evakuering/tidig varning fattas av geoteknisk ingenjörs analys och protokoll.

11. Vad är det mest exakta svaret vid miljöövervakning på ett "överskridande"-tecken som AI hittar i en tidsserie för vattenkvalitet?

• A) Rapportera AI-utdata direkt till den statliga myndigheten
• B) Ignorera varningen och fortsätt titta
• C) Verifiera med ackrediterat laboratorieresultat, regulatorisk gräns och miljöingenjörsutvärdering ✔
• D) Förlitar sig endast på AI och avbryter laboratorieanalys

Beskrivning: AI kan signalera ett möjligt brott tidigt; Det officiella överensstämmelsebeslutet fattas dock genom ackrediterad laboratorieanalys, gränsvärden i lagstiftningen och miljöingenjörens utvärdering. AI-utgången är en screeningvarning, inte ett juridiskt/tekniskt beslut.

12. Vilket är det mest tillförlitliga sättet att undvika att få en påhittad (hallucinatorisk) referens när du ber AI:en om klausulnumret för en standard som JORC eller NI 43-101?

• A) Förlitar sig på artikelnumret som ges av AI
• B) Ställer samma fråga igen med olika ord
• C) Tittar på ett blogginlägg istället för standarden
• D) Öppna och bekräfta varje artikelreferens från den aktuella officiella texten i standarden och erhålla godkännande från en kompetent person ✔

Förklaring: Även om språkmodellen känner till standardens namn korrekt, kan den hallucinera artikelnummer och text. Varje ämnesreferens måste öppnas och bekräftas från den aktuella officiella texten till standarden och slutlig överensstämmelse måste bekräftas av den behöriga personen (CP/QP).

13. Vilken är den mest kritiska kontrollen innan du kör ett AI-skrivet Python-analysskript?

• A) Läsa koden och verifiera enhet/kolumnmatchning, testa med små kända data och kontrollera sannolikheten för resultatet ✔
• B) Köra koden direkt på hela datamängden utan att läsa den
• C) Bara att se att det inte är något misstag och acceptera resultatet
• D) Förlita sig på att grafiken i utgången ska se snygg ut.

Beskrivning: AI-kod kan blanda enheter, anta felaktiga kolumnnamn eller tappa rader tyst. Det är viktigt att läsa koden, verifiera volym- och kolumnmatchning, testa med en liten mängd känd data och kontrollera om resultatet är tekniskt rimligt.

14. Vilket är det bästa beteendet när det gäller integritet när man ger gruvdata till ett molnbaserat AI-verktyg?

• A) Klistra in alla rådata som de är
• B) Anonymisera sammanhang och rensa känsliga reserv-/koordinations-/produktionsdata och använd företagets policy-kompatibla verktyg ✔
• C) Att anta att tillhandahållande av faktiska koordinater är avgörande för resultatkvaliteten
• D) Att ignorera integritetspolicyn överhuvudtaget

Förklaring: Reservsiffror, licens-/koordinatinformation och produktionsdata är känsliga vad gäller företagshemligheter och lagstiftning. Det är nödvändigt att anonymisera sammanhanget, rensa de verkliga koordinaterna och namnen, välja företagets/integritetsgarantiverktyget och följa företagets policy.