Etika, Privacy ng Data, Mga Hangganan at Pamamahala sa Holistic Verification

Mga nadagdag:

• Kakayahang ipatupad ang mga panuntunan sa privacy upang maprotektahan ang mga karapatan sa mineral, data na partikular sa site at mga sensitibong komunidad
• Kakayahang gawing mga kontrol sa pagpapatakbo ang mga guni-guni, kawalan ng katiyakan at mga limitasyon ng responsibilidad
• Kakayahang mapanatili ang paggamit ng AI sa geological engineering na may end-to-end na pag-verify at disiplina sa pamamahala

Ang panghuling yunit ng modyul na ito ay dinadala ang lahat ng naunang mga yunit sa ilalim ng isang bubong: ang pamamahala sa paggamit ng artificial intelligence sa geological engineering nang mapanatili, ligtas at etikal. Ang teknikal na kasanayan lamang ay hindi sapat; Pinoprotektahan din ng isang geological engineer ang komersyal na sensitibong data, isinasaalang-alang ang mga sensitibong komunidad at kapaligiran, isinasalin ang guni-guni at kawalan ng katiyakan sa mga kontrol sa pagpapatakbo, at inaako ang tunay na responsibilidad. Ginagawa ng unit na ito ang magulo na mga panuntunan sa isang maisasagawang disiplina: kung ano ang hindi natin ibinabahagi, anong output ang pinagkakatiwalaan natin at kung paano, ano ang ginagawa natin kapag nagkamali, at kung paano gawing permanenteng ugali ang lahat ng ito.

Ang Geology ay isang propesyon na ang mga desisyon ay umaabot sa milya-milya sa ilalim ng lupa, milyon-milyong dolyar sa mga pamumuhunan, at kung minsan ay ang kaligtasan ng buong komunidad. Iyon ang dahilan kung bakit ang etika dito ay hindi isang abstract na ideya, ngunit ang mga konkretong panuntunan na naka-embed sa pang-araw-araw na daloy ng trabaho. Kapag natapos mo ang yunit na ito, magagawa mong ibagay ang bawat diskarteng natutunan mo sa buong module sa isang balangkas ng pamamahala at gumamit ng artificial intelligence bilang isang controlled force multiplier, hindi isang mapagkukunan ng panganib.

Data Privacy at Mineral Rights Sensitivity

Ang geological data ay kadalasang lubhang sensitibo. Ang mga drilling coordinates, grade value, reserve figure at exploration target ay mga trade secret at sa pangkalahatan ay pagmamay-ari ng may-ari ng mga karapatan sa mineral (kumpanya o estado ng may lisensya). Ang paglalagay ng data na ito sa isang hindi makontrol na panlabas na serbisyo ng AI ay nagdudulot ng tatlong seryosong panganib: mapagkumpitensyang panganib (maaaring masubaybayan ng isang kakumpitensya ang isang pagtuklas), legal na panganib (paglabag sa privacy at pagmamay-ari ng data), at panganib sa komunidad (maaaring magbunga ng haka-haka at salungatan ang maagang pagtagas ng isang pagtuklas).

Ang tamang diskarte ay layered. Una, pag-anonymize ng sensitibong data: pinapalitan ang mga aktwal na coordinate ng mga kinatawan na halaga, aktwal na pangalan ng field na may "Field-A", mga aktwal na marka na may mga naka-scale/representative na halaga. Pangalawa, hangga't maaari, gumamit ng mga tool na inaprubahan at kinokontrol ng institusyon (in-house o mga kapaligirang protektado ayon sa kontrata kung saan hindi tumutulo ang data). Ikatlo, ang prinsipyo ng hindi bababa sa data: pagbabahagi ng pinakamaliit na halaga ng data na sapat para sa gawain, hindi ang buong database. Ang bilis ng isang output ay hindi kailanman nauuna sa pagiging kumpidensyal ng data.

Pansin: Ang paggawa ng tala na "Ang data na ito ay kumpidensyal" ay hindi nagpoprotekta sa data. Ang pagsulat na ito ay kumpidensyal at pagbabahagi nito bilang ay nagdadala ng parehong panganib bilang hindi pagsulat sa lahat. Nakamit ang privacy sa pamamagitan ng pag-anonymize ng data at paggamit ng mga kinokontrol na paraan; hindi sa pamamagitan ng pagpapahayag ng layunin.

Gawing Operational Control ang Hallucination at Kawalang-katiyakan

Sa kabuuan ng module, nakita namin ang hallucination (ang modelo na gumagawa ng hindi umiiral na impormasyon na parang ito ay totoo) at paulit-ulit na kawalan ng katiyakan. Sa unit na ito, binabago namin ang mga ito mula sa mga abstract na babala patungo sa mga konkretong kontrol. Tatlong kontrol sa pagpapatakbo ang gumaganap para sa bawat output ng AI:

hadlang sa mapagkukunan. Ang pagpapataw ng panuntunang "batay lamang sa data na ibibigay ko sa iyo, huwag mo itong gawing" sa modelo at pagmamarka ng pinagmulan ng bawat claim. Hindi nito tinatapos ang guni-guni, ngunit ginagawa itong nakikita.

Pagpipilit sa kawalan ng katiyakan. Humihingi ng antas ng kumpiyansa o saklaw sa halip na isang pagtatantya ng punto. Pinipigilan ng "high confidence / medium / speculative" na pagkakaiba ang modelo na kumilos na parang tumpak.

Independent verification. Ang tatlong anchor na itinatag namin sa buong module—order of magnitude, geological plausibility, field evidence—ay nalalapat sa bawat output. Ang karaniwang pagkalkula at pag-apruba ng engineer ay idinaragdag din sa mga output na kritikal sa kaligtasan.

Ang tatlong kontrol na ito ay hindi nag-aalis ng guni-guni at kawalan ng katiyakan; ginagawa silang mapapamahalaan, nakikita at naa-audit. Ito ang pagkakaiba: ang hindi nakokontrol na panganib ay mapanganib, nakikita at pinamamahalaang panganib ay normal ng engineering.

Mga Limitasyon ng Pananagutan at Pahintulot ng Tao

Ang hindi nababagong prinsipyo ng modyul na ito ay: ang artificial intelligence ay sumusuporta at nagpapabilis; Ang responsibilidad para sa desisyon, ulat at disenyo ay nananatili sa awtorisadong geological engineer. Ito ay hindi isang slogan, ito ay isang legal at etikal na katotohanan. Isang ulat na nilagdaan, isang pagtatasa ng panganib na ibinigay, isang inaprubahang disenyo—lahat ito ay propesyonal na responsibilidad ng isang tao. "Iyan ang sinabi ng AI" ay hindi isang dahilan sa engineering; parang hindi pwede "yan ang sabi ng calculator".

Nangangahulugan ito na ang pananagutan ay hindi delegado. Kahit na ang modelo ay gumagawa ng output, ang inhinyero na nag-transform sa output na iyon sa isang desisyon at pinipirmahan ito ay responsable para sa katumpakan ng output. Samakatuwid, ang bawat output na kritikal sa seguridad ay dapat na auditable (nasusubaybayan, kilala ang pinagmulan), nabe-verify (nasubok sa pamamagitan ng independiyenteng pagkalkula), at naaprubahan ng tao. Ang trio na ito ay ang huling layer ng kasiguruhan sa ibabaw ng bawat teknik na natutunan namin sa buong module.

Tip: Bago pumirma sa isang printout, tanungin ang iyong sarili: "Kung ang printout na ito ay lumabas na mali, maaari ko bang ipagtanggol kung ano ang pinagbatayan ko sa desisyon at kung paano ko ito binigyang katwiran?" Kung ang iyong sagot ay "binuo ng AI", hindi pa nakumpleto ang pag-verify.

Tatlong Mini Cases: By the Numbers

Kaso 1 — Pag-iwas sa pagtagas. Isang geologist sa isang exploration company ang malapit nang mag-upload ng 1,200 row ng aktwal na borehole-grade table sa isang walang kontrol na external na serbisyo para sa mabilis na pagsusuri. Ang patakaran ng institusyon ay naglaro at hiniling sa kanya na i-anonymize muna ang data (i-scale ang mga coordinate at itago ang pangalan ng field). Nang maglaon, ang komersyal na halaga ng pagtuklas na iyon ay naging milyun-milyong dolyar; Ang hindi makontrol na pag-load ay maaaring isang malubhang pagtagas mula sa isang mapagkumpitensya at legal na pananaw. Inabot ng ilang minuto ang anonymization, napakalaki ng halagang napanatili nito.

Kaso 2 — Nakikita ang kawalan ng katiyakan. Sa isang source na ulat, hiniling ng koponan ang output ng modelo sa mga antas ng kumpiyansa sa halip na mga solong digit. Ito ay naka-out na ang isang zone na may markang "speculative" ay talagang batay sa isang solong pagbabarena; Ang zone na ito ay hindi kasama sa pagsusuri sa ekonomiya. Kung walang presyur ng kawalan ng katiyakan, ang isang solong tunog na palagay ay papasok sa isang milyong dolyar na desisyon bilang solidong data.

Kaso 3 — Tiwala nang may kakayahang masubaybayan. Nang tanungin ang tungkol sa pinagmulan ng bawat isyu ng isang geotechnical na ulat sa isang pag-audit, nagawang subaybayan ng team ang bawat halaga pabalik sa data ng pag-input, pamamaraan, at hakbang sa pag-apruba salamat sa mga talaan ng kakayahang masubaybayan. May nakitang maliit na pagkakaiba sa isang isyu, ngunit ang ugat at epekto ay natukoy at naitama sa loob ng ilang minuto. Nalutas ng disiplina sa pamamahala ang pagkakamali bago ito naging krisis.

Mahina Prompt / Malakas na Prompt

Mahinang prompt:

Suriin ang lahat ng data ng pagbabarena at grado ng aming kumpanya sa larangang ito at sabihin sa amin ang pinakamahusay na target sa pagmimina. [aktwal na mga coordinate at mga marka]

Napakahusay na prompt:

Gusto ko ng tulong sa pagsusuri sa paghahanap. Mga patakaran sa privacy:- Ang mga coordinate at pangalan ng site ay kinatawan ("Site-A", mga naka-scale na halaga); Hindi ako nagbabahagi ng mga tunay na halaga. - Umasa lamang sa teknikal na data na ibibigay ko; formation/mineral/age fitting.- Magbigay ng mga komento na may antas ng kumpiyansa (high/medium/speculative).- Ilista ang mga pagpapalagay na kailangang ma-verify sa dulo at ang mga puntong nangangailangan ng field confirmation. Ang huling desisyon at responsibilidad ay akin; Bumubuo ka ng mga draft at opsyon.

Apat na Nakokopyang Template

1) Paunang pagsusuri sa privacy:

Isaalang-alang ang panganib sa privacy bago ibigay ang sumusunod na data sa isang AI tool: aling mga field (coordinate, grade, pangalan ng site, kumpanya) ang sensitibo at paano dapat i-anonymize ang mga ito? Ano ang hindi ko dapat ibahagi ayon sa pinakamababang prinsipyo ng data? Bigyan mo ako ng checklist.

2) Hallucination visualization:

Ilista ang bawat makatotohanang claim (edad, pormasyon, numero, pinagmulan) sa output na ito nang hiwalay at para sa bawat isa: sinusuportahan ba ito ng ibinigay na data, hinuha ba ito, o hindi sinusuportahan? Malinaw na markahan ang mga hindi napatunayan o hindi nabe-verify.

3) Checklist ng pamamahala sa pag-verify:

Suriin ang tatlong layer para sa output na ito na kritikal sa seguridad: (1) traceability — naitala ba ang pinagmulan, pamamaraan, bersyon ng modelo? (2) verifiability — nasubok ba ito laban sa mga independiyenteng account/standard? (3) pag-apruba ng tao — mayroon bang isang kwalipikadong hakbang sa pag-apruba ng engineer? Markahan ang mga nawawala.

4) Paghihiwalay ng mga limitasyon sa pananagutan:

Hatiin ang gawaing ito sa dalawa: (A) data/draft work na ligtas na magagawa ng AI, (B) mga puntos na DAPAT na awtorisadong desisyon at lagda ng engineer. Tukuyin kung anong pagpapatunay ang kinakailangan para sa bawat item B.

Dimensyon, Panganib at Kontrol ng Pamamahala

Sukat

Pangunahing panganib

kontrol sa pagpapatakbo

Pagkapribado ng data

Kumpetisyon/legal na pagtagas

Anonymization + kinokontrol na sasakyan + minimal na data

guni-guni

Ang gawa-gawang impormasyon ay pumapasok sa lagda

Resource constraint + assertion control

kawalan ng katiyakan

maling katiyakan

Antas ng kumpiyansa/ hanay ng hamon

kakayahang masubaybayan

Hindi mahanap ang ugat na dahilan

Pinagmulan/paraan/tala ng bersyon

Pananagutan

Ang batayan para sa desisyon ay hindi mapanghawakan

Auditable + verifiable + human-certified

komunidad/kapaligiran

Maagang pagtagas, pagkawala ng kumpiyansa

Precision surveillance + transparency

Tip: Tingnan ang pamamahala bilang isang accelerator, hindi isang balakid. Ang mahusay na itinatag na mga patakaran sa privacy, pagpapatotoo at traceability ay ginagawang mga minutong pag-aayos ang mga oras-oras na krisis kapag may mga problema; Pinatataas ang pagiging maaasahan at muling paggamit.

Mga karaniwang pagkakamali

• Pagtatangkang tiyakin ang pagiging kumpidensyal sa pamamagitan ng deklarasyon ng layunin. Ang pagsulat ng "Kumpidensyal" na tala at pagbabahagi ng data bilang ito ay hindi pinoprotektahan ito; Ang anonymization at isang kinokontrol na sasakyan ay mahalaga.
• Pagbabawas ng kawalan ng katiyakan sa isang digit. Kung ang antas ng kumpiyansa ay hindi kinakailangan, isang solong tunog na palagay ang papasok sa desisyon na parang ito ay solidong data.
• Pag-bypass sa traceability. Kung walang talaan ng pinagmulan at pamamaraan, hindi matutukoy ang ugat na sanhi at epekto ng isang error.
• Paglipat ng responsibilidad sa sasakyan. "Sinabi kaya ng AI" ay walang dahilan; Ang pirma at desisyon ay pagmamay-ari ng engineer.
• Hindi pinapansin ang pagiging sensitibo sa komunidad at kapaligiran. Ang mga napaaga na pagtagas at kawalan ng transparency ay sumisira sa tiwala at lisensya sa lipunan.

Sa buod

• Ang geological data ay komersyal at legal na sensitibo; Sinisiguro ang privacy sa pamamagitan ng pag-anonymize, kinokontrol na paraan at ang prinsipyo ng hindi bababa sa data, hindi sa pamamagitan ng deklarasyon ng layunin.
• Ang hallucination at kawalan ng katiyakan ay isinalin sa tatlong mga kontrol sa pagpapatakbo: hadlang sa mapagkukunan, pagpapatupad ng kawalan ng katiyakan, independiyenteng pag-verify (tatlong anchor).
• Hindi maaaring italaga ang responsibilidad; Ang bawat output na kritikal sa seguridad ay dapat na auditable, nabe-verify at naaprubahan ng tao.
• Ang mabuting pamamahala ay hindi isang hadlang kundi isang accelerator; Ginagawa nitong mga minutong pag-aayos ang mga krisis at pinatataas ang kumpiyansa.
• Ang artificial intelligence ay isang kinokontrol na force multiplier sa geological engineering; Ang may-ari ng desisyon at lagda ay palaging ang awtorisadong engineer.

Gawain ng aplikasyon

Isaalang-alang ang isang tunay ngunit tumpak na set ng data (naglalaman ng mga coordinate at grado) mula sa iyong sariling negosyo. Isulat ang isang checklist kung aling mga field ang iyong i-anonymize at kung paano gamit ang template na "pre-check sa privacy." Pagkatapos, sa modyul na ito, pumili ng uri ng output na itinuturing mong pinakapeligro (hal. slope FS, liquefaction, resource tonnage), suriin ang tatlong layer (traceability, verifiability, pag-apruba ng tao) na may template na "checklist ng pamamahala sa pag-verify" at isulat sa isang pangungusap kung paano mo sasagutin ang isang puntong nawawala.

checklist

• [ ] Pinoprotektahan ko ang sensitibong data ng geology gamit ang anonymization, kinokontrol na paraan, at ang prinsipyo ng hindi bababa sa data.
• [ ] Pinamamahalaan ko ang guni-guni at kawalan ng katiyakan na may hadlang sa mapagkukunan, antas ng tiwala, at tatlong pagpapatunay ng anchor.
• [ ] Ginagawa kong auditable, nabe-verify at inaprubahan ng tao ang bawat output na kritikal sa seguridad.
• [ ] Pinagtibay ko na ang responsibilidad ay hindi naililipat at ang pirma ay nananatili sa engineer.
• [ ] Ipinapatupad ko ang pamamahala bilang isang speed and trust enabler, ang layer ng kasiguruhan sa ibabaw ng lahat ng mga diskarte sa module.

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pangunahing prinsipyo na tumutukoy sa panganib ng isang output ng AI sa geological engineering?

• A) Ang panganib ng isang output ay katumbas ng pinsalang idudulot nito kung ang output ay may sira; naaayon ang validation scale ✔
• B) Ang output ng AI ay karaniwang ligtas dahil ito ay nakasulat nang matatas at may kumpiyansa
• C) Ang pagpapatunay ay hindi kailangan kapag ang pinakabagong modelo ang ginamit
• D) Kung ang output ay tumutukoy sa isang pamantayan, walang karagdagang kontrol ang kinakailangan

Paliwanag: Ang panganib ng isang output ay katumbas ng pinsalang idudulot nito kung ang output ay mali. Habang ang isang maliit na error sa isang buod ng literatura ay maaaring hindi nakakapinsala, ang isang error sa isang slope factor ng kaligtasan o liquefaction assessment ay maaaring magresulta sa pagkawala ng buhay at pinsala sa ari-arian; kaya ang intensity ng pag-verify ay lumalago sa potensyal na pinsala.

2. Ano ang kailangan ng problema ng 'di-natatangi' sa geophysical inversion na gumamit ng AI?

• A) Direktang pagtanggap sa unang interpretasyong ginawa ng modelo
• B) Pagpapaliit ng interpretasyon sa pamamagitan ng pagkonekta nito sa well data, drilling at geological constraints ✔
• C) Piliin lamang ang pinakamataas na resolution ng graphic.
• D) Kumpletuhin ang pag-abandona ng geopisiko na data

Paliwanag: Ang parehong geophysical measurement (hal. gravity o resistivity data) ay maaaring ilarawan ng higit sa isang magkaibang modelo sa ilalim ng ibabaw. Kaya ang isang interpretasyon na ginawa ng AI ay hindi lamang ang tama; Dapat itong paliitin sa pamamagitan ng pagkonekta ng mga independiyenteng hadlang tulad ng log ng balon, pagbabarena at kontekstong geological.

3. Ano ang mga gamit ng variogram at kriging sa pagtatantya ng pinagkukunang yaman?

• A) Awtomatikong kulayan ang mga pangunahing larawan
• B) Inaayos ang bilis ng drilling machine
• C) Tinutukoy nito ang spatial na pagpapatuloy sa pagitan ng mga sample at tinatantya ang grado sa mga hindi naka-sample na bloke na walang katiyakan ✔
• D) Ito ay pisikal na nagpapayaman sa mineral

Paglalarawan: Ang Variogram ay isang sukatan ng spatial na pagpapatuloy na naglalarawan kung paano bumababa ang pagkakatulad ng grado habang tumataas ang distansya sa pagitan ng mga sample point. Ang Kriging ay isang geostatistical na pamamaraan na gumagamit ng istrukturang ito upang tantyahin ang grado sa mga hindi naka-sample na bloke kasama ang kawalan ng katiyakan sa pagtatantya; Ang modelo ng bloke ay binuo dito.

4. Aling hakbang ang mahalaga bago isaalang-alang ang isang mapa ng pagbabago na ginawa ng remote sensing na maaasahan?

• A) Ang paleta ng kulay ng mapa ay dapat na aesthetic.
• B) Ang imahe ay nai-download sa pinakamataas na resolution
• C) Field at sample control sa mga napiling punto na may ground truth ✔
• D) Ang anomalya ay minarkahan ng isang artificial intelligence

Paglalarawan: Ang spectral analysis ay nagbibigay ng mga anomalya na nagpapahiwatig ng mga mineral na nagbabago, ngunit ang mga ito ay maaaring mapanlinlang dahil sa mga vegetation, anino o atmospheric effect. Ang mapa ay hindi itinuturing na depinitibo nang walang ground truth at field at sample na kontrol sa mga napiling punto.

5. Bakit ang 'factor of safety' (FS) ay isang validation anchor para sa AI ​​output sa isang slope stability analysis?

• A) Dahil ipinapakita lamang nito ang halaga ng paghuhukay
• B) Dahil lang inilalarawan nito ang kulay ng slope
• C) Dahil pisikal na sinusubok nito ang panganib ng pagkabigo sa pamamagitan ng pagbibigay ng ratio ng mga pwersang lumalaban at dumausdos sa slide ✔
• D) Dahil ito ay makabuluhan lamang sa isang laboratoryo

Paliwanag: Ang kadahilanan ng kaligtasan ay ang ratio ng mga puwersa na lumalaban sa pag-slide sa mga puwersa na dumudulas; Ang halaga ng FS na malapit sa o mas mababa sa 1 ay nagpapahiwatig ng panganib ng pagkabigo. Ang isang slope geometry o hanay ng mga parameter na iminungkahi ng AI ay pisikal na sinusuri sa pamamagitan ng pagbuo ng FS sa pamamagitan ng pagkalkula ng equilibrium ng limitasyon at paghahambing nito sa mga karaniwang threshold.

6. Ano ang pangunahing layunin kapag nagpoproseso ng isang libreng-text na pangunahing paglalarawan ('brown, weathered, fractured limestone, sparse calcite veins') gamit ang AI?

• A) Random na muling pagsusulat ng obserbasyon
• B) Awtomatikong taasan ang lalim ng pagbabarena
• C) Pisikal na muling pagbilang ng core
• D) Gawing mapagtatanong ang data sa pamamagitan ng pagsasalin ng hindi pare-parehong libreng teksto sa karaniwang terminolohiya at mga structured na field ✔

Paglalarawan: Kino-convert ng AI ang hindi pare-parehong mga obserbasyon sa field ng libreng text sa karaniwang terminolohiya at mga structured na field (lithology, antas ng weathering, discontinuity, pangalawang mineral), ginagawang query at maihahambing ang data. Gayunpaman, ang heolohikal na interpretasyon ay muling kinumpirma ng inhinyero.

7. Bakit partikular na kritikal ang isang 'false negative' sa isang output ng AI na kinasasangkutan ng kaligtasan ng buhay, tulad ng pagmamapa ng pagkamaramdamin sa pagguho ng lupa?

• A) Dahil inuri nito ang mapanganib na lugar bilang ligtas at nagiging sanhi ng walang pag-iingat na dapat gawin at mga panganib sa buhay/ari-arian ✔
• B) Dahil pinapataas lamang nito ang laki ng file ng mapa
• C) Dahil lamang sa pinapataas nito ang bilang ng mga pahina ng ulat
• D) Dahil ang mga maling negatibo ay palaging hindi nakakapinsala

Paliwanag: Ang maling negatibo ay isang ligtas na pag-uuri ng isang lugar na talagang mapanganib; Sa kasong ito, walang ginawang pag-iingat at may panganib na mawalan ng buhay/ari-arian. Ang maling positibo ay nagreresulta sa mga hindi kinakailangang gastos. Sa mga lugar na pangkaligtasan sa buhay, maingat na pinipili ang threshold upang mabawasan ang mga maling negatibo at sinusuportahan ng kumpirmasyon sa field.

8. Aling pisikal na prinsipyo ang pangunahing validation anchor kapag sinusuri ang output ng modelo ng daloy ng tubig sa lupa?

• A) Ang modelo ay gumagawa ng kulay na output
• B) Pagsunod sa mass conservation (water balance) at observation well level ✔
• C) Tapusin ang simulation sa lalong madaling panahon
• D) Ang modelong file ay dapat nasa pinakabagong format

Paglalarawan: Ang mga modelo ng tubig sa lupa ay batay sa prinsipyo ng mass conservation (balanse ng tubig): ang dami ng tubig na pumapasok, umaalis at nag-iimbak sa system ay dapat na pare-pareho. Kahit na mukhang maganda ang pagkakalibrate na pinapagana ng AI, kung hindi nagsasara ang balanse ng tubig o hindi tumutugma sa mga antas ng balon ng pagmamasid, hindi maaasahan ang output.

9. Aling limitasyon ang dapat na partikular na isaisip kapag tinatantya ang permeability sa machine learning mula sa well log?

• A) Ang modelo ay awtomatikong wasto sa bawat larangan at bawat lithology
• B) Hindi dapat iulat ang kawalan ng katiyakan sa pagtataya.
• C) Direkta at walang error na pagsukat ng permeability mula sa mga log
• D) Ang relasyong natutunan ay tiyak sa mga kondisyong pang-edukasyon; ✔ Ang extrapolation sa iba't ibang site ay may mga panganib at dapat na maiugnay sa core/well testing ✔

Paliwanag: Ang permeability ay hindi direktang sinusukat mula sa mga log; Ang relasyon na natutunan ng modelo ay partikular sa mga facies at mga kondisyon ng presyon ng data ng pagsasanay. Ang bulag na paglalapat (extrapolation) sa ibang site o hindi pamilyar na lithology ay maaaring magdulot ng malaking error; Ang output ay dapat na naka-link sa pangunahing pagsukat at mahusay na pagsubok.

10. Bakit mahalaga ang traceability sa isang draft ng ulat ng geology na binuo ng AI?

• A) Hindi kailangan ang traceability dahil pinapataas lamang nito ang laki ng file
• B) Hindi na kailangang magtago ng mga tala dahil hindi kailanman nagkakamali ang AI
• C) Ang ugat na sanhi at pananagutan ay hindi mase-secure maliban kung ang data, pamamaraan at pinagmulan ng modelo ng bawat isyu at paghahabol ay naitala ✔
• D) Dapat na iwasan ang traceability dahil pinapabagal nito ang ulat

Paglalarawan: Ang ulat ay bumubuo ng batayan para sa isang desisyon sa engineering; Dapat tandaan kung aling data, aling paraan, at kung aling bersyon ng modelo ang bawat isyu, mapa, at claim nanggaling. Kung hindi, kapag nagkaroon ng error, hindi matutukoy ang ugat at apektadong desisyon at hindi matitiyak ang responsibilidad sa engineering.

11. Ano ang tamang diskarte kapag naglalagay ng data ng pagbabarena at grade na partikular sa site sa isang pangkalahatang tool ng AI?

• A) Pagpasok ng aktwal na mga coordinate at mga marka nang eksakto at pagkuha ng pinakamabilis na tugon
• B) Pag-anonymize ng mga coordinate at value, nagtatrabaho sa mga kinatawan ng value at gumagamit lang ng mga aprubadong/kinokontrol na tool ✔
• C) Nilo-load ang buong database ng proyekto at pinapayagan ang modelo na matuto
• D) Tandaan na ang data ay kumpidensyal at ibahagi ito kung ano man.

Paglalarawan: Ang mga coordinate ng pagbabarena, mga halaga ng grado at impormasyon ng reserba ay sensitibo sa komersyo at kadalasang kumpidensyal na data na pagmamay-ari ng may-ari ng mga karapatan sa mineral. Ang pagpasok sa isang walang kontrol na dayuhang serbisyo ay lumilikha ng kumpetisyon at mga legal na panganib. Ang tamang diskarte ay ang pag-anonymize ng mga coordinate/aktwal na halaga o magtrabaho kasama ang mga kinatawan na halaga at gumamit lamang ng mga naaprubahang tool na kontrolado ng institusyon.

12. Ano ang ibig sabihin ng 'order of magnitude control' sa isang pagkalkula ng engineering gamit ang AI?

• A) Pagdaragdag ng bilang ng mga decimal na lugar ng resulta
• B) Sukatin ang graphic na resolusyon ng resulta
• C) Pag-standardize ng kulay ng resulta
• D) Pagsubok sa mabilis na pagkalkula ng kamay kung ang resulta ay halos nasa loob ng inaasahang kapangyarihan na 10 ✔

Paglalarawan: Ang pagkakasunud-sunod ng magnitude checking ay sinusuri sa pamamagitan ng mabilis na pagkalkula ng kamay kung ang resulta ay halos nasa loob ng inaasahang kapangyarihan ng 10 range. Halimbawa, kapag ang hydraulic conductivity ng isang aquifer ay inaasahan para sa buhangin, ang resulta ay kilometro/araw sa halip na metro/araw, na nagsasaad ng unit o error sa pag-edit nang hindi nagdedetalye.

13. Ano ang pinakamatibay na ebidensiya kapag pinapatunayan ang output ng isang modelo na nag-uuri ng lithology mula sa mga borehole logs?

• A) Pagsusuri ng core sample na kinuha sa parehong lalim ✔
• B) Ang modelo ay may mataas na marka ng kumpiyansa
• C) Ang output ay ginawa nang mabilis
• D) Ang log chart ay maraming kulay

Paliwanag: Ang mga log ay hindi direktang mga sukat; Ang pinakadirekta at matibay na ebidensya ay ang visual at laboratoryo na pagsusuri ng pangunahing sample na kinuha mula sa parehong lalim. Ang core drilling ay nagbibigay ng pagkakataon na ihambing ang log-based na interpretasyon ng modelo sa ground truth.

14. Aling pahayag ang pinakatumpak hinggil sa sukdulang responsibilidad para sa paggamit ng AI sa geological engineering?

• A) Dahil ang AI ang gumagawa ng output, ang responsibilidad ay ipinapasa sa kumpanya ng software
• B) AI ay nagbibigay ng suporta at acceleration; Ang responsibilidad para sa desisyon at ulat ay nananatili sa awtorisadong inhinyero, ang output ay dapat na nabe-verify at naaprubahan ng tao ✔
• C) Ang pag-apruba ng engineer ay hindi kailangan dahil ang output ng AI ay awtomatikong wasto
• D) Ang responsibilidad ay nakasalalay lamang sa field team, wala itong kinalaman sa office engineer

Paglalarawan: Ang AI ay isang mahusay na tool sa gawaing suporta tulad ng pagpoproseso ng data, pagbuo ng blueprint, at pagpapabilis ng pagtuklas; Gayunpaman, ang responsibilidad para sa nilagdaang ulat, pagtatasa ng panganib at desisyon sa disenyo ay nananatili sa awtorisadong geological engineer. Ang mga output ay dapat na auditable, nabe-verify at aprubahan ng tao.