Pagsusuri ng Data ng Pagmimina gamit ang Python at ang Frontiers ng AI — Artipisyal na Katalinuhan sa Mining Engineering

Mga nadagdag:

Kakayahang gumawa ng mga script na naglilinis at nag-visualize ng data ng pagbabarena, paggawa at pagsubaybay gamit ang Python, na may suporta sa AI
Kakayahang kilalanin ang kalidad ng data, labis na pagkatuto at mga panganib sa extrapolation kapag bumubuo ng mga simpleng modelo ng hula at anomalya
Kakayahang i-verify ang AI-generated code at magresulta sa unit control, independent calculation at engineering plausibility

Sa bawat unit ng modyul na ito nakita mo ang AI na makapangyarihan sa coding: paglilinis ng borehole, mass balance, kriging skeleton, buod ng fleet, pagsusuri ng vibration, pag-scan sa kapaligiran. Nakatuon ang huling unit na ito sa Python, ang kongkretong tool para sa code na iyon, at ang wastong disiplina sa pagbuo ng code gamit ang AI. Ang Python ay naging de facto na pamantayan sa pagsusuri ng data ng pagmimina dahil ito ay libre, may makapangyarihang mga aklatan (pandas: tabular data manipulation; numpy: numerical calculus; matplotlib: plotting; scikit-learn: machine learning), at nag-automate ng mga paulit-ulit na gawain. Pina-multiply ng AI ang bilis kung kailan mo isulat ang code na iyon; ngunit ang code na ginagawa nito ay hindi palaging tama. Ang pangunahing prinsipyo ng yunit na ito: Huwag kailanman patakbuhin ang code na isinulat ng AI nang hindi muna ito binabasa, pinapatunayan ang yunit nito, at sinusubukan ito ng kaunting kilalang data. Ang code ay maaaring tahimik na makagawa ng maling resulta, na maaaring maging isang masamang desisyon sa engineering sa pagmimina.

Pangunahing daloy ng pagbuo ng code gamit ang AI

Ang pagkuha ng code mula sa AI ay isang ikot ng engineering, hindi isang pag-uusap:

Ilarawan nang malinaw ang gawain. Input (mga column, unit, sample row), gustong output, at mga hadlang. Ang hindi maliwanag na kahilingan ay gumagawa ng hindi maliwanag na code.
Hilingin na ito ay maliit at nababasa. Humingi ng step-by-step, nagkomento na code sa halip na isang higanteng function.
Basahin at unawain. Unawain kung ano ang ginagawa ng bawat linya; Huwag patakbuhin ang code na hindi mo maintindihan.
Subukan gamit ang maliit na data. Patakbuhin ito nang manu-mano gamit ang 5-10 linya na alam mo ang mga resulta at i-verify ang inaasahang output.
Kaso sa gilid ng tanong. Walang laman na cell, negatibong value, unit shuffling, paulit-ulit na record Paano gumagana ang code?
I-scale at suriin ang lohika. Tumakbo sa lahat ng data; Makatwiran ba ang resulta?

Tip: Ang pinakakaraniwang mga error na naglalagay ng AI code ay silent: maling pangalan ng column, unit mixing (m vs ft, g/t vs ppm), tahimik na pagbagsak ng mga row (tulad ng dropna), maling average (plain average kapag dapat itong timbangin). Hindi ito nagdudulot ng mga pagkakamali; Ito ay gumagawa lamang ng maling numero. Kaya ang "hindi nagkamali" ay hindi kailanman nangangahulugang "tama".

Mga karaniwang gawain sa Python sa pagmimina

Paglilinis ng data: Pagsasama-sama ng mga talahanayan ng pagbabarena/produksyon/pagsubaybay, pag-flag ng hindi pagkakapare-pareho, pag-normalize ng unit.
Buod at visualization: Histogram, time series, grade-tonnage curve, OEE graphs.
Mga istatistika at geostatistics: Mga istatistika ng buod, ugnayan, variogram/kriging (na may mga espesyal na aklatan).
Pag-detect ng anomalya: Batay sa threshold o simpleng drift capture na batay sa modelo.
Mga simpleng modelo ng hula: Halimbawa, ang paggiling ng laki-bunga na relasyon sa regression.

Para sa karamihan ng mga gawaing ito, ang AI ay nagbibigay ng mahusay na panimulang code. Ngunit mayroong dalawang pitfalls: kalidad ng data at mga limitasyon ng modelo. Ang pag-alam sa pareho ay susi sa ligtas na paggamit ng AI code.

Mga limitasyon ng modelo: overlearning at extrapolation

Ang mga simpleng predictive na modelo na madaling binuo ng AI ay mahina sa dalawang pangunahing panganib. Overfitting: Sinasaulo ng modelo ang data ng pagsasanay ngunit hindi maganda ang pagganap sa bagong data; Iniimbitahan ito ng pagbuo ng mga kumplikadong modelo na may kaunting data. Extrapolation: Nagiging hindi maaasahan ang modelo kapag pinilit itong gumawa ng hula sa isang saklaw sa labas ng data ng pagsasanay; Halimbawa, ang isang modelong natutunan sa hanay na 0.3-0.8 g/t ay maaaring magbigay ng walang kabuluhang resulta para sa 5 g/t. Hindi "kusang" pinamamahalaan ng AI ang mga panganib na ito para sa iyo; Nasa iyo na basahin ang modelo nang kritikal, gawin ang pagkakaiba sa pagsasanay/pagsubok, tingnan ang agwat ng kumpiyansa, at suriin kung pisikal na kapani-paniwala ang hula. Gaano man katumpak ang paglitaw ng numero ng modelo, hindi ito maaaring maging batayan para sa isang desisyon sa engineering sa labas ng hanay ng data.

tatlong mini case

Case 1 — Error sa tahimik na volume. Gusto ng isang engineer ng code na ginagawang kalkulahin ng AI ang average na grado mula sa data ng assay. Gumagana ang code, ang resulta ay 2.1 g/t. Binabasa ng engineer ang code; Pansinin na ang average ay hindi natimbang sa haba ng pagitan, ngunit kinukuha bilang isang tuwid na average. Ang mga matataas na marka sa maikling pagitan ay hindi patas na tumaba. Kapag lumipat sa weighted average, bumababa ang halaga sa 1.7 g/t. Ang code ay hindi nagbigay ng mga error; nahuli ng pagbabasa ang pagkakamali.

Case 2 — Tahimik na pagbaba ng linya. Sa isang code ng buod ng produksyon, nilinis ng AI ang mga hilera na may mga nawawalang halaga gamit ang dropna. Ang code ay tumatakbo nang maayos, ngunit ang kabuuang tonelada ay minamaliit dahil ang ilang wastong mga hilera ay ganap na ibinaba dahil sa isang solong walang laman na column. Kapag inihambing ng inhinyero ang bilang ng mga linya sa pagitan ng input at output, nakikita niya ang pagkakaiba at itinutuwid ang lohika ng paglilinis. Aralin: palaging ihambing ang bilang ng mga linya ng input at output.

Kaso 3 — Extrapolation trap. Ang isang pangkat ay naglalapat ng modelo ng regression na natutunan sa hanay ng mababang grado sa isang lugar na may mataas na grado; Ang modelo ay nagbibigay ng isang walang katotohanan na pagtatantya ng mataas na ani. Sa kabutihang palad, tinanggihan ng inhinyero ang resulta, na nagsasabing "ang lugar na ito ay malayo sa saklaw na nakikita ng modelo" at humihiling ng metalurhiko na pagsubok. Aralin: alamin ang hanay ng data kung saan wasto ang modelo; Huwag gumamit ng out-of-state na pagtatantya.

Nakokopya na mga template ng prompt

SECURE DATA CLEANING CODE "Tungkulin: Isa kang Python data analyst assistant. Sumulat ng code na may mga pandas na naglilinis sa sumusunod na talahanayan. Mga column at unit: [listahan]. Mga Panuntunan: (1) i-print ang bilang ng mga row BAGO at PAGKATAPOS ng pag-drop ng mga row; (2) iulat kung aling mga row ang na-drop at bakit; (3) magkomento sa halip na gumamit ng mga conversion ng simpleng hakbang. linya."

KAHILINGAN SA PAG-REVIEW NG CODE"Ipaliwanag ang sumusunod na Python code line by line at ituro ang mga sumusunod na risk point: maling pagpapalagay ng pangalan ng column, unit confusion, silent rowdrop, flat/weighted average error, edge case (null/negative)behavior. HUWAG AYUSIN ang code; ilista lang ang mga panganib. Code: [paste]."

TEST SETUP NA MAY MALIIT NA DATA "Para sa function na ito, manu-manong gumawa ng maliit na data ng pagsubok (5-6 na linya) kung saan alam ko ang resulta at ang inaasahang output; sumulat ng test block na nagsusuri kung gumagana nang tama ang function sa data na ito. Subukan din ang mga extreme cases (empty cell, negative, unit extreme value). Function: [paste]."

SIMPLE MODEL + BOUNDARY WARNING"Mag-set up ng simpleng regression para sa [x -> y] gamit ang sumusunod na data. Ibahin ang pagkakaiba sa pagitan ng pagsasanay/pagsubok, iulat ang sukatan ng error, at malinaw na sabihin ang hanay ng x kung saan ang modelo ay VALID. Babala kung ang mga hula ay ginawa LABAS ng saklaw na ito. Magkomento sa panganib ng labis na pagsasanay at [pagdikit ng data].":

Mahinang prompt / Malakas na prompt

WEAK PROMPT: "Kalkulahin ang average na marka mula sa data na ito."

MALAKAS NA PROMPT:"Tungkulin: Isa kang Python assistant. Mga Column: HoleID, From(m), To(m),Au(g/t). Kalkulahin ang WEIGHTED average na marka na may haba ng interval. Code: (1) i-print ang bilang ng mga row ng input/output; (2) iulat ang mga null/negative na value bago i-drop ang mga ito; (3) kumpirmahin ko rin ang resulta bilang manual. Data: [i-paste]."

Talahanayan ng paghahambing: panganib at pag-iingat

Panganib

sintomas

pag-iingat

Panghihimasok ng unit

Makatwiran ngunit maling numero

I-comment ang unit sa code, suriin ito

Tahimik na pagbaba ng linya

Nawawala ang kabuuan

Ihambing ang bilang ng mga linya ng input/output

Plain vs weighted average

maling average

I-verify ang pagtimbang

labis na pagkatuto

Masama sa data ng pagsubok

Pagsasanay/pagsubok sa paghihiwalay, panatilihin itong simple

extrapolation

Ang walang kapararakan na hula ay wala sa saklaw

Limitahan ang wastong saklaw

Mga karaniwang pagkakamali

Pagpapatakbo ng code nang hindi binabasa ito. "Hindi ito nagkaroon ng anumang mga error" ay hindi nangangahulugan na ito ay totoo.
Hindi pagsubok sa maliit na data. Ang tiwala na walang nabe-verify na halimbawa ay mali.
Hindi inihahambing ang bilang ng mga linya ng input/output. Ito ay kung paano tumakas ang tahimik na pagkalugi.
Hindi pinapansin ang hanay ng modelo. Hindi mapagkakatiwalaan ang mga pagtatantya ng extrapolation.
Nagtitiwala sa kagandahan ng tsart. Maaaring itago ng isang naka-istilong tsart ang maling numero.

Pansin: Kung ang AI code ay mapupunta sa isang engineering account, ang code na iyon ay kasing responsable ng isang account. Saanman ang kinalabasan ay maging desisyon sa pagmimina, patakbuhin ang code at ang output nito sa pamamagitan ng isang independiyenteng pagsusuri ng lohika at paghahambing sa pangalawang paraan kung maaari.

Sa buod

Ang Python ay ang de facto tool para sa pagsusuri ng data ng pagmimina, at lubos na pinapataas ng AI ang bilis kung kailan mo ito isulat. Ngunit ang AI code ay maaaring magkaroon ng mga silent na bug (pagkalito ng unit, pagbaba ng row, maling pag-average) at mga model traps (overlearning, extrapolation). Secure na daloy: malinaw na naglalarawan, gustong maliit at nababasa, basahin at unawain, pagsubok gamit ang maliit na kilalang data, query edge case, scale at logic check. Ang output ng modelo ay hindi maaaring maging batayan para sa isang desisyon sa labas ng hanay ng data; at bawat code ay nagdadala ng mas maraming responsibilidad bilang isang account kung ito ay magiging isang desisyon sa pagmimina.

Gawain ng aplikasyon

Gamitin ang template na "Secure data sanitization code" na may grade averaging o production summary task para makuha ang code mula sa AI; I-de-risk ang code sa template na "Paghiling ng pagsusuri sa code." Pagkatapos, gamit ang template na "Pag-set up ng pagsubok gamit ang maliit na data," manu-manong gumawa ng set ng data na alam mo ang mga resulta at i-verify ang code. Panghuli, para sa isang simpleng relasyon, mag-set up ng modelo na may template na "Simple model + limit warning" at subukan kung nagbibigay ito ng babala kapag lumampas ito sa wastong saklaw.

checklist

[ ] Binasa ko ang AI code at naunawaan ang bawat linya, hindi ko ito pinatakbo nang walang taros.
[ ] Sinubukan ko ito gamit ang maliit, manual na nabe-verify na data.
[ ] Inihambing ko ang bilang ng mga linya ng input at output.
[ ] Na-verify ko ang consistency at weighting ng unit.
[ ] Nilimitahan ko ang wastong hanay ng data ng modelo, iniiwasan ang extrapolation.
[ ] Sinuri ko ang resulta, na naging desisyon, na may independiyenteng lohika/pangalawang pamamaraan.

Pagsusulit sa Module

1. Nagtatanong ang isang intern sa AI chat tool tungkol sa average na grado ng ore body at direktang isinulat ang resultang halaga ng '1.8 g/t gold' sa ulat ng reserba. Ano ang pangunahing pagkakamali sa pamamaraang ito?

A) Ang halaga ng grado ay dapat magmula sa sariling data ng pagbabarena/pagsusuri at na-verify na forecast ng proyekto; Ang numerong nabuo ng AI ay maaaring isang hindi pinagkunan na katha ✔
B) Dapat itong hiniling para sa AI sa onsa sa halip na gramo
C) Ang halaga ay tama, isang tuldok lamang ang dapat na ginamit sa halip na isang kuwit
D) Sapat na itanong sa AI ang parehong tanong nang tatlong beses at kunin ang average

Paliwanag: Hindi alam ng modelo ng wika ang data ng pagbabarena ng iyong proyekto; gumagawa ng isang numero na tila pinaka-malamang (hallucination). Ang grado ay nagmumula lamang sa sariling pinagsama-samang data ng pagbabarena at geostatistical na pagtatantya ng proyekto; Ang output ng AI ay hindi maaaring isama sa ulat nang walang pag-apruba ng isang karampatang tao.

2. Ano ang nagagawa ng 'pag-uuri na nakabatay sa panganib' sa paggamit ng AI sa engineering ng pagmimina?

A) Ibaba ang presyo ng AI tool
B) Tukuyin ang papel ng AI at ang ipinag-uutos na lalim ng pag-verify ayon sa antas ng panganib ng gawain ✔
C) Ang mga prompt ay dapat isulat nang mas maikli
D) Awtomatikong italaga ang lahat ng desisyon sa AI

Paliwanag: Hindi lahat ng misyon ay nasa parehong antas ng panganib. Ang pag-uuri sa gawain bilang mababa/katamtaman/mataas/kritikal ay tumutukoy kung aling output ang maaaring malayang gamitin at kung alin ang nangangailangan ng standard at field verification at karampatang pag-apruba ng engineer.

3. Ano ang modelo ng 'variogram' sa geostatistics?

A) Pagkonsumo ng gasolina ng kagamitan
B) Pagbabago ng presyo ng metal sa paglipas ng panahon
C) Spatial na pagpapatuloy depende sa distansya; ✔ kung paano bumababa ang pagkakatulad habang ang mga puntos ay lumalayo
D) Ang dalas ng panginginig ng boses na nilikha ng pagsabog

Paglalarawan: Inilalarawan ng Variogram kung paano bumababa ang pagkakapareho ng mga sample sa isa't isa (spatial continuity) habang tumataas ang distansya sa pagitan ng dalawang puntos. Ginagamit ni Kriging ang modelong ito upang tantyahin ang mga hindi nasusukat na puntos na may margin ng kawalan ng katiyakan.

4. Ano ang pinakamahusay na diskarte kapag may AI pre-classify lithology mula sa drill core photography?

A) Pagproseso ng uri ng bato na ibinigay ng AI nang direkta sa drilling log
B) Pagkopya ng teksto ng AI sa ulat nang hindi sinusuri ang larawan
C) Pagkansela sa obserbasyon ng geologist at umaasa lamang sa AI
D) Isaalang-alang ang output bilang isang paunang hula/hypothesis at i-verify ito sa pamamagitan ng obserbasyon ng geologist at pagsusuri sa laboratoryo ✔

Paglalarawan: Maaaring bumuo ang AI ng isang hula at listahan ng atensyon mula sa larawan; Gayunpaman, ang panghuling desisyon sa lithology/pagbabago ay ginawa ng obserbasyon ng geologist at pagsusuri sa laboratoryo. Ang output ng AI ay isang panimula, isang hypothesis na ibe-verify.

5. Ano ang ibig sabihin ng 'stripping ratio' sa pagpaplano ng open pit?

A) Ang dami ng kalawang (waste rock) na dapat alisin para maabot ang isang unit ng ore ✔
B) Porsiyento ng metal sa ore
C) Araw-araw na bilang ng mga biyahe ng mga trak
D) Ang dami ng pampasabog na ginamit sa pagsabog

Deskripsyon: Ang stripping rate ay ang dami ng basura (strip/waste) na dapat alisin upang makamit ang isang yunit ng ore. Ang huling limitasyon ng hukay at ekonomiya ay higit na nakadepende sa ratio na ito; Kahit na ang AI ay bumubuo ng mga sitwasyon, ang desisyon sa hangganan ay nasa karampatang engineer.

6. Ano ang ibig sabihin sa predictive maintenance kapag nahanap ng AI ang 'mga anomalya' sa data ng vibration at temperatura?

A) Patunay na ang kagamitan ay tiyak na nabigo
B) Isang babala na ang data ay lumihis mula sa normal; Ito ay hindi isang tiyak na diagnosis ng malfunction, ngunit isang senyales na kailangang kumpirmahin ng pisikal na pagsusuri ✔
C) Mag-utos na ang kagamitan ay dapat na awtomatikong ihinto
D) Ginagarantiya na ang data ay naitala nang hindi tama

Paliwanag: Ang anomalya ay isang paglihis ng data mula sa normal na pag-uugali at maaaring magpahiwatig ng malfunction; ngunit hindi ito isang tiyak na diagnosis. Ang desisyon na ihinto ang kagamitan o palitan ang mga bahagi ay ginawa sa pisikal na pagsusuri ng maintenance team at sa pag-apruba ng operations manager.

7. Alin ang mahalaga para sa kaligtasan kapag gumagamit ng AI sa drill-blast na disenyo?

A) Pagpapatupad ng rekomendasyon ng AI nang direkta sa larangan
B) Nilaktawan ang pagsukat ng vibration
C) Pag-verify ng iminungkahing disenyo ng AI na may pagsukat sa field, limitasyon sa regulasyon at pag-apruba ng awtorisadong eksperto sa pagsabog ✔
D) Pag-aayos ng dami ng mga pampasabog na may pinakamataas na ibinigay ng AI

Paglalarawan: Pagsabog; Nagdadala ito ng malubhang panganib sa kaligtasan at regulasyon tulad ng vibration, air shock at lumilipad na mga bato. Maaaring gumawa ang AI ng sketch ng disenyo at rekomendasyon ng parameter; Gayunpaman, ang panghuling disenyo ay dapat pumasa sa pagsukat sa field, mga limitasyon sa regulasyon at pag-apruba ng awtorisadong eksperto sa pagsabog (detonator/responsable).

8. Ano ang karaniwang ugnayan sa pagitan ng 'recovery' at 'concentrate grade' sa pagproseso ng mineral at ano ang dapat tandaan ng AI kapag binibigyang kahulugan ito?

A) Ang dalawa ay laging dumarami nang magkasama
B) Walang relasyon sa pagitan nila
C) Ang relasyon ay pare-pareho at pareho sa lahat ng pasilidad
D) Karaniwang may baligtad na balanse (bumababa ang ani habang tumataas ang grado); ang aktwal na mga halaga ay dapat ma-verify sa pamamagitan ng metalurhikong pagsubok at mass balance ✔

Paliwanag: Sa pangkalahatan, habang sinusubukan nating makakuha ng mas mataas na concentrated grade, bumababa ang yield (grade-yield balance). Maaaring ipaliwanag ng AI ang kalakaran na ito, ngunit ang aktwal na mga halaga ng pagpapatakbo ay dapat kumpirmahin ng metalurhiko na pagsubok at balanse ng masa; ang pangkalahatang kalakaran ay hindi kapalit ng katotohanang partikular sa site.

9. Ano ang pinakaangkop na paggamit ng pagsusuri sa malapit na miss/aksidente na data gamit ang AI sa kaligtasan sa trabaho?

A) I-classify ang mga libreng text record at kunin ang mga umuulit na pattern ng panganib; Ipaubaya ang desisyon sa OHS expert ✔
B) Awtomatikong matukoy ang salarin ng mga aksidente
C) Pagdelegasyon ng mga order sa pagpapahinto ng trabaho sa AI
D) Pag-archive ng near-miss record nang hindi sinusuri ang mga ito

Paglalarawan: Maaaring uriin ng AI ang malaking halaga ng mga libreng text record at mabilis na kunin ang mga paulit-ulit na pattern at mapanganib na mga kundisyon. Gayunpaman, ang desisyon na huminto sa isang trabaho, lumikas sa isang lugar o ugat na dahilan ay ginawa sa loob ng balangkas ng eksperto sa OHS at ng batas; Ang output ng AI ay input, hindi desisyon.

10. Bakit ang 'acceleration of deformation rate' ay isang kritikal na tanda sa radar/prism data sa slope monitoring?

A) Ito ay tiyak na nagpapahiwatig na ang aparato ng pagsukat ay sira.
B) Ito ay maaaring magpahiwatig ng isang progresibong pagkatalo; Ang maagang babala at desisyon sa paglikas ay pag-aari ng geotechnical engineer ✔
C) Ipinapakita nito na ang slope ay ganap na ligtas
D) Ito ay makabuluhan lamang kapag may pag-ulan at maaaring balewalain

Paliwanag: Bago ang mga pagkabigo ng slope, ang isang unti-unting pagtaas sa rate ng pagpapapangit (pagpabilis) ay karaniwang sinusunod; Ito ay maaaring tanda ng progresibong kabiguan. Maaaring i-highlight ng AI ang trend, ngunit ang desisyon sa paglikas/maagang babala ay ginawa ng pagsusuri at protocol ng geotechnical engineer.

11. Sa pagsubaybay sa kapaligiran, ano ang pinakatumpak na tugon sa isang 'exceedance' sign na nakita ng AI sa isang water quality time series?

A) Direktang pag-uulat ng output ng AI sa ahensya ng gobyerno
B) Huwag pansinin ang babala at magpatuloy sa panonood
C) I-verify gamit ang accredited na resulta ng laboratoryo, limitasyon ng regulasyon at pagsusuri sa environmental engineer ✔
D) Umaasa lamang sa AI at pagkansela ng pagsusuri sa laboratoryo

Paglalarawan: Maaaring magsenyas ang AI ng posibleng paglabag nang maaga; Gayunpaman, ang opisyal na desisyon sa pagsang-ayon ay ginawa sa pamamagitan ng akreditadong pagsusuri sa laboratoryo, limitasyon ng mga halaga sa batas at pagsusuri ng environmental engineer. Ang AI output ay isang screening alert, hindi isang legal/teknikal na desisyon.

12. Ano ang pinaka-maaasahang paraan upang maiwasan ang pagkuha ng isang gawa-gawang (hallucinatory) na sanggunian kapag tinanong mo sa AI ang numero ng sugnay ng isang pamantayan tulad ng JORC o NI 43-101?

A) Umaasa sa numero ng item na ibinigay ng AI
B) Pagtatanong muli ng parehong tanong na may iba't ibang salita
C) Pagtingin sa isang blog post sa halip na ang pamantayan
D) Pagbubukas at pagkumpirma sa bawat sanggunian ng artikulo mula sa kasalukuyang opisyal na teksto ng pamantayan at pagkuha ng pag-apruba mula sa isang karampatang tao ✔

Paliwanag: Bagama't alam ng modelo ng wika ang pangalan ng pamantayan nang tama, maaari itong mag-hallucinate sa numero ng artikulo at teksto. Ang bawat sanggunian ng sangkap ay dapat buksan at kumpirmahin mula sa kasalukuyang opisyal na teksto ng pamantayan at ang pangwakas na pagsunod ay dapat kumpirmahin ng karampatang tao (CP/QP).

13. Ano ang pinaka-kritikal na pagsusuri bago magpatakbo ng AI-written Python analysis script?

A) Pagbabasa ng code at pag-verify sa pagtutugma ng unit/column, pagsubok gamit ang maliit na kilalang data at pagsuri sa pagiging totoo ng resulta ✔
B) Direktang pagpapatakbo ng code sa buong set ng data nang hindi ito binabasa
C) Nakikita lamang na walang pagkakamali at tinatanggap ang resulta
D) Umaasa sa mga graphics ng output upang magmukhang maganda.

Paglalarawan: Maaaring paghaluin ng AI code ang mga unit, ipagpalagay nang hindi tama ang mga pangalan ng column, o tahimik na i-drop ang mga row. Mahalagang basahin ang code, i-verify ang dami at pagtutugma ng column, subukan gamit ang kaunting kilalang data, at suriin kung ang resulta ay makatwiran sa engineering.

14. Ano ang pinakamahusay na pag-uugali sa mga tuntunin ng privacy kapag nagbibigay ng data ng pagmimina sa isang cloud-based na AI tool?

A) I-paste ang lahat ng hilaw na data ayon sa dati
B) I-anonymize ang konteksto at linisin ang sensitibong reserba/coordinate/production data at gumamit ng corporate, tool na sumusunod sa patakaran ✔
C) Ipagpalagay na ang pagbibigay ng aktwal na mga coordinate ay mahalaga para sa kalidad ng resulta
D) Hindi pinapansin ang patakaran sa privacy

Paliwanag: Ang mga numero ng reserba, impormasyon ng lisensya/coordinate at data ng produksyon ay sensitibo sa mga tuntunin ng mga lihim ng kalakalan at batas. Kinakailangang i-anonymize ang konteksto, i-clear ang mga tunay na coordinate at pangalan, piliin ang tool sa paggarantiya ng kumpanya/privacy at sumunod sa patakaran ng kumpanya.