กำไร:
- ความสามารถในการสร้างสคริปต์ที่ล้างและแสดงภาพการเจาะ การผลิต และการตรวจสอบข้อมูลด้วย Python พร้อมการสนับสนุน AI
- ความสามารถในการรับรู้คุณภาพของข้อมูล การเรียนรู้มากเกินไป และความเสี่ยงจากการประมาณค่าเมื่อสร้างแบบจำลองการคาดการณ์และความผิดปกติแบบง่ายๆ
- ความสามารถในการตรวจสอบโค้ดที่สร้างโดย AI และผลลัพธ์ด้วยการควบคุมหน่วย การคำนวณที่เป็นอิสระ และความน่าเชื่อถือทางวิศวกรรม
ในแต่ละหน่วยของโมดูลนี้ คุณได้เห็นแล้วว่า AI ทรงพลังในการเขียนโค้ด: การทำความสะอาดหลุมเจาะ ความสมดุลของมวล โครงกระดูก kriging สรุปกลุ่มยานพาหนะ การวิเคราะห์การสั่นสะเทือน การสแกนสภาพแวดล้อม หน่วยสุดท้ายนี้มุ่งเน้นไปที่ Python ซึ่งเป็นเครื่องมือที่เป็นรูปธรรมสำหรับโค้ดนั้น และระเบียบวินัยที่เหมาะสมในการสร้างโค้ดด้วย AI Python ได้กลายเป็นมาตรฐานโดยพฤตินัยในการวิเคราะห์ข้อมูลการขุด เนื่องจากไม่มีค่าใช้จ่าย มีไลบรารี่ที่มีประสิทธิภาพ (pandas: การจัดการข้อมูลแบบตาราง; numpy: แคลคูลัสเชิงตัวเลข; matplotlib: การวางแผน; scikit-learn: การเรียนรู้ของเครื่อง) และทำให้งานซ้ำ ๆ เป็นแบบอัตโนมัติ AI จะคูณความเร็วที่คุณเขียนโค้ดนั้น แต่รหัสที่สร้างขึ้นนั้นไม่ถูกต้องเสมอไป หลักการสำคัญของหน่วยนี้: ห้ามเรียกใช้โค้ดที่ AI เขียนโดยไม่ได้อ่านก่อน ตรวจสอบความถูกต้องของหน่วย และทดสอบด้วยข้อมูลที่ทราบจำนวนเล็กน้อย รหัสอาจสร้างผลลัพธ์ที่ไม่ถูกต้องอย่างเงียบๆ ซึ่งอาจกลายเป็นการตัดสินใจทางวิศวกรรมที่ไม่ดีในการขุด
ขั้นตอนพื้นฐานของการสร้างโค้ดด้วย AI
การรับโค้ดจาก AI นั้นเป็นวงจรทางวิศวกรรม ไม่ใช่การสนทนา:
- อธิบายงานให้ชัดเจน อินพุต (คอลัมน์ หน่วย แถวตัวอย่าง) เอาต์พุตที่ต้องการ และข้อจำกัด คำขอที่ไม่ชัดเจนทำให้เกิดรหัสที่ไม่ชัดเจน
- ขอให้มีขนาดเล็กและอ่านง่าย ขอโค้ดแสดงความคิดเห็นแบบทีละขั้นตอน แทนที่จะขอฟังก์ชันขนาดยักษ์
- อ่านและทำความเข้าใจ ทำความเข้าใจว่าแต่ละบรรทัดทำอะไร อย่าเรียกใช้โค้ดที่คุณไม่เข้าใจ
- ทดสอบด้วยข้อมูลขนาดเล็ก รันด้วยตนเองด้วยบรรทัด 5-10 บรรทัดที่คุณทราบผลลัพธ์และตรวจสอบผลลัพธ์ที่คาดหวัง
- กรณีขอบคำถาม เซลล์ว่าง ค่าลบ การสับหน่วย บันทึกซ้ำ โค้ดทำงานอย่างไร
- ปรับขนาดและตรวจสอบตรรกะ รันบนข้อมูลทั้งหมด ผลลัพธ์มีความสมเหตุสมผลทางวิศวกรรมหรือไม่?
เคล็ดลับ: ข้อผิดพลาดที่พบบ่อยที่สุดในการป้อนโค้ด AI คือ ชื่อคอลัมน์ผิด หน่วยผสม (m vs ft, g/t vs ppm) แถวที่ดร็อปอย่างเงียบ ๆ (เช่น dropna) ค่าเฉลี่ยผิด (ค่าเฉลี่ยธรรมดาเมื่อควรถ่วงน้ำหนัก) สิ่งเหล่านี้ไม่ทำให้เกิดข้อผิดพลาด มันแค่สร้างตัวเลขผิด ดังนั้น "ไม่ได้รับข้อผิดพลาด" ไม่เคยหมายความว่า "ถูกต้อง"
งาน Python ทั่วไปในการขุด
- การล้างข้อมูล: การรวมตารางการขุดเจาะ/การผลิต/การตรวจสอบ การแฟล็กความไม่สอดคล้องกัน การทำให้หน่วยเป็นมาตรฐาน
- สรุปและการแสดงภาพ: ฮิสโตแกรม อนุกรมเวลา กราฟเกรด-น้ำหนัก กราฟ OEE
- สถิติและธรณีสถิติ: สถิติสรุป ความสัมพันธ์ วาริโอแกรม/คิริง (พร้อมห้องสมุดพิเศษ)
- การตรวจจับความผิดปกติ: การจับภาพดริฟท์ตามเกณฑ์หรือแบบธรรมดา
- แบบจำลองการทำนายอย่างง่าย: ตัวอย่างเช่น การบดความสัมพันธ์ของขนาด-ผลผลิตกับการถดถอย
สำหรับงานเหล่านี้ส่วนใหญ่ AI จะให้โค้ดเริ่มต้นที่ดีเยี่ยม แต่มีข้อผิดพลาดอยู่สองประการ: คุณภาพของข้อมูลและขีดจำกัดของโมเดล การรู้ทั้งสองอย่างเป็นกุญแจสำคัญในการใช้โค้ด AI อย่างปลอดภัย
ข้อจำกัดของโมเดล: การเรียนรู้มากเกินไปและการคาดการณ์
โมเดลการคาดการณ์ง่ายๆ ที่ AI สร้างขึ้นอย่างง่ายดายมีความเสี่ยงต่อความเสี่ยงหลักสองประการ การติดตั้งมากเกินไป: โมเดลจะจดจำข้อมูลการฝึกแต่ทำงานได้ไม่ดีกับข้อมูลใหม่ การสร้างโมเดลที่ซับซ้อนด้วยข้อมูลเพียงเล็กน้อยทำให้เกิดสิ่งนี้ การคาดการณ์: โมเดลจะไม่น่าเชื่อถือเมื่อถูกบังคับให้ทำการคาดการณ์ในช่วงที่อยู่นอกข้อมูลการฝึก ตัวอย่างเช่น แบบจำลองที่เรียนรู้ในช่วง 0.3-0.8 g/t อาจให้ผลลัพธ์ที่ไม่มีความหมายสำหรับ 5 g/t AI ไม่ได้จัดการความเสี่ยงเหล่านี้ให้คุณ "โดยธรรมชาติ" ขึ้นอยู่กับคุณที่จะอ่านโมเดลอย่างมีวิจารณญาณ สร้างความแตกต่างระหว่างการฝึก/การทดสอบ ดูช่วงความเชื่อมั่น และตรวจสอบว่าการทำนายนั้นมีความเป็นไปได้ทางกายภาพหรือไม่ ไม่ว่าหมายเลขรุ่นจะปรากฏแม่นยำเพียงใด ก็ไม่สามารถเป็นพื้นฐานสำหรับการตัดสินใจทางวิศวกรรมที่อยู่นอกช่วงข้อมูลได้
มินิเคสสามอัน
กรณีที่ 1 — ข้อผิดพลาดของระดับเสียงเงียบ วิศวกรต้องการโค้ดที่ทำให้ AI คำนวณเกรดเฉลี่ยจากข้อมูลการทดสอบ รหัสใช้งานได้ ผลลัพธ์คือ 2.1 g/t วิศวกรอ่านโค้ด โปรดสังเกตว่าค่าเฉลี่ยไม่ได้ถ่วงน้ำหนักด้วยความยาวช่วง แต่จะถือเป็นค่าเฉลี่ยเส้นตรง คะแนนสูงในช่วงเวลาสั้น ๆ ทำให้น้ำหนักเพิ่มขึ้นอย่างไม่ยุติธรรม เมื่อย้ายไปยังค่าเฉลี่ยถ่วงน้ำหนัก ค่าจะลดลงเหลือ 1.7 g/t รหัสไม่มีข้อผิดพลาด การอ่านพบข้อผิดพลาด
กรณีที่ 2 — เส้นเงียบหลุด ในโค้ดสรุปการผลิต AI จะล้างแถวที่มีค่าที่หายไปด้วย dropna รหัสทำงานได้อย่างราบรื่น แต่น้ำหนักรวมถูกประเมินต่ำเกินไป เนื่องจากแถวที่ถูกต้องบางแถวถูกละทิ้งพร้อมกันเนื่องจากมีคอลัมน์ว่างคอลัมน์เดียว เมื่อวิศวกรเปรียบเทียบจำนวนเส้นระหว่างอินพุตและเอาต์พุต เขาจะเห็นความแตกต่างและแก้ไขตรรกะการทำความสะอาด บทเรียน: เปรียบเทียบจำนวนบรรทัดอินพุตและเอาต์พุตเสมอ
กรณีที่ 3 — กับดักการคาดการณ์ ทีมใช้แบบจำลองการถดถอยที่เรียนรู้ในช่วงเกรดต่ำกับพื้นที่เกรดสูง แบบจำลองนี้ให้ค่าประมาณผลตอบแทนที่สูงอย่างน่าเหลือเชื่อ โชคดีที่วิศวกรปฏิเสธผลลัพธ์ โดยบอกว่า "พื้นที่นี้อยู่นอกขอบเขตที่แบบจำลองเห็นมาก" และขอให้มีการทดสอบทางโลหะวิทยา บทเรียน: รู้ช่วงข้อมูลที่แบบจำลองนั้นใช้ได้ อย่าใช้การประมาณการนอกรัฐ
เทมเพลตพร้อมท์ที่คัดลอกได้
รหัสการทำความสะอาดข้อมูลที่ปลอดภัย "บทบาท: คุณเป็นผู้ช่วยนักวิเคราะห์ข้อมูล Python เขียนโค้ดด้วยแพนด้าที่ล้างตารางต่อไปนี้ คอลัมน์และหน่วย: [รายการ] กฎ: (1) พิมพ์จำนวนแถวก่อนและหลังการวางแถว (2) รายงานว่าแถวใดถูกทิ้งและเพราะเหตุใด (3) การแปลงหน่วยความคิดเห็น (4) ใช้ค่าเฉลี่ยถ่วงน้ำหนักในกรณีที่จำเป็นแทนที่จะเป็นธรรมดา อธิบายแต่ละขั้นตอนด้วยบรรทัดความคิดเห็น"
คำขอตรวจสอบรหัส"อธิบายรหัส Python ต่อไปนี้ทีละบรรทัดและชี้ให้เห็นจุดเสี่ยงต่อไปนี้: การสันนิษฐานชื่อคอลัมน์ไม่ถูกต้อง ความสับสนของหน่วย แถวที่ไม่มีการโต้ตอบ ข้อผิดพลาดเฉลี่ยแบบคงที่/ถ่วงน้ำหนัก ลักษณะการทำงานของตัวพิมพ์ขอบ (ค่าว่าง/ค่าลบ) ห้ามแก้ไขโค้ด เพียงแสดงรายการความเสี่ยง รหัส: [วาง]"
การตั้งค่าการทดสอบด้วยข้อมูลขนาดเล็ก "สำหรับฟังก์ชันนี้ ให้สร้างข้อมูลการทดสอบขนาดเล็กด้วยตนเอง (5-6 บรรทัด) ซึ่งฉันทราบผลลัพธ์และผลลัพธ์ที่คาดหวัง เขียนบล็อกทดสอบที่ตรวจสอบว่าฟังก์ชันทำงานอย่างถูกต้องกับข้อมูลนี้หรือไม่ และทดสอบกรณีที่รุนแรงด้วย (เซลล์ว่าง ค่าลบ ค่าสุดขีดของหน่วย) ฟังก์ชัน: [วาง]"
โมเดลอย่างง่าย + คำเตือนขอบเขต"ตั้งค่าการถดถอยอย่างง่ายสำหรับ [x -> y] ด้วยข้อมูลต่อไปนี้ แยกความแตกต่างระหว่างการฝึกอบรม/การทดสอบ รายงานตัวชี้วัดข้อผิดพลาด และระบุช่วงของ x อย่างชัดเจนซึ่งแบบจำลองนั้นถูกต้อง เตือนหากมีการคาดการณ์เกิดขึ้นนอกช่วงนี้ แสดงความคิดเห็นเกี่ยวกับความเสี่ยงของการฝึกมากเกินไปและความกระจัดกระจายของข้อมูล ข้อมูล: [วาง]"
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
อ่อนแอ: "คำนวณเกรดเฉลี่ยจากข้อมูลนี้"
บทบาท: คุณเป็นผู้ช่วย Python คอลัมน์: HoleID, From(m), To(m),Au(g/t) คำนวณเกรดเฉลี่ยถ่วงน้ำหนักด้วยความยาวช่วง รหัส: (1) พิมพ์จำนวนแถวอินพุต/เอาท์พุต (2) รายงานค่าว่าง/ค่าลบก่อนที่จะทิ้ง (3) ยืนยันสมมติฐานของหน่วย แสดงผลรวมย่อยด้วยเพื่อให้ฉันสามารถตรวจสอบผลลัพธ์ด้วยตนเอง ข้อมูล: [วาง]"
ตารางเปรียบเทียบ: ความเสี่ยงและข้อควรระวัง
ความเสี่ยง
อาการ
ข้อควรระวัง
การรบกวนหน่วย
สมเหตุสมผลแต่ตัวเลขผิด
แสดงความคิดเห็นหน่วยในรหัสตรวจสอบ
สายเงียบลง
ยอดรวมหายไป
เปรียบเทียบจำนวนบรรทัดอินพุต/เอาต์พุต
แบบธรรมดาเทียบกับแบบถัวเฉลี่ยถ่วงน้ำหนัก
ค่าเฉลี่ยผิด
ตรวจสอบการถ่วงน้ำหนัก
การเรียนรู้มากเกินไป
ข้อมูลการทดสอบไม่ดี
การแยกการฝึกอบรม/การทดสอบ ทำให้มันง่าย
การคาดการณ์
เรื่องไร้สาระคาดเดาอยู่นอกขอบเขต
จำกัดช่วงที่ถูกต้อง
ข้อผิดพลาดทั่วไป
- รันโค้ดโดยไม่ต้องอ่าน "ไม่ได้รับข้อผิดพลาดใดๆ" ไม่ได้หมายความว่ามันเป็นเรื่องจริง
- ไม่ใช่การทดสอบด้วยข้อมูลขนาดเล็ก ความไว้วางใจโดยไม่มีตัวอย่างที่ตรวจสอบได้ถือเป็นเท็จ
- ไม่เปรียบเทียบจำนวนบรรทัดอินพุต/เอาต์พุต นี่คือวิธีการหลบหนีความสูญเสียอย่างเงียบๆ
- ละเว้นช่วงของรุ่น การประมาณค่าประมาณการณ์ไม่น่าเชื่อถือ
- ไว้วางใจในความสวยงามของแผนภูมิ แผนภูมิที่มีสไตล์สามารถซ่อนตัวเลขที่ไม่ถูกต้องได้
ข้อควรพิจารณา: หากรหัส AI เข้าสู่บัญชีวิศวกรรม รหัสนั้นจะมีหน้าที่เช่นเดียวกับบัญชี เมื่อใดก็ตามที่ผลลัพธ์กลายเป็นการตัดสินใจในการขุด ให้รันโค้ดและเอาต์พุตผ่านการตรวจสอบตรรกะอิสระ และเปรียบเทียบกับวิธีที่สองหากเป็นไปได้
โดยสรุป
Python เป็นเครื่องมือที่แท้จริงสำหรับการวิเคราะห์ข้อมูลการขุด และ AI จะเพิ่มความเร็วที่คุณเขียนอย่างมาก แต่โค้ด AI สามารถปิดบังจุดบกพร่องแบบเงียบๆ ได้ (ความสับสนของหน่วย การวางแถว การเฉลี่ยที่ไม่ถูกต้อง) และกับดักโมเดล (การเรียนรู้มากเกินไป การประมาณค่า) โฟลว์ที่ปลอดภัย: อธิบายอย่างชัดเจน ต้องการขนาดเล็กและอ่านง่าย อ่านและทำความเข้าใจ ทดสอบกับข้อมูลที่ทราบน้อย กรณีขอบแบบสอบถาม การตรวจสอบมาตราส่วนและตรรกะ เอาต์พุตโมเดลไม่สามารถเป็นพื้นฐานสำหรับการตัดสินใจนอกช่วงข้อมูลได้ และแต่ละรหัสมีความรับผิดชอบมากเท่ากับบัญชีหากกลายเป็นการตัดสินใจในการขุด
งานสมัคร
ใช้เทมเพลต "รหัสล้างข้อมูลที่ปลอดภัย" กับงานการเฉลี่ยเกรดหรือสรุปการผลิตเพื่อรับโค้ดจาก AI ลดความเสี่ยงของโค้ดด้วยเทมเพลต "คำขอตรวจสอบโค้ด" จากนั้น ด้วยเทมเพลต "การตั้งค่าการทดสอบด้วยข้อมูลขนาดเล็ก" ให้สร้างชุดข้อมูลที่คุณทราบผลลัพธ์ด้วยตนเองและยืนยันโค้ด สุดท้ายนี้ สำหรับความสัมพันธ์แบบธรรมดา ให้ตั้งค่าโมเดลด้วยเทมเพลต "โมเดลแบบธรรมดา + คำเตือนขีดจำกัด" และทดสอบว่าจะให้คำเตือนเมื่ออยู่นอกช่วงที่ถูกต้อง
รายการตรวจสอบ
- [ ] ฉันอ่านโค้ด AI และเข้าใจทุกบรรทัด ฉันไม่ได้เรียกใช้มันแบบสุ่มสี่สุ่มห้า
- [ ] ฉันทดสอบด้วยข้อมูลขนาดเล็กที่ตรวจสอบได้ด้วยตนเอง
- [ ] ฉันเปรียบเทียบจำนวนสายอินพุตและเอาต์พุต
- [ ] ฉันตรวจสอบความสอดคล้องและการถ่วงน้ำหนักของหน่วยแล้ว
- [ ] ฉันจำกัดช่วงข้อมูลที่ถูกต้องของโมเดล เพื่อหลีกเลี่ยงการคาดการณ์
- [ ] ฉันตรวจสอบผลลัพธ์ ซึ่งกลายเป็นการตัดสินใจ ด้วยตรรกะ/วิธีที่สองที่เป็นอิสระ
การสอบโมดูล
1. เด็กฝึกงานถามเครื่องมือแชท AI เกี่ยวกับเกรดเฉลี่ยของแร่ และเขียนค่าผลลัพธ์ของ 'ทองคำ 1.8 g/t' ลงในรายงานการสำรองโดยตรง อะไรคือข้อผิดพลาดพื้นฐานในแนวทางนี้?
- A) ค่าเกรดต้องมาจากข้อมูลการขุดเจาะ/การวิเคราะห์ของโครงการและการคาดการณ์ที่ตรวจสอบแล้ว หมายเลขที่สร้างโดย AI อาจเป็นการประดิษฐ์ที่ไม่มีแหล่งที่มา ✔
- B) ควรถาม AI ในหน่วยออนซ์แทนที่จะเป็นกรัม
- C) ค่าถูกต้อง ควรใช้จุดแทนเครื่องหมายจุลภาคเท่านั้น
- D) การถามคำถามเดียวกันนี้กับ AI สามครั้งแล้วหาค่าเฉลี่ยก็เพียงพอแล้ว
คำอธิบาย: โมเดลภาษาไม่ทราบข้อมูลการเจาะลึกของโปรเจ็กต์ของคุณ สร้างตัวเลขที่ดูเหมือนเป็นไปได้มากที่สุด (ภาพหลอน) เกรดนี้มาจากข้อมูลการขุดเจาะแบบคอมโพสิตและการประมาณการทางภูมิสถิติของโครงการเท่านั้น ไม่สามารถรวมเอาต์พุต AI ไว้ในรายงานได้หากไม่ได้รับอนุมัติจากบุคคลที่มีความสามารถ
2. 'การจำแนกตามความเสี่ยง' ช่วยให้สามารถใช้ AI ในวิศวกรรมเหมืองแร่ได้อย่างไร
- A) ลดราคาของเครื่องมือ AI
- B) กำหนดบทบาทของ AI และการตรวจสอบเชิงลึกที่จำเป็นตามระดับความเสี่ยงของงาน ✔
- C) คำสั่งควรเขียนให้สั้นลง
- D) มอบหมายการตัดสินใจทั้งหมดให้กับ AI โดยอัตโนมัติ
คำอธิบาย: ไม่ใช่ทุกภารกิจจะมีระดับความเสี่ยงเท่ากัน การจัดประเภทงานเป็นต่ำ/กลาง/สูง/วิกฤตจะกำหนดว่าเอาท์พุตใดที่สามารถนำมาใช้ได้อย่างอิสระ และต้องมีการตรวจสอบมาตรฐานและภาคสนาม และการอนุมัติจากวิศวกรผู้มีความสามารถ
3. แบบจำลอง 'วาริโอแกรม' ในธรณีสถิติคืออะไร?
- A) ปริมาณการใช้เชื้อเพลิงของอุปกรณ์
- B) การเปลี่ยนแปลงของราคาโลหะเมื่อเวลาผ่านไป
- C) ความต่อเนื่องเชิงพื้นที่ขึ้นอยู่กับระยะทาง ✔ ความคล้ายคลึงกันลดลงอย่างไรเมื่อคะแนนห่างออกไป
- D) ความถี่การสั่นสะเทือนที่เกิดจากการระเบิด
คำอธิบาย: วาริโอแกรมอธิบายว่าความคล้ายคลึงกันของกลุ่มตัวอย่างต่อกันลดลงอย่างไร (ความต่อเนื่องเชิงพื้นที่) เมื่อระยะห่างระหว่างจุดสองจุดเพิ่มขึ้น Kriging ใช้แบบจำลองนี้เพื่อประมาณจุดที่ยังไม่ได้วัดโดยมีส่วนที่ไม่แน่นอน
4. อะไรคือวิธีที่ดีที่สุดในการให้ AI จัดประเภทหินล่วงหน้าจากการถ่ายภาพแกนเจาะ?
- A) การประมวลผลประเภทหินที่ AI มอบให้โดยตรงลงในบันทึกการขุดเจาะ
- B) คัดลอกข้อความของ AI ลงในรายงานโดยไม่ต้องตรวจสอบภาพถ่ายเลย
- ค) ยกเลิกการสังเกตของนักธรณีวิทยาและอาศัย AI เพียงอย่างเดียว
- D) พิจารณาผลลัพธ์เป็นการทำนาย/สมมติฐานเบื้องต้น และตรวจสอบด้วยการสังเกตของนักธรณีวิทยาและการวิเคราะห์ในห้องปฏิบัติการ ✔
คำอธิบาย: AI สามารถสร้างรายการการทำนายและความสนใจจากรูปภาพ อย่างไรก็ตาม การตัดสินใจด้านธรณีวิทยา/การเปลี่ยนแปลงขั้นสุดท้ายจะดำเนินการโดยการสังเกตและการวิเคราะห์ในห้องปฏิบัติการของนักธรณีวิทยา เอาท์พุต AI เป็นเพียงจุดเริ่มต้น ซึ่งเป็นสมมติฐานที่ต้องได้รับการตรวจสอบ
5. 'อัตราส่วนการปอก' หมายถึงอะไรในการวางแผนหลุมแบบเปิด
- ก) ปริมาณสนิม (เศษหิน) ที่ต้องขจัดออกถึงแร่หนึ่งหน่วย ✔
- B) เปอร์เซ็นต์ของโลหะในแร่
- ค) จำนวนเที่ยวรถบรรทุกต่อวัน
- D) ปริมาณวัตถุระเบิดที่ใช้ในการระเบิด
คำอธิบาย: อัตราการลอกคือปริมาณของเสีย (แถบ/ของเสีย) ที่ต้องกำจัดออกเพื่อให้ได้แร่หนึ่งหน่วย ขีดจำกัดสุดท้ายของหลุมและความประหยัดขึ้นอยู่กับอัตราส่วนนี้เป็นหลัก แม้ว่า AI จะสร้างสถานการณ์ขึ้นมา แต่การตัดสินใจเกี่ยวกับขอบเขตนั้นขึ้นอยู่กับวิศวกรที่มีความสามารถ
6. การบำรุงรักษาเชิงคาดการณ์เมื่อ AI พบ 'ความผิดปกติ' ในข้อมูลการสั่นสะเทือนและอุณหภูมิหมายความว่าอย่างไร
- A) หลักฐานว่าอุปกรณ์ล้มเหลวอย่างแน่นอน
- B) คำเตือนว่าข้อมูลเบี่ยงเบนไปจากปกติ ไม่ใช่การวินิจฉัยความผิดปกติขั้นสุดท้าย แต่เป็นสัญญาณที่ต้องได้รับการยืนยันจากการตรวจร่างกาย ✔
- C) สั่งให้อุปกรณ์หยุดโดยอัตโนมัติ
- D) รับประกันว่าข้อมูลถูกบันทึกอย่างไม่ถูกต้อง
คำอธิบาย: ความผิดปกติคือการเบี่ยงเบนของข้อมูลจากพฤติกรรมปกติและอาจบ่งบอกถึงการทำงานผิดปกติ แต่ไม่ใช่การวินิจฉัยขั้นสุดท้าย การตัดสินใจหยุดอุปกรณ์หรือเปลี่ยนชิ้นส่วนต้องได้รับการตรวจร่างกายจากทีมซ่อมบำรุงและได้รับอนุมัติจากผู้จัดการฝ่ายปฏิบัติการ
7. ข้อใดจำเป็นต่อความปลอดภัยเมื่อใช้ AI ในการออกแบบการเจาะระเบิด
- A) การดำเนินการตามคำแนะนำ AI โดยตรงในภาคสนาม
- B) ข้ามการวัดการสั่นสะเทือน
- C) การตรวจสอบการออกแบบที่เสนอโดย AI ด้วยการวัดภาคสนาม ขีดจำกัดด้านกฎระเบียบ และการอนุมัติของผู้เชี่ยวชาญด้านการระเบิดที่ได้รับอนุญาต ✔
- D) แก้ไขจำนวนวัตถุระเบิดตามจำนวนสูงสุดที่ AI กำหนด
คำอธิบาย : การระเบิด; โดยมีความเสี่ยงร้ายแรงด้านความปลอดภัยและกฎระเบียบ เช่น การสั่นสะเทือน ลมช็อต และหินกระเด็น AI สามารถสร้างภาพร่างการออกแบบและคำแนะนำพารามิเตอร์ได้ อย่างไรก็ตาม การออกแบบขั้นสุดท้ายจะต้องผ่านการวัดภาคสนาม ข้อจำกัดด้านกฎระเบียบ และการอนุมัติของผู้เชี่ยวชาญด้านการระเบิดที่ได้รับอนุญาต (ผู้จุดชนวน/ผู้รับผิดชอบ)
8. ความสัมพันธ์โดยทั่วไประหว่าง 'การฟื้นตัว' และ 'เกรดความเข้มข้น' ในการแปรรูปแร่คืออะไร และ AI ควรจดจำอะไรเมื่อตีความสิ่งนี้
- A) ทั้งสองเพิ่มขึ้นด้วยกันเสมอ
- B) ไม่มีความสัมพันธ์ระหว่างพวกเขา
- C) ความสัมพันธ์จะคงที่และเหมือนกันในทุกสถานที่
- D) โดยปกติจะมีความสมดุลแบบย้อนกลับ (ผลผลิตจะลดลงเมื่อเกรดเพิ่มขึ้น) ค่าจริงต้องได้รับการตรวจสอบโดยการทดสอบทางโลหะวิทยาและความสมดุลของมวล ✔
คำอธิบาย: โดยทั่วไป เมื่อเราพยายามให้ได้เกรดที่มีความเข้มข้นสูงขึ้น ผลผลิตจะลดลง (ความสมดุลของเกรด-ผลผลิต) AI สามารถอธิบายแนวโน้มนี้ได้ แต่ค่าการปฏิบัติงานจริงจะต้องได้รับการยืนยันโดยการทดสอบทางโลหะวิทยาและความสมดุลของมวล แนวโน้มทั่วไปไม่สามารถทดแทนความเป็นจริงเฉพาะไซต์ได้
9. การใช้ AI ในการวิเคราะห์ข้อมูลเหตุการณ์พลาด/อุบัติเหตุด้วย AI ด้านความปลอดภัยในการทำงาน เหมาะสมที่สุดคืออะไร?
- A) จัดประเภทบันทึกข้อความอิสระและแยกรูปแบบความเสี่ยงที่เกิดซ้ำ ฝากการตัดสินใจไว้กับผู้เชี่ยวชาญ OHS ✔
- B) ระบุผู้กระทำผิดของการเกิดอุบัติเหตุโดยอัตโนมัติ
- C) การมอบหมายคำสั่งหยุดงานให้กับ AI
- D) การเก็บถาวรบันทึกเหตุการณ์ใกล้พลาดโดยไม่ต้องตรวจสอบ
คำอธิบาย: AI สามารถจัดประเภทบันทึกข้อความอิสระจำนวนมาก และแยกรูปแบบที่ซ้ำกันและเงื่อนไขที่มีความเสี่ยงได้อย่างรวดเร็ว อย่างไรก็ตาม การตัดสินใจที่จะหยุดงาน อพยพออกจากพื้นที่ หรือสาเหตุที่แท้จริงนั้น จะต้องอยู่ภายใต้กรอบของผู้เชี่ยวชาญ OHS และกฎหมาย เอาต์พุต AI เป็นเพียงอินพุต ไม่ใช่การตัดสินใจ
10. เหตุใด 'การเร่งความเร็วของอัตราการเสียรูป' จึงเป็นสัญญาณสำคัญในข้อมูลเรดาร์/ปริซึมในการตรวจสอบความลาดชัน
- A) แสดงว่าอุปกรณ์ตรวจวัดเสียอย่างแน่นอน
- B) มันอาจประกาศความพ่ายแพ้ที่ก้าวหน้า; การเตือนล่วงหน้าและการตัดสินใจอพยพเป็นของวิศวกรธรณีเทคนิค ✔
- C) แสดงว่าทางลาดปลอดภัยอย่างสมบูรณ์
- D) จะมีความสำคัญก็ต่อเมื่อมีการตกตะกอนและสามารถเพิกเฉยได้
คำอธิบาย: ก่อนที่จะเกิดความล้มเหลวของความลาดชัน โดยทั่วไปจะสังเกตเห็นอัตราการเปลี่ยนรูป (ความเร่ง) เพิ่มขึ้นอย่างค่อยเป็นค่อยไป นี่อาจเป็นสัญญาณของความล้มเหลวที่ก้าวหน้า AI สามารถเน้นย้ำแนวโน้มได้ แต่การตัดสินใจอพยพ/การเตือนภัยล่วงหน้านั้นกระทำโดยการวิเคราะห์และระเบียบวิธีของวิศวกรธรณีเทคนิค
11. ในการติดตามตรวจสอบสิ่งแวดล้อม อะไรคือการตอบสนองที่แม่นยำที่สุดต่อสัญญาณ 'เกินมาตรฐาน' ที่ AI พบในอนุกรมเวลาคุณภาพน้ำ
- ก) การรายงานเอาต์พุต AI โดยตรงไปยังหน่วยงานของรัฐ
- B) เพิกเฉยต่อคำเตือนและดูต่อ
- C) ตรวจสอบด้วยผลห้องปฏิบัติการที่ได้รับการรับรอง ขีดจำกัดด้านกฎระเบียบ และการประเมินของวิศวกรสิ่งแวดล้อม ✔
- D) อาศัย AI เท่านั้นและยกเลิกการวิเคราะห์ทางห้องปฏิบัติการ
คำอธิบาย: AI อาจส่งสัญญาณถึงการละเมิดที่เป็นไปได้ตั้งแต่เนิ่นๆ อย่างไรก็ตาม การตัดสินใจด้านความสอดคล้องอย่างเป็นทางการนั้นกระทำโดยการวิเคราะห์ในห้องปฏิบัติการที่ได้รับการรับรอง ค่าจำกัดในกฎหมาย และการประเมินของวิศวกรสิ่งแวดล้อม เอาต์พุต AI เป็นการแจ้งเตือนแบบคัดกรอง ไม่ใช่การตัดสินใจทางกฎหมาย/ทางเทคนิค
12. วิธีใดที่น่าเชื่อถือที่สุดในการหลีกเลี่ยงการอ้างอิงที่ปลอมแปลง (หลอนประสาท) เมื่อคุณถาม AI เกี่ยวกับหมายเลขมาตราของมาตรฐาน เช่น JORC หรือ NI 43-101
- A) อาศัยหมายเลขรายการที่กำหนดโดย AI
- B) ถามคำถามเดียวกันอีกครั้งด้วยคำที่ต่างกัน
- C) การดูโพสต์บนบล็อกแทนที่จะเป็นแบบมาตรฐาน
- D) การเปิดและยืนยันแต่ละบทความอ้างอิงจากข้อความอย่างเป็นทางการของมาตรฐานในปัจจุบันและได้รับการอนุมัติจากผู้มีอำนาจ ✔
คำอธิบาย: แม้ว่าโมเดลภาษาจะรู้ชื่อของมาตรฐานอย่างถูกต้อง แต่ก็อาจทำให้ภาพหลอนหมายเลขบทความและข้อความได้ การอ้างอิงสารแต่ละรายการต้องได้รับการเปิดและยืนยันจากข้อความอย่างเป็นทางการของมาตรฐานในปัจจุบัน และความสอดคล้องขั้นสุดท้ายต้องได้รับการยืนยันโดยบุคคลที่มีอำนาจ (CP/QP)
13. การตรวจสอบที่สำคัญที่สุดก่อนที่จะรันสคริปต์วิเคราะห์ Python ที่เขียนโดย AI คืออะไร
- A) การอ่านโค้ดและตรวจสอบการจับคู่หน่วย/คอลัมน์ ทดสอบกับข้อมูลขนาดเล็กที่ทราบ และตรวจสอบความน่าเชื่อถือของผลลัพธ์ ✔
- B) การรันโค้ดโดยตรงกับชุดข้อมูลทั้งหมดโดยไม่ต้องอ่าน
- ค) แค่เห็นว่าไม่มีข้อผิดพลาดและยอมรับผล
- D) อาศัยกราฟิกของเอาต์พุตเพื่อให้ดูดี
คำอธิบาย: รหัส AI อาจผสมหน่วย ใช้ชื่อคอลัมน์ไม่ถูกต้อง หรือปล่อยแถวโดยไม่แจ้งให้ทราบ จำเป็นต้องอ่านโค้ด ตรวจสอบการจับคู่ปริมาตรและคอลัมน์ ทดสอบด้วยข้อมูลที่ทราบจำนวนเล็กน้อย และตรวจสอบว่าผลลัพธ์นั้นสมเหตุสมผลทางวิศวกรรมหรือไม่
14. อะไรคือพฤติกรรมที่ดีที่สุดในแง่ของความเป็นส่วนตัวเมื่อให้ข้อมูลการขุดแก่เครื่องมือ AI บนคลาวด์?
- A) วางข้อมูลดิบทั้งหมดตามที่เป็นอยู่
- B) ไม่ระบุชื่อบริบทและทำความสะอาดข้อมูลสำรอง/ประสานงาน/การผลิตที่ละเอียดอ่อน และใช้เครื่องมือขององค์กรที่สอดคล้องกับนโยบาย ✔
- C) สมมติว่าการให้พิกัดจริงเป็นสิ่งจำเป็นสำหรับคุณภาพของผลลัพธ์
- D) ละเว้นนโยบายความเป็นส่วนตัวเลย
คำอธิบาย: ตัวเลขสำรอง ข้อมูลใบอนุญาต/พิกัด และข้อมูลการผลิตมีความละเอียดอ่อนในแง่ของความลับทางการค้าและกฎหมาย มีความจำเป็นต้องปกปิดบริบท ล้างพิกัดและชื่อที่แท้จริง เลือกเครื่องมือรับประกันองค์กร/ความเป็นส่วนตัว และปฏิบัติตามนโยบายของบริษัท