Phân tích dữ liệu khai thác bằng Python và biên giới của AI

Lợi nhuận:

• Khả năng tạo các tập lệnh làm sạch và trực quan hóa dữ liệu khoan, sản xuất và giám sát bằng Python, với sự hỗ trợ của AI
• Khả năng nhận biết chất lượng dữ liệu, rủi ro học tập quá mức và ngoại suy khi xây dựng các mô hình dự đoán và bất thường đơn giản
• Khả năng xác minh mã và kết quả do AI tạo ra bằng điều khiển đơn vị, tính toán độc lập và tính hợp lý về mặt kỹ thuật

Trong mỗi đơn vị của mô-đun này, bạn đã thấy AI có khả năng mã hóa mạnh mẽ: làm sạch lỗ khoan, cân bằng khối lượng, bộ xương kriging, tóm tắt đội tàu, phân tích rung động, quét môi trường. Bài học cuối cùng này tập trung vào Python, công cụ cụ thể cho mã đó và nguyên tắc thích hợp để tạo mã bằng AI. Python đã trở thành tiêu chuẩn thực tế trong phân tích dữ liệu khai thác vì nó miễn phí, có các thư viện mạnh mẽ (pandas: thao tác dữ liệu dạng bảng; numpy: phép tính số; matplotlib: vẽ đồ thị; scikit-learn: học máy) và tự động hóa các tác vụ lặp đi lặp lại. AI nhân lên tốc độ bạn viết mã đó; nhưng mã nó tạo ra không phải lúc nào cũng đúng. Nguyên tắc trung tâm của đơn vị này: Không bao giờ chạy mã mà AI viết mà không đọc nó trước, xác thực đơn vị của nó và kiểm tra nó với một lượng nhỏ dữ liệu đã biết. Mã có thể âm thầm tạo ra kết quả sai, điều này có thể dẫn đến một quyết định kỹ thuật tồi trong quá trình khai thác.

Quy trình tạo mã cơ bản với AI

Lấy mã từ AI là một chu trình kỹ thuật, không phải một cuộc trò chuyện:

1. Mô tả nhiệm vụ rõ ràng. Đầu vào (cột, đơn vị, hàng mẫu), đầu ra mong muốn và các ràng buộc. Yêu cầu mơ hồ tạo ra mã không rõ ràng.
2. Yêu cầu nó nhỏ và dễ đọc. Yêu cầu mã nhận xét từng bước thay vì một hàm khổng lồ.
3. Đọc và hiểu. Hiểu công dụng của từng dòng; Đừng chạy mã mà bạn không hiểu.
4. Kiểm tra với dữ liệu nhỏ. Chạy thủ công với 5-10 dòng mà bạn biết kết quả và xác minh kết quả mong đợi.
5. Các trường hợp cạnh câu hỏi. Ô trống, giá trị âm, xáo trộn đơn vị, bản ghi lặp lại Mã hoạt động như thế nào?
6. Chia tỷ lệ và kiểm tra logic. Chạy trên tất cả dữ liệu; Kết quả có hợp lý về mặt kỹ thuật không?

Mẹo: Các lỗi phổ biến nhất khi nhập mã AI là lỗi im lặng: sai tên cột, trộn đơn vị (m so với ft, g/t so với ppm), các hàng bị loại bỏ âm thầm (như dropna), sai trung bình (trung bình đơn giản khi cần tính trọng số). Những điều này không gây ra lỗi; Nó chỉ tạo ra số sai. Vì vậy, "không gặp lỗi" không bao giờ có nghĩa là "chính xác".

Các tác vụ Python điển hình trong khai thác

• Làm sạch dữ liệu: Hợp nhất các bảng khoan/sản xuất/giám sát, gắn cờ không nhất quán, chuẩn hóa đơn vị.
• Tóm tắt và trực quan hóa: Biểu đồ, chuỗi thời gian, đường cong cấp trọng tải, đồ thị OEE.
• Thống kê và địa thống kê: Thống kê tóm tắt, tương quan, variogram/kriging (với các thư viện đặc biệt).
• Phát hiện bất thường: Ghi lại độ lệch dựa trên ngưỡng hoặc dựa trên mô hình đơn giản.
• Các mô hình dự đoán đơn giản: Ví dụ: mối quan hệ giữa kích thước và năng suất nghiền với hồi quy.

Đối với hầu hết các nhiệm vụ này, AI cung cấp mã khởi đầu tuyệt vời. Nhưng có hai cạm bẫy: chất lượng dữ liệu và giới hạn mô hình. Biết cả hai là chìa khóa để sử dụng mã AI một cách an toàn.

Giới hạn mô hình: học quá mức và ngoại suy

Các mô hình dự đoán đơn giản mà AI dễ dàng xây dựng dễ gặp phải hai rủi ro lớn. Trang bị quá mức: Mô hình ghi nhớ dữ liệu huấn luyện nhưng hoạt động kém trên dữ liệu mới; Xây dựng các mô hình phức tạp với ít dữ liệu sẽ tạo ra điều này. Ngoại suy: Mô hình trở nên không đáng tin cậy khi buộc phải đưa ra dự đoán trong phạm vi bên ngoài dữ liệu huấn luyện; Ví dụ, một mô hình đã học trong phạm vi 0,3-0,8 g/t có thể cho kết quả vô nghĩa đối với 5 g/t. AI không “tự phát” quản lý những rủi ro này cho bạn; Bạn có quyền đọc mô hình một cách nghiêm túc, phân biệt đào tạo/kiểm tra, xem xét khoảng tin cậy và kiểm tra xem dự đoán có hợp lý về mặt vật lý hay không. Cho dù số kiểu máy có xuất hiện chính xác đến đâu thì nó cũng không thể là cơ sở cho quyết định kỹ thuật nằm ngoài phạm vi dữ liệu.

ba trường hợp nhỏ

Trường hợp 1 - Lỗi âm lượng im lặng. Một kỹ sư muốn mã giúp AI tính điểm trung bình từ dữ liệu khảo nghiệm. Mã hoạt động, kết quả là 2,1 g/t. Kỹ sư đọc mã; Lưu ý rằng giá trị trung bình không được tính theo độ dài khoảng mà được lấy làm giá trị trung bình thẳng. Điểm cao trong thời gian ngắn đã tăng cân một cách không công bằng. Khi chuyển sang giá trị trung bình có trọng số, giá trị giảm xuống còn 1,7 g/t. Mã không có lỗi; đọc thấy bị lỗi.

Trường hợp 2 - Đường truyền im lặng. Trong mã tóm tắt sản xuất, AI đã dọn sạch các hàng có giá trị bị thiếu bằng dropna. Mã chạy trơn tru, nhưng tổng trọng tải bị đánh giá thấp vì một số hàng hợp lệ đã bị loại bỏ hoàn toàn do một cột trống. Khi kỹ sư so sánh số lượng dòng giữa đầu vào và đầu ra, anh ta sẽ thấy sự khác biệt và điều chỉnh logic làm sạch. Bài học: luôn so sánh số dòng đầu vào và đầu ra.

Trường hợp 3 - Bẫy ngoại suy. Một nhóm áp dụng mô hình hồi quy đã học ở phạm vi cấp thấp lên khu vực cấp cao; Mô hình đưa ra ước tính năng suất cao một cách vô lý. May mắn thay, kỹ sư từ chối kết quả, nói rằng "khu vực này nằm ngoài phạm vi mà mô hình nhìn thấy" và yêu cầu thử nghiệm luyện kim. Bài học: biết phạm vi dữ liệu mà mô hình hợp lệ; Không sử dụng ước tính ngoài tiểu bang.

Mẫu lời nhắc có thể sao chép

MÃ SẠCH DỮ LIỆU AN TOÀN "Vai trò: Bạn là trợ lý phân tích dữ liệu Python. Viết mã với gấu trúc để dọn dẹp bảng sau. Cột và đơn vị: [danh sách]. Quy tắc: (1) in số hàng TRƯỚC và SAU khi thả hàng; (2) báo cáo hàng nào bị bỏ và tại sao; (3) chuyển đổi đơn vị nhận xét; (4) sử dụng trung bình có trọng số khi cần thiết thay vì đơn giản. Giải thích từng bước bằng một dòng nhận xét. "

YÊU CẦU ĐÁNH GIÁ MÃ"Giải thích từng dòng mã Python sau đây và chỉ ra các điểm rủi ro sau: giả định tên cột không chính xác, nhầm lẫn đơn vị, giảm hàng im lặng, lỗi trung bình phẳng/có trọng số, hành vi viết hoa chữ thường (null/âm). KHÔNG CỐ ĐỊNH mã; chỉ liệt kê các rủi ro. Mã: [dán]."

THIẾT LẬP KIỂM TRA VỚI DỮ LIỆU NHỎ "Đối với chức năng này, hãy tạo thủ công một dữ liệu thử nghiệm nhỏ (5-6 dòng) trong đó tôi biết kết quả và đầu ra dự kiến; viết một khối kiểm tra để kiểm tra xem hàm có hoạt động chính xác trên dữ liệu này hay không. Ngoài ra, hãy kiểm tra các trường hợp cực đoan (ô trống, giá trị âm, giá trị cực trị đơn vị). Chức năng: [dán]."

MÔ HÌNH ĐƠN GIẢN + CẢNH BÁO GIỚI HẠN"Thiết lập hồi quy đơn giản cho [x -> y] với dữ liệu sau. Phân biệt giữa đào tạo/kiểm tra, báo cáo số liệu lỗi và nêu rõ phạm vi x mà mô hình là HỢP LỆ. Cảnh báo nếu dự đoán được thực hiện BÊN NGOÀI phạm vi này. Nhận xét về nguy cơ đào tạo quá mức và độ thưa thớt của dữ liệu. Dữ liệu: [dán]."

Dấu nhắc yếu / Dấu nhắc mạnh

NHẮC NHỞ YẾU: "Tính điểm trung bình từ dữ liệu này."

LƯU Ý MẠNH:"Vai trò: Bạn là trợ lý Python. Các cột: HoleID, From(m), To(m),Au(g/t). Tính điểm trung bình TRỌNG LƯỢNG với độ dài khoảng. Mã: (1) in số hàng đầu vào/đầu ra; (2) báo cáo giá trị null/âm trước khi loại bỏ chúng; (3) xác nhận giả định đơn vị. Đồng thời hiển thị tổng phụ để tôi có thể xác minh kết quả theo cách thủ công. Dữ liệu: [dán]."

Bảng so sánh: rủi ro và phòng ngừa

Rủi ro

triệu chứng

đề phòng

Đơn vị nhiễu

Hợp lý nhưng sai số

Nhận xét đơn vị trong mã, kiểm tra nó

Thả dòng im lặng

Tổng số bị thiếu

So sánh số dòng đầu vào/đầu ra

Đồng bằng và trung bình có trọng số

trung bình sai

Xác minh trọng số

học tập quá mức

Dữ liệu thử nghiệm không tốt

Tách đào tạo/kiểm tra, giữ cho nó đơn giản

phép ngoại suy

Đoán vô nghĩa ngoài phạm vi

Giới hạn phạm vi hợp lệ

Những lỗi thường gặp

• Chạy mã mà không đọc nó. "Nó không gặp bất kỳ lỗi nào" không có nghĩa là nó đúng.
• Không thử nghiệm với dữ liệu nhỏ. Tin tưởng mà không có ví dụ có thể kiểm chứng là sai lầm.
• Không so sánh số lượng dòng đầu vào/đầu ra. Đây là cách thoát khỏi những mất mát thầm lặng.
• Bỏ qua phạm vi mô hình. Ước tính ngoại suy là không đáng tin cậy.
• Tin tưởng vào vẻ đẹp của biểu đồ. Một biểu đồ phong cách có thể ẩn số sai.

Lưu ý: Nếu mã AI đi vào tài khoản kỹ thuật thì mã đó cũng có trách nhiệm như tài khoản. Bất cứ khi nào kết quả trở thành quyết định khai thác, hãy chạy mã và đầu ra của nó thông qua kiểm tra logic độc lập và so sánh với phương pháp thứ hai nếu có thể.

Tóm lại

Python trên thực tế là công cụ để phân tích dữ liệu khai thác và AI giúp tăng đáng kể tốc độ bạn viết nó. Nhưng mã AI có thể ẩn chứa các lỗi thầm lặng (nhầm lẫn đơn vị, rớt hàng, tính trung bình sai) và bẫy mô hình (học quá mức, ngoại suy). Luồng an toàn: mô tả rõ ràng, muốn nhỏ và dễ đọc, đọc và hiểu, kiểm tra với dữ liệu nhỏ đã biết, các trường hợp biên truy vấn, kiểm tra tỷ lệ và logic. Đầu ra của mô hình không thể là cơ sở cho quyết định nằm ngoài phạm vi dữ liệu; và mỗi mã mang nhiều trách nhiệm như một tài khoản nếu nó trở thành quyết định khai thác.

Nhiệm vụ ứng dụng

Sử dụng mẫu "Mã vệ sinh dữ liệu an toàn" với nhiệm vụ tính điểm trung bình hoặc tóm tắt sản xuất để lấy mã từ AI; Giảm rủi ro cho mã bằng mẫu "Yêu cầu xem xét mã". Sau đó, với mẫu "Thiết lập thử nghiệm với dữ liệu nhỏ", hãy tạo thủ công một tập dữ liệu có kết quả mà bạn biết và xác minh mã. Cuối cùng, đối với một mối quan hệ đơn giản, hãy thiết lập một mô hình với mẫu "Mô hình đơn giản + cảnh báo giới hạn" và kiểm tra xem nó có đưa ra cảnh báo khi vượt ra ngoài phạm vi hợp lệ hay không.

danh sách kiểm tra

• [ ] Tôi đọc mã AI và hiểu từng dòng, tôi không chạy nó một cách mù quáng.
• [ ] Tôi đã thử nghiệm nó với dữ liệu nhỏ, có thể xác minh thủ công.
• [ ] Tôi đã so sánh số lượng dòng đầu vào và đầu ra.
• [ ] Tôi đã xác minh tính nhất quán và trọng số của đơn vị.
• [ ] Tôi đã giới hạn phạm vi dữ liệu hợp lệ của mô hình, tránh ngoại suy.
• [ ] Tôi đã kiểm tra kết quả và đưa ra quyết định bằng phương pháp logic/giây độc lập.

Thi học phần

1. Một thực tập sinh hỏi công cụ trò chuyện AI về cấp trung bình của thân quặng và viết trực tiếp giá trị kết quả là '1,8 g/t vàng' vào báo cáo trữ lượng. Sai lầm cơ bản trong cách tiếp cận này là gì?

• A) Giá trị cấp phải đến từ dữ liệu khoan/phân tích của chính dự án và dự báo đã được xác minh; Con số do AI tạo ra có thể là bịa đặt không có nguồn gốc ✔
• B) Lẽ ra nó phải được yêu cầu tính bằng ounce thay vì gam
• C) Giá trị đúng, chỉ nên sử dụng dấu chấm thay vì dấu phẩy
• D) Chỉ cần hỏi AI cùng một câu hỏi ba lần và lấy điểm trung bình là đủ

Giải thích: Mô hình ngôn ngữ không biết dữ liệu khoan của dự án của bạn; tạo ra một con số có vẻ có khả năng xảy ra nhất (ảo giác). Cấp độ này chỉ đến từ dữ liệu khoan tổng hợp và ước tính địa thống kê của chính dự án; Đầu ra AI không được đưa vào báo cáo nếu không có sự chấp thuận của người có thẩm quyền.

2. 'Phân loại dựa trên rủi ro' mang lại lợi ích gì khi sử dụng AI trong kỹ thuật khai thác mỏ?

• A) Giảm giá công cụ AI
• B) Xác định vai trò của AI và độ sâu xác minh bắt buộc theo mức độ rủi ro của nhiệm vụ ✔
• C) Lời nhắc nên viết ngắn hơn
• D) Tự động ủy thác mọi quyết định cho AI

Giải thích: Không phải mọi nhiệm vụ đều có mức độ rủi ro như nhau. Việc phân loại nhiệm vụ thành thấp/trung bình/cao/quan trọng sẽ xác định đầu ra nào có thể được sử dụng tự do và đầu ra nào cần phải xác minh tiêu chuẩn và hiện trường cũng như phê duyệt của kỹ sư có thẩm quyền.

3. Mô hình 'variogram' trong địa thống kê là gì?

• A) Tiêu thụ nhiên liệu của thiết bị
• B) Sự thay đổi giá kim loại theo thời gian
• C) Tính liên tục của không gian phụ thuộc vào khoảng cách; ✔ mức độ tương tự giảm dần khi các điểm càng xa nhau
• D) Tần số rung động do nổ mìn tạo ra

Mô tả: Variogram mô tả mức độ tương tự của các mẫu với nhau giảm như thế nào (tính liên tục về không gian) khi khoảng cách giữa hai điểm tăng lên. Kriging sử dụng mô hình này để ước tính các điểm không được đo lường với mức độ không chắc chắn.

4. Cách tiếp cận tốt nhất khi nhờ AI phân loại trước thạch học từ chụp ảnh lõi khoan là gì?

• A) Xử lý trực tiếp loại đá do AI đưa ra vào nhật ký khoan
• B) Sao chép văn bản của AI vào báo cáo mà không kiểm tra ảnh
• C) Hủy bỏ quan sát của nhà địa chất và chỉ dựa vào AI
• D) Hãy coi kết quả là dự đoán/giả thuyết sơ bộ và xác minh nó bằng quan sát của nhà địa chất và phân tích trong phòng thí nghiệm ✔

Mô tả: AI có thể tạo dự đoán và danh sách chú ý từ hình ảnh; Tuy nhiên, quyết định về thạch học/thay đổi cuối cùng được đưa ra bởi sự quan sát và phân tích trong phòng thí nghiệm của nhà địa chất. Đầu ra AI là một sự khởi đầu, một giả thuyết cần được xác minh.

5. 'Tỷ lệ tước' có ý nghĩa gì trong quy hoạch hố lộ thiên?

• A) Lượng rỉ sét (đá thải) phải loại bỏ để đạt được một đơn vị quặng ✔
• B) Tỷ lệ kim loại trong quặng
• C) Số chuyến xe tải đi hàng ngày
• D) Lượng thuốc nổ sử dụng khi nổ mìn

Mô tả: Tốc độ tước là lượng chất thải (dải/chất thải) phải được loại bỏ để đạt được một đơn vị quặng. Giới hạn hố cuối cùng và tính kinh tế phần lớn phụ thuộc vào tỷ lệ này; Mặc dù AI tạo ra các kịch bản nhưng quyết định về ranh giới vẫn thuộc về kỹ sư có năng lực.

6. Trong việc bảo trì dự đoán, việc AI phát hiện ra những “điểm bất thường” trong dữ liệu về độ rung và nhiệt độ có ý nghĩa gì?

• A) Bằng chứng cho thấy thiết bị chắc chắn đã bị lỗi
• B) Cảnh báo dữ liệu sai lệch so với bình thường; Đây không phải là chẩn đoán xác định trục trặc mà là một dấu hiệu cần được xác nhận bằng khám thực thể ✔
• C) Ra lệnh dừng thiết bị một cách tự động
• D) Đảm bảo rằng dữ liệu được ghi không chính xác

Giải thích: Sự bất thường là sự sai lệch của dữ liệu so với hành vi bình thường và có thể chỉ ra sự cố; nhưng nó không phải là một chẩn đoán xác định. Quyết định dừng thiết bị hoặc thay thế các bộ phận được đưa ra sau khi đội bảo trì kiểm tra thực tế và được sự chấp thuận của người quản lý vận hành.

7. Điều gì cần thiết để đảm bảo an toàn khi sử dụng AI trong thiết kế máy khoan nổ?

• A) Triển khai khuyến nghị AI trực tiếp tại hiện trường
• B) Bỏ qua việc đo độ rung
• C) Xác minh thiết kế đề xuất của AI bằng đo đạc hiện trường, giới hạn quy định và phê duyệt của chuyên gia nổ mìn có thẩm quyền ✔
• D) Ấn định lượng thuốc nổ tối đa do AI đưa ra

Mô tả: Nổ mìn; Nó tiềm ẩn những rủi ro nghiêm trọng về an toàn và quy định như rung động, sốc không khí và đá bay. AI có thể đưa ra bản phác thảo thiết kế và đề xuất thông số; Tuy nhiên, thiết kế cuối cùng phải vượt qua phép đo hiện trường, giới hạn quy định và sự chấp thuận của chuyên gia nổ mìn được ủy quyền (kíp nổ/người chịu trách nhiệm).

8. Mối quan hệ điển hình giữa 'độ thu hồi' và 'cấp độ đậm đặc' trong chế biến khoáng sản là gì và AI nên nhớ điều gì khi diễn giải điều này?

• A) Cả hai luôn cùng tăng
• B) Giữa chúng không có mối quan hệ nào
• C) Mối quan hệ không đổi và giống nhau ở tất cả các cơ sở
• D) Thường có sự cân bằng ngược (sản lượng giảm khi cấp tăng); giá trị thực tế phải được xác minh bằng thử nghiệm luyện kim và cân bằng khối lượng ✔

Giải thích: Nói chung, khi chúng ta cố gắng đạt được cấp độ tập trung cao hơn, năng suất sẽ giảm (cân bằng năng suất cấp). AI có thể giải thích xu hướng này, nhưng giá trị vận hành thực tế phải được xác nhận bằng thử nghiệm luyện kim và cân bằng khối lượng; xu hướng chung không thể thay thế cho thực tế tại địa điểm cụ thể.

9. Cách sử dụng thích hợp nhất để phân tích dữ liệu cận kề tai nạn/tai nạn bằng AI trong an toàn lao động là gì?

• A) Phân loại các bản ghi văn bản tự do và trích xuất các mẫu rủi ro định kỳ; Hãy để chuyên gia OHS quyết định ✔
• B) Tự động xác định thủ phạm gây tai nạn
• C) Giao lệnh ngừng việc cho AI
• D) Lưu trữ hồ sơ cận nguy mà không xem xét chúng

Mô tả: AI có thể phân loại số lượng lớn bản ghi văn bản miễn phí và nhanh chóng trích xuất các mẫu lặp đi lặp lại cũng như các điều kiện rủi ro. Tuy nhiên, quyết định dừng công việc, sơ tán một khu vực hoặc nguyên nhân gốc rễ được đưa ra trong khuôn khổ chuyên gia OHS và pháp luật; Đầu ra AI là đầu vào, không phải quyết định.

10. Tại sao 'gia tốc tốc độ biến dạng' là một dấu hiệu quan trọng trong dữ liệu radar/lăng kính trong giám sát độ dốc?

• A) Nó chắc chắn chỉ ra rằng thiết bị đo bị hỏng.
• B) Nó có thể báo trước một sự thất bại dần dần; Quyết định cảnh báo sớm và sơ tán thuộc về kỹ sư địa kỹ thuật ✔
• C) Nó cho thấy độ dốc hoàn toàn an toàn
• D) Nó chỉ có ý nghĩa khi có lượng mưa và có thể bỏ qua

Giải thích: Trước khi xảy ra sự cố mái dốc, tốc độ biến dạng (gia tốc) thường tăng dần; Đây có thể là dấu hiệu của sự thất bại ngày càng tăng. AI có thể làm nổi bật xu hướng, nhưng quyết định sơ tán/cảnh báo sớm được đưa ra bởi phân tích và giao thức của kỹ sư địa kỹ thuật.

11. Trong giám sát môi trường, phản ứng chính xác nhất trước dấu hiệu “vượt quá” mà AI phát hiện trong chuỗi thời gian chất lượng nước là gì?

• A) Báo cáo kết quả đầu ra AI trực tiếp cho cơ quan chính phủ
• B) Bỏ qua cảnh báo và tiếp tục xem
• C) Xác minh bằng kết quả phòng thí nghiệm được công nhận, giới hạn quy định và đánh giá của kỹ sư môi trường ✔
• D) Chỉ dựa vào AI và hủy bỏ phân tích trong phòng thí nghiệm

Mô tả: AI có thể báo hiệu sớm một hành vi vi phạm có thể xảy ra; Tuy nhiên, quyết định tuân thủ chính thức được đưa ra bằng phân tích của phòng thí nghiệm được công nhận, các giá trị giới hạn theo quy định của pháp luật và đánh giá của kỹ sư môi trường. Đầu ra AI là cảnh báo sàng lọc chứ không phải quyết định pháp lý/kỹ thuật.

12. Cách đáng tin cậy nhất để tránh nhận được tài liệu tham khảo bịa đặt (ảo giác) khi bạn hỏi AI về số điều khoản của một tiêu chuẩn như JORC hoặc NI 43-101?

• A) Dựa vào mã số vật phẩm do AI đưa ra
• B) Hỏi lại cùng một câu hỏi với những từ khác nhau
• C) Nhìn vào một bài viết blog thay vì tiêu chuẩn
• D) Mở và xác nhận từng tham chiếu bài viết từ văn bản chính thức hiện hành của tiêu chuẩn và được người có thẩm quyền phê duyệt ✔

Giải thích: Mặc dù mô hình ngôn ngữ biết chính xác tên của tiêu chuẩn nhưng nó có thể gây ảo giác về số bài viết và văn bản. Mỗi tài liệu tham khảo về chất phải được mở và xác nhận từ văn bản chính thức hiện hành của tiêu chuẩn và sự phù hợp cuối cùng phải được người có thẩm quyền (CP/QP) xác nhận.

13. Kiểm tra quan trọng nhất trước khi chạy tập lệnh phân tích Python do AI viết là gì?

• A) Đọc mã và xác minh sự khớp đơn vị/cột, kiểm tra với dữ liệu nhỏ đã biết và kiểm tra tính hợp lý của kết quả ✔
• B) Chạy mã trực tiếp trên toàn bộ tập dữ liệu mà không cần đọc mã
• C) Chỉ thấy không có lỗi và chấp nhận kết quả
• D) Dựa vào đồ họa đầu ra để trông đẹp mắt.

Mô tả: Mã AI có thể trộn lẫn các đơn vị, giả định tên cột không chính xác hoặc âm thầm bỏ hàng. Điều cần thiết là phải đọc mã, xác minh khối lượng và cột khớp, kiểm tra với một lượng nhỏ dữ liệu đã biết và kiểm tra xem kết quả có hợp lý về mặt kỹ thuật hay không.

14. Hành vi tốt nhất về mặt bảo mật khi cung cấp dữ liệu khai thác cho công cụ AI dựa trên đám mây là gì?

• A) Dán tất cả dữ liệu thô
• B) Ẩn danh bối cảnh và làm sạch dữ liệu dự trữ/điều phối/sản xuất nhạy cảm và sử dụng công cụ tuân thủ chính sách của công ty ✔
• C) Giả sử rằng việc cung cấp tọa độ thực tế là điều cần thiết cho chất lượng kết quả
• D) Bỏ qua chính sách quyền riêng tư

Giải thích: Số liệu dự trữ, thông tin giấy phép/điều phối và dữ liệu sản xuất rất nhạy cảm về mặt bí mật thương mại và pháp luật. Cần phải ẩn danh bối cảnh, xóa tọa độ và tên thực, chọn công cụ đảm bảo quyền riêng tư/công ty và tuân thủ chính sách của công ty.