Utangulizi wa Akili Bandia katika Uhandisi wa Madini: Mipaka, Uthibitishaji, Wajibu na Maadili.

Faida:

• Uwezo wa kutofautisha ambapo AI inaokoa wakati halisi katika mtiririko wa kazi wa uhandisi wa madini na ambapo jukumu muhimu la usalama linapaswa kubaki kwa mhandisi anayefaa, kulingana na kiwango cha hatari.
• Uwezo wa kutekeleza nidhamu ya uthibitishaji ya tabaka nyingi ambayo hujaribu kila pato la AI dhidi ya kiwango, hesabu huru na kipimo cha shamba.
• Uwezo wa kuficha muktadha na kupata tabia ya kuchagua magari salama ili kulinda data ya akiba, habari ya leseni na data ya wafanyikazi/uzalishaji.

Kazi ya mhandisi wa madini ni kuziba hali ya kutokuwa na uhakika chini ya ardhi na maamuzi yaliyo juu ya ardhi. Kukadiria chombo cha madini kutoka kwa data ya kuchimba visima, kuhesabu hifadhi, kupanga shimo, kusimamia meli za vifaa, kufuatilia tabia ya mteremko, kuhakikisha usalama wa kazi, kupima athari za mazingira na kuripoti haya yote kwa mujibu wa sheria. Kipengele cha kawaida cha kazi hizi ni kwamba zinafanya kazi na idadi kubwa ya vipimo na data, lakini kila uamuzi husababisha maisha ya binadamu, mamilioni ya lira za uwekezaji na matokeo ya mazingira yasiyoweza kurekebishwa kwenye uwanja. Akili Bandia (AI kwa ufupi; mifumo ya programu inayofanya kazi kwenye maandishi, nambari na picha zilizo na data kubwa na miundo ya lugha) ni usaidizi mkubwa katika msingi huu wa data lakini muhimu wa maamuzi. Kitengo hiki kinakufundisha mahali pa kutumia AI kwa usalama katika uchimbaji madini, mahali ambapo ni hatari, na kwa nini ni lazima uidhinishe kila pato la AI dhidi ya viwango, kipimo cha uga na uamuzi wa kihandisi.

Kanuni kuu utakayotumia katika moduli hii yote ni: AI ni msaidizi, si mtoa maamuzi. Thamani ya daraja (uwiano wa chuma katika madini), pembe ya mteremko, kielelezo cha hifadhi, kikomo cha usalama au kifungu cha sheria haiwi kweli kwa sababu tu "AI ilisema"; Ni dhana tu hadi ithibitishwe na kipimo, marejeleo, na uamuzi wa mhandisi stadi. Utaona sentensi hii tena katika kila kitengo cha moduli, kwa sababu katika uchimbaji wa madini, nambari isiyo sahihi mara nyingi inamaanisha kuanguka kwa uwekezaji, kuanguka kwa mteremko, au kuumia kwa mtu.

LLM ni nini na inafanya nini katika uchimbaji madini?

LLM (Mfano wa Lugha Kubwa) ni programu ambayo hujifunza ruwaza kutoka kwa sehemu kubwa sana za maandishi na kutabiri "neno linalofuata" kulingana na uwezekano. Hii ni injini ya zana kama vile ChatGPT, Claude, Gemini. Hoja ni hii: LLM ni "mkadiriaji wa lugha", sio "msingi wa maarifa". Anazungumza istilahi za uchimbaji madini kwa ufasaha, lakini hapimi daraja; hutoa nambari ambayo inaonekana zaidi. Kwa hivyo, anaweza kutoa majibu ya uhakika lakini yasiyo sahihi kuhusu daraja la wastani, kiwango cha uchujaji, kifungu cha udhibiti, au kikomo cha mlipuko. Hii inaitwa hallucination (uzushi). Hallucination sio malfunction, lakini kipengele cha asili cha teknolojia hii; Kwa hivyo, uthibitishaji sio "hatua ya ziada" lakini ni sehemu muhimu ya kazi.

Kazi ambapo AI ina nguvu katika uchimbaji madini:

• Ufafanuzi wa dhana na mafundisho: ni nini variogram, jinsi sheria ya uimarishaji inavyofanya kazi, jinsi mifereji ya maji ya mgodi wa asidi hutokea.
• Kusafisha na kupanga data: kugeuza kumbukumbu za visima vilivyotawanyika kuwa jedwali dhabiti, kunasa kutolingana kwa kitengo.
• Kuzalisha orodha ya dhahania: kuorodhesha kwa utaratibu sababu zinazowezekana za kushuka kwa uzalishaji.
• Usimbaji: Usafishaji wa data, upigaji picha, takwimu za kijiografia na hati za uchanganuzi usio wa kawaida na Chatu.
• Rasimu ya maandishi: JSA (uchambuzi wa usalama wa kazi), ripoti ya ufuatiliaji wa mazingira, rasimu ya zabuni/uainishaji wa kiufundi.
• Bunga bongo: mlinganisho wa mazingira, mawazo ya mpango wa majaribio/kipimo.

Ambapo AI ni dhaifu na hatari:

• Kutoa thamani halisi ya nambari (daraja, hifadhi, pembe ya mteremko, thamani ya kikomo).
• Sheria ya sasa na mahususi/makala ya kawaida na maelezo ya toleo.
• Utambuzi bila data halisi ya kipimo ya tovuti yako.
• Uamuzi muhimu wa usalama: idhini ya muundo wa mlipuko, uamuzi wa uhamishaji, uwezo wa huduma.

Uainishaji unaotegemea hatari: kichujio kabla ya kutumia AI

Sio kila kazi iko kwenye kiwango sawa cha hatari. Panga kazi kwa kiwango cha hatari kabla ya kutumia AI. Jedwali hapa chini linatoa mfumo wa uamuzi ambao utatumia katika moduli hii yote.

Kiwango cha hatari

kazi ya sampuli

Jukumu la AI

Uthibitishaji wa lazima

chini

Maelezo ya dhana, maandishi ya rasimu, mifupa ya msimbo

matumizi ya bure

Uhakiki unatosha

kati

Kusafisha data, orodha ya nadharia, usanidi wa hesabu

Rasimu/mwandishi mwenza

Udhibiti wa mwongozo + uthibitisho wa chanzo

juu

Ukadiriaji wa hifadhi, kikomo cha shimo, kigezo cha ulipuaji

jenereta ya wazo

Programu ya kawaida + ya kipimo cha shamba +

muhimu

Uamuzi wa uokoaji, usalama wa mteremko, uamuzi wa utumishi/ufaafu

Rasimu/changanua pekee

Idhini ya mhandisi stadi + majaribio yaliyoidhinishwa

Kidokezo: Ikiwa umealamisha kazi kama "muhimu", matokeo ya AI sio hati ya mwisho. Kwa kiwango kikubwa inaweza kuwa rasimu ya awali au orodha hakiki; Mhandisi mwenye uwezo anachukua saini na wajibu.

Mtiririko wa mwisho hadi mwisho: kupachika AI kwenye mtiririko wako wa kazi

Mzunguko wa kawaida wa utatuzi wa matatizo katika uchimbaji wa madini huenda kama hii, na AI ikijihusisha katika kila hatua lakini haifungi yoyote kati yao pekee:

1. Fafanua shida: Nini cha kutabiri, ni uamuzi gani wa kufanya, kuna kizuizi gani? (AI: inafafanua swali.)
2. Kusanya na kusafisha data: Kuchimba visima, uzalishaji, ufuatiliaji, data za maabara. (AI: imara katika usafishaji na ukaguzi usio na uwiano.)
3. Tengeneza dhahania/matukio: Sababu zinazowezekana, mipango mbadala. (AI: hutoa orodha ya utaratibu.)
4. Changanua: Hesabu, takwimu za jiografia, modeli, usindikaji wa picha. (AI: hutoa msimbo na uwongo wa hesabu.)
5. Thibitisha: Kawaida, uwanja, akaunti inayojitegemea, programu. (AI iko kando; wanadamu na kipimo huamua.)
6. Ripoti na uamue: Mhandisi stadi huchukua jukumu. (AI: mwandishi wa rasimu.)

Zingatia hatua hizi sita; sehemu iliyobaki ya moduli inakuonyesha jinsi ya kutumia AI na kazi halisi za uchimbaji madini, hatua kwa hatua.

kesi tatu ndogo

Kesi ya 1 - Kiwango cha wastani kilichoundwa. Mwanafunzi anauliza zana ya gumzo ya AI kuhusu kiwango cha wastani cha mradi wa shaba; AI inasema "takriban 0.65% Cu." Mwanafunzi anaweka hii katika uwasilishaji wa uwekezaji. Hata hivyo, AI haijaona data moja ya kuchimba visima ya mradi huu; ilitoa nambari ya kawaida kwa "mradi wa shaba". Thamani halisi inatokana tu na data ya mradi iliyojumuishwa ya kuchimba visima na makadirio ya kijiografia; Thamani halisi katika mradi huu ni 0.38%. Tofauti ni tofauti kati ya uwekezaji kuonekana kuwa na faida na kupata hasara. Mtazamo sahihi ni kamwe "kuuliza" daraja la AI, lakini uihesabu kutoka kwa hifadhidata yako mwenyewe.

Kesi ya 2 - Kifungu cha udhibiti kisichokuwepo. Mhandisi huiuliza AI kiwango cha juu zaidi cha mtetemo wa ardhini (PPV: kasi ya kilele cha chembe, mm/s) inayoruhusiwa katika ulipuaji. AI inasema "10 mm / s kulingana na kanuni" na hufanya nambari ya bidhaa. Mhandisi anaandika ripoti ipasavyo. Wakati wa ukaguzi, imefunuliwa kuwa nambari ya kipengee sio halisi na thamani ya kikomo inatofautiana kulingana na umbali na aina ya jengo. Mtazamo sahihi ni kufungua kanuni ya sasa kutoka kwa chanzo rasmi na kuthibitisha thamani na dutu. Hata kama AI inajua jina la kanuni kwa usahihi, inaweza kudanganya nambari ya kifungu.

Kesi 3 - Matumizi sahihi. Mwanajiolojia anashuku hitilafu katika safu ya daraja katika seti ya data ya visima 40. Inaiambia AI "kuorodhesha safu katika jedwali hili ambazo zinaweza kuwa na kutofautiana kwa kitengo, maadili hasi, viboreshaji vinavyoonekana, na seli tupu, na uandike unachoshuku kwa kila moja; USISAHIHI, weka tu alama." AI huweka alama kwenye mistari michache iliyochanganywa na % iliyochanganywa na ppm, alama mbili hasi na thamani ya msimbo 999. Mwanajiolojia hukagua na kusahihisha hizi moja baada ya nyingine kutoka kwa magogo mabichi. Hapa AI ilitumiwa kwa usahihi: kuvutia umakini, mwanadamu alifanya uamuzi na marekebisho.

Violezo vya haraka vinavyoweza kunakiliwa

Unaweza kutumia violezo vilivyo hapa chini kwa kuvirekebisha kwa biashara yako mwenyewe. Katika kila mmoja wao, kuna maagizo ya ufahamu "kutoa nambari halisi, onyesha chanzo, eleza kutokuwa na uhakika".

KIOLEZO CHA WAJIBU NA MIPAKA "Jukumu: Wewe ni msaidizi wa mhandisi wa madini mwenye uzoefu. Kazi: [andika somo]. Kanuni: Unapotoa thamani kamili ya nambari (daraja, hifadhi, kikomo), taja CHANZO; kama huna uhakika, sema 'lazima ithibitishwe'. Ukitoa kanuni/makala ya kawaida, yape pamoja na toleo lake, lazima ithibitishwe kutoka kwa chanzo hicho, lakini lazima iandike kutoka mwisho wa chanzo hicho. kuthibitishwa na kipimo cha uga/hesabu' kwa kipengee."

KIOLEZO CHA KIZAZI CHA HYPOTHESIS"Toa orodha ya utaratibu ya sababu zinazowezekana za hali ifuatayo: [eleza hali; nini kilizingatiwa, ni data gani inapatikana]. Kwa kila dhana: (1) ni ushahidi gani unaounga mkono, (2) ni kipimo gani au hesabu inapaswa kufanywa ili kuthibitisha / kukataa. FANYA uchunguzi wa uhakika; toa ramani ya uchunguzi."

KIOLEZO CHA ORODHA YA KUHAKIKI"Orodhesha KILA thamani ya nambari na KILA kanuni/marejeleo ya kawaida katika rasimu ya ripoti hapa chini. Kwa kila moja, onyesha kutoka kwa chanzo kipi (data ya kujichimba, maandishi ya udhibiti, ripoti ya maabara, uchunguzi wa nyanjani) inapaswa kuthibitishwa. Kusanya zile zenye asili isiyo na uhakika chini ya 'haiwezi kutumika bila uthibitishaji'. Maandishi: [Bandika].

KIOLEZO CHA KUANGALIA KABLA YA KUTOJITAMBUA "Kabla ya kutoa maandishi yafuatayo kwa zana ya AI, siri ya biashara ya bendera au sehemu nyeti za kibinafsi/udhibiti: nambari za hifadhi, nambari ya leseni, viwianishi halisi, majina ya wateja/wafanyakazi, data ya siri ya gharama. Pendekeza jinsi ninavyoweza kuficha haya. Tuma maandishi: [bandika]."

Agizo dhaifu / Ukumbusho thabiti

Kuuliza swali moja kwa njia mbili kutatoa matokeo tofauti sana.

UHAKIKI DHAIFU: "Hifadhi ya mgodi huu ni kiasi gani?"

UHAKIKI MKALI: "Jukumu: Wewe ni mwanajiolojia msaidizi wa rasilimali. Eleza ni hatua zipi ambazo makadirio ya hifadhi/rasilimali inahitaji kupitia (kutunga, variogram, kriging, uainishaji, kikomo cha kiuchumi) na ni data gani na kibali cha mtu husika kinahitajika katika kila hatua. USITOE NAmbari HALISI ya hifadhi; sisitiza kwamba hii inaweza tu kuripotiwa ndani ya msimbo kama huo wa mradi' na kuhesabiwa kulingana na mfumo wa data ya mradi' JORC/UMREK."

Uharaka dhaifu unaalika AI kutengeneza; Kidokezo dhabiti huiweka katika kazi ifaayo (maelezo ya mchakato) na huzuia maonyesho ya kidijitali yasitokee mara ya kwanza.

Makosa ya kawaida

• "Kuuliza" AI kwa nambari mahususi za kozi kama vile daraja, hifadhi, n.k. AI haijui data yako; nambari hizi zinakokotolewa kutoka kwa hifadhidata yako mwenyewe.
• Kutumia sheria/kifungu cha kawaida bila kuthibitisha. Nambari ya bidhaa na thamani mara nyingi huonyeshwa.
• Kuegemeza uamuzi muhimu wa usalama kwenye pato la AI. Uhamishaji, idhini ya ulipuaji na maamuzi ya utumishi hufanywa na mhandisi anayefaa.
• Inabandika data nyeti kwenye zana ya wingu bila kuificha. Data ya hifadhi, kuratibu na gharama ni siri za biashara.
• Kusubiri swali moja na jibu moja. Tumia AI mara kwa mara: toa rasimu, kosoa, thibitisha, sahihisha.

Tahadhari: Kadiri nambari sahihi na ya uhakika inavyoonekana kwenye pato la AI, ndivyo hitaji la uthibitishaji linavyoongezeka. Usahihi sio hakikisho la usahihi.

Kwa muhtasari

Katika kitengo hiki umeona kuwa AI ni msaidizi katika uchimbaji wa madini, sio watoa maamuzi. LLM ni vibashiri vya lugha; Ina nguvu katika ufafanuzi wa dhana, kusafisha data, hypothesis na uundaji wa kanuni, lakini ni hatari katika kutoa nambari na sheria sahihi (hallucination). Panga majukumu kuwa ya chini/kati/juu/muhimu na urekebishe kina cha uthibitishaji ipasavyo. Thibitisha kila thamani ya nambari kutoka kwa kipimo chako cha data au sehemu, kila marejeleo ya udhibiti kutoka kwa chanzo rasmi. Maamuzi muhimu ya kiusalama husalia kwa mhandisi mwenye uwezo kila wakati na kuficha utambulisho wa data nyeti kabla ya matumizi.

Jukumu la maombi

Chagua kazi tano kutoka kwa biashara yako mwenyewe (au mradi wa kuchimba madini): maelezo ya dhana, kusafisha data, orodha ya dhana, hifadhi/thamani ya nambari na swali la udhibiti. Weka kila moja kwenye jedwali la hatari hapo juu. Kisha toa kazi mbili za hatari ya chini/wastani kwa AI ukitumia kiolezo cha "Jukumu na mipaka" na utie alama kwa kila kipengele cha nambari/kidhibiti cha pato kwa kiolezo cha "Orodha ya ukaguzi". Andika ni vipengele vipi haviwezi kutumika bila uthibitishaji.

orodha ya ukaguzi

• [ ] Niliweka dhamira katika kiwango cha hatari (chini/kati/juu/muhimu) kabla ya kuitumia.
• [ ] Nilikokotoa nambari mahususi za uga kama vile daraja, hifadhi, n.k. kutoka kwa mazao yangu badala ya kuuliza AI.
• [ ] Nimethibitisha kila sheria/marejeleo ya kawaida kutoka kwa chanzo rasmi.
• [ ] Nilificha utambulisho wa data nyeti (hifadhi, viwianishi, jina, gharama).
• [ ] Niliacha uamuzi muhimu wa usalama kwa idhini ya mhandisi anayefaa, isiyotegemea matokeo ya AI.
• [ ] Nilichanganua kila thamani ya nambari katika pato la AI kwa "haiwezi kutumika bila uthibitishaji".