Минната индустрия, която вече няма нищо общо с представата за мръсотия и къртовски труд под земята, а отдавна е в дигиталния свят, прави нова крачка напред с прилагането на изкуствен интелект и модели за машинно обучение за откриване на нови зони със залежи на полезни изкопаеми.

Да, това се случва в България – в златния рудник в Челопеч, управляван на концесия от "Дънди Прешъс Металс". Канадската компания отново се доказва като иноватор в прилагането на по-бързи, по-ефективни и по-евтини начини за намиране на ценни руди. Тя предизвика световни експерти по изкуствен интелект и машинно обучение да тестват своето въображение и възможностите на човешкия ум в овладяването на технологичните суперсили. В първото по рода си в България състезание "Изследователи на бъдещето", управлявано от екипа "Иновации" на "Дънди" и модерирано през платформата Humyn.ai с подкрепата на Unearthed Solutions, се включиха над 200 души от 37 страни. Провокацията пред тях бе не само наградният фонд от 250 хил. долара, но и перспективата да представят нов подход в търсенето на важни метали.

Обработка и четене на геоложки и други данни

Целта на самата "Дънди Прешъс Металс" е да открие начин за използване на натрупаните до момента геоложки данни за находището "Челопеч" и тестване на нови технологии за търсене на залежи. Според дружеството дейностите по търсене и проучване на природни богатства благоприятстват тестването на нови технологии. Натрупването на все повече данни, изкуственият интелект и съвременните модели за машинно обучение дават такава възможност.

Разрез на находището в Чепопеч

Започналият есента на 2023 г. конкурс е спечелен от екипа Digital Discovery (Дигитално откритие), който си осигурява премия от 75 хил. долара. Негов ръководител е канадският експерт по геоданни Дрю Хийсман, а крайният резултат – разработен процес за обучение на машини за анализ на геоложки и геофизични данни, предоставени от "Дънди". Задачата е да се открият цели за проучване на мед и злато в близост до рудник "Челопеч", за които има висока вероятност да съдържат залежи. Хийсман има подобен проект за търсене и проучване в уранова мина.

Но как машинното обучение помага в геологопроучвателните дейности?

"Една машина може да бъде програмирана да чете данни по много начини, но всичко се свежда до това да събереш данните и да ги дадеш на компютъра, който да ги анализира и да се обучи от тях", обяснява Хийсман пред Mediapool. "В случая става въпрос за контролирано обучение – даваш данните на компютъра, казваш му как изглежда едно находище на минерални суровини и след това той използва данните, за да се опита да намери същите или сходни зони на минерализация. За да може да се открият такива потенциални зони чрез машинно обучение е важно да имаш знанията и опита на геолог", добавя той.

Машината няма предубеждения

Според него хубавото на този метод е, че се елиминират личните предубеждения – "оставяш алгоритъма да се опита да намери сходство". По думите му количеството и качеството на изходните данни е много важно, а "в някои случаи можеш да компенсираш второто чрез първото, ако разполагаш с надежден набор от данни – зареждаш в компютъра големи информационни масиви".

Най-голямото предизвикателство обаче е начинът на обработване на данните. "На база натрупаните знания и опит геолозите казват примерно, че даден скален тип е много важен. Това обаче не е количествено описание и експертите в машинното обучение трябва да намерят начин да го превърнат в такова. Трябва да кажем на машината какво точно означават числата и картите. Макар че със сигурност в тях се крият сложни аспекти, учудващо не е никак сложно да обучиш една машина", разказва експертът.

Използване на стотици променливи

Той дава пример с линейната регресия, която е един от базовите алгоритми в машинното обучение. "За повечето хора в една координатна система се изчертава функция, която трябва да направи прогноза по оста "у" за нещо на оста "х". В нашия случай обаче се използват стотици променливи и става невъзможно да бъдат визуализирани, но е възможно да се обработят математически", обяснява Хийсман.

И точно там нещата стават сложни. "За минната индустрия този начин на анализиране на данните е много иновативен и е с бъдеще. Има едно "но" обаче – хората, които правят това, вече са "дръпнати" от технологични компании като Google, Amazon и други. Да привлечеш тези талантливи специалисти от тези компании вероятно е едно от най-големите предизвикателства пред минерално-суровинната индустрия", смята специалистът по геоданни.

По думите му се натрупва все повече и повече информация, резултати от геохимични анализи и геофизични проучвания, и става все по-трудно за геолозите и геофизиците да обработват тези данни и да взимат решения за всеки отделен слой. Затова и се търси помощта на машините и изкуствения интелект.

Оптимизация на разходите по проучвания

Тяхната бързина и аналитичност могат да помогнат на специалистите да вземат по-точни решения къде да се инвестират средства за физическите проучвателни дейности, което да оптимизира разходите на добивните компании.

"Има огромен набор от работни процеси и инструменти, които могат да се ползват – може да се оприличи с изобретяването на банцига. С негова помощ може да се направи както цяла къща, така и отделни нейни компоненти. Няма обаче да ви помогне, ако не разполагате с "данните" – т.е. дървения материал. Както няма да ви помогне и ако тези "данни" са необработени – т.е. във вид на куп дънери. Те трябва първо да се обработят. Макар че тази машина не е единствената, която ще е необходима за строежа на къщата, тя определено ще ускори работата и ще спести средства и усилия – така е и при търсенето на находища", онагледява Хийсман функциите на машинното обучение и изкуствения интелект.

Намаляване и на неизвестните

Той отбелязва също така, че геоложките проучвания не само са скъпи, но и са пълни с всякакви неизвестни. "Дори и да увеличите наполовина или да удвоите успеваемостта си, пак в много случаи няма да стигнете до нищо по-значимо. Успехът в тази сфера е труден за измерване. Успеваемостта при проучванията е 1 на 10 000, което е много нисък процент. Ето защо най-добрият начин да оценим представянето на този инструмент е като разгледаме реалния процес и колко успешен е той в други индустрии", казва канадецът.

За успеха на екипа му в състезанието "Изследователи на бъдещето" той казва, че основният принос за това са били хората в него и сработването им. "Работих с двама много, много добри съотборници от Австралия – единият е с 40-годишен опит в геоложките проучвания, а другият е експерт по геомеханика – и събирането на тези умения беше много важен фактор. Аз също имам 40-годишен опит. Използвах нов алгоритъм, позволяващ работа с "празни" зони, т.е. без данни", разказва Хийсман.

Споделянето на данни = тласък на минната индустрия

Като препятствие пред минния бизнес той посочва несподелянето на информация и дава пример как компютърната индустрия прави огромен скок, след като започва да предоставя данни с отворен код. "Постигнахме бързи подобрения именно с концепцията за отворения код и споделянето. Смятам, че ако това намери по-широко приложение в минната индустрия, ще има повече успехи за всеки. Силно вярвам, че успехът е заразен. Успяваме заедно", коментира още експертът.

По думите му е чудесно, че "Дънди" е организирала това състезание, защото то е един страхотен начин да се даде тласък на иновациите и възможност на хората да експериментират в тази среда, като имат достъп до информация.

А след конкурса?

Екипите на отдели "Технически служби" и "Проучвателни дейности" на "Дънди" се събират и анализират всички генерирани от участниците цели, класифицират ги и плануват тестването им. Част от целите всъщност се препокриват или са много близко до вътрешно генерираните таргети за проучване и ще бъдат изследвани в следващите месеци. Има обаче и нови идентифицирани зони, които ще бъдат включени в бъдещите проучвателни планове на компанията. Създаването на контакти с топ специалисти в науките за земята и в изкуствения интелект и машинното обучение за обработка на големи масиви от данни, участвали в състезанието дава възможности за бъдещо сътрудничество на екипите с "Дънди Прешъс Металс" по други интересни и предизвикателни проекти.