Itupalẹ Data Mining pẹlu Python ati awọn Furontia ti AI

Awọn anfani:

• Agbara lati ṣe awọn iwe afọwọkọ ti o sọ di mimọ ati wiwo liluho, iṣelọpọ ati data ibojuwo pẹlu Python, pẹlu atilẹyin AI
• Agbara lati ṣe idanimọ didara data, ikẹkọ ati awọn eewu afikun nigba kikọ asọtẹlẹ ti o rọrun ati awọn awoṣe anomaly
• Agbara lati jẹrisi koodu ti ipilẹṣẹ AI ati abajade pẹlu iṣakoso ẹyọkan, iṣiro ominira ati iṣeeṣe imọ-ẹrọ

Ninu ẹyọkan kọọkan ti module yii o ti rii AI lagbara ni ifaminsi: mimọ iho, iwọntunwọnsi ọpọ, egungun kriging, akopọ ọkọ oju-omi kekere, itupalẹ gbigbọn, ọlọjẹ ayika. Ẹyọ ti o kẹhin yii dojukọ Python, ohun elo nja fun koodu yẹn, ati ibawi to tọ ti ipilẹṣẹ koodu pẹlu AI. Python ti di apewọn de facto ni itupalẹ data iwakusa nitori pe o jẹ ọfẹ, ni awọn ile-ikawe ti o lagbara (pandas: ifọwọyi data tabular; numpy: iṣiro nọmba; matplotlib: igbero; scikit-learn: ikẹkọ ẹrọ), ati adaṣe awọn iṣẹ ṣiṣe atunwi. AI ṣe isodipupo iyara ni eyiti o kọ koodu yẹn; ṣugbọn koodu ti o gbejade kii ṣe deede nigbagbogbo. Ilana agbedemeji ti ẹyọ yii: Maṣe ṣi koodu AI kọ laisi kika akọkọ, fọwọsi ẹyọ rẹ, ati idanwo pẹlu iye kekere ti data ti a mọ. Awọn koodu le ni idakẹjẹ gbejade abajade ti ko tọ, eyiti o le yipada si ipinnu imọ-ẹrọ buburu ni iwakusa.

Ṣiṣan ipilẹ ti koodu ipilẹṣẹ pẹlu AI

Gbigba koodu lati AI jẹ ọna ṣiṣe ẹrọ, kii ṣe ibaraẹnisọrọ:

1. Ṣe apejuwe iṣẹ naa ni kedere. Iṣagbewọle (awọn ọwọn, awọn ẹya, kana ayẹwo), iṣẹjade ti o fẹ, ati awọn ihamọ. Ibeere alaiṣedeede ṣe agbejade koodu aibikita.
2. Beere fun ki o jẹ kekere ati kika. Beere fun igbese-nipasẹ-igbesẹ, koodu asọye dipo iṣẹ nla kan.
3. Ka ati oye. Loye ohun ti ila kọọkan ṣe; Maṣe ṣiṣẹ koodu ti o ko loye.
4. Ṣe idanwo pẹlu data kekere. Ṣiṣe pẹlu ọwọ pẹlu awọn laini 5-10 ti awọn abajade ti o mọ ati rii daju abajade ti o nireti.
5. Awọn ọran eti ibeere. Foonu ti o ṣofo, iye odi, iyipada ẹyọkan, igbasilẹ atunwi Bawo ni koodu ṣe huwa?
6. Asekale ati ki o ṣayẹwo kannaa. Ṣiṣe lori gbogbo data; Ṣe abajade imọ-ẹrọ ni oye bi?

Imọran: Awọn aṣiṣe ti o wọpọ julọ ti o tẹ koodu AI jẹ ipalọlọ: orukọ iwe ti ko tọ, dapọ apakan (m vs ft, g/t vs ppm), awọn ori ila ti o dakẹ silẹ (bii dropna), apapọ aṣiṣe (apapọ itele nigba ti o yẹ ki o jẹ iwuwo). Awọn wọnyi ko fa awọn aṣiṣe; O kan gbe nọmba ti ko tọ jade. Nitorina "ko gba aṣiṣe" ko tumọ si "tọ".

Awọn iṣẹ-ṣiṣe Python aṣoju ni iwakusa

• Data mimọ: Dapọ liluho / gbóògì / ibojuwo tabili, aisedede flagging, Unit normalizing.
• Akopọ ati iworan: Histogram, jara akoko, iwọn-tonnage ti tẹ, awọn aworan OEE.
• Awọn iṣiro ati geostatistics: Awọn iṣiro akopọ, ibamu, variogram/kriging (pẹlu awọn ile-ikawe pataki).
• Iwari Anomaly: orisun-ipele tabi ti o rọrun-orisun fiseete awoṣe.
• Awọn awoṣe asọtẹlẹ ti o rọrun: Fun apẹẹrẹ, lilọ-iwọn ibatan ibatan pẹlu ipadasẹhin.

Fun pupọ julọ awọn iṣẹ ṣiṣe wọnyi, AI pese koodu ibẹrẹ to dara julọ. Ṣugbọn awọn ipalara meji wa: didara data ati awọn ifilelẹ awoṣe. Mọ mejeeji jẹ bọtini lati lo koodu AI lailewu.

Awọn ifilelẹ awoṣe: overlearning ati extrapolation

Awọn awoṣe asọtẹlẹ ti o rọrun ti AI ni irọrun kọ jẹ ipalara si awọn eewu pataki meji. Overfitting: Awoṣe naa ṣe iranti data ikẹkọ ṣugbọn o ṣe aiṣedeede lori data tuntun; Ilé eka si dede pẹlu kekere data nkepe yi. Extrapolation: Awoṣe naa di alaigbagbọ nigbati o fi agbara mu lati ṣe asọtẹlẹ lori ibiti o wa ni ita ti data ikẹkọ; Fun apẹẹrẹ, awoṣe ti a kọ ni iwọn 0.3-0.8 g / t le fun awọn esi ti ko ni itumọ fun 5 g / t. AI ko "lairotẹlẹ" ṣakoso awọn ewu wọnyi fun ọ; O wa si ọ lati ka awoṣe naa ni itara, ṣe iyatọ ikẹkọ/idanwo, wo aarin igbẹkẹle, ati ṣayẹwo boya asọtẹlẹ naa jẹ iṣeeṣe ti ara. Laibikita bawo ni nọmba awoṣe ṣe han, ko le jẹ ipilẹ fun ipinnu imọ-ẹrọ ni ita ibiti data.

mẹta mini igba

Ọran 1 - Aṣiṣe iwọn didun ipalọlọ. Onimọ-ẹrọ fẹ koodu ti o jẹ ki AI ṣe iṣiro iwọn apapọ lati data idanwo. Awọn koodu ṣiṣẹ, abajade jẹ 2.1 g / t. Onimọ-ẹrọ ka koodu naa; Ṣe akiyesi pe apapọ kii ṣe iwuwo nipasẹ ipari aarin, ṣugbọn a mu bi aropin taara. Awọn giredi giga ni awọn aaye arin kukuru jẹ iwuwo ti ko tọ. Nigbati o ba nlọ si apapọ iwuwo, iye dinku si 1.7 g/t. Awọn koodu fun ko si awọn aṣiṣe; kika mu aṣiṣe.

Ọran 2 - Idakẹjẹ laini sisọ. Ninu koodu akojọpọ iṣelọpọ, AI sọ di mimọ awọn ori ila pẹlu awọn iye ti o padanu pẹlu dropna. Awọn koodu nṣiṣẹ laisiyonu, ṣugbọn awọn lapapọ tonnage ti wa ni underestimated nitori diẹ ninu awọn wulo ila won silẹ lapapọ nitori kan nikan sofo iwe. Nigbati ẹlẹrọ ba ṣe afiwe nọmba awọn laini laarin titẹ sii ati iṣelọpọ, o rii iyatọ ati ṣe atunṣe ọgbọn mimọ. Ẹkọ: nigbagbogbo ṣe afiwe nọmba ti igbewọle ati awọn laini iṣelọpọ.

Case 3 - Extrapolation pakute. Ẹgbẹ kan kan awoṣe ipadasẹhin ti a kọ ni iwọn kekere iwọn si agbegbe ipele giga; Awọn awoṣe yoo fun ohun absurdly ga ikore ti siro. Ni akoko, ẹlẹrọ kọ abajade naa, o sọ pe “agbegbe yii wa ni ita ibiti o ti rii nipasẹ awoṣe” ati pe o beere idanwo irin-irin. Ẹkọ: mọ ibiti data ti awoṣe jẹ wulo; Maṣe lo iṣiro-jade ti ipinlẹ.

Awọn awoṣe kiakia idakọ

SECURE DATA CLEANING CODE " Ipa: Iwọ jẹ oluranlọwọ oluyanju data Python. Kọ koodu pẹlu pandas ti o wẹ tabili wọnyi di mimọ. Awọn ọwọn ati awọn ẹya: [akojọ]. Awọn ofin: (1) tẹjade nọmba awọn ori ila ṣaaju ki o to ati LEHIN sisọ awọn ori ila; (2) jabo eyi ti awọn ori ila ti lọ silẹ ati idi ti; (3) iwọn asọye ni apapọ nibiti iwọn lilo kọọkan ti plasta. igbese pẹlu laini asọye."

IBEERE CODE Atunyẹwo koodu “Ṣe alaye laini koodu Python atẹle yii nipa laini ki o tọka si awọn aaye ewu wọnyi: arosinu orukọ iwe ti ko tọ, idarudapọ ẹyọkan, rowdrop ipalọlọ, aṣiṣe apapọ / iwuwo iwuwo, ọran eti (asan / odi) ihuwasi. MAA ṢE Ṣatunkọ koodu naa; kan ṣe atokọ awọn ewu. Code: [lẹẹmọ]."

Igbeyewo Oṣo FI KEKERE DATA "Fun iṣẹ yi, ọwọ gbe awọn kan kekere igbeyewo data (5-6 ila) ti eyi ti mo ti mọ esi ati awọn ti o ti ṣe yẹ o wu; kọ a igbeyewo Àkọsílẹ ti o sọwedowo boya awọn iṣẹ ṣiṣẹ ti tọ lori yi data. Tun idanwo awọn iwọn igba (sofo cell, odi, kuro awọn iwọn iye). Iṣẹ: [lẹẹ]."

Awoṣe SIMPLE + IKILO Aala" Ṣeto atunṣe ti o rọrun fun [x -> y] pẹlu data wọnyi. Iyatọ laarin ikẹkọ / idanwo, jabo metric aṣiṣe, ki o sọ kedere ibiti x lori eyiti awoṣe jẹ VALID. Kilọ ti awọn asọtẹlẹ ba ṣe ni ita yii. Ọrọìwòye lori ewu data ti overtraining ati sparity of data. "

Ailagbara kiakia / Alagbara kiakia

PROMPT alailagbara: "Ṣiṣiro aropin aropin lati inu data yii."

ALAGBARA PROMPT: "Ipa: Iwọ jẹ oluranlọwọ Python. Awọn ọwọn: HoleID, Lati (m), To (m), Au (g/t). Ṣe iṣiro iwọn apapọ WEIGHTED pẹlu ipari aarin. Koodu: (1) tẹjade nọmba awọn ori ila titẹ sii / o wu; (2) jabo asan / odi awọn iye ṣaaju ki o to sisọ awọn ipin silẹ le rii daju pe abajade Ipin naa le rii daju pe ipin 3. pẹlu ọwọ data: [lẹẹmọ]."

Tabili afiwe: ewu ati iṣọra

Ewu

aami aisan

iṣọra

kikọlu kuro

Idi ṣugbọn nọmba ti ko tọ

Ọrọìwòye jade kuro ni koodu, ṣayẹwo

Laini ipalọlọ silẹ

Apapọ sonu

Ṣe afiwe nọmba awọn laini titẹ sii/jade

Plain vs iwon apapọ

ti ko tọ si apapọ

Jẹrisi iwuwo

overlearing

Buburu lori data idanwo

Iyapa ikẹkọ / idanwo, jẹ ki o rọrun

extrapolation

Isọkusọ amoro jade ti ibiti o

Diwọn ibiti o wulo

Awọn aṣiṣe ti o wọpọ

• Ṣiṣe koodu laisi kika rẹ. "Ko gba awọn aṣiṣe" ko tumọ si pe o jẹ otitọ.
• Ko ṣe idanwo pẹlu data kekere. Igbekele laisi apẹẹrẹ ti o le rii daju jẹ eke.
• Ko ṣe afiwe nọmba awọn laini titẹ sii/jade. Eyi ni bi awọn adanu ipalọlọ ṣe salọ.
• Fojusi iwọn awoṣe. Awọn iṣiro Extrapolation ko ni igbẹkẹle.
• Gbẹkẹle ẹwa ti chart. Aworan ti aṣa le tọju nọmba ti ko tọ.

Ifarabalẹ: Ti koodu AI ba lọ sinu akọọlẹ imọ-ẹrọ, koodu yẹn jẹ iduro gẹgẹbi akọọlẹ kan. Nibikibi ti abajade naa ba di ipinnu iwakusa, ṣiṣe koodu naa ati iṣelọpọ rẹ nipasẹ iṣayẹwo iṣaro ominira ati lafiwe pẹlu ọna keji ti o ba ṣeeṣe.

Ni akojọpọ

Python jẹ ohun elo de facto fun itupalẹ data iwakusa, ati AI mu iyara pọ si ni eyiti o kọ. Ṣugbọn koodu AI le gbe awọn idun ipalọlọ (ipopopada ẹyọkan, sisọ silẹ kana, aropin ti ko tọ) ati awọn ẹgẹ awoṣe (ẹkọ ẹkọ, afikun). Ṣiṣan ni aabo: ṣapejuwe kedere, fẹ kekere ati kika, ka ati loye, idanwo pẹlu data kekere ti a mọ, awọn ọran eti ibeere, iwọn ati ṣayẹwo oye. Ijade awoṣe ko le jẹ ipilẹ fun ipinnu ni ita ibiti data; ati koodu kọọkan ni o ni ojuse pupọ bi akọọlẹ kan ti o ba yipada si ipinnu iwakusa.

Ohun elo iṣẹ-ṣiṣe

Lo awoṣe “koodu imototo data to ni aabo” pẹlu aropin iwọn tabi iṣẹ-ṣiṣe akojọpọ iṣelọpọ lati gba koodu lati AI; Ṣe koodu naa kuro ni ewu pẹlu awoṣe “ibeere atunyẹwo koodu”. Lẹhinna, pẹlu awoṣe “Ṣeto Idanwo pẹlu data kekere” pẹlu ọwọ ṣẹda eto data ti awọn abajade rẹ ti o mọ ati rii daju koodu naa. Lakotan, fun ibatan ti o rọrun, ṣeto awoṣe kan pẹlu “Awoṣe ti o rọrun + ikilọ opin” ati idanwo pe o funni ni ikilọ nigbati o ba lọ ni ita ibiti o wulo.

akojọ ayẹwo

• [] Mo ti ka AI koodu ati ki o ye gbogbo ila, Emi ko ṣiṣe awọn ti o ifọju.
• [] Mo ṣe idanwo pẹlu kekere, data ti o le rii daju pẹlu ọwọ.
• [] Mo ti akawe awọn nọmba ti input ki o si wu ila.
• [] Mo timo aitasera kuro ati òṣuwọn.
• [] Mo ni opin iwọn data to wulo ti awoṣe, yago fun afikun.
• [] Mo ṣayẹwo abajade, eyiti o yipada si ipinnu, pẹlu ọgbọn ominira / ọna keji.

Idanwo module

1. Akọṣẹ kan beere ọpa iwiregbe AI nipa iwọn apapọ ti ara irin ati kọ iye abajade ti '1.8 g/t goolu' taara sinu ijabọ ifiṣura. Kini aṣiṣe ipilẹ ni ọna yii?

• A) Awọn ite iye gbọdọ wa lati ise agbese ile ti ara liluho / data onínọmbà ati wadi apesile; Nọmba ti AI ṣe ipilẹṣẹ le jẹ iṣelọpọ ti ko ni orisun ✔
• B) O yẹ ki o ti beere fun AI ni awọn haunsi dipo giramu
• C) Iye naa tọ, akoko kan yẹ ki o ti lo dipo aami idẹsẹ kan
• D) O to lati beere ibeere AI kanna ni igba mẹta ati mu apapọ

Alaye: Awoṣe ede ko mọ data liluho ti iṣẹ akanṣe rẹ; nmu nọmba kan ti o dabi ẹnipe o ṣeese (hallucination). Awọn ite ba wa nikan lati ise agbese ile ti ara kq liluho data ati geostatistic ti siro; Ijade AI ko le wa ninu ijabọ laisi ifọwọsi eniyan ti o ni oye.

2. Kini 'sọtọ ti o da lori eewu' jẹ ki lilo AI ni imọ-ẹrọ iwakusa?

• A) Isalẹ awọn owo ti AI ọpa
• B) Ṣe ipinnu ipa ti AI ati ijinle ijẹrisi dandan ni ibamu si ipele eewu ti iṣẹ-ṣiṣe ✔
• C) Awọn ibere yẹ ki o kọ kukuru
• D) Laifọwọyi fi gbogbo awọn ipinnu si AI

Alaye: Kii ṣe gbogbo iṣẹ apinfunni wa ni ipele eewu kanna. Pipin iṣẹ-ṣiṣe bi kekere / alabọde / giga / pataki pinnu iru abajade le ṣee lo larọwọto ati eyiti o nilo boṣewa ati ijẹrisi aaye ati ifọwọsi ẹlẹrọ to peye.

3. Kini awoṣe 'variogram' ni geostatistics?

• A) Lilo epo ti ohun elo
• B) Iyipada ti irin owo lori akoko
• C) Ilọsiwaju aaye da lori ijinna; ✔ bí ìfararora náà ṣe ń dín kù bí àwọn kókó ọ̀rọ̀ ṣe ń lọ síwájú sí i
• D) Igbohunsafẹfẹ gbigbọn ti a ṣẹda nipasẹ fifun

Apejuwe: Variogram ṣe apejuwe bi ibajọra ti awọn ayẹwo si ara wọn dinku (ilọsiwaju aaye) bi aaye laarin awọn aaye meji ṣe pọ si. Kriging nlo awoṣe yii lati ṣe iṣiro awọn aaye ti ko ni iwọn pẹlu ala ti aidaniloju.

4. Kini ọna ti o dara julọ nigbati nini AI ṣaju-sọtọ lithology lati fọtoyiya mojuto lu?

• A) Ṣiṣẹda iru apata ti a fun nipasẹ AI taara sinu iwe liluho
• B) Didaakọ ọrọ AI sinu ijabọ lai ṣe ayẹwo aworan naa rara
• C) Ifagile akiyesi onimọ-jinlẹ ati gbigbe ara le AI nikan
• D) Ṣe akiyesi abajade naa ni asọtẹlẹ alakoko / arosọ ati rii daju pẹlu akiyesi geologist ati itupalẹ yàrá ✔

Apejuwe: AI le ṣe ipilẹṣẹ asọtẹlẹ ati atokọ akiyesi lati aworan naa; Sibẹsibẹ, ipari lithology/ipinnu iyipada jẹ ṣiṣe nipasẹ akiyesi onimọ-jinlẹ ati itupalẹ yàrá. Ijade AI jẹ ibẹrẹ, arosọ lati jẹri.

5. Kí ni 'ipinpin idinku' tumo si ni ìmọ ọfin igbogun?

• A) Iye ipata (apata egbin) ti a gbọdọ yọ kuro lati de ẹyọ irin ✔
• B) Ogorun ti irin ni irin
• C) Nọmba ojoojumọ ti awọn irin-ajo ti awọn oko nla
• D) Awọn iye ti awọn ibẹjadi lo ninu fifún

Apejuwe: Oṣuwọn idinku ni iye egbin (rinhoho / egbin) ti o gbọdọ yọkuro lati ṣaṣeyọri ẹyọ kan ti irin. Ik ọfin iye ati aje ibebe dale lori yi ratio; Paapaa botilẹjẹpe AI ṣe ipilẹṣẹ awọn oju iṣẹlẹ, ipinnu aala jẹ to ẹlẹrọ ti o peye.

6. Kini o tumọ si ni itọju asọtẹlẹ nigbati AI wa 'anomalies' ni gbigbọn ati data iwọn otutu?

• A) Ẹri pe ẹrọ naa ti kuna ni pato
• B) Ikilọ kan pe data yapa lati deede; Kì í ṣe àyẹ̀wò pàtó kan nípa àìṣiṣẹ́gbòdìyàn, ṣùgbọ́n àmì kan tí ó yẹ kí a fi ìdí rẹ̀ múlẹ̀ nípasẹ̀ àyẹ̀wò ara ✔
• C) Paṣẹ pe ohun elo yẹ ki o da duro laifọwọyi
• D) Ṣe iṣeduro pe a ti gbasilẹ data ni aṣiṣe

Alaye: Anomaly jẹ iyapa ti data lati ihuwasi deede ati pe o le ṣe afihan aiṣedeede; ṣugbọn kii ṣe ayẹwo ti o daju. Ipinnu lati da ohun elo duro tabi rọpo awọn ẹya ni a ṣe pẹlu idanwo ti ara ti ẹgbẹ itọju ati ifọwọsi ti oluṣakoso iṣẹ.

7. Ewo ni o ṣe pataki fun ailewu nigba lilo AI ni apẹrẹ lu-buburu?

• A) Imuse ti iṣeduro AI taara ni aaye
• B) Sisọ wiwọn gbigbọn
• C) Imudaniloju apẹrẹ ti AI ti a dabaa pẹlu wiwọn aaye, opin ilana ati ifọwọsi ti alamọja fifun ni aṣẹ ✔
• D) Ṣiṣatunṣe iye awọn ibẹjadi pẹlu iwọn ti o pọju ti a fun nipasẹ AI

Apejuwe: Blast; O gbe aabo to ṣe pataki ati awọn eewu ilana gẹgẹbi gbigbọn, mọnamọna afẹfẹ ati awọn okuta ti n fo. AI le ṣe agbejade apẹrẹ apẹrẹ ati iṣeduro paramita; Bibẹẹkọ, apẹrẹ ikẹhin gbọdọ kọja wiwọn aaye, awọn opin ilana ati ifọwọsi ti alamọdaju bugbamu ti a fun ni aṣẹ (detonator/lodidi).

8. Kini ibatan aṣoju laarin 'imularada' ati 'ite idojukọ' ni sisẹ nkan ti o wa ni erupe ile ati kini o yẹ ki AI ranti nigbati o tumọ eyi?

• A) Awọn mejeeji nigbagbogbo pọ pọ
• B) Ko si ajosepo laarin wọn
• C) Ibasepo naa jẹ igbagbogbo ati kanna ni gbogbo awọn ohun elo
• D) Iwọntunwọnsi iyipada nigbagbogbo wa (ikore n dinku bi ipele ti n pọ si); awọn iye gangan gbọdọ jẹri nipasẹ idanwo irin-irin ati iwọntunwọnsi ọpọ ✔

Alaye: Ni gbogbogbo, bi a ṣe ngbiyanju lati gba ipele ifọkansi ti o ga julọ, ikore yoo dinku (iwọntunwọnsi ikore-ite). AI le ṣe alaye aṣa yii, ṣugbọn awọn iye iṣẹ ṣiṣe gangan gbọdọ jẹrisi nipasẹ idanwo irin-irin ati iwọntunwọnsi pupọ; aṣa gbogbogbo kii ṣe aropo fun otitọ-ojula kan pato.

9. Kini lilo ti o yẹ julọ ti itupalẹ isunmọ miss / data ijamba pẹlu AI ni aabo iṣẹ?

• A) Ṣe iyasọtọ awọn igbasilẹ ọrọ ọfẹ ati jade awọn ilana eewu loorekoore; Fi ipinnu naa silẹ fun amoye OHS ✔
• B) Ṣe ipinnu aifọwọyi ti awọn ijamba
• C) Aṣoju awọn aṣẹ idaduro iṣẹ si AI
• D) Ṣiṣafipamọ awọn igbasilẹ ti o padanu lai ṣe atunwo wọn

Apejuwe: AI le ṣe iyatọ titobi nla ti awọn igbasilẹ ọrọ ọfẹ ati yọ awọn ilana atunwi ati awọn ipo eewu jade ni kiakia. Bibẹẹkọ, ipinnu lati da iṣẹ duro, yọ kuro ni agbegbe tabi idi gbongbo jẹ laarin ilana ti amoye OHS ati ofin; Ijade AI jẹ titẹ sii, kii ṣe ipinnu.

10. Kilode ti 'isare ti oṣuwọn abuku' jẹ ami pataki ni radar / data prism ni ibojuwo ite?

• A) Ni pato tọkasi pe ẹrọ wiwọn ti bajẹ.
• B) O le kede ijatil ilọsiwaju; Ikilọ ni kutukutu ati ipinnu sisilo jẹ ti ẹlẹrọ-ẹrọ geotechnical ✔
• C) O fihan pe ite naa jẹ ailewu patapata
• D) O ṣe pataki nikan nigbati ojoriro ba wa ati pe o le ṣe akiyesi

Apejuwe: Ṣaaju awọn ikuna ite, ilosoke diẹdiẹ ni oṣuwọn abuku (isare) ni a ṣe akiyesi ni gbogbogbo; Eyi le jẹ ami ti ikuna ilọsiwaju. AI le ṣe afihan aṣa naa, ṣugbọn ipinnu itusilẹ / ipinnu ikilọ ni kutukutu jẹ nipasẹ itupalẹ ati ilana ti ẹlẹrọ geotechnical.

11. Ni ibojuwo ayika, kini idahun ti o peye julọ si ami 'igbega' ti AI wa ninu jara akoko didara omi?

• A) Ijabọ abajade AI taara si ile-iṣẹ ijọba
• B) Foju ikilọ naa ki o tẹsiwaju wiwo
• C) Ṣe idaniloju pẹlu abajade yàrá ti ifọwọsi, opin ilana ati igbelewọn ẹlẹrọ ayika ✔
• D) Gbẹkẹle AI nikan ati fagile itupalẹ yàrá

Apejuwe: AI le ṣe afihan irufin ti o ṣeeṣe ni kutukutu; Bibẹẹkọ, ipinnu ibamu osise ni a ṣe nipasẹ itupalẹ yàrá ti ifọwọsi, awọn iye idiwọn ninu ofin ati igbelewọn ti ẹlẹrọ ayika. Ijade AI jẹ itaniji iboju, kii ṣe ipinnu ofin / imọ-ẹrọ.

12. Kini ọna ti o gbẹkẹle julọ lati yago fun nini itọkasi ti a ṣe (hallucinatory) nigbati o beere AI fun nọmba gbolohun ọrọ ti boṣewa gẹgẹbi JORC tabi NI 43-101?

• A) Gbẹkẹle nọmba ohun kan ti a fun nipasẹ AI
• B) Bibeere ibeere kanna lẹẹkansi pẹlu awọn ọrọ oriṣiriṣi
• C) Wiwo bulọọgi kan dipo boṣewa
• D) Ṣii ati ifẹsẹmulẹ itọkasi nkan kọọkan lati ọrọ osise lọwọlọwọ ti boṣewa ati gbigba ifọwọsi lati ọdọ eniyan ti o ni oye ✔

Alaye: Botilẹjẹpe awoṣe ede mọ orukọ ti boṣewa ni deede, o le jẹ ki nọmba nkan naa jẹ ki o jẹ ki ọrọ ati ọrọ naa di mimọ. Itọkasi nkan kọọkan gbọdọ wa ni ṣiṣi ati jẹrisi lati ọrọ osise lọwọlọwọ ti boṣewa ati ibamu ipari gbọdọ jẹ timo nipasẹ eniyan ti o peye (CP/QP).

13. Kini ayẹwo to ṣe pataki julọ ṣaaju ṣiṣe iwe afọwọkọ itupalẹ Python ti AI-kikọ?

• A) Kika koodu naa ati ijẹrisi isokan / ibaamu ọwọn, idanwo pẹlu data kekere ti a mọ ati ṣayẹwo iṣeeṣe ti abajade ✔
• B) Ṣiṣe koodu taara lori gbogbo eto data laisi kika rẹ
• C) O kan rii pe ko si aṣiṣe ati gbigba abajade
• D) Gbẹkẹle awọn eya aworan ti o wuyi lati dara.

Apejuwe: koodu AI le dapọ awọn ẹya, ro awọn orukọ ọwọn lọna ti ko tọ, tabi dakẹ ju awọn ori ila silẹ. O ṣe pataki lati ka koodu naa, rii daju iwọn didun ati ibaamu ọwọn, ṣe idanwo pẹlu iye kekere ti data ti a mọ, ati ṣayẹwo boya abajade jẹ oye imọ-ẹrọ.

14. Kini ihuwasi ti o dara julọ ni awọn ofin ti asiri nigba fifun data iwakusa si ohun elo AI ti o da lori awọsanma?

• A) Lilọ gbogbo data aise bi o ṣe jẹ
• B) Ṣe ailorukọ ipo-ọrọ ati ifipamọ ifura mimọ / ipoidojuko / data iṣelọpọ ati lo ile-iṣẹ, ohun elo ifaramọ eto imulo ✔
• C) A ro pe ipese awọn ipoidojuko gangan jẹ pataki fun didara abajade
• D) Fojusi eto imulo ipamọ rara

Alaye: Awọn eeya ifipamọ, iwe-aṣẹ / ipoidojuko alaye ati data iṣelọpọ jẹ ifarabalẹ ni awọn ofin ti awọn aṣiri iṣowo ati ofin. O jẹ dandan lati ṣe ailorukọ ọrọ-ọrọ, ko awọn ipoidojuko gidi ati awọn orukọ kuro, yan ohun elo iṣeduro ile-iṣẹ / ikọkọ ati ni ibamu pẹlu eto imulo ile-iṣẹ naa.