Искусственный интеллект (ИИ), передовая робототехника, кибернетические системы, стирающие границы между физическим, цифровым и биологическим мирами, автономное производство возобновляемой энергии - это составные части четвёртой промышленной революции (также известной как Индустрия 4.0). Все эти компоненты применимы и в горнодобывающей промышленности, позволяя сократить издержки и сделать отрасль более экологичной.
Естественно, горнодобывающие компании уже инвестируют в эти новые инструменты, чтобы извлечь выгоду из возможных (а иногда и уже ощутимых) преимуществ. Хотя термины «ИИ» и «машинное обучение» последние пару лет у всех на слуху, в противоположность другим недавним «модным словечкам» вроде «криптовалюты» и «блокчейна» эти технологии действительно могут получить большое распространение во всем мире. Тем не менее, влияние передовых технологий автоматизации на производственные процессы может оказаться неоднозначным.
ИИ с точки зрения потребителей и промышленности
В той или иной форме ИИ существуют с 1950-х годов, когда первые компьютеры научились играть с людьми в шашки. С 2010-х годов мы видим уже относительно продвинутые системы, которые могут делать внятные переводы с другого языка или, к примеру, побеждать чемпионов мира в шахматах.
Сегодня, когда мы слышим термин «ИИ», то многим, вероятно, вспоминаются гуляющие по интернету сюрреалистические, глуповатые или просто фейковые картинки и видео, созданные компьютером. Это пример моделей так называемого «генеративного ИИ» (generative AI), способности которых весьма ограничены. Напротив, так называемый «искусственный общий интеллект» (Artificial General Intelligence), другими словами, полноценная разумная машина, будет способен на несравненно большее. До сих пор человечество не создало полноценную мыслящую машину, обладающую схожими с человеком когнитивными способностями, и на это, по оценкам, потребуются десятилетия, если не столетия.
То, что мы используем сегодня, - это «слабые» ИИ, которые заточены под конкретные задачи и, как правило, обучаются на огромных объемах данных для их успешного выполнения. На потребительском уровне существуют генеративные ИИ для создания иллюстраций, видео, музыки и текстов, которые могут взаимодействовать с пользователями через удобный интерфейс, например, через текстовый чат. С другой стороны, в промышленности в целом и в горнодобывающей отрасли в частности ИИ используются как инструменты геологоразведки, для предиктивного техобслуживания горного оборудования, а также для оптимизации работы рудников, и тому подобного.
У потребительского и промышленного ИИ есть кое-что общее: они оба обучаются на ранее полученных данных и адаптированы для решения конкретных задач.
Большие данные, большое влияние
Согласно опросу, проведенному аналитическим центром Global Data, предиктивное техобслуживание горного оборудования занимает лидирующее место в списке новых технологий, которые будут активно внедряться горнодобывающими компаниями в ближайшие 2 года. Простои самосвалов, землеройной техники, обогатительных установок, как известно, обходятся добывающим компаниям очень дорого - дни или даже часы простоя могут стоить десятки тысяч долларов. По некоторым оценкам, 30% - 50 % от общих эксплуатационных расходов рудников приходятся на техобслуживание, поэтому оптимизация времени простоя оборудования имеет решающее значение.
Источник: Global Data
Горнодобывающие компании уже применяют определенные инструменты для предиктивного техобслуживания, используя анализ данных для выявления эксплуатационных аномалий и потенциальных дефектов оборудования, что позволяет своевременно проводить ремонт до возникновения сбоев. Современное горнодобывающее оборудование оснащено множеством датчиков для оценки его производительности и оповещения о необходимости техобслуживания. Однако, когда эти данные, собранные по всему руднику (или нескольким рудникам), анализирует ИИ, обученный замечать мельчайшие отклонения от нормы, он может быстро сопоставить эти отклонения, просмотреть ранее собранные данные и спрогнозировать сроки технического обслуживания.
С развитием Индустрии 4.0 и сенсорных технологий инструменты прогнозирования становятся умнее и изящнее, собирая всё большие объемы данных о рудниках и обеспечивая всю полноту информации о работах в реальном времени. Хотя предиктивное техобслуживание основано на данных с датчиков, ИИ может точно определить неисправность, используя так называемого «цифрового двойника» реального оборудования. Все эти данные в совокупности позволяют оптимизировать горнодобывающие операции до невиданной ранее степени.
«Цифровые двойники» не просто дают преимущество в процессе техобслуживания, они помогают оптимизировать процессы и повышать производительность труда на всем руднике, например, при взрывных работах и бурении. Также они повышают устойчивость рудника за счет сбора данных о выбросах, потреблении энергии и воды, улучшают безопасность за счет обучения персонала и увеличения доли удаленных операций.
К примеру, Центр передового опыта по техническому обслуживанию (Maintenance Centre of Excellence) компании BHP осуществляет машинное обучение информационных систем на основе больших объемов данных, поступающих с рабочего оборудования. Это дает полезные сведения для предиктивного техобслуживания самосвалов и другой техники и позволяет улучшать управление цепочками поставок.
Российский «Норникель» совместно со своими партнерами разрабатывает отечественное программное обеспечение для автоматизации горной добычи, внедрение которого начнется в 2026 году. Система MAGMA помогает обрабатывать геологические данные, моделировать условия в шахте, развивать инфраструктуру и вести подземные работы.
Еще одним заметным примером использования ИИ в горнодобывающей промышленности является анализ «больших данных» в геологоразведке. Такая система может эффективно анализировать терабайты данных за считанные дни или даже часы, в то время как команде опытных геологов потребовались бы месяцы для выполнения той же работы. Что еще более примечательно, технология может повысить точность оценки содержания ресурсов путем изучения геологических моделей и включения в них исторических данных о добыче. Это помогает горнодобывающим компаниям принимать обоснованные решения относительно инвестиций, планирования производства и распределения ресурсов, в конечном итоге повышая экономический потенциал горнодобывающих проектов.
Например, Botswana Diamonds недавно внедрила инструменты ИИ в свою базу данных геологоразведки с целью комплексного поиска новых месторождений алмазов и потенциально других полезных ископаемых. Система действует во многом как эксперт-геолог, но может работать быстрее и эффективнее. Огромные наборы данных обрабатываются с помощью ИИ, который находит логические «пробелы» и учится их исправлять. Ожидается, что это позволит компании найти неизвестные ранее цели для бурения.
ИИ также имеет огромный потенциал для оптимизации горнодобывающих работ и управления активами за счет оценки эксплуатационных показателей и выявления «узких мест» того или иного рудника. Прогнозные модели на основе ИИ улучшают процесс принятия решений и предотвращают незапланированные простои оборудования. Кроме того, ИИ может помочь принимать решения «на лету», анализируя данные с дронов, спутниковых снимков и датчиков и интегрируя их в интеллектуальную систему мониторинга оборудования в реальном времени, оценивая возможные риски и оптимизируя маршруты транспортировки руды.
Прошло уже 10 лет с тех пор, как британо-австралийская горнодобывающая компания Rio Tinto начала использовать полностью автономные самосвалы на своих рудниках. По оценкам, компания создает 2,4 терабайта данных каждую минуту со всего своего горного оборудования и датчиков. Они собираются и передаются в дата-центр для мониторинга в режиме реального времени.
Автоматизация рудников на базе искусственного интеллекта может значительно повысить эффективность и безопасность горнодобывающих работ: роботизированные транспортные средства могут перемещаться по сложным рельефам и выполнять задачи с точностью, сводя к минимуму человеческие ошибки, снижая риск несчастных случаев и улучшая охрану труда и безопасность персонала. Конечно, важным условием функционирования ИИ является то, чтобы к ним не смогли получить доступ злоумышленники, а вычислительные мощности не заканчивались.
Системные ошибки
Текущие инструменты и сервисы на основе ИИ постоянно собирают информацию, которая, как всем нам хорошо известно, порой подвержена несанкционированному доступу третьих лиц. Конфиденциальные данные могут включать записи онлайн-активности, данные геолокации, видео или аудио. Украденные данные, конечно, сами по себе являются корпоративным кошмаром, но целенаправленные кибератаки на цифровую инфраструктуру могут в теории полностью отключить автоматизированный рудник, что приведет к колоссальным потерям для его владельцев. В не столь отдалённом прошлом больницы, электросети, нефтепроводы и информационные системы целых правительств останавливали свою работу на длительные периоды времени из-за кибератак.
ИИ требует беспрецедентных объемов вычислительных мощностей, что приводит к повышенному потреблению электроэнергии. В отчете Goldman Sachs за 2024 год прогнозируется, что к 2030 году центры обработки данных в США будут потреблять 8% всей электроэнергии в стране по сравнению с 3% в 2022 году. Самый дешевый способ быстро обеспечить такое количество дополнительной электроэнергии - это ископаемое топливо, которое может задержать закрытие устаревших угольных электростанций с высокими выбросами парниковых газов, что сделает цель по выбросам сферы охвата 4 (Scope 4) для горнодобывающей промышленности менее достижимой.
Ввод неточных или предвзятых данных в системы машинного обучения для ИИ может сделать прогнозирование неточным. При этом разработчики таких систем могут даже не знать о существовании такой предвзятости. Использование таких алгоритмов может навредить людям и предприятиям, которые полагаются на них для принятия решений. Модели машинного обучения предназначены для составления прогнозов на основе прошлых, существующих данных и будут работать соответствующим образом. Более того, если злоумышленники получат доступ к ИИ, то они потенциально могут внедрить «плохие» неверные данные в алгоритм машинного обучения, сделав его нестабильным и неточным.
Наконец, неприятным экономическим последствием более широкого внедрения ИИ является потеря рабочих мест из-за автоматизации производственных процессов. Это особенно актуально в случае с горнодобывающей промышленностью, активы которой подчас расположены в труднодоступных регионах, где у сообществ нет других возможностей для трудоустройства. Социальное воздействие ИИ может быть разрушительным с точки зрения средств к существованию местного населения в Африке, Южной Америке и других относительно бедных регионах планеты.
Заключение
Новые технологии в сфере ИИ, похоже, уже оказывают преобразующее воздействие на горнодобывающую промышленность, и со временем их вклад в данный сектор будет лишь нарастать. Они дают компаниям существенные преимущества, одновременно улучшая охрану труда и безопасность на производстве. Этот процесс так же неостановим, как и сам прогресс.
Однако горнодобывающим компаниям придётся решать, как снизить риски, связанные с ИИ в их деятельности, следуя при этом целям в области социальной ответственности и защиты окружающей среды. Люди по-прежнему не доверяют горнодобывающим компаниям, тогда как мир встал на путь перехода к «зеленой» экономике. Будем надеяться, что широкое внедрение «бесчувственных машин» в отрасли, которая в сознании людей ассоциируется с разрушением экосистем, не приведет к разочарованию в горной добыче, а вместо этого улучшит общественное мнение об этом секторе, сделав его более эффективным и безопасным, чем когда-либо прежде.
Федор Лисовой, ответственный редактор, Rough&Polished
