பைத்தானுடன் சுரங்கத் தரவு பகுப்பாய்வு மற்றும் AI இன் எல்லைகள்

ஆதாயங்கள்:

• AI ஆதரவுடன் பைதான் மூலம் துளையிடுதல், உற்பத்தி மற்றும் கண்காணிப்பு தரவை சுத்தம் செய்து காட்சிப்படுத்தும் ஸ்கிரிப்ட்களை உருவாக்கும் திறன்
• எளிய கணிப்பு மற்றும் ஒழுங்கின்மை மாதிரிகளை உருவாக்கும்போது தரவு தரம், மேலோட்டமான கற்றல் மற்றும் விரிவாக்க அபாயங்களை அடையாளம் காணும் திறன்
• AI-உருவாக்கப்பட்ட குறியீட்டைச் சரிபார்க்கும் திறன் மற்றும் யூனிட் கட்டுப்பாடு, சுயாதீன கணக்கீடு மற்றும் பொறியியல் நம்பகத்தன்மை ஆகியவற்றுடன் முடிவு

இந்த தொகுதியின் ஒவ்வொரு யூனிட்டிலும் AI குறியீட்டு முறைகளில் சக்தி வாய்ந்ததாக இருப்பதை நீங்கள் பார்த்திருப்பீர்கள்: போர்ஹோல் சுத்தம் செய்தல், நிறை சமநிலை, கிரிஜிங் எலும்புக்கூடு, கடற்படை சுருக்கம், அதிர்வு பகுப்பாய்வு, சுற்றுச்சூழல் ஸ்கேனிங். இந்த கடைசி அலகு பைதான் மீது கவனம் செலுத்துகிறது, அந்த குறியீட்டிற்கான உறுதியான கருவி மற்றும் AI உடன் குறியீட்டை உருவாக்கும் முறையான ஒழுங்குமுறை. சுரங்கத் தரவுப் பகுப்பாய்வில் பைதான் உண்மையான தரநிலையாக மாறியுள்ளது, ஏனெனில் அது இலவசம், சக்திவாய்ந்த நூலகங்களைக் கொண்டுள்ளது (பாண்டாக்கள்: அட்டவணை தரவு கையாளுதல்; நம்பி: எண் கணிதம்; matplotlib: சதி; ஸ்கிகிட்-கற்றல்: இயந்திர கற்றல்), மற்றும் மீண்டும் மீண்டும் செய்யும் பணிகளை தானியங்குபடுத்துகிறது. நீங்கள் அந்த குறியீட்டை எழுதும் வேகத்தை AI பெருக்குகிறது; ஆனால் அது உருவாக்கும் குறியீடு எப்போதும் சரியாக இருக்காது. இந்த யூனிட்டின் மையக் கொள்கை: AI எழுதும் குறியீட்டை முதலில் படிக்காமல், அதன் யூனிட்டைச் சரிபார்த்து, சிறிய அளவிலான அறியப்பட்ட தரவைக் கொண்டு சோதனை செய்யாமல் அதை இயக்க வேண்டாம். குறியீடு அமைதியாக தவறான முடிவை உருவாக்கலாம், இது சுரங்கத்தில் மோசமான பொறியியல் முடிவாக மாறும்.

AI உடன் குறியீட்டை உருவாக்கும் அடிப்படை ஓட்டம்

AI இலிருந்து குறியீட்டைப் பெறுவது ஒரு பொறியியல் சுழற்சி, உரையாடல் அல்ல:

1. பணியை தெளிவாக விவரிக்கவும். உள்ளீடு (நெடுவரிசைகள், அலகுகள், மாதிரி வரிசை), விரும்பிய வெளியீடு மற்றும் கட்டுப்பாடுகள். தெளிவற்ற கோரிக்கை தெளிவற்ற குறியீட்டை உருவாக்குகிறது.
2. சிறியதாகவும் படிக்கக்கூடியதாகவும் இருக்கும்படி கேட்கவும். ஒரு மாபெரும் செயல்பாட்டைக் காட்டிலும் படிப்படியாக, கருத்துரையிடப்பட்ட குறியீட்டைக் கேட்கவும்.
3. படித்து புரிந்து கொள்ளுங்கள். ஒவ்வொரு வரியும் என்ன செய்கிறது என்பதைப் புரிந்து கொள்ளுங்கள்; உங்களுக்கு புரியாத குறியீட்டை இயக்க வேண்டாம்.
4. சிறிய தரவுகளுடன் சோதிக்கவும். 5-10 வரிகளுடன் கைமுறையாக இயக்கவும், அதன் முடிவுகள் உங்களுக்குத் தெரியும் மற்றும் எதிர்பார்க்கப்படும் வெளியீட்டைச் சரிபார்க்கவும்.
5. கேள்வி விளிம்பு வழக்குகள். வெற்று செல், எதிர்மறை மதிப்பு, யூனிட் மாற்றுதல், மீண்டும் மீண்டும் பதிவு குறியீடு எவ்வாறு செயல்படுகிறது?
6. தர்க்கத்தை அளவிடவும் மற்றும் சரிபார்க்கவும். எல்லா தரவையும் இயக்கவும்; முடிவு பொறியியலில் நியாயமானதா?

உதவிக்குறிப்பு: AI குறியீட்டை உள்ளிடும் பொதுவான பிழைகள் அமைதியானவை: தவறான நெடுவரிசையின் பெயர், யூனிட் கலவை (m vs ft, g/t vs ppm), அமைதியாக கைவிடப்பட்ட வரிசைகள் (டிப்னா போன்றவை), தவறான சராசரி (எப்போது எடை போட வேண்டும் என்பது சாதாரண சராசரி). இவை பிழைகளை ஏற்படுத்தாது; இது தவறான எண்ணை உருவாக்குகிறது. எனவே "பிழை வரவில்லை" என்பது "சரியானது" என்று அர்த்தமில்லை.

சுரங்கத்தில் பொதுவான பைதான் பணிகள்

• தரவு சுத்திகரிப்பு: துளையிடுதல்/உற்பத்தி/கண்காணிப்பு அட்டவணைகளை ஒன்றிணைத்தல், சீரற்ற கொடியிடுதல், அலகு இயல்பாக்குதல்.
• சுருக்கம் மற்றும் காட்சிப்படுத்தல்: ஹிஸ்டோகிராம், நேரத் தொடர், கிரேடு-டன்னேஜ் வளைவு, OEE வரைபடங்கள்.
• புள்ளியியல் மற்றும் புவியியல் புள்ளியியல்: சுருக்கப் புள்ளியியல், தொடர்பு, வேரியோகிராம்/கிரிகிங் (சிறப்பு நூலகங்களுடன்).
• ஒழுங்கின்மை கண்டறிதல்: த்ரெஷோல்ட் அடிப்படையிலான அல்லது எளிய மாதிரி அடிப்படையிலான சறுக்கல் பிடிப்பு.
• எளிய முன்கணிப்பு மாதிரிகள்: எடுத்துக்காட்டாக, பின்னடைவுடன் அரைக்கும் அளவு-விளைச்சல் உறவு.

இந்த பெரும்பாலான பணிகளுக்கு, AI சிறந்த தொடக்கக் குறியீட்டை வழங்குகிறது. ஆனால் இரண்டு ஆபத்துகள் உள்ளன: தரவு தரம் மற்றும் மாதிரி வரம்புகள். இரண்டையும் அறிவது AI குறியீட்டைப் பாதுகாப்பாகப் பயன்படுத்துவதற்கு முக்கியமாகும்.

மாதிரி வரம்புகள்: ஓவர்லேர்னிங் மற்றும் எக்ஸ்ட்ராபோலேஷன்

AI எளிதில் உருவாக்கும் எளிய முன்கணிப்பு மாதிரிகள் இரண்டு பெரிய அபாயங்களுக்கு ஆளாகக்கூடியவை. அதிகப்படியான பொருத்தம்: மாடல் பயிற்சி தரவை மனப்பாடம் செய்கிறது ஆனால் புதிய தரவுகளில் மோசமாக செயல்படுகிறது; சிறிய தரவுகளுடன் சிக்கலான மாதிரிகளை உருவாக்குவது இதை அழைக்கிறது. எக்ஸ்ட்ராபோலேஷன்: பயிற்சித் தரவுகளுக்கு வெளியே ஒரு வரம்பில் கணிக்க வேண்டிய கட்டாயம் ஏற்படும் போது மாதிரி நம்பகத்தன்மையற்றதாகிறது; எடுத்துக்காட்டாக, 0.3-0.8 g/t வரம்பில் கற்ற மாதிரியானது 5 g/t க்கு அர்த்தமற்ற முடிவுகளைக் கொடுக்கலாம். AI உங்களுக்காக இந்த அபாயங்களை "தன்னிச்சையாக" நிர்வகிப்பதில்லை; மாதிரியை விமர்சன ரீதியாகப் படிப்பது, பயிற்சி/சோதனை வேறுபடுத்துவது, நம்பிக்கை இடைவெளியைப் பார்ப்பது மற்றும் கணிப்பு உடல் ரீதியாக நம்பத்தகுந்ததா என்பதைச் சரிபார்ப்பது உங்களுடையது. மாதிரி எண் எவ்வளவு துல்லியமாகத் தோன்றினாலும், தரவு வரம்பிற்கு வெளியே ஒரு பொறியியல் முடிவிற்கு அது அடிப்படையாக இருக்க முடியாது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - சைலண்ட் வால்யூம் பிழை. ஒரு பொறியாளர் AI ஐ மதிப்பீட்டுத் தரவிலிருந்து சராசரி தரத்தைக் கணக்கிட வைக்கும் குறியீட்டை விரும்புகிறார். குறியீடு வேலை செய்கிறது, இதன் விளைவாக 2.1 g/t ஆகும். பொறியாளர் குறியீட்டைப் படிக்கிறார்; சராசரியானது இடைவெளி நீளத்தால் எடையிடப்படவில்லை, ஆனால் நேரான சராசரியாக எடுத்துக்கொள்ளப்படுகிறது என்பதைக் கவனியுங்கள். குறுகிய இடைவெளியில் அதிக மதிப்பெண்கள் அநியாயமாக எடையை அதிகரித்தன. எடையுள்ள சராசரிக்கு நகரும் போது, ​​மதிப்பு 1.7 g/t ஆக குறைகிறது. குறியீடு எந்த பிழையும் கொடுக்கவில்லை; வாசிப்பு பிழையைப் பிடித்தது.

வழக்கு 2 - சைலண்ட் லைன் டிராப்பிங். ஒரு தயாரிப்பு சுருக்கக் குறியீட்டில், AI ஆனது, விடுபட்ட மதிப்புகளைக் கொண்ட வரிசைகளை dropna மூலம் சுத்தம் செய்தது. குறியீடு சீராக இயங்குகிறது, ஆனால் ஒரு வெற்று நெடுவரிசையின் காரணமாக சில செல்லுபடியாகும் வரிசைகள் மொத்தமாக கைவிடப்பட்டதால் மொத்த டன்னேஜ் குறைத்து மதிப்பிடப்படுகிறது. பொறியாளர் உள்ளீடு மற்றும் வெளியீட்டிற்கு இடையே உள்ள கோடுகளின் எண்ணிக்கையை ஒப்பிடும் போது, ​​அவர் வித்தியாசத்தைப் பார்த்து, சுத்தம் செய்யும் தர்க்கத்தை சரிசெய்கிறார். பாடம்: உள்ளீடு மற்றும் வெளியீட்டு வரிகளின் எண்ணிக்கையை எப்போதும் ஒப்பிடுக.

வழக்கு 3 - எக்ஸ்ட்ராபோலேஷன் பொறி. ஒரு குழு குறைந்த தர வரம்பில் கற்றுக்கொண்ட பின்னடைவு மாதிரியை உயர் தர பகுதிக்கு பயன்படுத்துகிறது; மாதிரி ஒரு அபத்தமான அதிக மகசூல் மதிப்பீட்டை வழங்குகிறது. அதிர்ஷ்டவசமாக, பொறியாளர் முடிவை நிராகரித்து, "இந்தப் பகுதி மாதிரியால் பார்க்கப்பட்ட வரம்பிற்கு வெளியே உள்ளது" என்று கூறி உலோகவியல் சோதனையை கோருகிறார். பாடம்: மாதிரி செல்லுபடியாகும் தரவு வரம்பை அறிந்து கொள்ளுங்கள்; வெளி மாநில மதிப்பீட்டைப் பயன்படுத்த வேண்டாம்.

நகலெடுக்கக்கூடிய உடனடி வார்ப்புருக்கள்

பாதுகாப்பான தரவு சுத்திகரிப்பு குறியீடு "பாத்திரம்: நீங்கள் ஒரு பைதான் தரவு ஆய்வாளர் உதவியாளர். பின்வரும் அட்டவணையை சுத்தம் செய்யும் பாண்டாக்களுடன் குறியீட்டை எழுதவும். நெடுவரிசைகள் மற்றும் அலகுகள்: [பட்டியல்]. விதிகள்: (1) வரிசைகளை இறக்குவதற்கு முன்னும் பின்னும் வரிசைகளின் எண்ணிக்கையை அச்சிடவும்; (2) வரிசைகளை கைவிடுவதற்கு முன் மற்றும் பின் வரிசைகளின் எண்ணிக்கையை அச்சிடவும்; (2) எந்தெந்த வரிசைகள் கைவிடப்பட்டன என்பதை தெரிவிக்கவும் ஒவ்வொரு அடியையும் ஒரு கருத்து வரியுடன் விளக்கவும்."

குறியீடு மதிப்பாய்வு கோரிக்கை "பின்வரும் பைதான் குறியீடு வரியை வரியாக விளக்கி, பின்வரும் ஆபத்து புள்ளிகளை சுட்டிக்காட்டவும்: தவறான நெடுவரிசையின் பெயர் அனுமானம், யூனிட் குழப்பம், அமைதியான வரிசை, தட்டையான/எடையிடப்பட்ட சராசரி பிழை, விளிம்பு வழக்கு (பூஜ்ய/எதிர்மறை)நடத்தை. குறியீட்டை சரிசெய்ய வேண்டாம்: [பாஸ்ட் அபாயங்களை பட்டியலிடவும்."

சிறிய தரவுகளுடன் சோதனை அமைவு "இந்தச் செயல்பாட்டிற்கு, ஒரு சிறிய சோதனைத் தரவை (5-6 வரிகள்) கைமுறையாக உருவாக்கவும், அதில் எனக்கு முடிவு மற்றும் எதிர்பார்க்கப்படும் வெளியீடு தெரியும்; இந்தத் தரவில் செயல்பாடு சரியாகச் செயல்படுகிறதா என்பதைச் சரிபார்க்கும் சோதனைத் தொகுதியை எழுதவும். தீவிர நிகழ்வுகளையும் (வெற்று செல், எதிர்மறை, அலகு தீவிர மதிப்பு) சோதிக்கவும். செயல்பாடு: [ஒட்டு]."

எளிய மாடல் + எல்லை எச்சரிக்கை"பின்வரும் தரவைக் கொண்டு [x -> y] க்கு ஒரு எளிய பின்னடைவை அமைக்கவும். பயிற்சி/சோதனைக்கு இடையே வேறுபடுத்தி, பிழை அளவீட்டைப் புகாரளி, மேலும் x வரம்பைத் தெளிவாகக் குறிப்பிடவும். அந்த மாதிரி செல்லுபடியாகும். இந்த வரம்பிற்கு வெளியே கணிப்புகள் செய்யப்பட்டால் எச்சரிக்கவும். [x -> y] க்கு ஆபத்து

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான அறிவுறுத்தல்: "இந்தத் தரவிலிருந்து சராசரி தரத்தைக் கணக்கிடுக."

வலுவான தூண்டுதல்:"பாத்திரம்: நீங்கள் ஒரு பைதான் உதவியாளர். நெடுவரிசைகள்: HoleID, From(m), To(m),Au(g/t). எடையுள்ள சராசரி தரத்தை இடைவெளி நீளத்துடன் கணக்கிடவும். குறியீடு: (1) உள்ளீடு/வெளியீட்டு வரிசைகளின் எண்ணிக்கையை அச்சிடவும்; (2) நான் பூஜ்ய/எதிர்மறை மதிப்புகளை அறிக்கை செய்கிறேன். முடிவை கைமுறையாக சரிபார்க்கவும்: [ஒட்டு]."

ஒப்பீட்டு அட்டவணை: ஆபத்து மற்றும் முன்னெச்சரிக்கை

ஆபத்து

அறிகுறி

முன்னெச்சரிக்கை

அலகு குறுக்கீடு

நியாயமான ஆனால் தவறான எண்

குறியீட்டில் யூனிட்டைக் கருத்து தெரிவிக்கவும், அதைச் சரிபார்க்கவும்

சைலண்ட் லைன் டிராப்

மொத்தம் காணவில்லை

உள்ளீடு/வெளியீட்டு வரிகளின் எண்ணிக்கையை ஒப்பிடுக

வெயிட் vs எடையுள்ள சராசரி

தவறான சராசரி

எடையை சரிபார்க்கவும்

அதிகமாக கற்றல்

சோதனை தரவுகளில் மோசமானது

பயிற்சி/சோதனை பிரிப்பு, எளிமையாக வைத்திருங்கள்

எக்ஸ்ட்ராபோலேஷன்

வரம்பிற்கு அப்பாற்பட்ட முட்டாள்தனமான யூகம்

செல்லுபடியாகும் வரம்பை வரம்பிடவும்

பொதுவான தவறுகள்

• குறியீட்டைப் படிக்காமல் இயக்குகிறது. "இது எந்த பிழையும் பெறவில்லை" என்பது உண்மை என்று அர்த்தமல்ல.
• சிறிய தரவுகளுடன் சோதனை செய்யவில்லை. சரிபார்க்கக்கூடிய உதாரணம் இல்லாத நம்பிக்கை தவறானது.
• உள்ளீடு/வெளியீட்டு வரிகளின் எண்ணிக்கையை ஒப்பிடவில்லை. மௌனமான இழப்புகள் தப்பிப்பது இப்படித்தான்.
• மாதிரி வரம்பை புறக்கணித்தல். எக்ஸ்ட்ராபோலேஷன் மதிப்பீடுகள் நம்பகத்தன்மையற்றவை.
• விளக்கப்படத்தின் அழகை நம்புதல். ஒரு ஸ்டைலான விளக்கப்படம் தவறான எண்ணை மறைக்க முடியும்.

கவனம்: AI குறியீடு ஒரு பொறியியல் கணக்கிற்குச் சென்றால், அந்தக் குறியீடு ஒரு கணக்கைப் போலவே பொறுப்பாகும். முடிவு சுரங்க முடிவாக மாறினால், குறியீட்டையும் அதன் வெளியீட்டையும் ஒரு சுயாதீன தர்க்க சரிபார்ப்பு மற்றும் முடிந்தால் இரண்டாவது முறையுடன் ஒப்பிடுவதன் மூலம் இயக்கவும்.

சுருக்கமாக

பைதான் என்பது சுரங்க தரவு பகுப்பாய்விற்கான உண்மையான கருவியாகும், மேலும் நீங்கள் அதை எழுதும் வேகத்தை AI பெரிதும் அதிகரிக்கிறது. ஆனால் AI குறியீடு அமைதியான பிழைகள் (அலகு குழப்பம், வரிசை கைவிடுதல், தவறான சராசரி) மற்றும் மாதிரி பொறிகள் (ஓவர்லேர்னிங், எக்ஸ்ட்ராபோலேஷன்) ஆகியவற்றைக் கொண்டிருக்கும். பாதுகாப்பான ஓட்டம்: தெளிவாக விவரிக்கவும், சிறிய மற்றும் படிக்கக்கூடியதாக இருக்க வேண்டும், படிக்கவும் புரிந்துகொள்ளவும், சிறிய அறியப்பட்ட தரவுகளுடன் சோதனை, வினவல் விளிம்பு வழக்குகள், அளவு மற்றும் தர்க்க சரிபார்ப்பு. ஒரு மாதிரி வெளியீடு தரவு வரம்பிற்கு வெளியே ஒரு முடிவிற்கு அடிப்படையாக இருக்க முடியாது; மற்றும் ஒவ்வொரு குறியீடும் சுரங்க முடிவாக மாறினால், ஒரு கணக்கைப் போலவே அதிகப் பொறுப்பையும் கொண்டுள்ளது.

விண்ணப்ப பணி

AI இலிருந்து குறியீட்டைப் பெற, "பாதுகாப்பான தரவு சுத்திகரிப்பு குறியீடு" டெம்ப்ளேட்டைப் பயன்படுத்தவும். "குறியீட்டு மதிப்பாய்வு கோரிக்கை" டெம்ப்ளேட்டுடன் குறியீட்டை ஆபத்திலிருந்து நீக்கவும். பின்னர், "சிறிய தரவுகளுடன் சோதனை அமைவு" டெம்ப்ளேட்டைக் கொண்டு, உங்களுக்குத் தெரிந்த தரவுத் தொகுப்பை கைமுறையாக உருவாக்கி, குறியீட்டைச் சரிபார்க்கவும். இறுதியாக, ஒரு எளிய உறவுக்கு, "எளிய மாதிரி + வரம்பு எச்சரிக்கை" டெம்ப்ளேட்டைக் கொண்டு ஒரு மாதிரியை அமைத்து, அது செல்லுபடியாகும் வரம்பிற்கு வெளியே செல்லும் போது எச்சரிக்கை கொடுக்கிறதா என்று சோதிக்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் AI குறியீட்டைப் படித்து ஒவ்வொரு வரியையும் புரிந்து கொண்டேன், நான் அதை கண்மூடித்தனமாக இயக்கவில்லை.
• [ ] நான் அதை சிறிய, கைமுறையாக சரிபார்க்கக்கூடிய தரவு மூலம் சோதித்தேன்.
• [ ] உள்ளீடு மற்றும் வெளியீட்டு வரிகளின் எண்ணிக்கையை ஒப்பிட்டுப் பார்த்தேன்.
• [ ] நான் அலகு நிலைத்தன்மை மற்றும் எடையை சரிபார்த்தேன்.
• [ ] நான் மாடலின் செல்லுபடியாகும் தரவு வரம்பை வரம்பிடினேன், எக்ஸ்ட்ராபோலேஷனைத் தவிர்க்கிறேன்.
• [ ] நான் முடிவைச் சரிபார்த்தேன், அது ஒரு முடிவாக மாறியது, சுயாதீன தர்க்கம்/இரண்டாம் முறை.

தொகுதி தேர்வு

1. ஒரு பயிற்சியாளர் AI அரட்டைக் கருவியிடம் தாதுப்பொருளின் சராசரி தரத்தைப் பற்றிக் கேட்டு, அதன் விளைவாக வரும் '1.8 g/t தங்கத்தின்' மதிப்பை நேரடியாக இருப்பு அறிக்கையில் எழுதுவார். இந்த அணுகுமுறையில் உள்ள அடிப்படை தவறு என்ன?

• A) கிரேடு மதிப்பு திட்டத்தின் சொந்த துளையிடல்/பகுப்பாய்வு தரவு மற்றும் சரிபார்க்கப்பட்ட முன்னறிவிப்பிலிருந்து வர வேண்டும்; AI ஆல் உருவாக்கப்பட்ட எண் ஆதாரமற்ற புனைகதையாக இருக்கலாம் ✔
• B) கிராமுக்குப் பதிலாக அவுன்ஸ்களில் AI என்று கேட்கப்பட்டிருக்க வேண்டும்
• C) மதிப்பு சரியானது, காற்புள்ளிக்குப் பதிலாக ஒரு காலப்பகுதி மட்டுமே பயன்படுத்தப்பட்டிருக்க வேண்டும்
• D) AI யிடம் இதே கேள்வியை மூன்று முறை கேட்டு சராசரியை எடுத்துக் கொண்டால் போதும்

விளக்கம்: மொழி மாதிரிக்கு உங்கள் திட்டத்தின் துளையிடும் தரவு தெரியாது; பெரும்பாலும் தோன்றும் எண்ணை உருவாக்குகிறது (மாயத்தோற்றம்). திட்டத்தின் சொந்த தொகுக்கப்பட்ட துளையிடல் தரவு மற்றும் புவியியல் மதிப்பீட்டில் இருந்து மட்டுமே தரம் வருகிறது; திறமையான நபரின் ஒப்புதல் இல்லாமல் AI வெளியீட்டை அறிக்கையில் சேர்க்க முடியாது.

2. சுரங்கப் பொறியியலில் AI பயன்பாட்டில் 'ஆபத்து அடிப்படையிலான வகைப்பாடு' என்ன உதவுகிறது?

• A) AI கருவியின் விலையைக் குறைக்கவும்
• B) பணியின் ஆபத்து நிலைக்கு ஏற்ப AI இன் பங்கு மற்றும் சரிபார்ப்பின் கட்டாய ஆழத்தை தீர்மானித்தல் ✔
• C) அறிவுறுத்தல்கள் சுருக்கமாக எழுதப்பட வேண்டும்
• D) தானாகவே அனைத்து முடிவுகளையும் AIக்கு ஒப்படைத்தல்

விளக்கம்: ஒவ்வொரு பணியும் ஒரே ஆபத்து மட்டத்தில் இல்லை. பணியை குறைந்த/நடுத்தர/உயர்/முக்கியமானதாக வகைப்படுத்துவது, எந்த வெளியீட்டை சுதந்திரமாகப் பயன்படுத்தலாம் மற்றும் அதற்கு நிலையான மற்றும் புல சரிபார்ப்பு மற்றும் திறமையான பொறியாளர் ஒப்புதல் தேவை என்பதை தீர்மானிக்கிறது.

3. புவியியலில் 'வேரியோகிராம்' மாதிரி என்ன?

• A) உபகரணங்களின் எரிபொருள் நுகர்வு
• B) காலப்போக்கில் உலோக விலை மாற்றம்
• C) தூரத்தைப் பொறுத்து இடஞ்சார்ந்த தொடர்ச்சி; ✔ புள்ளிகள் மேலும் விலகிச் செல்லும்போது ஒற்றுமை எவ்வாறு குறைகிறது
• D) வெடிப்பால் உருவாக்கப்பட்ட அதிர்வு அதிர்வெண்

விளக்கம்: இரண்டு புள்ளிகளுக்கு இடையே உள்ள தூரம் அதிகரிக்கும் போது மாதிரிகளின் ஒற்றுமை எவ்வாறு குறைகிறது (இடஞ்சார்ந்த தொடர்ச்சி) என்பதை Variogram விவரிக்கிறது. கிரிகிங் இந்த மாதிரியைப் பயன்படுத்தி அளவிடப்படாத புள்ளிகளை நிச்சயமற்ற விளிம்புடன் மதிப்பிடுகிறார்.

4. டிரில் கோர் புகைப்படம் எடுப்பதில் இருந்து AI முன் வகைப்படுத்தப்பட்ட லித்தாலஜியைக் கொண்டிருக்கும் போது சிறந்த அணுகுமுறை என்ன?

• A) AI வழங்கிய பாறை வகையை நேரடியாக துளையிடும் பதிவில் செயலாக்குதல்
• B) புகைப்படத்தை ஆய்வு செய்யாமல் AI இன் உரையை அறிக்கைக்குள் நகலெடுத்தல்
• C) புவியியலாளரின் கண்காணிப்பை ரத்துசெய்தல் மற்றும் AI ஐ மட்டுமே நம்பியிருப்பது
• D) வெளியீட்டை ஒரு பூர்வாங்க கணிப்பு/கருதுகோளாகக் கருதி, புவியியலாளர் கண்காணிப்பு மற்றும் ஆய்வகப் பகுப்பாய்வு மூலம் அதைச் சரிபார்க்கவும் ✔

விளக்கம்: AI ஆனது படத்திலிருந்து ஒரு கணிப்பு மற்றும் கவனம் பட்டியலை உருவாக்க முடியும்; இருப்பினும், புவியியலாளரின் அவதானிப்பு மற்றும் ஆய்வக பகுப்பாய்வு மூலம் இறுதி கற்காலம்/மாற்றம் முடிவு எடுக்கப்படுகிறது. AI வெளியீடு ஒரு தொடக்கமாகும், சரிபார்க்கப்பட வேண்டிய கருதுகோள்.

5. திறந்த குழி திட்டமிடலில் 'ஸ்ட்ரிப்பிங் ரேஷியோ' என்றால் என்ன?

• A) ஒரு யூனிட் தாதுவை அடைவதற்கு அகற்றப்பட வேண்டிய துருவின் அளவு (கழிவுப் பாறை) ✔
• B) தாதுவில் உள்ள உலோகத்தின் சதவீதம்
• சி) டிரக்குகளின் தினசரி பயணங்களின் எண்ணிக்கை
• D) குண்டுவெடிப்பில் பயன்படுத்தப்படும் வெடிபொருளின் அளவு

விளக்கம்: ஸ்டிரிப்பிங் ரேட் என்பது ஒரு யூனிட் தாதுவை அடைவதற்கு அகற்றப்பட வேண்டிய கழிவுகளின் அளவு (ஸ்ட்ரிப்/வேஸ்ட்) ஆகும். இறுதி குழி வரம்பு மற்றும் பொருளாதாரம் பெரும்பாலும் இந்த விகிதத்தை சார்ந்துள்ளது; AI காட்சிகளை உருவாக்கினாலும், எல்லை முடிவு திறமையான பொறியாளரிடம் உள்ளது.

6. அதிர்வு மற்றும் வெப்பநிலை தரவுகளில் AI 'விரோதங்களை' கண்டறிந்தால், முன்கணிப்பு பராமரிப்பில் என்ன அர்த்தம்?

• A) சாதனம் நிச்சயமாக தோல்வியடைந்தது என்பதற்கான சான்று
• B) தரவு இயல்பிலிருந்து விலகுகிறது என்ற எச்சரிக்கை; இது செயலிழப்புக்கான உறுதியான நோயறிதல் அல்ல, ஆனால் உடல் பரிசோதனை மூலம் உறுதிப்படுத்தப்பட வேண்டிய அறிகுறி ✔
• C) உபகரணங்கள் தானாகவே நிறுத்தப்பட வேண்டும் என்று உத்தரவு
• D) தரவு தவறாகப் பதிவு செய்யப்பட்டுள்ளது என்று உத்தரவாதம் அளிக்கவும்

விளக்கம்: ஒரு ஒழுங்கின்மை என்பது இயல்பான நடத்தையிலிருந்து தரவுகளின் விலகல் மற்றும் ஒரு செயலிழப்பைக் குறிக்கலாம்; ஆனால் இது ஒரு உறுதியான நோயறிதல் அல்ல. உபகரணங்களை நிறுத்த அல்லது பாகங்களை மாற்றுவதற்கான முடிவு பராமரிப்பு குழுவின் உடல் பரிசோதனை மற்றும் செயல்பாட்டு மேலாளரின் ஒப்புதலுடன் எடுக்கப்படுகிறது.

7. டிரில்-பிளாஸ்ட் வடிவமைப்பில் AI ஐப் பயன்படுத்தும் போது பாதுகாப்புக்கு எது அவசியம்?

• A) புலத்தில் நேரடியாக AI பரிந்துரையை செயல்படுத்துதல்
• B) அதிர்வு அளவீட்டைத் தவிர்ப்பது
• C) புல அளவீடு, ஒழுங்குமுறை வரம்பு மற்றும் அங்கீகரிக்கப்பட்ட வெடிக்கும் நிபுணரின் ஒப்புதலுடன் AI இன் முன்மொழியப்பட்ட வடிவமைப்பின் சரிபார்ப்பு ✔
• D) AI வழங்கிய அதிகபட்ச வெடிபொருட்களின் அளவை நிர்ணயித்தல்

விளக்கம்: வெடித்தல்; இது அதிர்வு, காற்று அதிர்ச்சி மற்றும் பறக்கும் கற்கள் போன்ற தீவிர பாதுகாப்பு மற்றும் ஒழுங்குமுறை அபாயங்களைக் கொண்டுள்ளது. AI ஒரு வடிவமைப்பு ஓவியம் மற்றும் அளவுரு பரிந்துரையை உருவாக்க முடியும்; எவ்வாறாயினும், இறுதி வடிவமைப்பு கள அளவீடு, ஒழுங்குமுறை வரம்புகள் மற்றும் அங்கீகரிக்கப்பட்ட வெடிக்கும் நிபுணரின் (டெட்டனேட்டர்/பொறுப்பு) அனுமதியை நிறைவேற்ற வேண்டும்.

8. கனிம செயலாக்கத்தில் 'மீட்பு' மற்றும் 'கான்சென்ட்ரேட் கிரேடு' ஆகியவற்றுக்கு இடையே உள்ள பொதுவான உறவு என்ன, இதை விளக்கும்போது AI எதை நினைவில் கொள்ள வேண்டும்?

• A) இரண்டும் எப்போதும் ஒன்றாகவே அதிகரிக்கும்
• B) அவர்களுக்கு இடையே எந்த தொடர்பும் இல்லை
• C) உறவு நிலையானது மற்றும் அனைத்து வசதிகளிலும் ஒரே மாதிரியானது
• D) பொதுவாக ஒரு தலைகீழ் இருப்பு உள்ளது (தரம் அதிகரிக்கும் போது மகசூல் குறைகிறது); உலோகவியல் சோதனை மற்றும் நிறை சமநிலை ✔ மூலம் உண்மையான மதிப்புகள் சரிபார்க்கப்பட வேண்டும்

விளக்கம்: பொதுவாக, அதிக செறிவூட்டப்பட்ட தரத்தைப் பெற முயலும்போது, மகசூல் குறைகிறது (கிரேடு-விளைச்சல் இருப்பு). AI இந்த போக்கை விளக்க முடியும், ஆனால் உண்மையான இயக்க மதிப்புகள் உலோகவியல் சோதனை மற்றும் வெகுஜன சமநிலை மூலம் உறுதிப்படுத்தப்பட வேண்டும்; பொதுவான போக்கு தளம் சார்ந்த உண்மைக்கு மாற்றாக இல்லை.

9. தொழில்சார் பாதுகாப்பில் AI உடன் தவறவிட்ட/விபத்துத் தரவை பகுப்பாய்வு செய்வதன் மிகவும் பொருத்தமான பயன்பாடு என்ன?

• A) இலவச உரை பதிவுகளை வகைப்படுத்தவும் மற்றும் மீண்டும் மீண்டும் வரும் இடர் வடிவங்களைப் பிரித்தெடுக்கவும்; முடிவை OHS நிபுணரிடம் விடுங்கள் ✔
• B) விபத்துகளின் குற்றவாளியை தானாகவே தீர்மானிக்கவும்
• C) வேலை நிறுத்த உத்தரவுகளை AIக்கு வழங்குதல்
• D) கிட்டத்தட்ட தவறவிட்ட பதிவுகளை மதிப்பாய்வு செய்யாமல் காப்பகப்படுத்துதல்

விளக்கம்: AI ஆனது அதிக அளவு இலவச உரை பதிவுகளை வகைப்படுத்தலாம் மற்றும் மீண்டும் மீண்டும் வரும் வடிவங்கள் மற்றும் ஆபத்தான நிலைமைகளை விரைவாகப் பிரித்தெடுக்கலாம். இருப்பினும், ஒரு வேலையை நிறுத்துவது, ஒரு பகுதியை காலி செய்வது அல்லது மூல காரணத்தை OHS நிபுணர் மற்றும் சட்டத்தின் கட்டமைப்பிற்குள் எடுக்கிறது; AI வெளியீடு உள்ளீடு, முடிவு அல்ல.

10. சாய்வு கண்காணிப்பில் ரேடார்/பிரிஸம் தரவுகளில் 'விகார விகிதத்தின் முடுக்கம்' ஏன் ஒரு முக்கிய அடையாளமாக உள்ளது?

• A) அளவிடும் சாதனம் உடைந்திருப்பதை நிச்சயமாக இது குறிக்கிறது.
• B) இது ஒரு முற்போக்கான தோல்வியைக் குறிக்கலாம்; முன் எச்சரிக்கை மற்றும் வெளியேற்ற முடிவு புவி தொழில்நுட்ப பொறியாளருக்கு சொந்தமானது ✔
• சி) சாய்வு முற்றிலும் பாதுகாப்பானது என்பதைக் காட்டுகிறது
• D) மழைப்பொழிவு இருக்கும்போது மட்டுமே இது குறிப்பிடத்தக்கது மற்றும் புறக்கணிக்கப்படலாம்

விளக்கம்: சாய்வு தோல்விகளுக்கு முன், சிதைவு விகிதத்தில் (முடுக்கம்) படிப்படியான அதிகரிப்பு பொதுவாகக் காணப்படுகிறது; இது முற்போக்கான தோல்வியின் அறிகுறியாக இருக்கலாம். AI போக்கை முன்னிலைப்படுத்தலாம், ஆனால் வெளியேற்றம்/முன்கூட்டிய எச்சரிக்கை முடிவு புவி தொழில்நுட்ப பொறியாளரின் பகுப்பாய்வு மற்றும் நெறிமுறை மூலம் எடுக்கப்படுகிறது.

11. சுற்றுச்சூழல் கண்காணிப்பில், நீரின் தர நேரத் தொடரில் AI கண்டறியும் 'அதிகமான' குறிக்கான மிகச் சரியான பதில் என்ன?

• A) AI வெளியீட்டை நேரடியாக அரசு நிறுவனத்திற்குப் புகாரளித்தல்
• B) எச்சரிக்கையைப் புறக்கணித்து, தொடர்ந்து பார்க்கவும்
• C) அங்கீகாரம் பெற்ற ஆய்வக முடிவு, ஒழுங்குமுறை வரம்பு மற்றும் சுற்றுச்சூழல் பொறியாளர் மதிப்பீடு ✔
• D) AI ஐ மட்டுமே நம்பி ஆய்வக பகுப்பாய்வை ரத்து செய்தல்

விளக்கம்: AI சாத்தியமான மீறலை முன்கூட்டியே சமிக்ஞை செய்யலாம்; இருப்பினும், அங்கீகாரம் பெற்ற ஆய்வக பகுப்பாய்வு, சட்டத்தில் வரம்பு மதிப்புகள் மற்றும் சுற்றுச்சூழல் பொறியாளரின் மதிப்பீடு ஆகியவற்றால் அதிகாரப்பூர்வ இணக்க முடிவு எடுக்கப்படுகிறது. AI வெளியீடு ஒரு ஸ்கிரீனிங் எச்சரிக்கை, சட்ட/தொழில்நுட்ப முடிவு அல்ல.

12. JORC அல்லது NI 43-101 போன்ற தரநிலையின் உட்பிரிவு எண்ணை நீங்கள் AI யிடம் கேட்கும் போது, ​​உருவாக்கப்பட்ட (மாயத்தோற்றம்) குறிப்பைப் பெறுவதைத் தவிர்ப்பதற்கான மிகவும் நம்பகமான வழி எது?

• A) AI வழங்கிய உருப்படி எண்ணை நம்புதல்
• B) அதே கேள்வியை மீண்டும் வெவ்வேறு வார்த்தைகளால் கேட்பது
• C) தரநிலைக்கு பதிலாக வலைப்பதிவு இடுகையைப் பார்ப்பது
• D) தரநிலையின் தற்போதைய உத்தியோகபூர்வ உரையிலிருந்து ஒவ்வொரு கட்டுரைக் குறிப்பையும் திறந்து உறுதிசெய்தல் மற்றும் திறமையான நபரிடம் ஒப்புதல் பெறுதல் ✔

விளக்கம்: மொழி மாதிரியானது தரநிலையின் பெயரை சரியாக அறிந்திருந்தாலும், அது கட்டுரை எண் மற்றும் உரையை மாயத்தோற்றம் செய்யலாம். ஒவ்வொரு பொருள் குறிப்பும் திறக்கப்பட்டு தரநிலையின் தற்போதைய அதிகாரப்பூர்வ உரையிலிருந்து உறுதிப்படுத்தப்பட வேண்டும் மற்றும் இறுதி இணக்கம் திறமையான நபரால் (CP/QP) உறுதிப்படுத்தப்பட வேண்டும்.

13. AI-எழுதப்பட்ட பைதான் பகுப்பாய்வு ஸ்கிரிப்டை இயக்குவதற்கு முன் மிகவும் முக்கியமான சோதனை எது?

• A) குறியீட்டைப் படித்தல் மற்றும் யூனிட்/நெடுவரிசைப் பொருத்தத்தைச் சரிபார்த்தல், சிறிய அறியப்பட்ட தரவுகளைக் கொண்டு சோதனை செய்தல் மற்றும் முடிவின் நம்பகத்தன்மையை சரிபார்த்தல் ✔
• B) குறியீட்டைப் படிக்காமல் முழு தரவுத் தொகுப்பிலும் நேரடியாக இயக்குதல்
• C) தவறு இல்லை என்று பார்த்து முடிவை ஏற்றுக்கொள்வது
• D) வெளியீட்டின் கிராபிக்ஸை நம்பி அழகாக இருக்க வேண்டும்.

விளக்கம்: AI குறியீடு அலகுகளைக் கலக்கலாம், நெடுவரிசைப் பெயர்களைத் தவறாகக் கருதலாம் அல்லது வரிசைகளை அமைதியாக கைவிடலாம். குறியீட்டைப் படிப்பது, ஒலியளவு மற்றும் நெடுவரிசைப் பொருத்தத்தை சரிபார்ப்பது, சிறிய அளவிலான அறியப்பட்ட தரவைச் சோதிப்பது மற்றும் முடிவு பொறியியலில் நியாயமானதா எனச் சரிபார்க்க வேண்டியது அவசியம்.

14. கிளவுட் அடிப்படையிலான AI கருவிக்கு சுரங்கத் தரவை வழங்கும்போது தனியுரிமை அடிப்படையில் சிறந்த நடத்தை என்ன?

• A) அனைத்து மூல தரவுகளையும் அப்படியே ஒட்டுதல்
• B) சூழலை அநாமதேயமாக்குதல் மற்றும் உணர்திறன் இருப்பு/ஒருங்கிணைத்தல்/உற்பத்தி தரவை சுத்தம் செய்தல் மற்றும் கார்ப்பரேட், கொள்கை-இணக்கமான கருவியைப் பயன்படுத்துதல் ✔
• C) முடிவு தரத்திற்கு உண்மையான ஆயங்களை வழங்குவது அவசியம் என்று கருதுதல்
• D) தனியுரிமைக் கொள்கையை புறக்கணித்தல்

விளக்கம்: இருப்பு புள்ளிவிவரங்கள், உரிமம்/ஒருங்கிணைந்த தகவல் மற்றும் உற்பத்தித் தரவு ஆகியவை வர்த்தக ரகசியங்கள் மற்றும் சட்டத்தின் அடிப்படையில் உணர்திறன் வாய்ந்தவை. சூழலை அநாமதேயமாக்குவது, உண்மையான ஆயங்கள் மற்றும் பெயர்களை அழிப்பது, கார்ப்பரேட்/தனியுரிமை உத்தரவாதக் கருவியைத் தேர்ந்தெடுத்து நிறுவனத்தின் கொள்கைக்கு இணங்குவது அவசியம்.