Mga nadagdag:
- Kakayahang tukuyin kung saan ang AI ay nakakatipid ng totoong oras sa daloy ng trabaho sa pagmimina at kung saan ang kritikal na responsibilidad sa kaligtasan ay dapat manatili sa karampatang inhinyero, depende sa antas ng panganib
- Kakayahang magpatupad ng multi-layered validation discipline na sumusubok sa bawat output ng AI kumpara sa pamantayan, independiyenteng pagkalkula at pagsukat sa field
- Kakayahang i-anonymize ang konteksto at makuha ang ugali ng pagpili ng mga ligtas na sasakyan para protektahan ang reserbang data, impormasyon ng lisensya at data ng tauhan/produksyon
Ang trabaho ng isang inhinyero sa pagmimina ay upang tulay ang kawalan ng katiyakan sa ilalim ng lupa sa mga desisyon sa ibabaw ng lupa. Tinatantya ang katawan ng mineral mula sa data ng pagbabarena, pagkalkula ng reserba, pagpaplano ng hukay, pamamahala ng armada ng kagamitan, pagsubaybay sa gawi ng slope, pagtiyak sa kaligtasan sa trabaho, pagsukat ng epekto sa kapaligiran at pag-uulat ng lahat ng ito alinsunod sa batas. Ang karaniwang tampok ng mga trabahong ito ay gumagana ang mga ito sa isang malaking bilang ng mga sukat at data, ngunit ang bawat desisyon ay nagreresulta sa buhay ng tao, milyon-milyong lira ng pamumuhunan at hindi maibabalik na mga kahihinatnan sa kapaligiran sa larangan. Ang artificial intelligence (AI para sa maikli; software system na gumagana sa text, mga numero at mga larawan na may malaking data at mga modelo ng wika) ay isang mahusay na tulong sa data-intensive ngunit kritikal na desisyon. Itinuturo sa iyo ng unit na ito kung saan ligtas na gamitin ang AI sa pagmimina, kung saan ito mapanganib, at kung bakit kailangan mong i-validate ang bawat output ng AI ayon sa mga pamantayan, pagsukat sa field, at paghuhusga sa engineering.
Ang pangunahing prinsipyong gagamitin mo sa buong modyul na ito ay: Ang AI ay isang katulong, hindi isang gumagawa ng desisyon. Ang isang grade (metal ratio sa ore) na halaga, isang slope angle, isang reserbang figure, isang limitasyon sa kaligtasan o isang pambatasan na artikulo ay hindi nagiging totoo dahil lang sa "sabi ng AI"; Ito ay isang hypothesis lamang hanggang sa ma-verify sa pamamagitan ng pagsukat, sanggunian, at karampatang paghuhusga ng inhinyero. Makikita mo muli ang pangungusap na ito sa bawat yunit ng modyul, dahil sa pagmimina, ang maling numero ay kadalasang nangangahulugan ng pagbagsak ng isang pamumuhunan, pagbagsak ng slope, o pinsala ng isang tao.
Ano ang LLM at ano ang ginagawa nito sa pagmimina?
Ang LLM (Large Language Model) ay isang software na natututo ng mga pattern mula sa napakalaking piraso ng text at hinuhulaan ang "susunod na salita" batay sa posibilidad. Ito ang makina ng mga tool tulad ng ChatGPT, Claude, Gemini. Ang punto ay ito: Ang LLM ay isang "tagapagtantiya ng wika", hindi isang "basehan ng kaalaman". Mahusay na nagsasalita ng terminolohiya sa pagmimina, ngunit hindi sumusukat ng grado; gumagawa ng numerong mukhang malamang. Samakatuwid, maaari siyang magbigay ng kumpiyansa ngunit hindi tamang mga sagot tungkol sa average na grado, rate ng pagtanggal, isang sugnay na pang-regulasyon, o isang limitasyon sa pagsabog. Ito ay tinatawag na hallucination (fabrication). Ang hallucination ay hindi isang malfunction, ngunit isang likas na katangian ng teknolohiyang ito; Samakatuwid, ang pag-verify ay hindi isang "karagdagang hakbang" ngunit isang mahalagang bahagi ng trabaho.
Mga gawain kung saan malakas ang AI sa pagmimina:
- Pagpapaliwanag at pagtuturo ng konsepto: ano ang variogram, paano gumagana ang leverage rule, paano nangyayari ang acid mine drainage.
- Paglilinis at pagsasaayos ng data: ginagawang magkakaugnay na talahanayan ang mga nakakalat na borehole log, na kumukuha ng hindi pagkakatugma ng unit.
- Pagbuo ng listahan ng mga hypotheses: sistematikong naglilista ng mga posibleng dahilan ng pagbaba ng produksyon.
- Coding: Paglilinis ng data, pag-graph, geostatistics at mga script ng pagsusuri ng anomalya gamit ang Python.
- Draft text: JSA (pagsusuri sa kaligtasan ng trabaho), ulat sa pagsubaybay sa kapaligiran, draft tender/teknikal na detalye.
- Brainstorm: paghahambing ng senaryo, mga ideya sa plano ng eksperimento/pagsukat.
Kung saan mahina at mapanganib ang AI:
- Pagbibigay ng eksaktong numerical value (grado, reserba, slope angle, limit value).
- Kasalukuyan at partikular na batas/karaniwang artikulo at impormasyon ng bersyon.
- Diagnosis nang walang aktwal na data ng pagsukat ng iyong site.
- Desisyon na kritikal sa kaligtasan: pag-apruba sa disenyo ng sabog, desisyon sa paglikas, kakayahang magamit.
Pag-uuri batay sa peligro: ang filter bago gamitin ang AI
Hindi lahat ng gawain ay nasa parehong antas ng panganib. Uriin ang gawain ayon sa antas ng panganib bago gamitin ang AI. Ang talahanayan sa ibaba ay nagbibigay ng balangkas ng desisyon na iyong gagamitin sa buong modyul na ito.
Antas ng panganib
halimbawang gawain
tungkulin ng AI
Mandatoryong pagpapatunay
mababa
Pagpapaliwanag ng konsepto, draft na teksto, code skeleton
libreng paggamit
Ang pagsusuri ay sapat na
daluyan
Paglilinis ng data, listahan ng hypothesis, setup ng pagkalkula
Draft/co-author
Manu-manong kontrol + kumpirmasyon ng pinagmulan
mataas
Ang pagtatantya ng reserba, limitasyon ng hukay, parameter ng pagsabog
generator ng ideya
Standard + field measurement + software
kritikal
Desisyon sa paglikas, kaligtasan ng slope, desisyon sa pagiging angkop sa serbisyo/kaangkupan
Draft/scan lang
Pag-apruba ng karampatang engineer + accredited na pagsubok
Tip: Kung minarkahan mo ang isang gawain bilang "kritikal", hindi kailanman ang output ng AI ang huling dokumento. Sa karamihan ay maaari itong maging isang paunang draft o checklist; Ang karampatang inhinyero ay nagsasagawa ng lagda at responsibilidad.
End-to-end flow: pag-embed ng AI sa iyong workflow
Ang isang tipikal na siklo ng paglutas ng problema sa pagmimina ay ganito, kung saan ang AI ay nakikibahagi sa bawat hakbang ngunit hindi nagsasara ng alinman sa mga ito nang mag-isa:
- Tukuyin ang problema: Ano ang mahulaan, anong desisyon ang gagawin, anong hadlang ang mayroon? (AI: nililinaw ang tanong.)
- Kolektahin at linisin ang data: Pagbabarena, produksyon, pagsubaybay, data ng laboratoryo. (AI: malakas sa paglilinis at inconsistency checking.)
- Bumuo ng mga hypotheses/scenario: Mga posibleng dahilan, mga alternatibong plano. (AI: gumagawa ng sistematikong listahan.)
- Pag-aralan: Pagkalkula, geostatistics, modelo, pagpoproseso ng imahe. (AI: bumubuo ng code at pagkalkula ng fiction.)
- I-verify: Karaniwan, field, standalone na account, software. (Nasa sideline ang AI; nagpapasya ang mga tao at pagsukat.)
- Mag-ulat at magpasya: Inaako ng karampatang inhinyero ang responsibilidad. (AI: draft writer.)
Isaisip ang anim na hakbang na ito; ang natitirang bahagi ng module ay nagpapakita sa iyo kung paano gamitin ang AI sa mga kongkretong gawain sa pagmimina, hakbang-hakbang.
tatlong mini case
Kaso 1 — Nabuo na average na grado. Ang isang intern ay nagtanong sa AI chat tool tungkol sa average na grado ng isang proyektong tanso; Ang sabi ng AI ay "mga 0.65% Cu." Inilalagay ito ng intern sa pagtatanghal ng pamumuhunan. Gayunpaman, ang AI ay hindi nakakita ng isang solong data ng pagbabarena ng proyektong ito; gumawa ng tipikal na numero para sa "proyektong tanso". Ang tunay na halaga ay nagmumula lamang sa sariling pinagsama-samang data ng pagbabarena at geostatistical na pagtatantya ng proyekto; Ang tunay na halaga sa proyektong ito ay 0.38%. Ang pagkakaiba ay ang pagkakaiba sa pagitan ng pamumuhunan na lumalabas na kumikita at nalulugi. Ang tamang saloobin ay huwag kailanman "itanong" ang grado para sa AI, ngunit kalkulahin ito mula sa iyong sariling database.
Kaso 2 — Hindi umiiral na sugnay ng regulasyon. Tinanong ng isang inhinyero ang AI ng maximum na panginginig ng boses sa lupa (PPV: peak particle velocity, mm/s) na pinapayagan sa pagsabog. Sinasabi ng AI na "10 mm/s ayon sa regulasyon" at bumubuo ng isang numero ng item. Isinulat ng inhinyero ang ulat nang naaayon. Sa panahon ng inspeksyon, nalaman na ang numero ng item ay hindi totoo at ang halaga ng limitasyon ay nag-iiba depende sa distansya at uri ng gusali. Ang tamang saloobin ay buksan ang kasalukuyang regulasyon mula sa opisyal na pinagmulan at kumpirmahin ang halaga at sangkap. Kahit na alam ng AI ang pangalan ng regulasyon nang tama, maaari itong mag-hallucinate sa numero ng artikulo.
Kaso 3 — Tamang paggamit. Ang isang geologist ay naghihinala ng isang pagkakaiba sa hanay ng grado sa isang set ng data ng 40 boreholes. Sinasabi nito sa AI na "ilista ang mga row sa talahanayang ito na maaaring may mga unit inconsistencies, mga negatibong halaga, nakikitang outlier, at mga walang laman na cell, at isulat kung ano ang pinaghihinalaan mo para sa bawat isa; HUWAG itama, markahan lang." Nagba-flag ang AI ng ilang linya na may halong % na may halong ppm, dalawang negatibong grado, at isang 999 na halaga ng code. Sinusuri at itinutuwid ng geologist ang mga ito nang paisa-isa mula sa mga hilaw na log. Dito ginamit nang tama ang AI: nakaakit ng pansin, ginawa ng tao ang desisyon at pagwawasto.
Nakokopya na mga template ng prompt
Magagamit mo ang mga template sa ibaba sa pamamagitan ng pag-aangkop sa mga ito sa sarili mong negosyo. Sa bawat isa sa kanila, mayroong isang nakakamalay na pagtuturo na "magbigay ng eksaktong numero, ipahiwatig ang pinagmulan, ipaliwanag ang kawalan ng katiyakan".
ROLE AND BOUNDARY TEMPLATE "Tungkulin: Isa kang makaranasang mining engineer assistant. Gawain: [isulat ang paksa]. Mga Panuntunan: Kapag nagbibigay ng eksaktong numerong halaga (grado, reserba, limitasyon), tukuyin ang PINAGMUMULAN; kung hindi ka sigurado, sabihin ang 'dapat ma-verify. sa pamamagitan ng field measurement/calculation' item by item."
TEMPLATE NG PAGBUBUO NG HYPOTHESIS"Gumawa ng isang sistematikong listahan ng mga posibleng dahilan para sa sumusunod na sitwasyon: [ilarawan ang sitwasyon; kung ano ang naobserbahan, anong data ang makukuha]. Para sa bawat hypothesis: (1) anong ebidensya ang sumusuporta dito, (2) kung anong pagsukat o pagkalkula ang dapat gawin upang kumpirmahin/pabulaanan ito. GUMAWA ng definitive diagnosis; gumawa ng roadmap ng pagsisiyasat."
TEMPLATE NG CHECKLIST NG VERIFICATION"Ilista ang BAWAT numeric na halaga at BAWAT regulasyon/karaniwang reference sa draft ng ulat sa ibaba. Para sa bawat isa, isaad kung saang pinagmulan (data ng self-drill, text ng regulasyon, ulat sa laboratoryo, field survey) dapat itong ma-verify. Kolektahin ang mga hindi tiyak na pinagmulan sa ilalim ng 'hindi magagamit nang walang pag-verify'. Text: [i-paste]."
ANONYMIZATION PRE-CHECK TEMPLATE "Bago ibigay ang sumusunod na text sa isang AI tool, i-flag ang trade secret o personal/regulatory sensitive na mga bahagi: mga reserbang numero, numero ng lisensya, aktwal na mga coordinate, pangalan ng customer/staff, kumpidensyal na data ng gastos. Imungkahi kung paano ko ma-anonymize ang mga ito. Text: [i-paste]."
Mahinang prompt / Malakas na prompt
Ang pagtatanong ng parehong tanong sa dalawang paraan ay magbubunga ng magkaibang mga resulta.
WEAK PROMPT: "Magkano ang reserba nitong minahan?"
MALAKAS NA PROMPT: "Tungkulin: Ikaw ang assistant resource geologist. Ipaliwanag kung aling mga hakbang ang kailangang gawin ng pagtatantya ng reserba/pagkukunan (compositing, variogram, kriging, classification, economic limit) at kung aling data at kung sinong karampatang tao ang pag-apruba ay kinakailangan sa bawat hakbang. HUWAG MAGBIGAY NG EKSAKtong numero ng reserba; bigyang-diin na ang proyekto ay maaaring kalkulahin lamang sa loob ng naturang balangkas at ang proyekto ay maaaring kalkulahin sa loob lamang ng naturang balangkas JORC/UMREK."
Ang mahinang prompt ay nag-aanyaya sa AI na gumawa; Ang malakas na prompt ay nagpapanatili nito sa tamang trabaho (paglalarawan sa proseso) at pinipigilan ang digital na guni-guni na mangyari sa unang lugar.
Mga karaniwang pagkakamali
- "Pagtatanong" sa AI para sa mga numerong partikular sa kurso tulad ng grado, reserba, atbp. Hindi alam ng AI ang iyong data; ang mga numerong ito ay kinakalkula lamang mula sa iyong sariling database.
- Gamit ang batas/karaniwang sugnay nang hindi ito kinukumpirma. Ang numero at halaga ng item ay madalas na nagha-hallucinate.
- Ibinatay ang kritikal na desisyon sa kaligtasan sa output ng AI. Ang paglisan, pag-apruba sa pagsabog at kakayahang magamit ang mga desisyon ay ginawa ng karampatang inhinyero.
- Pag-paste ng sensitibong data sa cloud tool nang hindi ito ina-anonymize. Ang data ng reserba, coordinate at gastos ay mga lihim ng kalakalan.
- Naghihintay ng isang tanong at isang sagot. Gamitin ang AI nang paulit-ulit: bumuo ng mga draft, kritika, i-verify, itama.
Pag-iingat: Kung mas tumpak at kumpiyansa ang isang numero na lumalabas sa isang output ng AI, mas mataas ang pangangailangan para sa pag-verify. Ang katumpakan ay hindi isang garantiya ng katumpakan.
Sa buod
Sa yunit na ito nakita mo na ang AI ay isang katulong sa pagmimina, hindi isang gumagawa ng desisyon. Ang mga LLM ay mga tagahula ng wika; Ito ay makapangyarihan sa pagpapaliwanag ng konsepto, paglilinis ng data, hypothesis at pagbuo ng code, ngunit mapanganib sa paggawa ng mga tumpak na numero at batas (hallucination). Uriin ang mga gawain bilang mababa/katamtaman/mataas/kritikal at ayusin ang lalim ng pag-verify nang naaayon. I-verify ang bawat numerical value mula sa iyong sariling data o field measurement, bawat regulatory reference mula sa opisyal na source. Ang mga desisyong kritikal sa seguridad ay palaging nananatili sa karampatang inhinyero at ginagawang anonymize ang sensitibong data bago gamitin.
Gawain ng aplikasyon
Pumili ng limang gawain mula sa iyong sariling negosyo (o isang gawa-gawang proyekto ng pagmimina): isang paglalarawan ng konsepto, paglilinis ng data, listahan ng mga hypotheses, reserba/numerical na halaga, at isang tanong sa regulasyon. Ilagay ang bawat isa sa talahanayan ng panganib sa itaas. Pagkatapos ay i-outsource ang dalawang gawaing mababa/katamtamang panganib sa AI sa pamamagitan ng template na "Tungkulin at hangganan" at markahan ang bawat numerical/regulatory element ng output gamit ang template na "Checklist ng pag-verify". Isulat kung aling mga elemento ang hindi magagamit nang walang pag-verify.
checklist
- [ ] Inilagay ko ang misyon sa antas ng panganib (mababa/medium/mataas/kritikal) bago ito gamitin.
- [ ] Kinakalkula ko ang mga numerong partikular sa field gaya ng grado, reserba, atbp. mula sa sarili kong ani sa halip na tanungin ang AI.
- [ ] Na-verify ko na ang bawat batas/karaniwang sanggunian mula sa opisyal na pinagmulan.
- [ ] Nag-anonymize ako ng sensitibong data (reserba, coordinate, pangalan, gastos).
- [ ] Iniwan ko ang desisyong kritikal sa kaligtasan sa karampatang pag-apruba ng engineer, hindi batay sa output ng AI.
- [ ] Na-scan ko ang bawat numerical value sa AI output para sa "hindi magagamit nang walang pag-verify".