Lợi nhuận:
- Khả năng hiểu rằng các quyết định trực quan hóa (thang màu, tỷ lệ, phóng đại theo chiều dọc) thực sự là các quyết định diễn giải và kiểm tra sự bất thường ở nhiều tỷ lệ
- Khả năng bảo toàn tín hiệu thực bằng cách đánh giá các ngoại lệ trong kiểm soát chất lượng bằng cách quay lại nguồn mà không xóa chúng hoàn toàn
- Khả năng duy trì ngôn ngữ không chắc chắn bằng cách nhận ra nguy cơ ảo giác và độ chính xác quá mức trong bản dự thảo báo cáo AI và kết nối từng số/tham chiếu với nguồn
Giá trị của một dự án địa vật lý không phát sinh từ dữ liệu thô mà từ hình ảnh dễ hiểu và có thể bảo vệ được trích xuất từ dữ liệu đó. Khối lượng địa chấn, mô hình điện trở suất hoặc danh mục động đất; Nó chỉ hữu ích cho người ra quyết định khi nó được hình dung và báo cáo chính xác. Trực quan hóa dữ liệu là việc chuyển đổi dữ liệu địa vật lý đa chiều thành các định dạng (mặt cắt, bản đồ, khối 3D, biểu đồ) mà mắt người có thể nắm bắt được các mẫu. Trong phần này, chúng tôi sẽ giải thích trí tuệ nhân tạo (AI) là công cụ tăng tốc trong việc trực quan hóa, kiểm soát chất lượng (QC) và báo cáo như thế nào; nhưng chúng ta sẽ thấy hình ảnh này có thể dễ dàng gây hiểu nhầm như thế nào và tại sao hình ảnh trung thực lại là một trách nhiệm đạo đức.
Sức mạnh và sự nguy hiểm của hình ảnh
Trong địa vật lý, hình ảnh vừa là công cụ giao tiếp mạnh mẽ nhất vừa là lớp dễ thao tác nhất. Mặt cắt địa chấn tương tự có thể xuất hiện "sạch và rõ" hoặc "ồn ào và mờ" tùy thuộc vào cài đặt bản đồ màu và độ khuếch đại. Mô hình điện trở suất tương tự có thể làm cho một điểm dị thường trở nên nổi bật hoặc tinh tế hơn bằng cách thay đổi ranh giới tỷ lệ. Vì vậy, các quyết định trực quan hóa - màu sắc, tỷ lệ, cường điệu theo chiều dọc, ngưỡng - thực sự là những quyết định diễn giải và đòi hỏi sự trung thực.
AI trợ giúp ở đây theo hai cách: (1) nhanh chóng tạo ra số lượng lớn hình ảnh (mặt cắt/bản đồ tự động với Python), (2) đề xuất và QC để hình ảnh hóa thể hiện dữ liệu một cách công bằng. Nhưng AI cũng có thể tạo ra hình ảnh “nổi bật nhất”; Vì vậy, việc lựa chọn hình ảnh phải có ý thức.
Mẹo: Trước khi bạn báo cáo sự bất thường, hãy vẽ nó bằng nhiều gam màu và thang màu. Một cấu trúc chỉ xuất hiện ở một quy mô lớn thường là một tạo tác trực quan hơn là thực tế. Cấu trúc này đáng tin cậy nếu nó nhất quán ở hầu hết các quy mô hợp lý.
Kiểm soát chất lượng (QC): hình ảnh thật trước
Báo cáo tốt bắt đầu từ QC tốt. QC là để kiểm tra tính nhất quán về mặt vật lý/thống kê của dữ liệu và các sản phẩm dẫn xuất: các giá trị ngoại lệ, khoảng trống, độ lệch hiệu chuẩn, lỗi đơn vị, tham chiếu tọa độ/thời gian không khớp. AI có thể nhanh chóng gắn cờ các dấu vết bất thường, dấu thời gian không nhất quán và sự thay đổi phân phối trong các tập dữ liệu lớn. Nhưng không phải mọi “ngoại lệ” mà cờ AI thực sự là một lỗi - đôi khi ngoại lệ lại là tín hiệu có giá trị nhất (ví dụ: một điểm bất thường nhỏ thực sự). Đó là lý do tại sao dấu QC được đánh giá một cách chuyên nghiệp trước khi xóa.
Thận trọng: Xóa bán buôn các ngoại lệ dưới danh nghĩa "sạch sẽ" là cách phổ biến nhất để phá hủy tín hiệu thực trong địa vật lý. Khi AI gọi một giá trị là “ngoại lệ”, trước tiên hãy quay lại nguồn và hỏi xem giá trị đó là lỗi đo lường hay chữ ký vật lý thực tế.
AI trong báo cáo: dự thảo có, bịa đặt không
AI (đặc biệt là các mô hình ngôn ngữ) cung cấp tốc độ tuyệt vời trong việc viết báo cáo: tóm tắt điều hành, phần phương pháp, giải thích kết quả bằng ngôn ngữ đơn giản, định nghĩa các thuật ngữ. Nhưng có hai mối nguy hiểm. Đầu tiên là ảo giác – khi mô hình tạo ra thông tin, con số hoặc tài liệu tham khảo giả mạo: AI có thể bịa ra một tên giếng không tồn tại, độ sâu sai hoặc nguồn không tồn tại. Thứ hai là độ chính xác quá cao: AI có thể coi một phát hiện không chắc chắn là “một nguồn dự trữ nhất định”. Đó là lý do tại sao mọi con số, mọi cái tên, mọi tuyên bố do AI viết ra đều được liên kết với nguồn của nó và được xác nhận; Ngôn ngữ của sự không chắc chắn được bảo tồn.
Nguyên tắc hình ảnh trung thực
Để hình ảnh địa vật lý trung thực: (1) thang màu và ranh giới phải rõ ràng; (2) nên viết phóng đại theo chiều dọc; (3) các vùng được nội suy/dự đoán phải được đánh dấu; (4) sự không chắc chắn hoặc cách giải quyết phải được chứng minh; (5) các trục và đơn vị phải đầy đủ. AI biến những nguyên tắc này thành danh sách kiểm tra và giúp kiểm tra từng hình ảnh.
ba trường hợp nhỏ
Trường hợp 1 - Ảo ảnh thang màu. Trong một báo cáo, sự bất thường về điện trở suất có vẻ rất đáng chú ý. Trong quá trình kiểm tra, người ta nhận thấy rằng các giới hạn của quy mô đã bị thu hẹp theo cách nhấn mạnh đến sự bất thường; Trong giới hạn hợp lý, sự bất thường mờ nhạt hơn nhiều. Sau khi nhóm đã chuẩn hóa thang đo và thêm vào sự không chắc chắn, bài thuyết trình đã trở nên trung thực và có thể bảo vệ được.
Trường hợp 2 - Tín hiệu thực bị xóa. Trong QC trọng lực, AI đã gắn cờ một số trạm là “ngoại lệ” và quá trình làm sạch tự động sẽ loại bỏ chúng. Sau đó, hóa ra các trạm này thực sự có mật độ cục bộ bất thường: các "ngoại lệ" bị xóa thực ra chính là mục tiêu. Nếu không có kỷ luật quay về nguồn thì tín hiệu sẽ bị mất.
Trường hợp 3 - Báo cáo có tài liệu tham khảo bịa đặt. Một báo cáo dự thảo được chuẩn bị bằng AI đã liệt kê ba nguồn là “ba nghiên cứu trước đây trong khu vực”; Hai trong số đó hoàn toàn là bịa đặt. Người bình luận đã kiểm tra mọi tài liệu tham khảo và loại bỏ những điều bịa đặt. Bài học: Mọi tham chiếu hoặc số do AI tạo ra sẽ không được đưa vào báo cáo nếu không được xác minh.
Bốn mẫu có thể sao chép
1) Danh sách kiểm tra trực quan trung thực:
Vai trò của bạn: nhà tư vấn trực quan hóa địa vật lý. Tôi đang chuẩn bị [tiết diện địa chấn/mô hình điện trở suất/bản đồ dị thường]. Cung cấp cho tôi danh sách kiểm tra trực quan trung thực: gam màu, giới hạn tỷ lệ, phóng đại dọc, đánh dấu vùng nội suy, hiển thị độ không chắc chắn, trục/đơn vị. Viết cách gây hiểu lầm điển hình trong mỗi mục.
2) Đánh giá ngoại lệ QC:
Về lợi nhuận, AI đã gắn cờ một số số liệu là ngoại lệ. Làm cách nào để phân biệt xem mỗi ngoại lệ là lỗi đo lường hay tín hiệu thực trước khi xóa nó? Tôi phải thực hiện những kiểm tra nào (trở về nguồn, tính nhất quán của hàng xóm, đo lặp lại)? Đưa ra một luồng quyết định.
3) Thẩm tra dự thảo báo cáo:
Tôi đã viết dự thảo báo cáo địa vật lý bằng AI. Cung cấp cho tôi danh sách kiểm tra xác minh: tôi nên liên kết những con số, tên, tài liệu tham khảo, độ sâu nào với nguồn; làm thế nào tôi tìm được những cách diễn đạt cực kỳ chắc chắn và dịch chúng sang ngôn ngữ của sự không chắc chắn; Làm cách nào để nắm bắt được tài liệu tham khảo hư cấu?
4) Kiểm tra thị giác bất thường:
Trước khi đưa điểm bất thường vào báo cáo, tôi muốn đảm bảo rằng không có tạo phẩm trực quan nào. Làm cách nào để kiểm tra cùng một điểm bất thường với các giới hạn tỷ lệ và không gian màu khác nhau? Trong trường hợp nào cấu trúc không có thật nếu nó biến mất? Hãy kể cho tôi nghe từng bước một.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Chuẩn bị một báo cáo ấn tượng và trực quan từ những kết quả này.
Nếu “ấn tượng” đi trước sự trung thực, AI sẽ phóng đại sự bất thường, có thể thêm vào một tham chiếu bịa đặt.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia báo cáo địa vật lý. Đầu vào: [mô hình đảo ngược + độ không đảm bảo + xác nhận giếng]. Nhiệm vụ: (1) viết phần tóm tắt và dự thảo phương pháp; (2) gắn thẻ mỗi số/tên/độ sâu với [nguồn], cho biết những thông tin đó cần được xác nhận; (3) duy trì ngôn ngữ mơ hồ, tránh quá chính xác; (4) gợi ý thang màu, tỷ lệ và chú thích vùng nội suy trong ảnh. THÊM một tham chiếu hoặc số đã tạo; Nếu bạn không chắc chắn, hãy đánh dấu là "phải được xác minh".
Việc ghi nguồn, ngôn ngữ mơ hồ và việc cấm bịa đặt làm cho báo cáo trở nên đáng tin cậy.
Các quyết định và tác động trực quan
quyết định
sử dụng hợp lý
Cách sử dụng gây hiểu lầm
Đóng góp của AI
thang màu
Tiêu chuẩn, mở
Đừng phóng đại sự bất thường
Khuyến nghị + Kiểm soát chất lượng
Giới hạn tỷ lệ
hợp lý, nhất quán
sự sụp đổ có chọn lọc
kiểm tra
Phóng đại theo chiều dọc
được chỉ định
biến dạng ẩn
Thêm ghi chú
ngoại lệ
Đánh giá và quyết định
bán buôn lau
đánh dấu
Số tham chiếu/số
hàn
lắp
Dự thảo (đã xác nhận)
Những lỗi thường gặp
- Trình bày sự bất thường trên một quy mô tích cực duy nhất. Có thể có hiện vật trực quan; Kiểm tra ở nhiều quy mô.
- Xóa các ngoại lệ bán buôn. Tín hiệu thực có thể bị phá hủy; trở về nguồn.
- Sử dụng số/tham chiếu của AI mà không có xác nhận. Ảo giác rò rỉ vào báo cáo.
- Loại bỏ sự mơ hồ khỏi hình ảnh. Sự quyết tâm và sự tin tưởng phải được thể hiện.
- Ẩn cường điệu theo chiều dọc. Nó bóp méo việc giải thích hình ảnh, trạng thái.
Tóm lại
Trực quan hóa và báo cáo là cầu nối cuối cùng mà qua đó giá trị địa vật lý đến được với người ra quyết định và cũng là lớp dễ bị bóp méo nhất. AI; Nó là một công cụ tăng tốc mạnh mẽ để tạo ra hình ảnh nhanh chóng, đánh dấu ngoại lệ QC và soạn thảo báo cáo. Nhưng những quyết định trực quan là những quyết định diễn giải; ảo ảnh màu sắc/tỷ lệ, xóa tín hiệu thực, tham chiếu ảo giác là những rủi ro thực sự. Sử dụng đúng; Đó là để kiểm tra sự bất thường trên nhiều thang đo, đánh giá các ngoại lệ bằng cách quay lại nguồn, xác nhận mọi số và tham chiếu, đồng thời hiển thị độ không chắc chắn một cách trực quan. Hình ảnh trung thực không phải là tính thẩm mỹ mà là trách nhiệm nghề nghiệp.
Nhiệm vụ ứng dụng
Chọn kết quả địa vật lý (mặt cắt, mô hình hoặc bản đồ). Kiểm tra hình ảnh của bạn bằng mẫu “Danh sách kiểm tra hình ảnh trung thực” và vẽ lại ít nhất hai mẫu màu/tỷ lệ màu để đánh giá xem điểm bất thường có nhất quán hay không. Sau đó, tạo một bản thảo báo cáo ngắn với mẫu "Xác minh bản thảo báo cáo" và liên kết từng vấn đề cũng như tài liệu tham khảo trong đó với nguồn; Dịch ít nhất một tuyên bố cực kỳ chắc chắn sang ngôn ngữ không chắc chắn.
danh sách kiểm tra
- [ ] Tôi đã kiểm tra sự bất thường ở nhiều thang màu.
- [ ] Tôi quay lại nguồn và đánh giá trước khi xóa các ngoại lệ.
- [ ] Tôi đã xác minh mọi con số, tên và thông tin tham khảo trong báo cáo.
- [ ] Tôi đã dịch những biểu hiện cực kỳ chắc chắn sang ngôn ngữ của sự không chắc chắn.
- [ ] Tôi đã chỉ định tỷ lệ, độ phóng đại dọc và vùng nội suy trong ảnh.