افزایش بهره‌وری و کاهش هزینه‌ها با هوش مصنوعی

به گزارش می متالز، اما در بخش‌های صنعتی همچون استخراج مواد معدنی، هوش مصنوعی چه خدماتی ارائه می‌دهد؟ وب‌سایت ماینینگ‌فناوری برای پاسخ به این پرسش با «جِین زاوالیشینا» مدیرعامل شرکت هلندی «یاندِکس‌دِیتا» گفت‌وگو کرده است. این شرکت از هوش مصنوعی برای افزایش بهره‌وری و کاهش هزینه‌ها در بخش معدن استفاده می‌کند.
مفهوم معدن دیجیتال چیز جدیدی نیست اما اجرای فناوری‌ دیجیتالی در بخش معدن توسعه چندانی نداشته است. چندی پیش واحد معدن و فلزات شرکت انگلیسی «ای‌وای» به تاثیر دیجیتال به عنوان اصلی‌ترین مسئله تجاری اشاره کرد که بخش معدن برای پیشروی، با آن رو‌به‌رو است و دیجیتالی شدن را راه‌حل چالش‌های موجود بر سر راه تولید عنوان کرد.
بنا به گفته زاوالیشینا، هوش مصنوعی به معدنکاران کمک می‌کند بدون نیاز به سرمایه‌گذاری زیاد، در بهره‌وری تولید به صرفه‌جویی ۱۰درصدی دست یابند. آنها می‌توانند این کار را با ایجاد مدل‌های پیشگویانه انجام دهند.
او می‌افزاید: وقتی ماده‌ای تولید می‌کنید، فلز ذوب می‌کنید و کیفیت کانی را از راه ارتقای عیار آن بالا می‌برید، با موادی سروکار دارید که از طبیعت منشا گرفته‌اند و ترکیب‌ متفاوتی دارند که بر اساس ضرورت، نیاز به ارزیابی ترکیب آن دارید تا بتوانید به نتیجه‌ای استاندارد دست یابید. تا حالا این کار را یک متالورژیست با استفاده از علم مواد در بخش معدن انجام می‌داد. او کانی‌های طلا و مس را با استفاده از سیانید غنی‌سازی می‌کرد اما این ماده بسیار گران است، ۴۰درصد از هزینه‌های فرآوری را به خود اختصاص می‌دهد و بسیار سمی است.
زاوالیشینا در ادامه توضیح می‌دهد: سیانید مصرفی بر اساس فاکتورهای مشخص تخمین زده خواهد شد. بیشتر مواقع، دنیای واقعی پیچیدگی بسیار بیشتری از مدل‌های علمی ارائه می‌کند، چون مدل‌های علمی نمی‌توانند همه فاکتورهای بالقوه را لحاظ کنند. هم‌اکنون بیشتر کارشناسان در غنی‌سازی کانی‌ها بیش از حد از سیانید استفاده می‌کنند اما اگر یک الگوی پیش‌بینی‌کننده مناسب‌تر در اختیار داشته باشند می‌توانند به میزان مورد نیاز، سیانید مصرف کنند که هم از نظر اقتصادی مقرون‌به‌صرفه است و هم آسیب کمتری به محیط‌زیست وارد می‌کند؛ این همان جایی است که هوش مصنوعی به کار می‌آید.
هوش مصنوعی داده‌های پیشین را از این فرآیند دریافت می‌کند و شرکت یاندِکس‌دِیتا، بنا بر این داده‌ها می‌تواند به هوش مصنوعی خود آموزش دهد تا الگوریتمی ایجاد کند که در پیش‌بینی نتایج برآمده از این فعالیت دقت بیشتری داشته باشد. این الگوریتم پس از این پیش‌بینی، پیشنهادها یا اقداماتی ارائه می‌دهد که نسبت به آنچه امروز می‌توان با الگوهای علمی انجام داد، دقت و صحت بیشتری دارد.

صرفه‌جویی بدون صرف سرمایه

جِین زاوالیشینا در ادامه توضیح می‌دهد: تکمیل چنین فرآیندهایی با الگوهای پیشگویانه هوش مصنوعی می‌تواند در ابتدا برای شرکت‌ها دست‌کم ۳ تا ۵درصد صرفه‌جویی اقتصادی داشته باشد اما بکارگیری مستمر هوش مصنوعی در نهایت این مقدار را به ۱۰درصد افزایش می‌دهد، چون هر چه این فناوری، داده بیشتری به‌دست آورد قابلیت پیش‌بینی بهتری خواهد داشت. همچنین صرف سرمایه برای ارتقای تجهیزات، نیاز به ایجاد این سطوح از صرفه‌جویی اقتصادی دارد؛ اتفاقی که می‌تواند تا صدها میلیون دلار هزینه‌ داشته باشد، در حالی که آنچه ما انجام می‌دهیم درخواست الگوریتمی است که یادگیری آن چند ماه زمان می‌برد اما نیاز به صرف هیچ سرمایه مالی ندارد، بلکه تنها از نظر کاربردی و عملیاتی هزینه‌بر است و شرکت‌های مصرف‌کننده این خدمات به شرکت «یاندکس» به عنوان ارائه‌کننده خدمات، هزینه پرداخت می‌کنند. این فرآیند می‌تواند به صورت آف‌لاین(برون‌خطی) هم انجام شود. این کار با داده‌هایی انجام می‌شود که از سایت‌های معدنی دوردست در چند ماه جمع‌آوری شده و پس از آن در یک الگوریتم به کار برده می‌شود. در این فرآیند نتایج جدید را می‌توان با نتایج پیشین مقایسه کرد.

تغییر ذهنیت مشتریان بالقوه

زاوالیشینا در تشریح فناوری‌ شرکت در زمینه بکارگیری هوش مصنوعی و استحصال مواد معدنی، می‌گوید: پس از اینکه شرکت ما نخستین مورد موفق در متالورژی را منتشر کرد، تماس‌هایی از کارشناسان این صنعت مبنی بر عملیاتی شدن این فناوری دریافت کردیم. هر چند معدنکاران در ابتدا آن را باور نمی‌کردند اما حالا معدنکاری و دیگر بخش‌های صنعتی، نیاز به دیجیتالی شدن را درک می‌کنند. مسئله این است که چون این فناوری، روزهای ابتدایی خود را می‌گذراند، بسیاری از شرکت‌های معدنی صرف هزینه برای آن را نوعی ضرر می‌دانند. وی می‌افزاید: برخی شرکت‌ها بر این باورند که موانعی همانند وجود نداشتن داده‌های کافی برای همخوانی با این فناوری جدید وجود دارد اما این مشکلات تصور اشتباهی هستند. نخستین ایرادی که به ما وارد می‌شود، این است که «شاید نتوانید این کار را با داده‌های ما انجام دهید» یا «ما داده‌های کافی نداریم» و «داده‌های‌مان به قدر کافی خوب نیست»؛ در جواب باید بگویم چند سال پیش که ما تنها از داده تحلیلگران انسانی برای ایجاد آگاهی استفاده می‌کردیم، نیاز به داده‌های ساختاری تمیز و مرتب با ماشینی داشتیم که به شما می‌آموزد می‌توان با داده‌های غیرساختاری کار کرد و دیگر نیازی به داده‌های ساختاری نیست. همچنین ممکن است بسیاری از شرکت‌ها تجهیزات بسیار پیشرفته نداشته باشند اما وسیله‌ای دیجیتالی دارند که لگاریتم‌ها را در آن ذخیره می‌کند. این روند به دنبال دیجیتالی‌تر شدن این صنعت افزایش می‌یابد. داده‌هایی که قدمت آنها به حدود ۵سال می‌رسد، برای تحلیل از راه هوش مصنوعی کافی هستند. درحال‌حاضر بکارگیری هوش مصنوعی، کمی شجاعت و روشنفکری می‌طلبد اما در نهایت اجتناب‌ناپذیر است. در آینده، هوش مصنوعی همانند برق در همه جا خواهد بود و در همه فرآیندهایی که دارای داده باشند، به کار می‌آید، در حالی که امروز در همه جا با داده سروکار داریم.

تاثیر هوش مصنوعی بر مشاغل معدنی

آیا این فناوری می‌تواند باعث نگرانی کسانی باشد که در بخش استخراج معادن کار می‌کنند و به حذف برخی مشاغل می‌انجامد؟ زاوالیشینا می‌گوید: جواب این پرسش می‌تواند مثبت باشد، اما به این بستگی دارد که از چه کسی آن را بپرسید. هم‌اکنون کارشناسانی که پیش‌بینی‌ می‌کنند و تصمیم‌گیرنده هستند، باور نمی‌کنند یک ماشین بتواند کاری انجام دهد که آنها نیز می‌توانند انجام دهند اما این فناوری برای رئیسان آنها جالب است زیرا به راحتی نتایج را ارزیابی و مقایسه می‌کنند. علاوه بر این حتی اگر اپراتور انسانی به طور کامل قابل اعتماد باشد، همیشگی نیست و صاحبان شرکت‌ها از اینکه باید افراد جدید را به کار بگیرند، نگران هستند. این فناوری می‌تواند منجر به حذف مشاغل شود اما به معنای حذف حتمی آنها نیست. ما نیز همچنان به افرادی نیاز داریم که نتایج را بیازمایند؛ اتفاقی که احتمال وقوع آن زیاد است یعنی کارکنان کنونی با افراد جدید جایگزین خواهند شد و ممکن است برای ادامه کار نیاز به مهارت بیشتری داشته باشند.

برنامه‌های جدید برای هوش مصنوعی

زاوالیشینا در پایان توضیح می‌دهد که شرکت یاندکس به تازگی یک توافقنامه همکاری با «گَزپروم‌نِفت» به منظور تجزیه و تحلیل داده‌های بزرگ امضا کرده و به دنبال یادگیری ماشینی و بکارگیری هوش مصنوعی برای حفاری و تکمیل بخش نفت و گاز است. او فکر می‌کند برخی اصول استفاده از هوش مصنوعی در ارتقای حفاری نفتی باید به بخش معدن انتقال یابد. البته هنوز محدودیت‌هایی بر سر راه این فناوری قرار دارد. برای نمونه اگر یک شرکت هیچ داده‌ای نداشته باشد، هوش مصنوعی نمی‌تواند به کار گرفته شود تا زمانی که مقداری داده جمع‌آوری شود.