#подкаст_добывающей
Узнать больше
Свернуть
Развернуть
Опытный специалист-геолог выполнит работу в поле качественнее и быстрее, чем системы с использованием искусственного интеллекта — такого мнения придерживаются многие представители отраслевого сообщества. Насколько обоснован этот вывод и может ли ситуация кардинально измениться за несколько лет? Об этом спорили участники дискуссии, посвящённой основным направлениям цифровой трансформации горно-геологической индустрии, во время международного форума «Мингео Сибирь — 2025».
«Искусственный интеллект» — термин зонтичный, и сейчас под ним подразумевают большие языковые модели, трансформеры и другие технологии.
Некоторые из них уже с успехом используются в горной отрасли, в том числе для проведения геологоразведки. Другие — пока на стадии разработки и тестирования, но уже скоро заменят зарубежные продукты, ушедшие с рынка. Причём с эффектом опережения.
Эволюция новых технологий происходит быстро, но эксперты на форуме оказались единодушны в том, что процесс внедрения инноваций не терпит суеты. Как минимум ему должен предшествовать аудит, который поможет оценить риски, целесообразность и конкретные подходы к реализации проектов с использованием ИИ.
Целевое состояние инструмента с искусственным интеллектом достаточно сложно просчитать. «А нужен ли на этом этапе ИИ?» — это тот вопрос, с которого начинается путь к его успешному внедрению.
«Есть немало областей, где ИИ действительно можно применять эффективно. Классический пример — анализ неструктурированных баз данных: фотографий, видеозаписей, 3D-сканов, — с которыми не умеют работать обычные инструменты. Но стоит учитывать и объективные ограничения.
Разработчики загрузили данные, модель их обработала, а на выходе получили результат, который для заказчика неочевиден — это очень распространённая проблема. Мы до сих пор не знаем всего о том, как модели выдают данные. Они могут галлюцинировать или деградировать без постоянного обновления. К примеру, есть небольшой участок геологоразведки, где геофизических данных для обучения мало. Система, в которую загрузили десяток фотоснимков, не решит поставленных задач. Кроме того, возникают сложности с тиражированием.
Если на одном участке настроили работу модели, это не значит, что можно просто взять, скопировать и внедрить её на другом участке. Чаще всего мы имеем точечные внедрения, которые требуют немало времени, трудозатрат и вложений.
Не стоит недооценивать классические алгоритмы — это наши «тихие бойцы», которые постоянно в работе (тот же Excel). Это понятные инструменты, которые дают ожидаемый результат. И они дешевле, прозрачнее, легче обновляются. Возможны гибридные варианты, сочетающие работу ИИ и алгоритмическую классику. Если всё же решили внедрять ИИ, смело закладывайте 20% бюджета на эксперименты. Небольшие пилоты помогут оценить, насколько эффективен тот или иной подход», — предупреждает один из участников форума, ИТ-директор ООО «Гинтелл» Тимур Невлютов.
Общемировая статистика подтверждает разумность такой стратегии. По данным исследования, которое в 2024 году провела компания RAND, 80% проектов внедрения ИИ в любой сфере не достигают заявленных целей. А вложения в разработку имеют поистине космический размах.
По данным RAND, «корень зла» в подавляющем большинстве случаев рос из попыток применить ИИ к задачам, для решения которых он изначально мало подходил. Заказчики же были настолько воодушевлены новыми технологиями и возможностями, что упустили более простые, не требующие больших расходов решения.
Среди ключевых проблем, которые возникают при внедрении искусственного интеллекта, — дефицит кадров. ML-специалисты — штучный «товар» на ИТ-рынке: их сложно найти, трудно удержать. В дефиците DevOps-инженеры и другие специалисты.
В топе проблем, связанных с реализацией проектов применения ИИ в недропользовании, важное место занимают кибербезопасность и защита динформации. Не секрет, что многие горные компании используют закрытые корпоративные системы хранения и обработки данных, соответственно, технологии искусственного интеллекта необходимо адаптировать к этим условиям.
И для сотрудников предприятий этот процесс зачастую неоднозначен. «Нас заменят машинами» — паттерн тревожности, который пока тиражируется результативнее, чем ИИ. В головах людей отрицание, торг и другие стадии принятия никуда не делись.
«Понятна реакция людей, которые сопротивляются новому. И её надо принимать в расчёт. Поэтому не стоит рисовать целевое состояние в виде „красной кнопки”, которую нажали — и получили результат. В реальности этого не происходит», — отмечает г-н Невлютов.
Несмотря на все аргументы против, доводы в пользу новых цифровых технологий перевешивают. Да, искусственный интеллект не может заменить геолога или маркшейдера, но зато может стать отличным инструментом в руках специалиста. С этим согласилось большинство участников дискуссии о цифровой трансформации.
Участники «Мингео Сибирь — 2025» представили немало кейсов создания и внедрения подобных инструментов. В их числе и сервис «ЮзКерн» — цифровой подсказчик для автоматизированного анализа керна.
«Документирование керна — процесс долгий и трудоёмкий. В среднем анализ образца может занимать до нескольких недель. При этом интерпретация результатов требует высокой квалификации специалистов, а ошибки стоят дорого. Согласен: никакая машина, робот или нейросеть не заменят опытного геолога, но всё же без вспомогательных средств ему не обойтись. Поэтому мы позиционируем наш продукт как удобный и эффективный сервис, помогающий человеку.
Что он уже умеет, а чему мы только собираемся его научить? Модель распознаёт первичные данные для формирования документации керна. Сначала выполняется импорт фотографий ящиков керна в разных спектрах. Система обрабатывает их и формирует выгрузку результатов в форматах, совместимых с Micromine, Мine Vision, Geos.
Определение минералогического состава — это сложнее, поскольку обучаемые математические модели на входе требуют большого объёма данных. У нас есть несколько пилотных объектов, на материалах которых мы проводим машинное обучение. Система пока определяет порядка 30 пород, постепенно мы увеличим это число.
Тогда можно будет построить модель, которая действительно сможет адекватно распознавать минералогический состав», — поделился результатами и планами директор по развитию ООО «ЮЗТЕХ Профешнл» («ГК Юзтех») Никита Ефимов.
Сложность подбора, интерпретации, структурирования геолого-физических данных, на которых обучается ИИ, отметили на форуме многие спикеры. Иногда это вопрос разнородности информации, часть которой была задокументирована на основе исследований, проведённых ещё в советское время, и теперь нуждается в актуализации.
Ещё один фактор риска можно определить так: «есть два геолога и три мнения». И нет, это не шутка, а объективная оценка ситуации. Машинный интеллект «восстаёт», когда сталкивается с противоречивыми данными.
«Эта проблема нас коснулась при разработке системы физико-геологического моделирования и прогноза, который мы проводили на основе методов глубоко машинного обучения. За основу взяли геологическую, петрофизическую модели и модель физических полей. Выбирали то, что должно отражать целевой объект наилучшим образом на основе экспертных оценок.
На выходе система выдаёт минералогеническую карту, и мы верифицируем её на тестовых данных. Таким образом минуем этап, когда специалист сидит и вручную, закопавшись в материалы, что-то чертит. Если модели работают корректно, мы можем осуществлять их перенос на новые домены и использовать в других геологических обстановках», — рассказал о методике использования нейросетевых алгоритмов в задачах прогнозирования ТПИ специалист Центра геофизического обеспечения ГСР геологического института имени А. П. Карпинского Андрей Карамышев.
Подобные методики активно используют за рубежом. Но с уходом с отечественного рынка иностранных игроков, предлагавших такие продукты, и ужесточением санкционных ограничений возникла необходимость создать российские аналоги. Потребность замещения импортных разработок и ПО парадоксальным образом сработала как движущая эволюционная сила.
«Что происходит в области геологического моделирования в России? На первый взгляд всё просто: от нас ушли зарубежные производители — надо сделать отечественный аналог. У нас есть некий эталон, и нужно заместить его.
Стратегия копирования западных инструментов и подходов на первых порах помогла в создании собственного рынка ПО для горнорудного моделирования. Сейчас мы можем внедрять в практику новые направления. И здесь уместно обратиться к советскому научному наследию, которое не использовали в западных пакетах. Кстати, если копнуть немного глубже, то оказывается, что само понятие математической геологии — отечественного производства», — отмечает ведущий эксперт по геологическому моделированию OOO «ИРМ» Антон Дегтерёв.
И с этим не поспоришь. В 1944 году доктор геолого-минералогических наук, профессор Андрей Вистелиус обосновал необходимость создания новой научной дисциплины — математической геологии. Работая в блокадном Ленинграде, он предложил эту идею, а после войны выступил инициатором организации международного конгресса и журнала «Математическая геология». А первую стохастическую модель сделал советский математик Андрей Колмогоров.
Именно к нему на стажировку приезжал Жорж Матерон, который позднее разработал геостатистическую концепцию.
На основе геостатистики в 2019 году был предложен стохастический метод Amazonas, который позволяет получить оценку запасов в многовариантной форме с учётом заданных параметров неопределённости.
«У нас сейчас полностью готовы к использованию инструменты, необходимые для реализации задач стохастического моделирования и анализа неопределённости в ресурсном и блочном геомеханическом моделировании. Доступна оптимизационная настройка моделей на внешнюю информацию, моделирование на основе неортогональных 3D-сеток. Эти инструменты мы у себя реализовали, во многом улучшив и дополнив их по сравнению с исходными зарубежными продуктами моделирования.
Такой подход помогает увидеть, какие параметры информативны, и на них стоит сосредоточиться, а какие нет, и на них можно экономить. Методика позволяет выявить зоны, где мы наверняка встречаем рудное тело с заданными кондициями, а где такая вероятность минимальна, а также определить переходные области. При детерминированной модели такое в принципе невозможно. Это новая степень свободы, и в полном виде в западных пакетах на основе этой технологии такая возможность отсутствует», — поделился наработками Антон Дегтерёв.
Создать ИТ-решения для отрасли, которые помогли бы достичь независимости от санкций, и такие продукты, которые не просто заменяют функционал импортных аналогов, а идут дальше — российские разработчики ПО приняли этот вызов в 2022 году.
Именно тогда по правительственному решению были созданы индустриальные центры компетенций (ИЦК). Один из них, ИЦК «Металлургия», объединил ведущие компании горно-металлургической отрасли. А «Норникель» выступил якорным заказчиком нескольких продуктов на единой платформе. Так появилась российская MAGMA. Сегодня это цифровая платформа с тремя модулями, которые помогут оптимизировать и автоматизировать горную добычу:
Разработкой занимается «Норсофт» (дочерняя компанией «Норникеля») совместно с «Рексофт» и АТОЛЛис. Апробация платформы в компании «Норникель» началась в июле. Внедрение намечено на 2026 год.
«MAGMA — это общее название для цифровой платформы и семейства решений, связанных с геологическим 3D-моделированием, обработкой геологических данных. Отдельный блок обеспечивает планирование горных работ на всех временных горизонтах: от смены до полного жизненного цикла. И третий продукт — система диспетчеризации подземных горных работ.
Как шла работа над проектом?
В 2024 году мы представили базовую версию. А в феврале этого года показали в технопарке „Сколково”, как работает каждый модуль платформы MAGMA. И рассказали, как продвигается разработка, широкой аудитории — не только тем компаниям, которые входят в ИЦК „Металлургия”. Презентация вызвала интерес.
Платформа устроена так, что доступ к её функциям имеют все, кто работает с ней. Единое архитектурное решение помогает нам избежать сложностей при интеграции между программами, которые используются в одной линейке. „Трудности перевода” между файловыми форматами, переброс их из одной системы в другую — всё это мы победили, всё можно решить в рамках одной среды», — объяснил менеджер программы «Горно-геологическая информационная система» Михаил Столяров.
Выборка продуктов, которую спикеры представили на форуме «Мингео Сибирь — 2025», весьма показательна. Отрасли, где много объектов критической инфраструктуры и действуют определённые ограничения на работу с импортным оборудованием, нужны отечественные системы с использованием ИИ.
И тут, что очевидно, мало скопировать или создать конкурентоспособный аналог. Время идти вперёд, развивать новые направления, создавать своё, которое действительно будет лучше приспособлено к специфике российской добывающей отрасли, чем зарубежное. Как показал форум, достойные примеры уже есть.
Текст: Мария Кузнецова
Спасибо!
Теперь редакторы в курсе.