Uchambuzi wa Data ya Madini na Python na Mipaka ya AI — Akili Bandia katika Uhandisi wa Madini

Faida:

Uwezo wa kutoa maandishi ambayo husafisha na kuibua data ya kuchimba visima, uzalishaji na ufuatiliaji na Python, kwa msaada wa AI.
Uwezo wa kutambua ubora wa data, hatari za ziada na za ziada wakati wa kuunda utabiri rahisi na mifano isiyo ya kawaida
Uwezo wa kuthibitisha nambari inayotokana na AI na matokeo na udhibiti wa kitengo, hesabu huru na uwezekano wa uhandisi.

Katika kila kitengo cha moduli hii umeona AI ina nguvu katika usimbaji: kusafisha visima, usawa wa wingi, mifupa ya kriging, muhtasari wa meli, uchambuzi wa vibration, skanning ya mazingira. Sehemu hii ya mwisho inaangazia Python, zana halisi ya nambari hiyo, na nidhamu sahihi ya kutengeneza nambari na AI. Python imekuwa kiwango cha uhakika katika uchanganuzi wa data ya uchimbaji madini kwa sababu ni bure, ina maktaba zenye nguvu (pandas: upotoshaji wa data ya jedwali; numpy: calculus namba; matplotlib: kupanga; scikit-learn: kujifunza kwa mashine), na huendesha kazi zinazojirudiarudia. AI huzidisha kasi ambayo unaandika nambari hiyo; lakini nambari inayotoa sio sahihi kila wakati. Kanuni kuu ya kitengo hiki: Kamwe usiendeshe nambari ambayo AI huandika bila kuisoma kwanza, kuhalalisha kitengo chake, na kuipima kwa idadi ndogo ya data inayojulikana. Nambari inaweza kutoa matokeo yasiyofaa kimya kimya, ambayo yanaweza kugeuka kuwa uamuzi mbaya wa uhandisi katika uchimbaji madini.

Mtiririko wa kimsingi wa msimbo wa kuzalisha na AI

Kupata nambari kutoka kwa AI ni mzunguko wa uhandisi, sio mazungumzo:

Eleza kazi kwa uwazi. Ingizo (safu wima, vitengo, sampuli ya safu mlalo), towe unalotaka na vikwazo. Ombi lisilo na utata hutoa msimbo usioeleweka.
Omba iwe ndogo na isomeke. Uliza msimbo wa hatua kwa hatua, uliotolewa maoni badala ya chaguo la kukokotoa moja kubwa.
Soma na uelewe. Kuelewa kila mstari hufanya nini; Usikimbilie msimbo ambao hauelewi.
Jaribu na data ndogo. Iendeshe mwenyewe kwa njia 5-10 ambazo matokeo yake unajua na uthibitishe matokeo yanayotarajiwa.
Kesi za makali ya swali. Seli tupu, thamani hasi, kuchanganya kitengo, rekodi inayorudiwa Je, msimbo unatendaje?
Kupima na kuangalia mantiki. Endesha kwenye data zote; Je, matokeo yanafaa kihandisi?

Kidokezo: Hitilafu zinazojulikana zaidi zinazoingiza msimbo wa AI ni kimya: jina la safu wima lisilo sahihi, mchanganyiko wa kitengo (m vs ft, g/t vs ppm), safu mlalo zilizodondoshwa kimya kimya (kama dropna), wastani usio sahihi (wastani wazi wakati inapaswa kupimwa). Haya hayasababishi makosa; Inatoa tu nambari isiyo sahihi. Kwa hivyo "sikupata kosa" kamwe haimaanishi "sahihi".

Kazi za kawaida za Python katika uchimbaji madini

Usafishaji wa data: Kuunganisha meza za kuchimba visima/uzalishaji/ufuatiliaji, uwekaji alama wa kutofautiana, urekebishaji wa kitengo.
Muhtasari na taswira: Histogram, mfululizo wa saa, curve ya daraja-tani, grafu za OEE.
Takwimu na takwimu za kijiografia: Takwimu za muhtasari, uunganisho, variogram/kriging (pamoja na maktaba maalum).
Ugunduzi wa hitilafu: Upigaji picha kwa kutumia kizingiti au rahisi kulingana na mfano.
Mifano rahisi za utabiri: Kwa mfano, uhusiano wa kusaga wa mavuno na urejeshaji.

Kwa kazi nyingi hizi, AI hutoa nambari bora ya kuanzia. Lakini kuna mitego miwili: ubora wa data na mipaka ya mfano. Kujua zote mbili ni ufunguo wa kutumia nambari ya AI kwa usalama.

Vizuizi vya mfano: kusoma kupita kiasi na kuzidisha

Aina rahisi za utabiri ambazo AI huunda kwa urahisi zinaweza kukabiliwa na hatari mbili kuu. Uwekaji kupita kiasi: Mtindo hukariri data ya mafunzo lakini hufanya vibaya kwenye data mpya; Kuunda miundo changamano yenye data ndogo kunaalika hili. Extrapolation: Muundo huwa hautegemewi inapolazimishwa kufanya ubashiri juu ya masafa nje ya data ya mafunzo; Kwa mfano, modeli iliyojifunza katika safu ya 0.3-0.8 g/t inaweza kutoa matokeo yasiyo na maana kwa 5 g/t. AI "haisimii hatari hizi" kwako; Ni juu yako kusoma modeli kwa umakini, kufanya tofauti ya mafunzo/jaribio, angalia muda wa kujiamini, na uangalie ikiwa utabiri unawezekana. Haijalishi jinsi nambari ya mfano inavyoonekana, haiwezi kuwa msingi wa uamuzi wa kihandisi nje ya safu ya data.

kesi tatu ndogo

Kesi 1 - Hitilafu ya sauti ya kimya. Mhandisi anataka msimbo unaofanya AI kukokotoa daraja la wastani kutoka kwa data ya majaribio. Nambari inafanya kazi, matokeo ni 2.1 g/t. Mhandisi anasoma kanuni; Tambua kuwa wastani haupimwi kwa urefu wa muda, lakini huchukuliwa kama wastani ulionyooka. Alama za juu katika vipindi vifupi zilikuwa zikiongezeka uzito isivyo haki. Wakati wa kuhamia wastani wa uzito, thamani hupungua hadi 1.7 g/t. Nambari hiyo haikutoa makosa; kusoma kulipata kosa.

Kesi ya 2 - Kuanguka kwa mstari wa kimya. Katika msimbo wa muhtasari wa uzalishaji, AI ilisafisha safu mlalo zisizo na thamani kwa kutumia dropna. Msimbo unaendelea vizuri, lakini jumla ya tani hazijakadiriwa kwa sababu baadhi ya safu mlalo halali zilidondoshwa kabisa kutokana na safu wima moja tupu. Wakati mhandisi analinganisha idadi ya mistari kati ya pembejeo na pato, anaona tofauti na kurekebisha mantiki ya kusafisha. Somo: linganisha kila wakati idadi ya mistari ya pembejeo na pato.

Kesi ya 3 - Mtego wa ziada. Timu hutumia modeli ya urejeshi iliyojifunza katika safu ya daraja la chini hadi eneo la daraja la juu; Mfano huo unatoa makadirio ya juu ya upuuzi. Kwa bahati nzuri, mhandisi anakataa matokeo, akisema "eneo hili liko nje ya safu inayoonekana na modeli" na anaomba upimaji wa metallurgiska. Somo: kujua anuwai ya data ambayo mfano ni halali; Usitumie makadirio ya nje ya nchi.

Violezo vya haraka vinavyoweza kunakiliwa

MSIMBO SALAMA WA KUSAFISHA DATA "Jukumu: Wewe ni msaidizi wa uchanganuzi wa data cha Python. Andika msimbo na panda ambazo husafisha jedwali lifuatalo. Safu wima na vitengo: [orodha]. Kanuni: (1) chapisha idadi ya safu KABLA na BAADA ya kudondosha safu; (2) ripoti ni safu mlalo zipi zilidondoshwa na kwa nini ubadilishe uzito wa wastani; (3) toa maoni kwa wastani; Eleza kila hatua kwa mstari wa maoni."

OMBI LA UHAKIKI WA MSIMBO"Eleza mstari wa msimbo wa Python ufuatao kwa mstari na uonyeshe pointi za hatari zifuatazo: dhana isiyo sahihi ya jina la safu wima, mkanganyiko wa kitengo, safu ya safu iliyo kimya, hitilafu ya wastani bapa/iliyo na uzito, tabia ya ukingo (basi/hasi). USIREKEBISHE msimbo; orodhesha tu hatari. Kanuni: [bandika]."

JARIBU KUWEKA KWA DATA NDOGO "Kwa chaguo hili la kukokotoa, toa mwenyewe data ndogo ya majaribio (mistari 5-6) ambayo najua matokeo yake na matokeo yanayotarajiwa; andika kizuizi cha majaribio ambacho hukagua ikiwa chaguo la kukokotoa linafanya kazi kwa usahihi kwenye data hii. Pia jaribu hali mbaya zaidi (kisanduku tupu, hasi, thamani ya juu zaidi ya kitengo). Kazi: [bandika]."

MFANO RAHISI + ONYO LA MPAKA"Weka urejeshaji rahisi wa [x -> y] ukitumia data ifuatayo. Tofautisha kati ya mafunzo/jaribio, ripoti kipimo cha hitilafu, na ueleze kwa uwazi safu ya x ambayo muundo huo ni HALALI. Onya ikiwa ubashiri utafanywa NJE ya safu hii. Toa maoni yako kuhusu hatari ya kufunzwa kupita kiasi na uchache wa data.

Agizo dhaifu / Ukumbusho thabiti

TAARIFA DHAIFU: "Kokotoa wastani wa daraja kutoka kwa data hii."

STRONG PROMPT:"Jukumu: Wewe ni msaidizi wa Python. Safuwima: HoleID, Kutoka(m), Hadi(m),Au(g/t). Kokotoa wastani wa daraja la WEIGHTED na urefu wa muda. Msimbo: (1) chapisha idadi ya safu mlalo za ingizo/towe; (2) ripoti thamani batili/hasi kabla ya kuziondoa pia ili niweze kuzithibitisha; (3) ili kuzithibitisha; (3) matokeo kwa mikono. Data: [bandika]."

Jedwali la kulinganisha: hatari na tahadhari

Hatari

dalili

tahadhari

Kuingiliwa kwa kitengo

Nambari ya busara lakini isiyo sahihi

Toa maoni kwa kitengo katika msimbo, angalia

Kushuka kwa mstari wa kimya

Jumla haipo

Linganisha idadi ya mistari ya pembejeo/pato

Wazi dhidi ya wastani wa uzani

wastani usio sahihi

Thibitisha uzani

overlearning

Ubaya wa data ya jaribio

Kujitenga kwa mafunzo / kupima, iwe rahisi

extrapolation

Bashiri ya upuuzi nje ya anuwai

Punguza masafa halali

Makosa ya kawaida

Kuendesha msimbo bila kuisoma. "Haikupata makosa yoyote" haimaanishi kuwa ni kweli.
Sio kujaribu na data ndogo. Kuamini bila mfano unaoweza kuthibitishwa ni uongo.
Sio kulinganisha idadi ya mistari ya pembejeo / pato. Hivi ndivyo hasara za kimya zinavyotoroka.
Kupuuza safu ya mfano. Makadirio ya ziada hayategemei.
Kuamini uzuri wa chati. Chati ya maridadi inaweza kuficha nambari isiyo sahihi.

Makini: Ikiwa nambari ya AI itaingia kwenye akaunti ya uhandisi, nambari hiyo inawajibika kama akaunti. Popote ambapo matokeo yanakuwa uamuzi wa uchimbaji madini, endesha msimbo na matokeo yake kupitia ukaguzi wa mantiki huru na kulinganisha na njia ya pili ikiwezekana.

Kwa muhtasari

Python ndio zana ya ukweli ya uchambuzi wa data ya madini, na AI huongeza sana kasi ya kuiandika. Lakini msimbo wa AI unaweza kuhifadhi mende kimya (mkanganyiko wa kitengo, kushuka kwa safu, wastani usiofaa) na mitego ya mfano (kujifunza kupita kiasi, kuzidisha). Mtiririko salama: eleza kwa uwazi, unataka vidogo na vinavyosomeka, soma na uelewe, jaribu kwa data ndogo inayojulikana, kesi za ukingo wa hoja, kipimo na ukaguzi wa mantiki. Toleo la mfano haliwezi kuwa msingi wa uamuzi nje ya safu ya data; na kila kanuni inabeba jukumu kubwa kama akaunti ikiwa itageuka kuwa uamuzi wa madini.

Jukumu la maombi

Tumia kiolezo cha "Msimbo salama wa usafishaji wa data" na kazi ya muhtasari wa wastani wa daraja au uzalishaji ili kupata msimbo kutoka kwa AI; Acha msimbo uondolewe hatari kwa kiolezo cha "Ombi la kukagua Msimbo". Kisha, kwa kiolezo cha "Jaribio la kuweka data ndogo", unda mwenyewe seti ya data ambayo unajua matokeo yake na uthibitishe msimbo. Hatimaye, kwa uhusiano rahisi, weka kielelezo na kiolezo cha "Mfano Rahisi + onyo la kikomo" na ujaribu ambacho hutoa onyo kinapotoka nje ya safu halali.

orodha ya ukaguzi

[ ] Nilisoma msimbo wa AI na kuelewa kila mstari, sikuiendesha kwa upofu.
[ ] Niliijaribu kwa data ndogo, inayoweza kuthibitishwa na mtu mwenyewe.
[ ] Nililinganisha idadi ya mistari ya kuingiza na kutoa.
[ ] Nilithibitisha uthabiti wa kitengo na uzani.
[ ] Niliwekea mipaka safu halali ya data ya modeli, ili kuepuka kuzidisha.
[ ] Niliangalia matokeo, ambayo yaligeuka kuwa uamuzi, na mantiki huru/njia ya pili.

Mtihani wa Moduli

1. Mwanafunzi anauliza zana ya gumzo ya AI kuhusu wastani wa daraja la chombo cha madini na huandika thamani inayotokana ya 'dhahabu 1.8 g/t' moja kwa moja kwenye ripoti ya hifadhi. Je, ni kosa gani la msingi katika mbinu hii?

A) Thamani ya daraja lazima itokane na data ya mradi wenyewe ya kuchimba visima/uchanganuzi na utabiri uliothibitishwa; Nambari inayozalishwa na AI inaweza kuwa upotoshaji usio na chanzo ✔
B) Ilipaswa kuulizwa AI katika aunsi badala ya gramu
C) Thamani ni sahihi, ni kipindi pekee kilipaswa kutumika badala ya koma
D) Inatosha kuuliza AI swali sawa mara tatu na kuchukua wastani

Maelezo: Mfano wa lugha haujui data ya kuchimba visima ya mradi wako; hutoa nambari inayoonekana kuwa na uwezekano mkubwa (hallucination). Daraja linatokana tu na data ya mradi iliyojumuishwa ya kuchimba visima na makadirio ya kijiografia; Pato la AI haliwezi kujumuishwa katika ripoti bila idhini ya mtu aliye na uwezo.

2. Je, 'uainishaji unaozingatia hatari' unawezesha nini katika matumizi ya AI katika uhandisi wa madini?

A) Punguza bei ya zana ya AI
B) Amua jukumu la AI na kina cha lazima cha uthibitishaji kulingana na kiwango cha hatari cha kazi ✔
C) Vidokezo vinapaswa kuandikwa kwa ufupi
D) Kasimu maamuzi yote kiotomatiki kwa AI

Maelezo: Sio kila misheni iko katika kiwango sawa cha hatari. Kuainisha kazi kuwa ya chini/kati/juu/muhimu huamua ni matokeo gani yanaweza kutumika bila malipo na ambayo yanahitaji uthibitishaji wa kawaida na wa eneo na uidhinishaji wa mhandisi anayefaa.

3. Je, 'variogram' ni mfano gani katika takwimu za kijiografia?

A) Matumizi ya mafuta ya vifaa
B) Mabadiliko ya bei ya chuma kwa wakati
C) Mwendelezo wa anga kulingana na umbali; ✔ jinsi ufanano unavyopungua kadiri pointi zinavyosonga mbele zaidi
D) Masafa ya mtetemo iliyoundwa na ulipuaji

Maelezo: Variogram inaeleza jinsi mfanano wa sampuli kwa kila mmoja unavyopungua (mwendelezo wa anga) kadri umbali kati ya pointi mbili unavyoongezeka. Kriging hutumia modeli hii kukadiria pointi ambazo hazijapimwa kwa ukingo wa kutokuwa na uhakika.

4. Ni ipi njia bora zaidi ya kuainisha AI mapema kutoka kwa upigaji picha wa msingi?

A) Kusindika aina ya miamba iliyotolewa na AI moja kwa moja kwenye logi ya kuchimba visima
B) Kunakili maandishi ya AI kwenye ripoti bila kukagua picha hata kidogo
C) Kughairi uchunguzi wa mwanajiolojia na kutegemea AI pekee
D) Fikiria matokeo kama utabiri/dhahania ya awali na uithibitishe kwa uchunguzi wa mwanajiolojia na uchambuzi wa kimaabara ✔

Maelezo: AI inaweza kutoa utabiri na orodha ya tahadhari kutoka kwa picha; Hata hivyo, uamuzi wa mwisho wa litholojia/mabadiliko hufanywa na uchunguzi wa mwanajiolojia na uchambuzi wa kimaabara. Pato la AI ni mwanzo, dhana ya kuthibitishwa.

5. Je, 'kuchua uwiano' kunamaanisha nini katika kupanga shimo wazi?

A) Kiasi cha kutu (waste rock) ambacho lazima kitolewe ili kufikia uniti moja ya madini ✔
B) Asilimia ya chuma katika ore
C) Idadi ya kila siku ya safari za malori
D) Kiasi cha vilipuzi vinavyotumika katika ulipuaji

Maelezo: Kiwango cha uchujaji ni kiasi cha taka (ukanda/taka) ambayo lazima iondolewe ili kufikia sehemu moja ya madini. Ukomo wa mwisho wa shimo na uchumi kwa kiasi kikubwa hutegemea uwiano huu; Ingawa AI hutoa hali, uamuzi wa mipaka ni wa mhandisi anayefaa.

6. Inamaanisha nini katika matengenezo ya ubashiri wakati AI inapata 'kasoro' katika data ya mtetemo na halijoto?

A) Uthibitisho kwamba kifaa kimeshindwa
B) Onyo kwamba data inapotoka kutoka kwa kawaida; Sio utambuzi dhahiri wa kutofanya kazi vizuri, lakini ni ishara inayohitaji kuthibitishwa na uchunguzi wa mwili ✔
C) Amri kwamba vifaa vinapaswa kusimamishwa moja kwa moja
D) Thibitisha kuwa data ilirekodiwa kimakosa

Maelezo: Shida ni kupotoka kwa data kutoka kwa tabia ya kawaida na inaweza kuonyesha utendakazi; lakini sio utambuzi wa uhakika. Uamuzi wa kusimamisha vifaa au kubadilisha sehemu unafanywa kwa uchunguzi wa kimwili wa timu ya matengenezo na idhini ya meneja wa uendeshaji.

7. Ni kipi ambacho ni muhimu kwa usalama wakati wa kutumia AI katika muundo wa kuchimba visima?

A) Utekelezaji wa pendekezo la AI moja kwa moja kwenye uwanja
B) Kuruka kipimo cha mtetemo
C) Uthibitishaji wa muundo uliopendekezwa wa AI na kipimo cha uwanja, kikomo cha udhibiti na idhini ya mtaalam aliyeidhinishwa wa ulipuaji ✔
D) Kurekebisha kiasi cha vilipuzi na kiwango cha juu kinachotolewa na AI

Maelezo: Mlipuko; Inabeba hatari kubwa za usalama na udhibiti kama vile vibration, mshtuko wa hewa na mawe ya kuruka. AI inaweza kuzalisha mchoro wa kubuni na mapendekezo ya parameter; Hata hivyo, muundo wa mwisho lazima upitishe kipimo cha uga, mipaka ya udhibiti na idhini ya mtaalam aliyeidhinishwa wa ulipuaji (kilipua/mhusika).

8. Kuna uhusiano gani wa kawaida kati ya 'kufufua' na 'kuzingatia daraja' katika usindikaji wa madini na AI inapaswa kukumbuka nini wakati wa kutafsiri hili?

A) Wawili hao huongezeka kila mara pamoja
B) Hakuna uhusiano kati yao
C) Uhusiano ni wa kudumu na sawa katika vituo vyote
D) Kawaida kuna usawa wa nyuma (mavuno hupungua kadri daraja linavyoongezeka); maadili halisi lazima yathibitishwe na upimaji wa metallurgiska na usawa wa wingi ✔

Maelezo: Kwa ujumla, tunapojaribu kupata daraja la juu la kujilimbikizia, mavuno hupungua (usawa wa daraja-mavuno). AI inaweza kuelezea hali hii, lakini maadili halisi ya uendeshaji lazima yathibitishwe na upimaji wa metallurgiska na usawa wa wingi; mwelekeo wa jumla si mbadala wa uhalisia mahususi wa tovuti.

9. Je, ni matumizi gani mwafaka zaidi ya kuchanganua data ya karibu ya miss/ajali na AI katika usalama wa kazini?

A) Kuainisha rekodi za maandishi bila malipo na kutoa mifumo ya hatari inayojirudia; Mwachie mtaalam wa OHS ✔ uamuzi
B) Kuamua moja kwa moja mhusika wa ajali
C) Kukabidhi maagizo ya kusimamisha kazi kwa AI
D) Kuhifadhi kumbukumbu za karibu ambazo hazikupatikana bila kuzipitia

Maelezo: AI inaweza kuainisha idadi kubwa ya rekodi za maandishi bila malipo na kutoa haraka mifumo inayojirudia na hali hatari. Hata hivyo, uamuzi wa kusimamisha kazi, kuhamisha eneo au sababu kuu unafanywa ndani ya mfumo wa mtaalamu wa OHS na sheria; Pato la AI ni pembejeo, sio uamuzi.

10. Kwa nini 'kuongeza kasi ya kiwango cha ulemavu' ni ishara muhimu katika data ya rada/prism katika ufuatiliaji wa mteremko?

A) Inaonyesha dhahiri kuwa kifaa cha kupimia kimevunjwa.
B) Inaweza kutangaza kushindwa kwa kasi; Onyo la mapema na uamuzi wa uhamishaji ni wa mhandisi wa kijiotekiniki ✔
C) Inaonyesha kwamba mteremko ni salama kabisa
D) Ni muhimu tu wakati kuna mvua na inaweza kupuuzwa

Ufafanuzi: Kabla ya kushindwa kwa mteremko, ongezeko la taratibu katika kiwango cha deformation (kuongeza kasi) huzingatiwa kwa ujumla; Hii inaweza kuwa ishara ya kushindwa kuendelea. AI inaweza kuangazia mwelekeo, lakini uamuzi wa uhamishaji/onyo la mapema hufanywa na uchanganuzi na itifaki ya mhandisi wa kijiotekiniki.

11. Katika ufuatiliaji wa mazingira, ni jibu gani sahihi zaidi kwa ishara ya 'ubora' ambayo AI hupata katika mfululizo wa muda wa ubora wa maji?

A) Kuripoti pato la AI moja kwa moja kwa wakala wa serikali
B) Puuza onyo na uendelee kutazama
C) Thibitisha na matokeo ya maabara yaliyoidhinishwa, kikomo cha udhibiti na tathmini ya mhandisi wa mazingira ✔
D) Kutegemea AI pekee na kufuta uchambuzi wa maabara

Maelezo: AI inaweza kuashiria uvunjaji unaowezekana mapema; Walakini, uamuzi rasmi wa kufuata unafanywa na uchambuzi ulioidhinishwa wa maabara, maadili ya kikomo katika sheria na tathmini ya mhandisi wa mazingira. Matokeo ya AI ni tahadhari ya uchunguzi, si uamuzi wa kisheria/kiufundi.

12. Ni ipi njia ya kuaminika zaidi ya kuzuia kupata rejeleo la maandishi (hallucinatory) unapouliza AI kwa nambari ya kifungu cha kiwango kama vile JORC au NI 43-101?

A) Kutegemea nambari ya bidhaa iliyotolewa na AI
B) Kuuliza swali lilelile tena kwa maneno tofauti
C) Kuangalia chapisho la blogi badala ya kiwango
D) Kufungua na kuthibitisha kila marejeleo ya kifungu kutoka kwa maandishi rasmi ya sasa ya kiwango na kupata idhini kutoka kwa mtu anayefaa ✔

Maelezo: Ingawa modeli ya lugha inajua jina la kiwango kwa usahihi, inaweza kudanganya nambari ya kifungu na maandishi. Kila marejeleo ya dutu lazima yafunguliwe na kuthibitishwa kutoka kwa maandishi rasmi ya sasa ya kiwango na upatanifu wa mwisho lazima uthibitishwe na mtu mwenye uwezo (CP/QP).

13. Ni ukaguzi gani muhimu zaidi kabla ya kuendesha hati ya uchanganuzi ya Python iliyoandikwa na AI?

A) Kusoma nambari na kuthibitisha ulinganifu wa kitengo/safu, kupima na data ndogo inayojulikana na kuangalia uwezekano wa matokeo ✔
B) Kuendesha nambari moja kwa moja kwenye seti nzima ya data bila kuisoma
C) Kuona tu kwamba hakuna kosa na kukubali matokeo
D) Kutegemea picha za pato kuonekana nzuri.

Maelezo: Msimbo wa AI unaweza kuchanganya vitengo, kuchukua majina ya safu kimakosa, au kuacha safu mlalo kimya. Ni muhimu kusoma msimbo, kuthibitisha ulinganifu wa kiasi na safu wima, jaribu kwa kiasi kidogo cha data inayojulikana, na uangalie ikiwa matokeo ni ya uhandisi.

14. Ni tabia gani bora katika suala la faragha wakati wa kutoa data ya uchimbaji kwa zana ya AI inayotegemea wingu?

A) Kubandika data zote mbichi kama zilivyo
B) Usitambulishe muktadha na safisha hifadhi nyeti/uratibu/uzalishaji na utumie zana ya shirika inayotii sera ✔
C) Kuchukulia kwamba kutoa viwianishi halisi ni muhimu kwa ubora wa matokeo
D) Kupuuza sera ya faragha hata kidogo

Ufafanuzi: Takwimu za akiba, leseni/kuratibu taarifa na data ya uzalishaji ni nyeti kwa mujibu wa siri za biashara na sheria. Ni muhimu kuficha muktadha, kufuta viwianishi na majina halisi, kuchagua zana ya udhamini wa shirika/faragha na kutii sera ya kampuni.