Искусственный интеллект всё активнее проникает в индустрии, где ещё недавно технологии развивались более консервативно. Горнодобывающий сектор не исключение. Исследование посвящено тому, как искусственный интеллект уже сегодня меняет подход к операционной эффективности, безопасности и принятию решений, и как лидерам отрасли обратить прогресс в свою пользу.
Искусственный интеллект в горнодобывающей отрасли перестал быть экспериментом: по данным ряда аналитических агентств, к 2030 году объем мирового рынка ИИ в промышленности и инженерии вырастет в ~5 раз, практически до $400 млрд.
В топе роста — генеративный искусственный интеллект для оптимизации процессов / планирования, с ростом ~40 % в год. В добывающей промышленности такие решения обычно направлены на автоматизацию рутинных либо строго регламентированных задач.
Ожидается, что в России рынок искусственного интеллекта по всем отраслям уже к концу 2025 г. вырастет на 20–30 % и достигнет 1,9 трлн руб. (~$24 млрд). При этом промышленные компании ожидают рост ИИ внутри отрасли на 80 % к 2030 году.
Уже сегодня аналогичные решения применяются лидерами рынка по всей цепочке создания стоимости: от взаимодействия с поставщиками и геологоразведки до транспортной логистики. ИИ-решения для оптимизации процессов могут комбинироваться между собой при условии соответствия систем, вызывая мультипликативный эффект: внедрение одного решения дает результат сразу в нескольких звеньях цепочки.
Для компаний это означает рост производительности, позволяющий высвобождать время сотрудников, снижать численность сотрудников и затраты, ускорять процессы. В совокупности применение решений искусственного интеллекта вызывает рост управляемости в условиях рыночной волатильности.
На этапе поиска новых месторождений и их доразведки искусственный интеллект может решать бизнес-задачи точности разведки полезных ископаемых, обрабатывая и анализируя полученные геопространственные данные, а также строить прогнозы на основании аналогичных или похожих залежей с историческими данными. Алгоритмы работают с геологической информацией, спутниковыми снимками, показателями сенсоров, подгружаются в системы имитационного моделирования.
Такое применение снижает риски ошибок, потенциально стоящих сотни миллионов долларов — каждая неточность в оценке запасов ведёт к лишним вложениям или потере времени, а недостаточный учет параметров залегания — к возникновению потенциально опасных ситуаций. Использование ИИ позволяет ускорить подготовку проектов, повысить точность прогнозов и повысить NPV (чистую приведенную стоимость) проектов на 5–15 %.
Примеры:
Сценарное моделирование и вероятностное рассуждение (ИИ работает со статистикой и вероятностями, чтобы предсказывать и оценивать вероятность событий) — с принципом работы на ретроспективном анализе добычи в схожей местности, анализе залежей с похожими характеристиками, а также результатов разведочного бурения, повышает точность позиционирования бурения на 15–25 %
Контроль качества полевой обработки данных 2D / 3D сейсморазведки, анализ спутниковых снимков, комплексная обработка данных сейсморазведки на основе математической обработки, ретроспективного анализа проектов и визуализации данных позволяет сократить до 15 % затрат на геологоразведочные работы и повысить точность анализа данных на 20–30 %
В производстве наиболее часто используемыми решениями искусственного интеллекта являются технологии машинного зрения. ИИ способен оптимизировать работу обогатительных фабрик, прогнозировать качество сырья, управлять потреблением ресурсов, а также заменять человека на сложных рутинных операциях: например, использоваться в процессах извлечения металлов из добытой руды.
Примеры:
Управление флотацией для анализа содержания ценных минералов в руде: компьютерное зрение и нейросеть исследуют состав руды, чтобы подбирать дозировку реагентов, регулировать подачу воздуха и уровень воды. Полученный эффект — Увеличение извлечения металлов из руды до 5 %
Управление измельчением для учета неоднородности измельченных руд: с помощью компьютерного зрения ИИ определяет размеры руды для обработки, а с помощью изучения параметров — прогнозирует показатели работы оборудования на 10 минут вперед, увеличивая переработку руды на 2–5 %
В логистике и управлении цепочками поставок наиболее частыми кейсами использования решений искусственного интеллекта является автоматизация транспорта и оптимизация транспортных маршрутов.
Автономные самосвалы (или высокоавтоматизированные транспортные средства — ВАТС) работают на основе сложной системы компьютерного управления, использующей датчики для ориентации и самодиагностики, и даже внедрены в России: например, на арктических месторождениях «Газпром нефти» и на угольных месторождениях «СУЭК». Сейчас беспилотные самосвалы интегрируются с искусственным интеллектом для контроля загрузки, оптимизации транспортного пути и снижения рисков. В мире лидерами подобной интеграции являются Caterpillar (решение «VIMS») и Komatsu (решение «PLM «), а в России — создавшая аналог западным решениям ГК «Цифра».
Использование ВАТС совместно с ИИ позволяет снижать эксплуатационные расходы до 10–30 %, а также численность сотрудников: для управления шестью самосвалами требуется только один оператор.
Внедрение беспилотного транспорта в процессы компании — затратный и трудоемкий процесс, к тому же, в настоящее время ограниченный российским законом: в каждой кабине ВАТС в настоящее время должен находиться оператор- инженер для контроля и обеспечения безопасности, однако в 2025 году соответствующий закон пересматривается в пользу беспилотного транспорта.
Примеры:
Реагирование на условия в реальном времени и предложение оптимальных маршрутов на основе данных о транспортных потоках, полученных с помощью непрерывной аналитики карт, новостей, съемки со спутников, позволяет повысить производительность автопарка до 30 % и снизить расходы топлива до 20 %
Анализ больших объемов данных о поставках алгоритмами машинного обучения для создания точных прогнозов спроса позволяет снизить затраты по всей цепи поставок на 10–20 %
Еще одно перспективное направление использование искусственного интеллекта —промышленная безопасность. Впервые с такими целями компьютерное зрение получило широкое применение во время локдауна 2020‑го года для мониторинга использования СИЗ. Спустя 5 лет искусственный интеллект применяется не только для мониторинга ношения касок, защитных очков и светоотражателей, но и позволяет строить в комбинации машинного зрения и предиктивной аналитики системы, заранее выявляющие риски аварий и отказов оборудования.
Системы мониторинга фиксируют отклонения в работе шахтных установок на основании отличий от «заученных» данных о параметрах безошибочной работы установок транспортных конвейеров и обогатительных фабрик: температуры оборудования, воспроизводимых в процессе звуках, длительности цикла работы. Внедрение таких решений снижает вероятность аварий, сокращает издержки на внеплановый ремонт и минимизирует простой оборудования.
Примеры:
Анализ искусственным интеллектом в реальном времени данных, получаемых с датчиков на карьерной технике о целостности систем (состояние механизмов, давление в шинах и пр.), позволил сократить затраты на внеплановые ремонты на ~20 %
Предиктивное перенаправление потоков обрабатываемой руды с конвейеров, имеющих отклонения от заданных параметров работы, позволяет сократить количество незапланированных простоев конвейеров на 15–30 %
В российской практике масштабное успешное внедрение инструментов искусственного интеллекта, применимое к повышению безопасности процесса извлечения горной породы, пока публично не зафиксировано.
В мировой практике горнодобывающих компаний, внедрение решений искусственного интеллекта увеличивает выработку, ускоряет разведку и повышает безопасность производства.
В России также есть успешные примеры среди лидеров цифровизации производства:
Несмотря на положительные результаты, широкое внедрение ИИ в горнодобыче сталкивается с рядом барьеров:
Для преодоления вызовов и масштабного внедрения искусственного интеллекта в ГМК и смежных отраслях требуются структурированный подход к выбору и внедрению инструментов искусственного интеллекта, а сам процесс верхнеуровнево состоит из пяти шагов:
Прохождение всех пяти шагов не означает, что искусственный интеллект сразу сможет заменить сотрудника и самостоятельно выполнять какой-либо процесс: это зависит от сложности внедряемого инструмента. Главное, что получит компания — новый рычаг повышения операционной эффективности.
В РФ контур зрелости компаний для внедрения инструментов неоднозначен, как и сама оценка зрелости. Компании с высоким уровнем цифровизации, уже внедрившие ИИ-решения в процессы и/или выпускающие решения искусственного интеллекта на рынок, при текущей скорости развития искусственного интеллекта и производства, завершат процесс полной цифровизации за 2–5 лет. Однако большинству крупных игроков горного сектора, только вступающим на путь внедрения ИИ в процессы, при реалистичном сценарии потребуется 5–10 лет, чтобы пройти от решений-пилотов к устойчивой, своевременной по развитию корпоративной платформе.
Внедрение искусственного интеллекта — не одноразовое упражнение. При покупке решения либо его самостоятельной разработке следует предполагать дальнейшее обновление технологии: в среднем, раз в 1–3 года. Это означает, что практически сразу после внедрения инструмента в процесс следует повторять цикл: снова начинать с инициации.
Ввиду стремительного развития искусственного интеллекта необходимо выстраивание процесса регулярного анализа рынка ИИ для поиска актуальных решений с возможностью полного переразвертывания (re-deployment) уже существующих решений. Средний цикл «развития» ИИ-решения составляет от года до трех лет: вспомните знаменитое сгенерированное видео, где актер Уилл Смит поедал спагетти. Всего за год искусственная картинка превратилась в видео, едва отличимое от реальности, — то же самое, но не настолько очевидно- заметное, происходит и с технологиями искусственного интеллекта для промышленности.
В 2024 году компании из сектора горной металлургии во всем мире потратили от 4 до 6 млрд долларов на ИИ инструменты, однако сейчас окупается меньше 5 % решений, интегрируемых в горнодобывающие предприятия. Ведущие аналитические агентства в сфере ИИ, например, Gartner, прогнозируют отмену 40 % проектов агентного искусственного интеллекта к концу 2027 года из-за роста затрат, отсутствия пользы или слабого управления рисками.
ИИ-решения, доказавшие свою эффективность на отдельных участках производства, не обеспечивают полноценный совокупный эффект на всей цепи создания стоимости промышленных продуктов. Несмотря на положительные результаты внедрения ИИ, говорить о полной замене человека в процессах крайне преждевременно. Для принятия узкоспециализированных решений, на которых строится горная добыча, требуется не только обладать широким спектром базовых знаний, но и понимать, в какой момент знания следует «соединить». Искусственному интеллекту, конечно, далеко до этого: самостоятельно он не обладает человеческим опытом и гибкостью мышления, и без человека не способен мыслить в конкретных направлениях решения.
Искусственный интеллект «побеждает» человека в производительности и скорости выполнения задач, однако не умеет «накапливать» навыки слой за слоем, выстраивая модели поведения в непредвиденных ситуациях или при отклонении от нормального течения процессов.
В условиях тяжелой промышленности, такой, как горная металлургия, подобный минус ИИ-решений может выражаться в принятии ошибочных решений, потенциально приводящих к экологическому урону, повышению трудности извлечения залежей и, в худшем сценарии — к потере человеческих жизней.
Кроме того, большинство проектов в области агентного ИИ на данный момент представляют собой эксперименты на ранней стадии, «переупаковку» старых решений или проверку концепций, которые в основном имеют хорошую маркетинговую компанию, а не доказанную эффективность, и часто применяются неправильно. Из-за этого организации могут не замечать реальных затрат и сложностей, связанных с развертыванием масштабных ИИ-агентов, препятствуя запуску потенциальных проектов в производство.
Чтобы получить реальную отдачу от агентного ИИ, организации должны сосредоточиться на производительности предприятия в целом, а не только на выполнении искусственным интеллектом отдельных задач.
Помимо разработки и внедрения искусственного интеллекта, многие отраслевые компании продолжают вкладывать усилия в автоматизацию и роботизацию последовательных процессов, построенных на строго заданных алгоритмах. Такие решения называются RPA — «роботизированная автоматизация процессов». Наиболее эффективные примеры сейчас — автоматизация документооборота в сферах HR, закупок, финансов, в корпоративном управлении.
RPA — не новое решение для производства: термин известен нам с 2012 года и продолжает доказывать свою эффективность в реальных компаниях, в том числе отечественных. Например:
Сейчас для горнодобывающих компаний искусственный интеллект не является панацеей. Решения, встроенные в отдельные процессы, могут давать эффект до ~5 % сокращения затрат по конкретным направлениям (например, в логистике).
Несмотря на полученные лидерами отрасли положительные эффекты, следует помнить: встраивать агентов в старые системы сложно, и изменение процессов сопряжено с большими затратами и высокими рисками.
Полная замена цепи создания стоимости для компаний тяжелой промышленности преждевременна: не зафиксированы случаи полноценной автоматизации всего процесса «от карьера до клиента». Модели искусственного интеллекта пока недостаточно развиты и не могут самостоятельно справляться со сложными задачами и работать с решением непредсказуемых проблем на длительной дистанции.
Согласно аналитике, при текущем темпе развития моделей искусственного интеллекта лидеры отрасли, уже прошедшие этапы инициации, приоритизации и выбора ИИ-решения, смогут завершить масштабирование через 2–5 лет. Компании, только вступающие на этап инициации — через 5+.
