فائدہ:
- یہ فرق کرنے کی اہلیت جہاں AI کان کنی انجینئرنگ ورک فلو میں حقیقی وقت کی بچت کرتا ہے اور جہاں حفاظت کی اہم ذمہ داری قابل انجینئر کے پاس رہنی چاہیے، خطرے کی سطح پر منحصر ہے۔
- ایک کثیر سطحی توثیق کے نظم و ضبط کو نافذ کرنے کی اہلیت جو ہر AI آؤٹ پٹ کو معیاری، آزاد حساب کتاب اور فیلڈ کی پیمائش کے خلاف جانچتا ہے۔
- سیاق و سباق کو گمنام کرنے کی صلاحیت اور ریزرو ڈیٹا، لائسنس کی معلومات اور عملے/پروڈکشن ڈیٹا کی حفاظت کے لیے محفوظ گاڑیاں منتخب کرنے کی عادت
کان کنی کے انجینئر کا کام زمین کے نیچے کی غیر یقینی صورتحال کو زمین سے اوپر کے فیصلوں کے ساتھ ختم کرنا ہے۔ کھدائی کے اعداد و شمار سے ایسک باڈی کا تخمینہ لگانا، ریزرو کا حساب لگانا، گڑھے کی منصوبہ بندی کرنا، سامان کے بیڑے کا انتظام کرنا، ڈھلوان کے رویے کی نگرانی کرنا، پیشہ ورانہ حفاظت کو یقینی بنانا، ماحولیاتی اثرات کی پیمائش کرنا اور ان سب کی رپورٹنگ قانون سازی کے مطابق کرنا۔ ان ملازمتوں کی مشترکہ خصوصیت یہ ہے کہ یہ بڑی تعداد میں پیمائش اور ڈیٹا کے ساتھ کام کرتی ہیں، لیکن ہر فیصلے کے نتیجے میں انسانی جانیں، لاکھوں لیرا سرمایہ کاری اور میدان میں ناقابل واپسی ماحولیاتی نتائج برآمد ہوتے ہیں۔ مصنوعی ذہانت (مختصر کے لیے AI؛ سافٹ ویئر سسٹم جو بڑے ڈیٹا اور لینگویج ماڈلز کے ساتھ ٹیکسٹ، نمبرز اور امیجز پر کام کرتے ہیں) اس ڈیٹا پر مبنی لیکن فیصلہ کن گراؤنڈ میں ایک طاقتور مدد ہے۔ یہ یونٹ آپ کو سکھاتا ہے کہ کان کنی میں AI کو محفوظ طریقے سے کہاں استعمال کرنا ہے، یہ کہاں خطرناک ہے، اور آپ کو معیارات، فیلڈ کی پیمائش، اور انجینئرنگ کے فیصلے کے خلاف ہر AI آؤٹ پٹ کی توثیق کیوں کرنی ہوگی۔
مرکزی اصول جو آپ اس ماڈیول میں استعمال کریں گے وہ یہ ہے: AI ایک معاون ہے، فیصلہ ساز نہیں۔ ایک گریڈ (سکی میں دھاتی تناسب) کی قدر، ایک ڈھلوان کا زاویہ، ایک ریزرو اعداد و شمار، ایک حفاظتی حد یا قانون سازی کا مضمون صرف اس لیے درست نہیں ہوتا کہ "AI نے ایسا کہا"؛ یہ محض ایک مفروضہ ہے جب تک کہ پیمائش، حوالہ، اور قابل انجینئر کے فیصلے سے تصدیق نہ ہو جائے۔ آپ ماڈیول کی ہر اکائی میں یہ جملہ دوبارہ دیکھیں گے، کیونکہ کان کنی میں، غلط نمبر کا مطلب اکثر سرمایہ کاری کا گرنا، ڈھلوان کا گر جانا، یا کسی شخص کا زخمی ہونا ہوتا ہے۔
ایل ایل ایم کیا ہے اور یہ کان کنی میں کیا کرتا ہے؟
LLM (Large Language Model) ایک ایسا سافٹ ویئر ہے جو متن کے بہت بڑے ٹکڑوں سے پیٹرن سیکھتا ہے اور امکان کی بنیاد پر "اگلے لفظ" کی پیشین گوئی کرتا ہے۔ یہ ChatGPT، Claude، Gemini جیسے ٹولز کا انجن ہے۔ نقطہ یہ ہے: ایل ایل ایم ایک "زبان کا تخمینہ لگانے والا" ہے، "علم کی بنیاد" نہیں۔ کان کنی کی اصطلاحات روانی سے بولتا ہے، لیکن کسی گریڈ کی پیمائش نہیں کرتا؛ وہ نمبر تیار کرتا ہے جو زیادہ امکان نظر آتا ہے۔ لہذا، وہ اوسط درجے، اتارنے کی شرح، ایک ریگولیٹری شق، یا دھماکہ خیز حد کے بارے میں پر اعتماد لیکن غلط جواب دے سکتا ہے۔ اسے ہیلوسینیشن (من گھڑت) کہا جاتا ہے۔ ہیلوسینیشن کوئی خرابی نہیں ہے بلکہ اس ٹیکنالوجی کی ایک فطری خصوصیت ہے۔ لہذا، تصدیق ایک "اضافی قدم" نہیں ہے بلکہ کام کا ایک لازمی حصہ ہے۔
وہ کام جہاں کان کنی میں AI مضبوط ہے:
- تصور کی وضاحت اور تعلیم: ویریوگرام کیا ہے، لیوریج کا اصول کیسے کام کرتا ہے، تیزاب کی کان کی نکاسی کیسے ہوتی ہے۔
- ڈیٹا کی صفائی اور تنظیم: بکھرے ہوئے بورہول لاگ کو ایک مربوط میز میں تبدیل کرنا، یونٹ کی مماثلت کو پکڑنا۔
- مفروضوں کی فہرست تیار کرنا: پیداوار میں کمی کی ممکنہ وجوہات کو منظم طریقے سے درج کرنا۔
- کوڈنگ: Python کے ساتھ ڈیٹا کی صفائی، گرافنگ، جیوسٹیٹسٹکس اور بے ضابطگی کے تجزیے کے اسکرپٹ۔
- مسودہ متن: JSA (ملازمت کی حفاظت کا تجزیہ)، ماحولیاتی نگرانی کی رپورٹ، ڈرافٹ ٹینڈر/تکنیکی تفصیلات۔
- دماغی طوفان: منظر نامے کا موازنہ، تجربہ/ پیمائش کے منصوبے کے خیالات۔
جہاں AI کمزور اور خطرناک ہے:
- درست عددی قدر دینا (درجہ، ریزرو، ڈھلوان زاویہ، حد قدر)۔
- موجودہ اور مخصوص قانون سازی/معیاری مضمون اور ورژن کی معلومات۔
- آپ کی سائٹ کی اصل پیمائش کے ڈیٹا کے بغیر تشخیص۔
- حفاظت کے لیے اہم فیصلہ: دھماکے کے ڈیزائن کی منظوری، انخلاء کا فیصلہ، خدمت کی اہلیت۔
رسک پر مبنی درجہ بندی: AI استعمال کرنے سے پہلے فلٹر
ہر کام خطرے کی ایک ہی سطح پر نہیں ہوتا۔ AI استعمال کرنے سے پہلے خطرے کی سطح کے مطابق کام کی درجہ بندی کریں۔ نیچے دی گئی جدول فیصلے کا فریم ورک فراہم کرتی ہے جسے آپ اس ماڈیول میں استعمال کریں گے۔
خطرے کی سطح
نمونہ کام
AI کا کردار
لازمی تصدیق
کم
تصور کی وضاحت، متن کا مسودہ، کوڈ کا ڈھانچہ
مفت استعمال
جائزہ کافی ہے۔
درمیانہ
ڈیٹا کی صفائی، مفروضے کی فہرست، کیلکولیشن سیٹ اپ
ڈرافٹ/شریک مصنف
دستی کنٹرول + ذریعہ کی تصدیق
اعلی
ریزرو تخمینہ، گڑھے کی حد، بلاسٹنگ پیرامیٹر
خیال پیدا کرنے والا
معیاری + فیلڈ پیمائش + سافٹ ویئر
تنقیدی
انخلاء کا فیصلہ، ڈھلوان کی حفاظت، خدمت کی اہلیت/ موزوں ہونے کا فیصلہ
صرف ڈرافٹ/ اسکین
قابل انجینئر کی منظوری + تسلیم شدہ جانچ
اشارہ: اگر آپ نے کسی کام کو "نازک" کے طور پر نشان زد کیا ہے، تو AI کا آؤٹ پٹ کبھی بھی حتمی دستاویز نہیں ہوتا ہے۔ زیادہ سے زیادہ یہ ایک ابتدائی مسودہ یا چیک لسٹ ہو سکتا ہے۔ قابل انجینئر دستخط اور ذمہ داری اٹھاتا ہے۔
اینڈ ٹو اینڈ فلو: آپ کے ورک فلو میں AI کو سرایت کرنا
کان کنی میں ایک عام مسئلہ حل کرنے کا چکر اس طرح چلتا ہے، جس میں AI ہر قدم میں شامل ہوتا ہے لیکن ان میں سے کسی کو اکیلے بند نہیں کرتا:
- مسئلہ کی وضاحت کریں: کیا پیشین گوئی کرنی ہے، کیا فیصلہ کرنا ہے، کیا رکاوٹ ہے؟ (AI: سوال کی وضاحت کرتا ہے۔)
- ڈیٹا اکٹھا اور صاف کریں: ڈرلنگ، پروڈکشن، مانیٹرنگ، لیبارٹری ڈیٹا۔ (AI: صفائی اور عدم مطابقت کی جانچ میں مضبوط۔)
- مفروضے/ منظرنامے تیار کریں: ممکنہ وجوہات، متبادل منصوبے۔ (AI: منظم فہرست تیار کرتا ہے۔)
- تجزیہ کریں: کیلکولیشن، جیوسٹیٹسٹکس، ماڈل، امیج پروسیسنگ۔ (AI: کوڈ اور حساب کتاب کا افسانہ تیار کرتا ہے۔)
- تصدیق کریں: معیاری، فیلڈ، اسٹینڈ اکائونٹ، سافٹ ویئر۔ (AI کنارے پر ہے؛ انسان اور پیمائش فیصلہ کرتے ہیں۔)
- رپورٹ کریں اور فیصلہ کریں: قابل انجینئر ذمہ داری لیتا ہے۔ (AI: ڈرافٹ رائٹر۔)
ان چھ مراحل کو ذہن میں رکھیں۔ باقی ماڈیول آپ کو دکھاتا ہے کہ کنکریٹ کان کنی کے کاموں کے ساتھ AI کا استعمال کیسے کیا جائے، مرحلہ وار۔
تین چھوٹے مقدمات
کیس 1 - میڈ اپ اوسط گریڈ۔ ایک انٹرن AI چیٹ ٹول سے تانبے کے پروجیکٹ کے اوسط درجے کے بارے میں پوچھتا ہے۔ AI کا کہنا ہے کہ "تقریبا 0.65٪ Cu"۔ انٹرن اسے سرمایہ کاری کی پیشکش میں رکھتا ہے۔ تاہم، AI نے اس پروجیکٹ کا ایک بھی ڈرلنگ ڈیٹا نہیں دیکھا ہے۔ "تانبے کے منصوبے" کے لیے ایک عام نمبر تیار کیا۔ اصل قیمت صرف پروجیکٹ کے اپنے کمپوزٹ ڈرلنگ ڈیٹا اور جیوسٹیٹسٹیکل تخمینہ سے حاصل ہوتی ہے۔ اس پروجیکٹ میں اصل قیمت 0.38% ہے۔ فرق سرمایہ کاری کے منافع بخش نظر آنے اور نقصان میں فرق ہے۔ درست رویہ یہ ہے کہ AI کے لیے گریڈ کبھی بھی "پوچھیں" نہیں، بلکہ اپنے ڈیٹا بیس سے اس کا حساب لگائیں۔
کیس 2 - غیر موجود ریگولیشن شق۔ ایک انجینئر AI سے پوچھتا ہے کہ بلاسٹنگ میں زیادہ سے زیادہ زمینی وائبریشن (PPV: چوٹی پارٹیکل velocity، mm/s) کی اجازت ہے۔ AI کہتا ہے "10 mm/s ضابطے کے مطابق" اور ایک آئٹم نمبر بناتا ہے۔ انجینئر اسی کے مطابق رپورٹ لکھتا ہے۔ معائنہ کے دوران یہ بات سامنے آئی کہ آئٹم نمبر اصلی نہیں ہے اور حد کی قیمت فاصلے اور عمارت کی قسم کے لحاظ سے مختلف ہوتی ہے۔ صحیح رویہ یہ ہے کہ موجودہ ضابطے کو سرکاری ذریعہ سے کھولا جائے اور قیمت اور مادہ کی تصدیق کی جائے۔ یہاں تک کہ اگر AI ریگولیشن کا نام صحیح طریقے سے جانتا ہے، تو یہ مضمون نمبر کو دھوکہ دے سکتا ہے۔
کیس 3 - درست استعمال۔ ماہر ارضیات کو 40 بورہول کے ڈیٹا سیٹ میں گریڈ کالم میں فرق کا شبہ ہے۔ یہ AI سے کہتا ہے کہ "اس ٹیبل میں ان قطاروں کی فہرست بنائیں جن میں یونٹ میں تضادات، منفی قدریں، مرئی آؤٹ لیرز، اور خالی سیل ہو سکتے ہیں، اور ہر ایک کے لیے جو آپ کو شبہ ہے وہ لکھیں؛ درست نہ کریں، صرف نشان زد کریں۔" AI کچھ لائنوں کو جھنڈا لگاتا ہے جو % کے ساتھ پی پی ایم کے ساتھ ملایا جاتا ہے، دو منفی درجات، اور 999 کوڈ ویلیو۔ ماہر ارضیات خام نوشتہ جات سے ایک ایک کرکے ان کو چیک کرتا اور درست کرتا ہے۔ یہاں AI کو صحیح طریقے سے استعمال کیا گیا: توجہ مبذول کروائی، انسان نے فیصلہ کیا اور اصلاح کی۔
کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس
آپ ذیل کی ٹیمپلیٹس کو اپنے کاروبار کے مطابق ڈھال کر استعمال کر سکتے ہیں۔ ان میں سے ہر ایک میں، "ایک صحیح نمبر دینے، ذریعہ کی نشاندہی کرنے، غیر یقینی صورتحال کی وضاحت کرنے" کی شعوری ہدایت ہے۔
رول اور باؤنڈری ٹیمپلیٹ "کردار: آپ ایک تجربہ کار کان کنی انجینئر اسسٹنٹ ہیں۔ ٹاسک: [موضوع لکھیں]۔ قواعد: صحیح عددی قیمت (گریڈ، ریزرو، حد) دیتے وقت، سورس کی وضاحت کریں؛ اگر آپ کو یقین نہیں ہے، تو کہیے 'ضروری ہے'۔ سرکاری ذریعہ سے تصدیق شدہ جواب کے آخر میں، آئٹم کے ذریعہ 'فیلڈ پیمائش/کیلکولیشن کے ذریعے تصدیق کرنے کی ضرورت ہے' لکھیں۔"
HYPOTHESIS GENERATION TEMPLATE"مندرجہ ذیل صورت حال کی ممکنہ وجوہات کی ایک منظم فہرست تیار کریں: [صورتحال کی وضاحت کریں؛ کیا مشاہدہ کیا گیا، کون سا ڈیٹا دستیاب ہے]۔ ہر مفروضے کے لیے: (1) کون سے شواہد اس کی تائید کرتے ہیں، (2) اس کی تصدیق/تردید کرنے کے لیے کیا پیمائش یا حساب کیا جانا چاہیے۔ ایک حتمی تشخیصی راستہ بنائیں۔"
تصدیقی چیک لسٹ ٹیمپلیٹ "نیچے دیے گئے رپورٹ کے مسودے میں ہر عددی قدر اور ہر ضابطہ/معیاری حوالہ درج کریں۔ ہر ایک کے لیے، اس بات کی نشاندہی کریں کہ کس ذریعہ سے (سیلف ڈرلنگ ڈیٹا، ریگولیٹری ٹیکسٹ، لیبارٹری رپورٹ، فیلڈ سروے) اس کی تصدیق کی جانی چاہیے۔ غیر یقینی اصل والے افراد کو جمع کریں جو 'Tefficient' کے بغیر استعمال نہیں کیا جا سکتا۔"
گمنامی سے پہلے ٹیمپلیٹ "کسی AI ٹول کو درج ذیل متن دینے سے پہلے، تجارتی راز یا ذاتی/ریگولیٹری حساس حصے: ریزرو نمبر، لائسنس نمبر، اصل نقاط، کسٹمر/اسٹاف کے نام، خفیہ لاگت کا ڈیٹا۔ تجویز کریں کہ میں ان کا نام کیسے ظاہر کر سکتا ہوں۔ متن: [پیسٹ]۔"
کمزور فوری / مضبوط اشارہ
ایک ہی سوال کو دو طریقوں سے پوچھنے سے بہت مختلف نتائج برآمد ہوں گے۔
کمزور پرامپٹ: "اس کان کا ریزرو کتنا ہے؟"
مضبوط اشارہ: "کردار: آپ اسسٹنٹ ریسورس جیولوجسٹ ہیں۔ وضاحت کریں کہ ریزرو/وسائل کے تخمینہ کو کن مراحل سے گزرنا پڑتا ہے (کمپوزٹنگ، ویریوگرام، کریگنگ، درجہ بندی، معاشی حد) اور کون سا ڈیٹا اور ہر قدم پر کس قابل شخص کی منظوری درکار ہوتی ہے۔ کوئی درست معلومات نہ دیں جس کا ڈیٹا صرف اس پروجیکٹ سے لگایا جا سکتا ہے اور اس پراجیکٹ کے ڈیٹا کا حساب لگایا جا سکتا ہے۔ JORC/UMREK جیسے کوڈ کے فریم ورک کے اندر رپورٹ کیا جانا چاہیے۔"
کمزور پرامپٹ AI کو میک اپ کرنے کی دعوت دیتا ہے۔ مضبوط پرامپٹ اسے صحیح کام (عمل کی تفصیل) میں رکھتا ہے اور ڈیجیٹل فریب کو پہلی جگہ ہونے سے روکتا ہے۔
عام غلطیاں
- AI سے کورس کے مخصوص نمبرز جیسے کہ گریڈ، ریزرو وغیرہ کے لیے "پوچھنا"۔ AI آپ کے ڈیٹا کو نہیں جانتا ہے۔ ان نمبروں کا حساب صرف آپ کے اپنے ڈیٹا بیس سے کیا جاتا ہے۔
- اس کی تصدیق کیے بغیر قانون سازی/معیاری شق کا استعمال کرنا۔ آئٹم نمبر اور قدر کو اکثر فریب میں ڈالا جاتا ہے۔
- AI آؤٹ پٹ پر حفاظتی اہم فیصلے کی بنیاد۔ انخلاء، بلاسٹنگ کی منظوری اور قابل خدمت فیصلے قابل انجینئر کے ذریعہ کیے جاتے ہیں۔
- حساس ڈیٹا کو بغیر نام ظاہر کیے کلاؤڈ ٹول میں چسپاں کرنا۔ ریزرو، کوآرڈینیٹ اور لاگت کا ڈیٹا تجارتی راز ہیں۔
- ایک سوال اور ایک جواب کا انتظار ہے۔ AI کو تکراری طور پر استعمال کریں: ڈرافٹ تیار کریں، تنقید کریں، تصدیق کریں، درست کریں۔
احتیاط: AI آؤٹ پٹ میں جتنا زیادہ درست اور پر اعتماد نمبر ظاہر ہوتا ہے، تصدیق کی ضرورت اتنی ہی زیادہ ہوگی۔ درستگی درستگی کی ضمانت نہیں ہے۔
خلاصہ میں
اس یونٹ میں آپ نے دیکھا ہے کہ AI کان کنی میں معاون ہے، فیصلہ ساز نہیں۔ LLMs زبان کے پیش گو ہیں؛ یہ تصور کی وضاحت، ڈیٹا کی صفائی، مفروضے اور کوڈ جنریشن میں طاقتور ہے، لیکن درست اعداد اور قانون سازی (ہیلوسینیشن) پیدا کرنے میں خطرناک ہے۔ کاموں کو کم/درمیانے/اعلی/نازک کے طور پر درجہ بندی کریں اور اس کے مطابق تصدیق کی گہرائی کو ایڈجسٹ کریں۔ اپنے ڈیٹا یا فیلڈ کی پیمائش سے ہر عددی قدر کی تصدیق کریں، سرکاری ذریعہ سے ہر ریگولیٹری حوالہ۔ سیکیورٹی کے لیے اہم فیصلے ہمیشہ قابل انجینئر کے پاس رہتے ہیں اور استعمال سے پہلے حساس ڈیٹا کو گمنام کرتے ہیں۔
درخواست کا کام
اپنے کاروبار سے پانچ کاموں کا انتخاب کریں (یا ایک فرضی کان کنی پروجیکٹ): ایک تصور کی وضاحت، ڈیٹا کی صفائی، مفروضوں کی فہرست، ایک ریزرو/عددی قدر، اور ایک ریگولیٹری سوال۔ ہر ایک کو اوپر والے رسک ٹیبل میں رکھیں۔ پھر "رول اینڈ باؤنڈری" ٹیمپلیٹ کے ساتھ AI کو دو کم/درمیانے خطرے والے کاموں کو آؤٹ سورس کریں اور آؤٹ پٹ کے ہر عددی/ریگولیٹری عنصر کو "تصدیق چیک لسٹ" ٹیمپلیٹ کے ساتھ نشان زد کریں۔ لکھیں کہ کن عناصر کو تصدیق کے بغیر استعمال نہیں کیا جا سکتا۔
چیک لسٹ
- میں نے مشن کو استعمال کرنے سے پہلے خطرے کی سطح (کم/درمیانی/اعلی/اہم) پر رکھا۔
- [ ] میں نے AI سے پوچھنے کے بجائے اپنی ہی پیداوار سے فیلڈ کے مخصوص نمبر جیسے گریڈ، ریزرو وغیرہ کا حساب لگایا۔
- میں نے ہر قانون سازی/معیاری حوالہ کی سرکاری ذریعہ سے تصدیق کی ہے۔
- میں نے حساس ڈیٹا (ریزرو، کوآرڈینیٹ، نام، لاگت) کو گمنام کر دیا۔
- [ ] میں نے حفاظتی اہم فیصلے کو قابل انجینئر کی منظوری پر چھوڑ دیا، نہ کہ AI آؤٹ پٹ پر مبنی۔
- میں نے AI آؤٹ پٹ میں ہر عددی قدر کو "تصدیق کے بغیر استعمال نہیں کیا جا سکتا" کے لیے اسکین کیا۔