Lợi nhuận:
- Khả năng phân biệt nơi nào AI tiết kiệm thời gian thực trong quy trình kỹ thuật khai thác và nơi nào kỹ sư có thẩm quyền phải chịu trách nhiệm về an toàn quan trọng, tùy thuộc vào mức độ rủi ro
- Khả năng triển khai kỷ luật xác thực nhiều lớp để kiểm tra từng đầu ra AI dựa trên phép tính tiêu chuẩn, độc lập và đo lường trường
- Khả năng ẩn danh bối cảnh và hình thành thói quen chọn phương tiện an toàn để bảo vệ dữ liệu dự trữ, thông tin giấy phép và dữ liệu nhân sự/sản xuất
Công việc của kỹ sư khai thác mỏ là kết nối sự không chắc chắn dưới mặt đất với các quyết định trên mặt đất. Ước tính thân quặng từ dữ liệu khoan, tính toán trữ lượng, lập kế hoạch mỏ, quản lý đội thiết bị, giám sát hành vi độ dốc, đảm bảo an toàn lao động, đo lường tác động môi trường và báo cáo tất cả những điều này theo quy định của pháp luật. Đặc điểm chung của những công việc này là làm việc với số lượng lớn các phép đo và dữ liệu, nhưng mỗi quyết định đều dẫn đến thiệt hại về tính mạng con người, hàng triệu liras đầu tư và những hậu quả môi trường không thể khắc phục tại hiện trường. Trí tuệ nhân tạo (gọi tắt là AI; hệ thống phần mềm hoạt động trên văn bản, số và hình ảnh với các mô hình ngôn ngữ và dữ liệu lớn) là một công cụ hỗ trợ mạnh mẽ trong nền tảng sử dụng nhiều dữ liệu nhưng mang tính quyết định quan trọng này. Học phần này hướng dẫn bạn nơi sử dụng AI một cách an toàn trong khai thác, nơi nào nguy hiểm và lý do bạn phải xác thực mọi đầu ra AI theo tiêu chuẩn, đo lường hiện trường và đánh giá kỹ thuật.
Nguyên tắc trọng tâm mà bạn sẽ sử dụng trong suốt mô-đun này là: AI là trợ lý chứ không phải là người ra quyết định. Giá trị cấp độ (tỷ lệ kim loại trong quặng), góc dốc, chỉ số trữ lượng, giới hạn an toàn hoặc một điều luật không trở thành sự thật chỉ vì "AI đã nói như vậy"; Nó chỉ là một giả thuyết cho đến khi được xác minh bằng phép đo, tham khảo và đánh giá của kỹ sư có thẩm quyền. Bạn sẽ gặp lại câu này trong mỗi đơn vị của học phần, bởi vì trong khai thác, một con số sai thường đồng nghĩa với việc phá sản một khoản đầu tư, sập mái dốc hoặc gây thương tích cho một người.
LLM là gì và nó có tác dụng gì trong khai thác?
LLM (Mô hình ngôn ngữ lớn) là phần mềm học các mẫu từ những đoạn văn bản rất lớn và dự đoán "từ tiếp theo" dựa trên xác suất. Đây là công cụ của các công cụ như ChatGPT, Claude, Gemini. Vấn đề là ở chỗ: LLM là "công cụ ước tính ngôn ngữ", không phải là "cơ sở kiến thức". Nói trôi chảy thuật ngữ khai thác nhưng không đo được điểm; tạo ra con số có vẻ có khả năng xảy ra nhất. Do đó, người đó có thể đưa ra những câu trả lời tự tin nhưng không chính xác về điểm trung bình, tỷ lệ tước, điều khoản quy định hoặc giới hạn bùng nổ. Đây được gọi là ảo giác (bịa đặt). Ảo giác không phải là một trục trặc mà là một đặc điểm cố hữu của công nghệ này; Vì vậy, việc xác minh không phải là “bước bổ sung” mà là một phần không thể thiếu trong công việc.
Các nhiệm vụ mà AI mạnh về khai thác:
- Giải thích và giảng dạy khái niệm: variogram là gì, quy tắc đòn bẩy hoạt động như thế nào, quá trình thoát nước mỏ axit xảy ra như thế nào.
- Làm sạch và sắp xếp dữ liệu: biến các bản ghi lỗ khoan rải rác thành một bảng mạch lạc, ghi lại sự không khớp của đơn vị.
- Tạo danh sách các giả thuyết: liệt kê một cách có hệ thống các nguyên nhân có thể dẫn đến sự sụt giảm sản lượng.
- Mã hóa: Tập lệnh làm sạch dữ liệu, vẽ đồ thị, thống kê địa lý và phân tích dị thường bằng Python.
- Văn bản dự thảo: JSA (phân tích an toàn công việc), báo cáo giám sát môi trường, dự thảo thông số kỹ thuật/đấu thầu.
- Động não: so sánh kịch bản, ý tưởng kế hoạch thử nghiệm/đo lường.
Trường hợp AI yếu và rủi ro:
- Đưa ra giá trị số chính xác (cấp, dự trữ, góc dốc, giá trị giới hạn).
- Thông tin về phiên bản và luật pháp/tiêu chuẩn hiện hành và cụ thể.
- Chẩn đoán mà không có dữ liệu đo lường thực tế của trang web của bạn.
- Quyết định quan trọng về an toàn: phê duyệt thiết kế vụ nổ, quyết định sơ tán, khả năng sử dụng.
Phân loại dựa trên rủi ro: bộ lọc trước khi sử dụng AI
Không phải mọi nhiệm vụ đều có cùng mức độ rủi ro. Phân loại nhiệm vụ theo mức độ rủi ro trước khi sử dụng AI. Bảng dưới đây cung cấp khung quyết định mà bạn sẽ sử dụng trong suốt mô-đun này.
Mức độ rủi ro
nhiệm vụ mẫu
vai trò AI
Xác minh bắt buộc
thấp
Giải thích khái niệm, văn bản nháp, khung mã
sử dụng miễn phí
Đánh giá là đủ
trung bình
Làm sạch dữ liệu, danh sách giả thuyết, thiết lập tính toán
Bản thảo/đồng tác giả
Kiểm soát thủ công + xác nhận nguồn
cao
Dự toán trữ lượng, giới hạn hố nổ, thông số nổ mìn
người tạo ý tưởng
Tiêu chuẩn + đo trường + phần mềm
quan trọng
Quyết định sơ tán, quyết định an toàn mái dốc, quyết định về khả năng sử dụng/phù hợp
Chỉ bản nháp/quét
Phê duyệt kỹ sư có thẩm quyền + thử nghiệm được công nhận
Mẹo: Nếu bạn đã đánh dấu một nhiệm vụ là "quan trọng" thì kết quả của AI sẽ không bao giờ là tài liệu cuối cùng. Nhiều nhất nó có thể là bản dự thảo sơ bộ hoặc danh sách kiểm tra; Kỹ sư có thẩm quyền cam kết ký tên và chịu trách nhiệm.
Luồng từ đầu đến cuối: nhúng AI vào quy trình làm việc của bạn
Một chu trình giải quyết vấn đề điển hình trong khai thác diễn ra như sau, với AI tham gia vào từng bước nhưng không đóng bất kỳ bước nào trong số đó:
- Xác định vấn đề: Dự đoán điều gì, đưa ra quyết định gì, có hạn chế gì? (AI: làm rõ câu hỏi.)
- Thu thập và làm sạch dữ liệu: Khoan, sản xuất, giám sát, dữ liệu phòng thí nghiệm. (AI: mạnh về dọn dẹp và kiểm tra tính không nhất quán.)
- Tạo giả thuyết/kịch bản: Nguyên nhân có thể, phương án thay thế. (AI: tạo danh sách có hệ thống.)
- Phân tích: Tính toán, địa thống kê, mô hình, xử lý ảnh. (AI: tạo ra mã và tính toán hư cấu.)
- Xác minh: Tiêu chuẩn, trường, tài khoản độc lập, phần mềm. (AI đang đứng ngoài cuộc; con người và phép đo quyết định.)
- Báo cáo và quyết định: Kỹ sư có thẩm quyền chịu trách nhiệm. (AI: người viết bản thảo.)
Hãy ghi nhớ sáu bước này; phần còn lại của mô-đun hướng dẫn bạn cách sử dụng AI với các nhiệm vụ khai thác cụ thể theo từng bước.
ba trường hợp nhỏ
Trường hợp 1 - Điểm trung bình giả định. Một thực tập sinh hỏi công cụ trò chuyện AI về điểm trung bình của một dự án đồng; AI cho biết “khoảng 0,65% Cu.” Thực tập sinh đưa điều này vào bài thuyết trình đầu tư. Tuy nhiên, AI chưa thấy một dữ liệu khoan nào của dự án này; đã đưa ra một con số điển hình cho “dự án đồng”. Giá trị thực chỉ đến từ dữ liệu khoan tổng hợp và ước tính địa thống kê của chính dự án; Giá trị thực tại dự án này là 0,38%. Sự khác biệt là sự khác biệt giữa việc đầu tư có lãi và thua lỗ. Thái độ đúng đắn là không bao giờ "hỏi" điểm của AI mà hãy tính điểm đó từ cơ sở dữ liệu của riêng bạn.
Trường hợp 2 - Điều khoản quy định không tồn tại. Một kỹ sư hỏi AI độ rung mặt đất tối đa (PPV: vận tốc hạt cực đại, mm/s) được phép khi nổ mìn. AI nói "10 mm/s theo quy định" và tạo nên một mã số vật phẩm. Kỹ sư viết báo cáo cho phù hợp. Trong quá trình kiểm tra, người ta phát hiện ra rằng số hạng mục không có thật và giá trị giới hạn thay đổi tùy thuộc vào khoảng cách và loại tòa nhà. Thái độ đúng đắn là mở quy định hiện hành từ nguồn chính thức và xác nhận giá trị, nội dung. Ngay cả khi AI biết chính xác tên của quy định, nó vẫn có thể tạo ra ảo giác về số bài viết.
Trường hợp 3 - Sử dụng đúng. Một nhà địa chất nghi ngờ có sự khác biệt trong cột cấp độ trong bộ dữ liệu gồm 40 lỗ khoan. Nó yêu cầu AI "liệt kê các hàng trong bảng này có thể có sự không nhất quán về đơn vị, giá trị âm, các ngoại lệ hiển thị và các ô trống, đồng thời viết những gì bạn nghi ngờ cho mỗi hàng; KHÔNG sửa, chỉ đánh dấu." AI gắn cờ một vài dòng trộn với % trộn với ppm, hai mức âm và giá trị mã 999. Nhà địa chất kiểm tra và sửa chữa từng cái một từ các bản ghi thô. Ở đây AI đã được sử dụng một cách chính xác: thu hút sự chú ý, con người đưa ra quyết định và sửa chữa.
Mẫu lời nhắc có thể sao chép
Bạn có thể sử dụng các mẫu bên dưới bằng cách điều chỉnh chúng cho phù hợp với doanh nghiệp của riêng bạn. Trong mỗi chúng đều có một chỉ dẫn có ý thức là "đưa ra con số chính xác, cho biết nguồn, giải thích điều không chắc chắn".
VAI TRÒ VÀ MẪU GIỚI HẠN "Vai trò: Bạn là một trợ lý kỹ sư khai thác mỏ có kinh nghiệm. Nhiệm vụ: [viết chủ đề]. Quy tắc: Khi đưa ra giá trị số chính xác (cấp, trữ lượng, giới hạn), hãy chỉ rõ NGUỒN; nếu bạn không chắc chắn, hãy nói 'phải được xác minh'. Nếu bạn đưa ra một bài viết quy định/tiêu chuẩn, hãy đưa ra phiên bản của nó, nhưng hãy nhớ rằng nó phải được xác nhận từ nguồn chính thức. Ở cuối câu trả lời, hãy viết 'những gì cần được xác minh bằng đo lường/tính toán hiện trường' từng mục."
MẪU TẠO GIẢ THUYẾT"Đưa ra một danh sách có hệ thống các lý do có thể xảy ra cho tình huống sau: [mô tả tình huống; những gì đã được quan sát, những dữ liệu nào có sẵn]. Đối với mỗi giả thuyết: (1) bằng chứng nào ủng hộ nó, (2) cần thực hiện phép đo hoặc tính toán nào để xác nhận/bác bỏ nó. ĐƯA RA chẩn đoán xác định; đưa ra lộ trình điều tra."
MẪU DANH SÁCH KIỂM TRA XÁC MINH"Liệt kê MỌI giá trị số và MỌI quy định/tham chiếu tiêu chuẩn trong bản dự thảo báo cáo bên dưới. Đối với mỗi giá trị, hãy cho biết từ nguồn nào (dữ liệu tự khoan, văn bản quy định, báo cáo phòng thí nghiệm, khảo sát thực địa) cần được xác minh. Thu thập những thứ có nguồn gốc không chắc chắn trong mục 'không thể sử dụng nếu không xác minh'. Văn bản: [dán]."
MẪU KIỂM TRA TRƯỚC ẨN DANH "Trước khi đưa văn bản sau cho công cụ AI, hãy gắn cờ bí mật thương mại hoặc các phần nhạy cảm về cá nhân/theo quy định: số dự trữ, số giấy phép, tọa độ thực tế, tên khách hàng/nhân viên, dữ liệu chi phí bí mật. Đề xuất cách tôi có thể ẩn danh những phần này. Văn bản: [dán]."
Dấu nhắc yếu / Dấu nhắc mạnh
Hỏi cùng một câu hỏi theo hai cách sẽ mang lại kết quả rất khác nhau.
NHỚ YẾU: "Dự trữ của mỏ này là bao nhiêu?"
LƯU Ý MẠNH MẼ: "Vai trò: Bạn là trợ lý nhà địa chất tài nguyên. Giải thích các bước mà ước tính trữ lượng/tài nguyên cần phải trải qua (tổng hợp, variogram, kriging, phân loại, giới hạn kinh tế) và dữ liệu nào cũng như sự phê duyệt của người có thẩm quyền ở mỗi bước. KHÔNG CUNG CẤP số dự trữ CHÍNH XÁC; nhấn mạnh rằng số này chỉ có thể được tính toán từ dữ liệu của chính dự án và phải được báo cáo trong khuôn khổ mã chẳng hạn như JORC/UMREK."
Dấu nhắc yếu mời AI bù đắp; Lời nhắc mạnh mẽ giúp nó hoạt động đúng công việc (mô tả quy trình) và ngăn chặn ảo giác kỹ thuật số xảy ra ngay từ đầu.
Những lỗi thường gặp
- “Hỏi” AI những con số dành riêng cho khóa học như điểm, dự bị, v.v. AI không biết dữ liệu của bạn; những con số này chỉ được tính toán từ cơ sở dữ liệu của riêng bạn.
- Sử dụng điều khoản pháp luật/tiêu chuẩn mà không xác nhận nó. Số lượng và giá trị của vật phẩm thường bị ảo giác.
- Đưa ra quyết định quan trọng về an toàn dựa trên đầu ra AI. Các quyết định về sơ tán, phê duyệt nổ mìn và khả năng sử dụng được thực hiện bởi kỹ sư có thẩm quyền.
- Dán dữ liệu nhạy cảm vào công cụ đám mây mà không ẩn danh nó. Dữ liệu dự trữ, điều phối và chi phí là bí mật thương mại.
- Chờ đợi một câu hỏi và một câu trả lời. Sử dụng AI lặp đi lặp lại: tạo bản nháp, phê bình, xác minh, sửa chữa.
Thận trọng: Một con số xuất hiện trong kết quả AI càng chính xác và đáng tin cậy thì nhu cầu xác minh càng cao. Độ chính xác không phải là sự đảm bảo cho độ chính xác.
Tóm lại
Trong bài này, bạn đã thấy rằng AI là người trợ giúp trong việc khai thác chứ không phải là người đưa ra quyết định. LLM là công cụ dự đoán ngôn ngữ; Nó có tác dụng mạnh mẽ trong việc giải thích khái niệm, làm sạch dữ liệu, giả thuyết và tạo mã, nhưng lại có rủi ro trong việc tạo ra các con số và quy luật chính xác (ảo giác). Phân loại nhiệm vụ theo mức độ thấp/trung bình/cao/quan trọng và điều chỉnh độ sâu xác minh cho phù hợp. Xác minh mọi giá trị số từ dữ liệu của riêng bạn hoặc phép đo hiện trường, mọi tham chiếu quy định từ nguồn chính thức. Các quyết định quan trọng về bảo mật luôn thuộc về kỹ sư có thẩm quyền và ẩn danh dữ liệu nhạy cảm trước khi sử dụng.
Nhiệm vụ ứng dụng
Chọn năm nhiệm vụ từ hoạt động kinh doanh của riêng bạn (hoặc một dự án khai thác hư cấu): mô tả khái niệm, làm sạch dữ liệu, danh sách các giả thuyết, giá trị dự trữ/số và câu hỏi quy định. Đặt mỗi thứ vào bảng rủi ro ở trên. Sau đó, thuê ngoài hai nhiệm vụ có rủi ro thấp/trung bình cho AI bằng mẫu “Vai trò và ranh giới” và đánh dấu từng thành phần số/quy định của đầu ra bằng mẫu “Danh sách kiểm tra xác minh”. Viết ra những yếu tố nào không thể được sử dụng nếu không xác minh.
danh sách kiểm tra
- [ ] Tôi đã đặt nhiệm vụ ở mức độ rủi ro (thấp/trung bình/cao/nghiêm trọng) trước khi sử dụng nó.
- [ ] Tôi đã tính toán các con số theo từng lĩnh vực cụ thể như cấp độ, dự trữ, v.v. từ sản lượng của chính mình thay vì hỏi AI.
- [ ] Tôi đã xác minh từng tài liệu tham khảo pháp luật/tiêu chuẩn từ nguồn chính thức.
- [ ] Tôi đã ẩn danh dữ liệu nhạy cảm (dự trữ, tọa độ, tên, chi phí).
- [ ] Tôi để quyết định quan trọng về an toàn cho kỹ sư có thẩm quyền phê duyệt chứ không dựa trên kết quả đầu ra của AI.
- [ ] Tôi đã quét mọi giá trị số trong đầu ra AI để tìm "không thể sử dụng nếu không xác minh".