فائدہ:
- اسکرپٹ تیار کرنے کی اہلیت جو AI سپورٹ کے ساتھ Python کے ساتھ ڈرلنگ، پروڈکشن اور مانیٹرنگ ڈیٹا کو صاف اور تصور کرتی ہے۔
- سادہ پیشن گوئی اور بے ضابطگی ماڈل بناتے وقت ڈیٹا کے معیار، اوور لرننگ اور ایکسٹراپولیشن کے خطرات کو پہچاننے کی صلاحیت
- AI سے تیار کردہ کوڈ کی توثیق کرنے کی اہلیت اور یونٹ کنٹرول، آزاد حساب کتاب اور انجینئرنگ کی قابلیت کے ساتھ نتیجہ
اس ماڈیول کے ہر یونٹ میں آپ نے دیکھا ہے کہ AI کوڈنگ میں طاقتور ہے: بورہول کی صفائی، ماس بیلنس، کریگنگ سکیلیٹن، فلیٹ سمری، وائبریشن تجزیہ، ماحولیاتی سکیننگ۔ یہ آخری یونٹ Python، اس کوڈ کے لیے ٹھوس ٹول، اور AI کے ساتھ کوڈ تیار کرنے کے مناسب نظم و ضبط پر مرکوز ہے۔ Python کان کنی کے ڈیٹا کے تجزیے میں اصل معیار بن گیا ہے کیونکہ یہ مفت ہے، اس میں طاقتور لائبریریاں ہیں (پانڈا: ٹیبلولر ڈیٹا کی ہیرا پھیری؛ numpy: عددی کیلکولس؛ matplotlib: plotting؛ scit-learn: مشین لرننگ)، اور دہرائے جانے والے کاموں کو خودکار بناتا ہے۔ AI اس رفتار کو ضرب دیتا ہے جس سے آپ اس کوڈ کو لکھتے ہیں۔ لیکن یہ جو کوڈ تیار کرتا ہے وہ ہمیشہ درست نہیں ہوتا ہے۔ اس یونٹ کا مرکزی اصول: اے آئی کے لکھے ہوئے کوڈ کو پہلے اسے پڑھے بغیر، اس کے یونٹ کی توثیق کیے بغیر، اور معلوم ڈیٹا کی تھوڑی مقدار کے ساتھ اس کی جانچ کیے بغیر کبھی نہ چلائیں۔ کوڈ خاموشی سے غلط نتیجہ پیدا کر سکتا ہے، جو کان کنی میں انجینئرنگ کے غلط فیصلے میں بدل سکتا ہے۔
AI کے ساتھ کوڈ بنانے کا بنیادی بہاؤ
AI سے کوڈ حاصل کرنا ایک انجینئرنگ سائیکل ہے، بات چیت نہیں:
- کام کو واضح طور پر بیان کریں۔ ان پٹ (کالم، اکائیاں، نمونہ قطار)، مطلوبہ آؤٹ پٹ، اور رکاوٹیں۔ مبہم درخواست مبہم کوڈ تیار کرتی ہے۔
- اسے چھوٹا اور پڑھنے کے قابل بنانے کے لیے کہیں۔ ایک بڑے فنکشن کے بجائے مرحلہ وار، تبصرہ کردہ کوڈ کے لیے پوچھیں۔
- پڑھیں اور سمجھیں۔ سمجھیں کہ ہر لائن کیا کرتی ہے۔ کوڈ نہ چلائیں جسے آپ سمجھ نہیں پاتے۔
- چھوٹے ڈیٹا کے ساتھ ٹیسٹ کریں۔ اسے دستی طور پر 5-10 لائنوں کے ساتھ چلائیں جن کے نتائج آپ جانتے ہیں اور متوقع آؤٹ پٹ کی تصدیق کرتے ہیں۔
- سوالات کے کنارے کے معاملات۔ خالی سیل، منفی قدر، یونٹ کی تبدیلی، ریکارڈ کو دہرانا کوڈ کیسے برتاؤ کرتا ہے؟
- اسکیل کریں اور منطق کی جانچ کریں۔ تمام ڈیٹا پر چلائیں؛ کیا نتیجہ انجینئرنگ کے لحاظ سے معقول ہے؟
ٹپ: AI کوڈ میں داخل ہونے والی سب سے عام غلطیاں خاموش ہیں: کالم کا غلط نام، یونٹ مکسنگ (m vs ft، g/t vs ppm)، خاموشی سے گرائی گئی قطاریں (جیسے ڈراپنا)، غلط اوسط (سادہ اوسط جب اس کا وزن ہونا چاہیے)۔ یہ غلطیاں پیدا نہیں کرتے؛ یہ صرف غلط نمبر پیدا کرتا ہے۔ تو "غلطی نہیں ملی" کا مطلب کبھی بھی "درست" نہیں ہوتا۔
کان کنی میں عام ازگر کے کام
- ڈیٹا کلیننگ: ڈرلنگ/پروڈکشن/مانیٹرنگ ٹیبلز کو ضم کرنا، عدم مطابقت کا جھنڈا لگانا، یونٹ کو نارمل کرنا۔
- خلاصہ اور ویژولائزیشن: ہسٹوگرام، ٹائم سیریز، گریڈ-ٹنیج وکر، OEE گراف۔
- شماریات اور جیوسٹیٹسٹکس: خلاصہ شماریات، ارتباط، ویریوگرام/کریجنگ (خصوصی لائبریریوں کے ساتھ)۔
- بے ضابطگی کا پتہ لگانا: حد پر مبنی یا سادہ ماڈل پر مبنی بڑھے کی گرفتاری۔
- سادہ پیشن گوئی کے ماڈل: مثال کے طور پر، رجعت کے ساتھ پیسنے کے سائز کی پیداوار کا تعلق۔
ان میں سے زیادہ تر کاموں کے لیے، AI بہترین ابتدائی کوڈ فراہم کرتا ہے۔ لیکن دو خرابیاں ہیں: ڈیٹا کوالٹی اور ماڈل کی حدود۔ دونوں کو جاننا AI کوڈ کو محفوظ طریقے سے استعمال کرنے کی کلید ہے۔
ماڈل کی حدود: زیادہ سیکھنا اور ایکسٹراپولیشن
سادہ پیش گوئی کرنے والے ماڈل جو AI آسانی سے بناتا ہے وہ دو بڑے خطرات کا شکار ہیں۔ اوور فٹنگ: ماڈل تربیتی ڈیٹا کو حفظ کرتا ہے لیکن نئے ڈیٹا پر خراب کارکردگی کا مظاہرہ کرتا ہے۔ کم ڈیٹا کے ساتھ پیچیدہ ماڈلز بنانا اس کی دعوت دیتا ہے۔ Extrapolation: ماڈل اس وقت ناقابل بھروسہ ہو جاتا ہے جب اسے تربیتی اعداد و شمار سے باہر کسی حد کے بارے میں پیشین گوئی کرنے پر مجبور کیا جاتا ہے۔ مثال کے طور پر، 0.3-0.8 g/t کی حد میں سیکھا ہوا ماڈل 5 g/t کے لیے بے معنی نتائج دے سکتا ہے۔ AI آپ کے لیے ان خطرات کو "بے ساختہ" منظم نہیں کرتا ہے۔ یہ آپ پر منحصر ہے کہ ماڈل کو تنقیدی طور پر پڑھیں، ٹریننگ/ٹیسٹ کی تفریق کریں، اعتماد کا وقفہ دیکھیں، اور یہ چیک کریں کہ آیا پیشین گوئی جسمانی طور پر قابل فہم ہے۔ اس سے کوئی فرق نہیں پڑتا ہے کہ ماڈل نمبر کتنا ہی درست ظاہر ہوتا ہے، یہ ڈیٹا کی حد سے باہر انجینئرنگ کے فیصلے کی بنیاد نہیں ہو سکتا۔
تین چھوٹے مقدمات
کیس 1 - خاموش حجم کی خرابی۔ ایک انجینئر کو کوڈ چاہیے جو AI کو پرکھ کے ڈیٹا سے اوسط درجے کا حساب لگائے۔ کوڈ کام کرتا ہے، نتیجہ 2.1 g/t ہے۔ انجینئر کوڈ پڑھتا ہے؛ غور کریں کہ اوسط کا وزن وقفہ کی لمبائی سے نہیں ہوتا ہے، بلکہ اسے سیدھے اوسط کے طور پر لیا جاتا ہے۔ مختصر وقفوں میں اعلی درجات غیر منصفانہ طور پر وزن بڑھا رہے تھے۔ جب وزنی اوسط کی طرف بڑھتے ہیں تو قدر کم ہو کر 1.7 g/t ہو جاتی ہے۔ کوڈ نے کوئی غلطی نہیں دی؛ پڑھنے میں غلطی ہو گئی۔
کیس 2 - خاموش لائن گرنا۔ پروڈکشن سمری کوڈ میں، AI نے ڈراپنا کے ساتھ گمشدہ اقدار والی قطاروں کو صاف کیا۔ کوڈ آسانی سے چلتا ہے، لیکن کل ٹنیج کو کم سمجھا جاتا ہے کیونکہ ایک خالی کالم کی وجہ سے کچھ درست قطاریں یکسر گرا دی گئی تھیں۔ جب انجینئر ان پٹ اور آؤٹ پٹ کے درمیان لائنوں کی تعداد کا موازنہ کرتا ہے، تو وہ فرق دیکھتا ہے اور صفائی کی منطق کو درست کرتا ہے۔ سبق: ہمیشہ ان پٹ اور آؤٹ پٹ لائنوں کی تعداد کا موازنہ کریں۔
کیس 3 - ایکسٹراپولیشن ٹریپ۔ ایک ٹیم کم گریڈ رینج میں سیکھے گئے ریگریشن ماڈل کو اعلی درجے کے علاقے پر لاگو کرتی ہے۔ ماڈل ایک مضحکہ خیز اعلی پیداوار کا تخمینہ دیتا ہے۔ خوش قسمتی سے، انجینئر یہ کہتے ہوئے نتیجہ کو مسترد کر دیتا ہے کہ "یہ علاقہ ماڈل کی طرف سے دیکھی گئی حد سے بہت باہر ہے" اور میٹالرجیکل ٹیسٹنگ کی درخواست کرتا ہے۔ سبق: ڈیٹا کی حد کو جانیں جس میں ماڈل درست ہے۔ ریاست سے باہر کا تخمینہ استعمال نہ کریں۔
کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس
محفوظ ڈیٹا کلیننگ کوڈ "کردار: آپ ایک ازگر ڈیٹا تجزیہ کار اسسٹنٹ ہیں۔ مندرجہ ذیل ٹیبل کو صاف کرنے والے پانڈوں کے ساتھ کوڈ لکھیں۔ کالم اور اکائیاں: [فہرست]۔ قواعد: (1) قطاریں چھوڑنے سے پہلے اور بعد میں قطاروں کی تعداد پرنٹ کریں؛ (2) رپورٹ کریں کہ کون سی قطاریں چھوڑی گئیں؛ (3) اوسط وزن (3 کمنٹس) کیوں استعمال کیے گئے اور (4) سادہ کے بجائے ہر قدم کو کمنٹ لائن کے ساتھ بیان کریں۔"
کوڈ کا جائزہ لینے کی درخواست "مندرجہ ذیل ازگر کوڈ لائن کی لائن کے لحاظ سے وضاحت کریں اور درج ذیل خطرے کے نکات کی نشاندہی کریں: کالم کے نام کا غلط اندازہ، یونٹ کنفیوژن، خاموش رو ڈراپ، فلیٹ/ویٹڈ ایوریج ایرر، ایج کیس (نیل/منفی) رویہ۔ کوڈ کو ٹھیک نہ کریں؛ صرف خطرے کی فہرست بنائیں۔"
چھوٹے ڈیٹا کے ساتھ ٹیسٹ سیٹ اپ "اس فنکشن کے لیے، دستی طور پر ایک چھوٹا ٹیسٹ ڈیٹا (5-6 لائنیں) تیار کریں جس کا مجھے نتیجہ اور متوقع آؤٹ پٹ معلوم ہے؛ ایک ٹیسٹ بلاک لکھیں جو چیک کرے کہ فنکشن اس ڈیٹا پر صحیح طریقے سے کام کرتا ہے یا نہیں۔ اس کے علاوہ انتہائی کیسز (خالی سیل، منفی، یونٹ کی انتہائی قدر) کی جانچ کریں۔ فنکشن: [پیسٹ]۔"
سادہ ماڈل + باؤنڈری وارننگ"مندرجہ ذیل ڈیٹا کے ساتھ [x -> y] کے لیے ایک سادہ ریگریشن مرتب کریں۔ ٹریننگ/ٹیسٹنگ کے درمیان فرق کریں، ایرر میٹرک کی اطلاع دیں، اور واضح طور پر x کی رینج بتائیں جس پر ماڈل درست ہے۔ اگر پیشین گوئیاں اس رینج سے باہر کی جاتی ہیں تو خبردار کریں۔ ڈیٹا کی حد سے زیادہ خطرہ اور اسپیشلائزیشن پر تبصرہ کریں۔ ڈیٹا: [پیسٹ کریں]۔"
کمزور فوری / مضبوط اشارہ
کمزور اشارہ: "اس ڈیٹا سے اوسط درجے کا حساب لگائیں۔"
مضبوط اشارہ:"کردار: آپ ایک ازگر کے معاون ہیں۔ کالم: HoleID, From(m), To(m),Au (g/t)۔ وقفہ کی لمبائی کے ساتھ وزنی اوسط درجے کا حساب لگائیں۔ کوڈ: (1) ان پٹ/آؤٹ پٹ قطاروں کی تعداد پرنٹ کریں؛ (2) null/negative values کی اطلاع دیں تاکہ ان کی تصدیق کرنے سے پہلے یونٹ (3p) کی تصدیق کریں (3p) ذیلی اعداد و شمار کو چھوڑنے کے لیے۔ لہذا میں دستی طور پر نتیجہ کی تصدیق کر سکتا ہوں: [پیسٹ]۔"
موازنہ جدول: خطرہ اور احتیاط
خطرہ
علامت
احتیاط
یونٹ کی مداخلت
معقول لیکن غلط نمبر
کوڈ میں یونٹ پر تبصرہ کریں، اسے چیک کریں۔
خاموش لائن ڈراپ
ٹوٹل غائب ہے۔
ان پٹ/آؤٹ پٹ لائنوں کی تعداد کا موازنہ کریں۔
سادہ بمقابلہ وزنی اوسط
غلط اوسط
وزن کی تصدیق کریں۔
زیادہ سیکھنا
ٹیسٹ ڈیٹا پر خراب
ٹریننگ/ٹیسٹنگ علیحدگی، اسے آسان رکھیں
extrapolation
بیہودہ اندازہ حد سے باہر ہے۔
درست رینج کو محدود کریں۔
عام غلطیاں
- کوڈ کو پڑھے بغیر چلانا۔ "اس میں کوئی غلطی نہیں ہوئی" کا مطلب یہ نہیں ہے کہ یہ سچ ہے۔
- چھوٹے ڈیٹا کے ساتھ جانچ نہیں کرنا۔ قابل تصدیق مثال کے بغیر اعتماد غلط ہے۔
- ان پٹ/آؤٹ پٹ لائنوں کی تعداد کا موازنہ نہیں کرنا۔ اس طرح خاموشی سے نقصانات سے بچ جاتے ہیں۔
- ماڈل رینج کو نظر انداز کرنا۔ ایکسٹراپولیشن کے اندازے ناقابل اعتبار ہیں۔
- چارٹ کی خوبصورتی پر بھروسہ کرنا۔ ایک سجیلا چارٹ غلط نمبر کو چھپا سکتا ہے۔
دھیان دیں: اگر AI کوڈ کسی انجینئرنگ اکاؤنٹ میں جاتا ہے، تو وہ کوڈ بھی اکاؤنٹ کی طرح ذمہ دار ہے۔ جہاں بھی نتیجہ کان کنی کا فیصلہ بن جائے، کوڈ اور اس کے آؤٹ پٹ کو آزاد منطق کی جانچ کے ذریعے چلائیں اور اگر ممکن ہو تو دوسرے طریقہ سے موازنہ کریں۔
خلاصہ میں
Python کان کنی ڈیٹا کے تجزیے کے لیے ڈی فیکٹو ٹول ہے، اور AI اس رفتار کو بہت زیادہ بڑھاتا ہے جس پر آپ اسے لکھتے ہیں۔ لیکن AI کوڈ خاموش کیڑے (یونٹ کنفیوژن، قطار چھوڑنا، غلط اوسط) اور ماڈل ٹریپس (اوور لرننگ، ایکسٹراپولیشن) کو روک سکتا ہے۔ محفوظ بہاؤ: واضح طور پر بیان کریں، چھوٹا اور پڑھنے کے قابل چاہتے ہیں، پڑھیں اور سمجھیں، چھوٹے معلوم ڈیٹا کے ساتھ جانچ کریں، استفسار کے کنارے کے کیسز، پیمانے اور منطق کی جانچ کریں۔ ایک ماڈل آؤٹ پٹ ڈیٹا کی حد سے باہر کسی فیصلے کی بنیاد نہیں ہو سکتا۔ اور ہر کوڈ اکاؤنٹ جتنی ذمہ داری اٹھاتا ہے اگر یہ کان کنی کے فیصلے میں بدل جاتا ہے۔
درخواست کا کام
AI سے کوڈ حاصل کرنے کے لیے گریڈ ایوریجنگ یا پروڈکشن سمری ٹاسک کے ساتھ "سیکیور ڈیٹا سینیٹائزیشن کوڈ" ٹیمپلیٹ کا استعمال کریں۔ کوڈ کو "کوڈ کے جائزے کی درخواست" ٹیمپلیٹ کے ساتھ خطرے سے دوچار کریں۔ پھر، "چھوٹے ڈیٹا کے ساتھ ٹیسٹ سیٹ اپ" ٹیمپلیٹ کے ساتھ، دستی طور پر ایک ڈیٹا سیٹ بنائیں جس کے نتائج آپ کو معلوم ہوں اور کوڈ کی تصدیق کریں۔ آخر میں، ایک سادہ رشتے کے لیے، "سادہ ماڈل + حد کی وارننگ" ٹیمپلیٹ کے ساتھ ایک ماڈل ترتیب دیں اور ٹیسٹ کریں کہ جب یہ درست حد سے باہر جاتا ہے تو یہ وارننگ دیتا ہے۔
چیک لسٹ
- میں نے اے آئی کوڈ پڑھا اور ہر سطر کو سمجھا، میں نے اسے آنکھیں بند کرکے نہیں چلایا۔
- میں نے اسے چھوٹے، دستی طور پر قابل تصدیق ڈیٹا کے ساتھ آزمایا۔
- میں نے ان پٹ اور آؤٹ پٹ لائنوں کی تعداد کا موازنہ کیا۔
- میں نے یونٹ کی مستقل مزاجی اور وزن کی تصدیق کی۔
- [ ] میں نے ماڈیول کی درست ڈیٹا رینج کو محدود کر دیا، ایکسٹرپولیشن سے گریز کیا۔
- میں نے نتیجہ چیک کیا، جو ایک فیصلہ میں بدل گیا، آزاد منطق/دوسرے طریقہ کے ساتھ۔
ماڈیول امتحان
1. ایک انٹرن AI چیٹ ٹول سے ایسک باڈی کے اوسط درجے کے بارے میں پوچھتا ہے اور ریزرو رپورٹ میں براہ راست '1.8 g/t گولڈ' کی قیمت لکھتا ہے۔ اس نقطہ نظر میں بنیادی غلطی کیا ہے؟
- A) گریڈ ویلیو پروجیکٹ کے اپنے ڈرلنگ/تجزیہ ڈیٹا اور تصدیق شدہ پیشن گوئی سے آنی چاہیے؛ AI کے ذریعہ تیار کردہ نمبر ایک غیر منبع شدہ من گھڑت ہو سکتا ہے ✔
- ب) اسے گرام کے بجائے اونس میں AI کے لیے کہا جانا چاہیے تھا۔
- C) قیمت درست ہے، کوما کے بجائے صرف ایک پیریڈ استعمال کیا جانا چاہیے تھا۔
- D) AI سے ایک ہی سوال تین بار پوچھنا اور اوسط لینا کافی ہے۔
وضاحت: لینگویج ماڈل آپ کے پروجیکٹ کے ڈرلنگ ڈیٹا کو نہیں جانتا ہے۔ ایک ایسی تعداد پیدا کرتا ہے جو سب سے زیادہ امکان لگتا ہے (ہیلوسینیشن)۔ گریڈ صرف پروجیکٹ کے اپنے مرکب ڈرلنگ ڈیٹا اور جیوسٹیٹسٹیکل تخمینہ سے آتا ہے۔ AI آؤٹ پٹ کو کسی قابل شخص کی منظوری کے بغیر رپورٹ میں شامل نہیں کیا جا سکتا۔
2. کان کنی انجینئرنگ میں AI کے استعمال میں 'خطرے پر مبنی درجہ بندی' کیا قابل بناتی ہے؟
- A) AI ٹول کی قیمت کم کریں۔
- ب) کام کے خطرے کی سطح کے مطابق AI کے کردار اور تصدیق کی لازمی گہرائی کا تعین کریں ✔
- ج) اشارے مختصر لکھے جائیں۔
- D) تمام فیصلے خود بخود AI کو سونپ دیں۔
وضاحت: ہر مشن ایک ہی خطرے کی سطح پر نہیں ہوتا ہے۔ کام کی درجہ بندی کم/درمیانے/اعلی/تنقیدی کے طور پر طے کرتی ہے کہ کون سا آؤٹ پٹ آزادانہ طور پر استعمال کیا جا سکتا ہے اور جس کے لیے معیاری اور فیلڈ تصدیق اور قابل انجینئر کی منظوری درکار ہے۔
3. جیوسٹیٹسٹکس میں 'ویریوگرام' ماڈل کیا کرتا ہے؟
- A) سامان کی ایندھن کی کھپت
- ب) وقت کے ساتھ دھات کی قیمت میں تبدیلی
- C) فاصلے پر منحصر مقامی تسلسل؛ ✔ پوائنٹس کے مزید دور ہوتے ہی مماثلت کیسے کم ہوتی جاتی ہے۔
- D) بلاسٹنگ سے پیدا ہونے والی کمپن فریکوئنسی
تفصیل: ویریوگرام اس بات کی وضاحت کرتا ہے کہ نمونوں کی ایک دوسرے سے مماثلت کیسے کم ہوتی ہے (مقامی تسلسل) جیسے جیسے دو پوائنٹس کے درمیان فاصلہ بڑھتا ہے۔ کریگنگ اس ماڈل کو غیر یقینی صورتحال کے مارجن کے ساتھ غیر ناپے ہوئے پوائنٹس کا اندازہ لگانے کے لیے استعمال کرتی ہے۔
4. ڈرل کور فوٹو گرافی سے AI پری کلاسیفائی لتھولوجی کے ساتھ بہترین طریقہ کیا ہے؟
- A) AI کی طرف سے دی گئی چٹان کی قسم کو براہ راست ڈرلنگ لاگ میں پروسیس کرنا
- ب) تصویر کی جانچ کیے بغیر AI کے متن کو رپورٹ میں کاپی کرنا
- ج) ماہر ارضیات کے مشاہدے کو منسوخ کرنا اور مکمل طور پر AI پر انحصار کرنا
- D) آؤٹ پٹ کو ایک ابتدائی پیشین گوئی/ مفروضے پر غور کریں اور ماہر ارضیات کے مشاہدے اور لیبارٹری تجزیہ سے اس کی تصدیق کریں ✔
تفصیل: AI تصویر سے پیشین گوئی اور توجہ کی فہرست بنا سکتا ہے۔ تاہم، حتمی لیتھولوجی/تبدیلی کا فیصلہ ماہر ارضیات کے مشاہدے اور لیبارٹری کے تجزیہ سے کیا جاتا ہے۔ AI آؤٹ پٹ ایک آغاز ہے، ایک مفروضہ جس کی تصدیق کی جائے۔
5. کھلے گڑھے کی منصوبہ بندی میں 'اسٹرپنگ ریشو' کا کیا مطلب ہے؟
- A) زنگ (فضلہ چٹان) کی مقدار جسے دھات کی ایک یونٹ تک پہنچنے کے لیے ہٹانا ضروری ہے ✔
- ب) ایسک میں دھات کا فیصد
- C) ٹرکوں کے روزانہ سفر کی تعداد
- D) دھماکے میں استعمال ہونے والے دھماکہ خیز مواد کی مقدار
تفصیل: اتارنے کی شرح کچرے کی وہ مقدار ہے جسے کچرے کی ایک اکائی حاصل کرنے کے لیے ہٹانا ضروری ہے۔ آخری گڑھے کی حد اور معیشت بڑی حد تک اس تناسب پر منحصر ہے۔ اگرچہ AI منظرنامے تیار کرتا ہے، لیکن حدود کا فیصلہ قابل انجینئر پر منحصر ہے۔
6. جب AI کمپن اور درجہ حرارت کے اعداد و شمار میں 'بے ضابطگیوں' کو تلاش کرتا ہے تو پیشن گوئی کی دیکھ بھال میں اس کا کیا مطلب ہے؟
- A) اس بات کا ثبوت کہ سامان یقینی طور پر ناکام ہو گیا ہے۔
- ب) ایک انتباہ کہ ڈیٹا معمول سے ہٹ جاتا ہے۔ یہ خرابی کی قطعی تشخیص نہیں ہے، بلکہ ایک علامت ہے جس کی تصدیق جسمانی معائنے سے کی جانی چاہیے ✔
- ج) حکم دیں کہ سامان خود بخود بند کر دیا جائے۔
- D) اس بات کی ضمانت دیں کہ ڈیٹا کو غلط طریقے سے ریکارڈ کیا گیا تھا۔
وضاحت: ایک بے ضابطگی عام رویے سے ڈیٹا کا انحراف ہے اور خرابی کی نشاندہی کر سکتی ہے۔ لیکن یہ کوئی حتمی تشخیص نہیں ہے۔ سازوسامان کو روکنے یا پرزوں کو تبدیل کرنے کا فیصلہ دیکھ بھال کرنے والی ٹیم کے جسمانی معائنہ اور آپریشن مینیجر کی منظوری کے ساتھ کیا جاتا ہے۔
7. ڈرل بلاسٹ ڈیزائن میں AI کا استعمال کرتے وقت حفاظت کے لیے کون سا ضروری ہے؟
- A) براہ راست فیلڈ میں AI کی سفارشات کا نفاذ
- ب) کمپن کی پیمائش کو چھوڑنا
- C) فیلڈ کی پیمائش، ریگولیٹری حد اور مجاز بلاسٹنگ ماہر کی منظوری کے ساتھ AI کے مجوزہ ڈیزائن کی تصدیق ✔
- D) AI کی طرف سے دی گئی زیادہ سے زیادہ مقدار کے ساتھ دھماکہ خیز مواد کی مقدار کو طے کرنا
تفصیل: دھماکے یہ سنگین حفاظتی اور ریگولیٹری خطرات جیسے کمپن، ہوا کا جھٹکا اور اڑنے والے پتھروں کو لے کر جاتا ہے۔ AI ڈیزائن خاکہ اور پیرامیٹر کی سفارش تیار کر سکتا ہے۔ تاہم، حتمی ڈیزائن کو فیلڈ کی پیمائش، ریگولیٹری حدود اور بلاسٹنگ کے مجاز ماہر (ڈیٹونیٹر/ذمہ دار) کی منظوری سے گزرنا چاہیے۔
8. معدنی پروسیسنگ میں 'ریکوری' اور 'سنٹریٹ گریڈ' کے درمیان عام تعلق کیا ہے اور اس کی تشریح کرتے وقت AI کو کیا یاد رکھنا چاہیے؟
- A) دونوں ہمیشہ ایک ساتھ بڑھتے ہیں۔
- ب) ان کے درمیان کوئی رشتہ نہیں ہے۔
- ج) تعلق مستقل اور تمام سہولیات میں یکساں ہے۔
- D) عام طور پر الٹا توازن ہوتا ہے (گریڈ بڑھنے کے ساتھ ہی پیداوار کم ہوتی ہے)؛ اصل قدروں کی تصدیق میٹالرجیکل ٹیسٹنگ اور ماس بیلنس سے ہونی چاہیے ✔
وضاحت: عام طور پر، جیسا کہ ہم زیادہ مرتکز گریڈ حاصل کرنے کی کوشش کرتے ہیں، پیداوار کم ہوتی جاتی ہے (گریڈ-پیداوار بیلنس)۔ AI اس رجحان کی وضاحت کر سکتا ہے، لیکن اصل آپریٹنگ اقدار کی تصدیق میٹالرجیکل ٹیسٹنگ اور بڑے پیمانے پر توازن سے ہونی چاہیے۔ عمومی رجحان سائٹ کے لیے مخصوص حقیقت کا متبادل نہیں ہے۔
9. پیشہ ورانہ حفاظت میں AI کے ساتھ قریب مس/حادثے کے ڈیٹا کا تجزیہ کرنے کا سب سے مناسب استعمال کیا ہے؟
- A) مفت ٹیکسٹ ریکارڈز کی درجہ بندی کریں اور بار بار آنے والے خطرے کے نمونے نکالیں۔ فیصلہ OHS ماہر پر چھوڑ دیں۔
- ب) حادثات کے مجرم کا خود بخود تعین کریں۔
- C) کام روکنے کے احکامات AI کو سونپنا
- D) ان کا جائزہ لیے بغیر قریب سے مس ریکارڈز کو محفوظ کرنا
تفصیل: AI بڑی مقدار میں مفت ٹیکسٹ ریکارڈز کی درجہ بندی کر سکتا ہے اور جلدی سے دہرائے جانے والے نمونوں اور خطرناک حالات کو نکال سکتا ہے۔ تاہم، کسی کام کو روکنے، کسی علاقے یا بنیادی وجہ کو خالی کرنے کا فیصلہ OHS ماہر اور قانون سازی کے فریم ورک کے اندر کیا جاتا ہے۔ AI آؤٹ پٹ ان پٹ ہے، فیصلہ نہیں۔
10. ڈھلوان کی نگرانی میں ریڈار/پرزم ڈیٹا میں 'ڈیفارمیشن ریٹ کی سرعت' ایک اہم نشانی کیوں ہے؟
- A) یہ یقینی طور پر اشارہ کرتا ہے کہ ماپنے والا آلہ ٹوٹ گیا ہے۔
- ب) یہ ترقی پسند شکست کی خبر دے سکتا ہے۔ ابتدائی انتباہ اور انخلاء کا فیصلہ جیو ٹیکنیکل انجینئر کا ہے ✔
- ج) یہ ظاہر کرتا ہے کہ ڈھلوان مکمل طور پر محفوظ ہے۔
- D) یہ تب ہی اہم ہے جب بارش ہو اور اسے نظر انداز کیا جا سکے۔
وضاحت: ڈھلوان کی ناکامی سے پہلے، اخترتی کی شرح (سرعت) میں عام طور پر بتدریج اضافہ دیکھا جاتا ہے۔ یہ ترقی پسند ناکامی کی علامت ہو سکتی ہے۔ AI رجحان کو نمایاں کر سکتا ہے، لیکن انخلاء/ابتدائی وارننگ کا فیصلہ جیو ٹیکنیکل انجینئر کے تجزیہ اور پروٹوکول کے ذریعے کیا جاتا ہے۔
11. ماحولیاتی نگرانی میں، 'زیادتی' کے نشان کا سب سے درست جواب کیا ہے جو AI کو پانی کے معیار کے وقت کی سیریز میں ملتا ہے؟
- A) براہ راست سرکاری ایجنسی کو AI آؤٹ پٹ کی اطلاع دینا
- ب) وارننگ کو نظر انداز کریں اور دیکھنا جاری رکھیں
- C) تصدیق شدہ لیبارٹری کے نتائج، ریگولیٹری حد اور ماحولیاتی انجینئر کی تشخیص کے ساتھ تصدیق کریں ✔
- D) صرف AI پر انحصار کرنا اور لیبارٹری تجزیہ کو منسوخ کرنا
تفصیل: AI جلد از جلد ممکنہ خلاف ورزی کا اشارہ دے سکتا ہے۔ تاہم، باضابطہ موافقت کا فیصلہ منظور شدہ لیبارٹری تجزیہ، قانون سازی میں اقدار کی حد اور ماحولیاتی انجینئر کی تشخیص کے ذریعے کیا جاتا ہے۔ AI آؤٹ پٹ ایک اسکریننگ الرٹ ہے، قانونی/تکنیکی فیصلہ نہیں۔
12. جب آپ AI سے JORC یا NI 43-101 جیسے معیار کے شق نمبر کے بارے میں پوچھتے ہیں تو میک اپ (ہیلوسینٹری) حوالہ حاصل کرنے سے بچنے کا سب سے قابل اعتماد طریقہ کیا ہے؟
- A) AI کی طرف سے دیے گئے آئٹم نمبر پر انحصار کرنا
- ب) ایک ہی سوال کو مختلف الفاظ کے ساتھ دوبارہ پوچھنا
- ج) معیاری کے بجائے بلاگ پوسٹ کو دیکھنا
- D) معیار کے موجودہ سرکاری متن سے ہر مضمون کے حوالہ کو کھولنا اور اس کی تصدیق کرنا اور کسی قابل شخص سے منظوری حاصل کرنا ✔
وضاحت: اگرچہ لینگویج ماڈل کو معیار کا نام صحیح طور پر معلوم ہے، لیکن یہ مضمون کے نمبر اور متن کو گمراہ کر سکتا ہے۔ ہر مادہ کا حوالہ معیاری کے موجودہ سرکاری متن سے کھولا اور اس کی تصدیق کی جانی چاہیے اور حتمی مطابقت کی تصدیق اہل شخص (CP/QP) سے ہونی چاہیے۔
13. AI تحریری Python تجزیہ اسکرپٹ کو چلانے سے پہلے سب سے اہم چیک کیا ہے؟
- A) کوڈ کو پڑھنا اور یونٹ/کالم کی مماثلت کی تصدیق کرنا، چھوٹے معلوم ڈیٹا کے ساتھ جانچ کرنا اور نتیجہ کی معقولیت کی جانچ کرنا ✔
- ب) کوڈ کو بغیر پڑھے پورے ڈیٹا سیٹ پر براہ راست چلانا
- ج) صرف یہ دیکھنا کہ کوئی غلطی نہ ہو اور نتیجہ کو قبول کر لیں۔
- D) اچھے لگنے کے لیے آؤٹ پٹ کے گرافکس پر انحصار کرنا۔
تفصیل: AI کوڈ اکائیوں کو ملا سکتا ہے، کالم کے نام کو غلط سمجھ سکتا ہے، یا خاموشی سے قطاریں چھوڑ سکتا ہے۔ کوڈ کو پڑھنا، حجم اور کالم کی مماثلت کی توثیق کرنا، معلوم ڈیٹا کی ایک چھوٹی سی مقدار کے ساتھ جانچ کرنا، اور یہ چیک کرنا ضروری ہے کہ آیا نتیجہ انجینئرنگ کے لحاظ سے مناسب ہے۔
14. کلاؤڈ بیسڈ اے آئی ٹول کو کان کنی کا ڈیٹا دیتے وقت رازداری کے لحاظ سے بہترین سلوک کیا ہے؟
- A) تمام خام ڈیٹا کو پیسٹ کرنا جیسا کہ ہے۔
- ب) سیاق و سباق کو گمنام کریں اور حساس ریزرو/کوآرڈینیٹ/پروڈکشن ڈیٹا کو صاف کریں اور کارپوریٹ، پالیسی کے مطابق ٹول استعمال کریں ✔
- C) یہ فرض کرنا کہ حقیقی نقاط فراہم کرنا نتیجہ کے معیار کے لیے ضروری ہے۔
- D) رازداری کی پالیسی کو بالکل نظر انداز کرنا
وضاحت: ریزرو کے اعداد و شمار، لائسنس/کوآرڈینیٹ معلومات اور پروڈکشن ڈیٹا تجارتی راز اور قانون سازی کے لحاظ سے حساس ہیں۔ سیاق و سباق کو گمنام کرنا، اصلی نقاط اور ناموں کو صاف کرنا، کارپوریٹ/پرائیویسی گارنٹی ٹول کا انتخاب کرنا اور کمپنی کی پالیسی کی تعمیل کرنا ضروری ہے۔