«مدل‌های پیشگویانه» راهکار هلند برای ارتقای فناوری‌های معدنی

به گزارش می متالز، این فناوری به سامانه‌هایی گفته می‌شود که می‌توانند واکنش‌هایی مشابه رفتار هوشمند انسانی از خود نشان دهند؛ همانند درک شرایط پیچیده، شبیه‌سازی فرآیندهای تفکری و شیوه‌های استدلال انسانی و پاسخ موفق به آنها. هوش مصنوعی این قابلیت را دارد که روش کار ما را در امور مختلف تغییر دهد و در روشی که همواره بر امور حاکم بوده، دگرگونی ایجاد کند اما در بخش‌های صنعتی همچون استخراج مواد معدنی، هوش مصنوعی چه خدماتی ارائه می‌دهد؟ به گزارش روزگارمعدن، 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. معدن دیجیتال چیز جدیدی نیست اما اجرای فناوری‌های دیجیتال 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 نیز کلید حل چالش‌های موجود بر سر راه تولید عنوان کرد. بنا بر گفته زاوالیشینا، هوش مصنوعی به معدنکاران کمک می‌کند در بهره‌وری تولید به صرفه‌جویی ۱۰ درصدی دست یابند، بدون اینکه نیاز به سرمایه‌گذاری‌های بزرگ داشته باشند. 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 ترکیب‌های متفاوتی دارند. شما بر اساس ضرورت نیاز به ارزیابی ترکیب آن دارید تا به یک نتیجه استاندارد دست یابید. تا حالا در بخش معدن این کار را یک متالوژیست با استفاده از علم مواد انجام می‌داد. او کانی‌های طلا و مس را با استفاده از سیانید غنی‌سازی می‌کرد اما سیانید بسیار گران است و ۴۰ درصد هزینه‌های فرآوری را به خود اختصاص می‌دهد، بسیار هم سمی است. زاوالیشینا در ادامه توضیح می‌دهد: میزان سیانید مصرفی براساس عوامل مشخص تخمین زده خواهد شد. بیشتر مواقع دنیای واقعی پیچیدگی بسیاری در زمینه مدل‌های علمی دارد چون مدل‌های علمی نمی‌توانند همه عوامل بالقوه را لحاظ کنند. هم‌اکنون بیشتر کارشناسان در غنی‌سازی کانی‌ها بیش از حد از سیانید استفاده می‌کنند اما اگر یک الگوی پیش‌بینی‌کننده درست‌تر در اختیار داشته باشند می‌توانند به میزان مورد نیاز، سیانید مصرف کنند که هم از نظر اقتصادی ‌به‌صرفه است و هم آسیب کمتری به محیط‌زیست وارد می‌آورد؛ 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 با هوش مصنوعی خود الگوریتمی به وجود آورد که در پیش‌بینی نتایج برآمده از این فعالیت دقت بیشتری کند. 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 ۵ درصد صرفه‌جویی اقتصادی داشته باشد اما بکارگیری مستمر هوش مصنوعی در نهایت می‌تواند این مقدار را به ۱۰ درصد افزایش ‌دهد چون هر چه این فناوری داده بیشتری به‌دست آورد، قابلیت پیش‌بینی بهتری دارد همچنین به طور معمول صرف سرمایه برای ارتقای تجهیزات، نیاز به ایجاد این سطوح از صرفه‌جویی اقتصادی دارد؛ اتفاقی که تا صدها میلیون دلار هزینه‌ در بر دارد، 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 فقط 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 و 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 ادامه و در تشریح فناوری‌ای که شرکت او در زمینه بکارگیری هوش مصنوعی در استحصال مواد معدنی ارائه کرده، می‌گوید: پس از اینکه شرکت ما نخستین مورد موفق در متالوژی را منتشر کرد، تماس‌هایی از کارشناسان این صنعت دریافت کردیم مبنی بر اینکه تحقق این فناوری می‌تواند بسیار خوب باشد. 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 این فناوری روزهای ابتدایی خود را می‌گذراند و بسیاری از شرکت‌های معدنی، صرف هزینه برای آن را نوعی ضرر می‌دانند.
وی می‌افزاید: برخی شرکت‌ها بر این باورند که موانعی برای همخوانی با این فناوری جدید وجود دارد؛ موانعی همانند نداشتن داده‌های کافی، اما این مشکلات بیش از اینکه واقعی باشند، تصور اشتباه هستند. نخستین ایرادی که به طور معمول از ما گرفته می‌شود، این است که «شاید نتوانید این کار را با داده‌های ما انجام دهید» یا اینکه «ما داده‌های کافی نداریم» و «داده‌های‌مان به قدر کافی خوب نیستند»؛ در جواب باید بگویم چند سال پیش و زمانی که فقط از داده برای ایجاد آگاهی از سوی تحلیلگران انسانی استفاده می‌کردیم، نیاز به داده‌های ساختاری و تمیز و مرتب داشتیم اما با ماشینی 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 به طور معمول وسیله‌ای دیجیتالی دارند که لوگاریتم‌ها را در آن ذخیره می‌کنند. این روند به دنبال دیجیتالی‌تر شدن این صنعت سرعت می‌یابد. داده‌هایی که پیشینه آنها به حدود ۵ سال 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 پیش‌بینی‌هایی انجام می‌دهند و تصمیم‌گیرنده هستند، باور نمی‌کنند یک ماشین بتواند کاری را انجام دهد که آنها نیز می‌توانند انجام دهند اما این فناوری برای رئیسان آنها پیشنهاد جالبی است زیرا دیگر نیاز ندارند به آنها اعتماد کنند و می‌توانند به راحتی نتایج را ارزیابی و مقایسه کنند. علاوه بر این وجود اپراتور انسانی حتی اگر به طور کامل قابل اعتماد باشد، همیشگی نیست و صاحبان شرکت‌ها همیشه 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 و ما همچنان به افرادی نیاز داریم که نتایج را بیازمایند. اتفاقی که احتمال وقوع آن زیاد است، اینکه کارکنان کنونی با افراد جدید جایگزین خواهند شد و ممکن است برای ادامه کار نیاز به مهارت بیشتر داشته باشند.

برنامه‌های جدید برای هوش مصنوعی در معدنکاری

زاوالیشینا در پایان توضیح می‌دهد: 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 برای ارتقای حفاری نفتی، برخی اصول استفاده از هوش مصنوعی باید به بخش معدن انتقال یابند. او اضافه می‌کند: البته هنوز محدودیت‌هایی سد راه این فناوری هستند. برای نمونه اگر یک شرکت هیچ داده‌ای نداشته باشد، هوش مصنوعی نمی‌تواند به کار گرفته شود تا زمانی که مقداری داده جمع‌آوری شود.