Mga nadagdag:
- Kakayahang gumamit ng AI nang mahusay sa pagproseso, kontrol sa kalidad at pag-uulat ng mga resulta ng laboratoryo
- Kakayahang mapabilis ang pag-draft ng geological/geotechnical na ulat, pagsusuri sa literatura at buod ng data gamit ang AI
- Kakayahang i-secure ang awtomatikong nabuong nilalaman na may kakayahang masubaybayan, kumpirmasyon ng pinagmulan at pag-apruba ng engineer
Ang isang hindi nakikita ngunit malaking bahagi ng trabaho ng isang geological engineer ay nagaganap sa opisina: pagproseso ng mga resulta ng laboratoryo, kontrol sa kalidad, pag-tabulate ng data, pagsulat ng mga ulat, pag-scan ng literatura, at paghahanda ng mga mapa at figure. Ang mga trabahong ito ay paulit-ulit, umuubos ng oras at nangangailangan ng atensyon; Ito mismo ang lugar kung saan ang artificial intelligence ay nakakatipid ng pinakamaraming oras. Ngunit mayroong isang bitag din dito: ang ulat ay ang opisyal na batayan para sa isang desisyon sa engineering. Ang isang gawa-gawang pinagmulan, isang maling kopyang numero, o isang hindi masusubaybayang paghahabol ay maaaring makapasok sa isang dumadaloy na teksto nang hindi napapansin, at ang mga kahihinatnan ay maaaring maging malubha. Ang layunin ng yunit na ito ay magtatag ng isang disiplina na hindi kailanman nagpapahinga sa traceability, pagkumpirma ng pinagmulan at pag-apruba ng engineer habang gumagamit ng artificial intelligence sa end-to-end na kahusayan sa opisina.
Sa yunit na ito, sasaklawin natin ang tatlong larangan ng opisina: pagpoproseso ng resulta ng laboratoryo at QA/QC (paglilinis at pagtiyak ng data ng pagsusuri), produksyon ng ulat at literatura (pagdraft, abstracting at screening acceleration), at pag-automate ng daloy ng trabaho (pagre-regular ng mga paulit-ulit na gawain). Sa bawat hakbang, ang AI ay isang drafter at organizer; Ang katumpakan, pinagmulan at panghuling pag-apruba ng nilalaman ay pagmamay-ari ng engineer.
Pagproseso ng Resulta sa Laboratory at QA/QC
Ang mga resulta ng laboratoryo (mga pagsusuri sa grado, mga pagsusuri sa indeks ng lupa, kimika ng tubig) ay kadalasang dumarating sa iba't ibang mga format, sa iba't ibang mga yunit at kung minsan ay hindi tama. Ang AI ay umaangkop sa data na ito sa isang solong schema, kumukuha ng hindi pagkakapare-pareho ng unit, nagba-flag na mas mababa sa limitasyon ng pagtuklas at sinusuri ang mga sample ng QA/QC (blangko na sample, karaniwang reference na materyal, muling pagsusuri). Ang QA/QC (quality assurance/quality control) ay ang inspeksyon na nagpapatunay sa pagiging maaasahan ng laboratoryo: kung may kontaminasyon sa blankong sample, deviation sa standard, hindi pagsunod sa repeat sample, questionable ang data.
Kritikal na punto: Ang AI ay hindi kailanman tahimik na nagtatanggal o nagwawasto ng isang halaga. Ang trabaho nito ay mag-flag ng mga may problemang linya at hayaan ang engineer na gumawa ng desisyon. Ang isang outlier ay maaaring isang tunay na mataas na ore o isang error sa laboratoryo; Ginagawa ng inhinyero ang pagkakaibang ito sa konteksto. Sinusuri ng artificial intelligence ang data, hindi ito nililinis.
Tip: Ulitin ang panuntunang "markahan lang, huwag baguhin" sa bawat prompt kapag nagpoproseso ng data ng lab. Ang pinaka mapanlinlang na pagkakamali ng AI ay kapag sinisira nito ang hilaw na data sa pamamagitan ng "pagwawasto" ng isang halaga na may mabuting intensyon at hindi napagtatanto ito.
Ulat at Produksyon ng Literatura
Ang AI ay isang makapangyarihang drafter sa pagsulat ng ulat: binabalangkas ang seksyon ng pamamaraan, panimulang konteksto, buod ng konklusyon sa ilang minuto; nagbubuod ng mahabang katawan ng panitikan; Kino-convert ang isang kumplikadong talahanayan sa plain text. Ngunit ang dalawang panganib ay maliwanag. Ang una ay ang gawa-gawang pinagmulan: kumpiyansa na makakabuo ang modelo ng isang hindi umiiral na artikulo, isang huwad na may-akda, o isang hindi umiiral na artikulo ng canon. Pangalawa, ang error sa paghawak ng numero: ang isang grado, isang koepisyent ng kaligtasan o isang lalim ay maaaring maling ilipat kapag nagpasa sa teksto.
Kaya ang ginintuang tuntunin: Ang AI ay gumagawa ng draft, ang engineer ay nagpapatunay at nagmamay-ari nito. Ang bawat pinagmulan ay nakumpirma mula sa orihinal (apokripal na mga sanggunian ang pinakakaraniwang uri ng guni-guni); ang bawat numero ay inihambing sa raw data; Ang bawat teknikal na paghahabol ay nasubok sa kaalaman sa engineering. Kapag nalagdaan na ang ulat, ang responsibilidad para sa bawat pangungusap dito ay nasa pumirma — "sinulat ito ng AI" ay hindi isang dahilan.
Pansin: Huwag tanggapin ang bibliograpiya na ginawa ng artificial intelligence kung ano ito. Ang mga gawa-gawa ngunit mukhang makatotohanang mga sanggunian (tila tumpak na may-akda, journal, taon) ay ang pinakakaraniwan at mapanganib na mga guni-guni. I-verify ang bawat reference laban sa independiyenteng database.
Automation at Traceability ng Daloy ng Trabaho
Ang pag-automate ng mga paulit-ulit na gawain (pagproseso ng buwanang data ng pagsubaybay sa tubig, pagpuno ng isang karaniwang template ng ulat, pagsasama-sama ng mga talahanayan ng pagbabarena) na may artificial intelligence ay nagbibigay ng mahusay na kahusayan. Ngunit ang automation ay maaari ding mag-automate ng error: ang isang maling panuntunan kapag naitatag ay tahimik na inuulit sa bawat pagtakbo. Iyon ang dahilan kung bakit dapat na masubaybayan ang mga automated na daloy ng trabaho: pagtatala kung aling input, aling hakbang, kung aling bersyon ng modelo ang bawat output ay nagmumula; Kapag may nakitang error, dapat ma-trace ang root cause at lahat ng apektadong output.
Ang traceability ay nangangahulugan sa pagsasanay: ang pinagmulan at petsa ng data ng input, ang mga pagbabagong inilapat, ang prompt/modelong bersyon na ginamit at ang hakbang ng pag-apruba ng tao ay naitala. Tinitiyak nito ang parehong pag-debug at pananagutan sa engineering. Ang hindi makontrol na automation, gaano man kabilis, ay hindi katanggap-tanggap sa isang negosyong kritikal sa kaligtasan.
Tatlong Mini Cases: By the Numbers
Case 1 — Pagkuha ng QA/QC drift. Ang isang kargamento sa laboratoryo ay naglalaman ng 320 grade sample. Na-flag ng AI QA/QC screening ang karaniwang reference na materyal bilang sistematikong 8% na kulang sa pagbasa sa nakalipas na 40 sample — instrument calibration drift. Ang sistematikong error na ito ay isang problema na napakahirap matukoy nang manu-mano ngunit naapektuhan ang buong batch; Ang kargamento ay muling sinuri. Hindi siya ang nagpasya sa pattern, ginawa niyang nakikita ang pattern.
Case 2 — Gawa-gawa na pinagmulan. Binabalangkas ng AI ang seksyon ng panitikan ng isang geotechnical na ulat at gumawa ng anim na sanggunian. Sa panahon ng pag-verify, napag-alaman na ang dalawa sa kanila ay hindi kailanman umiral at ang isa ay naiugnay sa maling journal. Kung ang mga sanggunian ay hindi nasuri nang paisa-isa laban sa isang independiyenteng database, ang mga gawa-gawang pinagmumulan ay maaaring magpasok ng isang nilagdaang ulat ng engineering. Bumilis ang draft; Na-save ang kumpirmasyon.
Kaso 3 — Root cause na may kakayahang masubaybayan. Sa buwanang automation ng pagsubaybay sa tubig, ang mga halaga ng isang balon ng pagmamasid ay iniulat sa maling yunit sa loob ng tatlong buwan. Salamat sa talaan ng kakayahang masubaybayan, natagpuan ito sa loob ng ilang minuto kung kailan nagsimula ang error sa hakbang ng conversion at ginawa ang isang buong listahan ng tatlong apektadong ulat. Kung walang mga talaan na itinatago, mananatiling hindi malinaw kung aling mga printout ang nasira at ang buong archive ay paghihinalaan.
Mahina Prompt / Malakas na Prompt
Mahinang prompt:
Sumulat ng geotechnical na ulat para sa proyektong ito, isama ang literatura. [data]
Napakahusay na prompt:
Ang iyong tungkulin: Report drafter. DRAFT ng ulat na may sumusunod na datos ngunit:1) Batay LAMANG sa datos na aking ibibigay; HUWAG gumawa ng numero, pinagmulan o paghahanap. 2) Ipakita gamit ang mga panaklong kung saang linya ng input nagmula ang bawat numero. 3) Sa halip na likhain ang aktwal na pinagmulan para sa literatura, maglagay ng placeholder na "na-verify na pinagmulan tungkol sa [paksa] ay idadagdag dito". 4) Markahan kahit saan na hindi ka sigurado bilang "REQUIRE ENGINEER CONFIRMATION". Ang panghuling nilalaman at lahat ng mga mapagkukunan ay aking ibe-verify. Anonymous ang data.
Apat na Nakokopyang Template
1) Pag-inspeksyon ng QA/QC sa laboratoryo:
Suriin ang talahanayan ng mga resulta ng laboratoryo: pagkakaiba ng unit, mga palatandaan na mas mababa sa limitasyon ng pagtuklas, kontaminasyon sa blangkong sample, sistematikong pag-anod sa karaniwang sanggunian, hindi pagsunod sa paulit-ulit na sample. Markahan lamang ang mga may problemang hilera gamit ang example_id; Huwag tanggalin o itama ang anumang mga halaga. Nasa akin ang desisyon.
2) Ipatupad ang kumpirmasyon ng pinagmulan:
Kunin ang lahat ng numerical claims at source citation sa text na ito at gumawa ng checklist: ang input kung saan nakabatay ang bawat numero, ang citation ng bawat source na kailangang kumpirmahin. Pinagmulan ng katha; Markahan ang "dapat ma-verify" kung saan hindi mo ma-verify.
3) Framework ng traceability record:
Magmungkahi ng template ng traceability record para sa automated na workflow na ito: input source at petsa, mga pagbabagong inilapat, prompt/modelong bersyon na ginamit, hakbang sa pag-apruba ng tao. Ipakita kung paano makarating sa ugat na sanhi at mga apektadong output kapag may nakitang error.
4) Pagsusuri ng pagkakapare-pareho ng ulat:
I-scan ang draft ng iyong ulat para sa panloob na pagkakapare-pareho: tumutugma ba ang mga numero sa buod sa katawan, nagkakasalungat ba ang mga talahanayan at teksto, pare-pareho ba ang mga unit sa kabuuan, mayroon bang mga hindi natukoy na pagdadaglat? Ilista ang mga problema; Ang desisyon ng nilalaman ay akin.
Tungkulin sa Opisina, Mga Kita at Kontrol
Paghanap
pakinabang ng AI
Pangunahing panganib
Mandatory check
Pagproseso ng data sa laboratoryo
mataas
Tahimik na pagwawasto
"Mark, tanggalin" + raw data
QA/QC inspeksyon
mataas
Huwag palampasin ang slide
Blind/standard/reconfirmation
Report draft
mataas
Ginawang isyu/pinagmulan
Pagkumpirma ng numero at pinagmulan
Pagsusuri sa panitikan
mataas
Ginawang sanggunian
Independiyenteng pag-verify ng database
automation ng daloy ng trabaho
napakataas
Pag-uulit ng pagkakamali
Traceability record
Tip: Bago mag-set up ng automation, itanong "paano ko malalaman kung hindi gumagana ang workflow na ito?" Sagutin ang tanong. Kung hindi malinaw ang sagot, magdagdag muna ng traceability at control point; Ang bilis ay dumating pagkatapos ng pagkontrol.
Mga karaniwang pagkakamali
- Tahimik na itinatama ang halaga. AI "pagpapabuti" raw data ay ang pinaka mapanlinlang pagkakamali; ang panuntunan ay dapat palaging "markahan, huwag magbago."
- Hindi pag-verify ng bibliograpiya. Ang mga gawa-gawang sanggunian ay ang pinakakaraniwang guni-guni; Ang bawat imprint ay dapat na independiyenteng ma-verify.
- Hindi sinusuri ang number carry. Ang isang tenor o safety coefficient na lumalala kapag pumasa sa teksto ay nakatago sa matatas na teksto.
- Pagtatatag ng hindi masusubaybayang automation. Sa isang daloy ng trabaho na hindi nag-iingat ng mga talaan, ang ugat na sanhi at epekto ng error ay hindi matukoy.
- Sumilong sa dahilan na "sinulat ito ni AI". Ang responsibilidad para sa bawat pangungusap na nilagdaan ay nasa pumirma; hindi maaaring i-relax ang pag-apruba.
Sa buod
- Ang trabaho sa opisina ay ang lugar kung saan ang artificial intelligence ay nakakatipid ng pinakamaraming oras; Ngunit ang ulat ay isang opisyal na batayan para sa pagpapasya at ang mga pagkakamali ay mahal.
- Sa data ng laboratoryo, nag-audit ang AI, hindi naglilinis; ang panuntunan ay "mark, delete/correct", ang desisyon ay nasa engineer.
- Ang mga pekeng mapagkukunan at numero sa mga ulat at literatura ang pinakakaraniwang panganib; Ang bawat pinagmulan at numero ay na-verify.
- Maaaring pataasin ng automation ang error pati na rin ang bilis; Tinitiyak ng traceability record ang ugat ng sanhi at mga apektadong output.
- Ang inhinyero ay may pananagutan para sa nilagdaang nilalaman; "Isinulat ito ng AI" ay hindi isang dahilan.
Gawain ng aplikasyon
Makatanggap ng hindi nakikilalang talahanayan ng mga resulta ng lab (o data ng kinatawan). Magkaroon ng mga linya ng problema sa pag-flag ng modelo na may template na "Laboratory QA/QC audit"; sinasadyang sistematikong inilipat ang isang karaniwang halaga ng sanggunian at subukan kung nahuli ito ng modelo at sinusubukang tanggalin ang halaga. Pagkatapos, magpagawa ng maikling seksyon ng ulat at ilagay ang bawat isyu at pinagmulan nito sa isang checklist gamit ang template na "hamon sa pag-verify ng pinagmulan."
checklist
- [ ] Palagi kong inilalapat ang panuntunang "markahan, tanggalin/tama" sa AI sa data ng lab.
- [ ] Sinusuri ko ang pagiging maaasahan ng laboratoryo gamit ang mga sample ng QA/QC (blangko, karaniwan, umuulit).
- [ ] Independyente kong bini-verify ang bawat pinagmulan at numero sa ulat at literatura.
- [ ] Nag-set up ako ng mga automation ng workflow na may kakayahang masubaybayan.
- [ ] Tinatanggap ko na mayroon akong ganap na pananagutan para sa nilalaman na aking pinirmahan.