ИИ в добывающей промышленности

Быстрая окупаемость цифровых помощников, предиктивных моделей, компьютерного зрения, вместе с наличием отечественных разработок в этой сфере драйвит рынок. По прогнозам экспертов Рексофт Консалтинг, рынок решений с ИИ к 2030 году вырастет на 83% в нефтяной отрасли, и в 4 раза в горно-металлургической промышленности. Данные технологии являются одними из наиболее привлекательных направлений для инвестиций. Давайте на примерах разберёмся, где ИИ в горной добыче может принести пользу и заметные экономические эффекты. 

Управление рудным потоком (шахтованием): Переход от планирования к оперативному контролю

В данной области существует следующая проблема: на предприятиях уже функционируют отделы планирования, которые определяют, где и какой тип руды должен быть складирован для последующей переработки, основываясь на общей ресурсной базе. Однако, на практике, ощущается недостаток инструментов оперативного контроля за перемещением и складированием материалов. Это создает предпосылки для влияния человеческого фактора, возникновения ошибок и отклонений от установленного плана. Кто и куда отвез ту или иную порцию руды можно узнать только по итогу дня. 

Возможное решение на базе ИИ состоит из нескольких компонентов, работающих в совокупности для обеспечения максимальной эффективности. Во-первых, внедряется система диспетчеризации, которая в режиме реального времени отображает отклонения от заданного плана подачи и содержания руды, а также фиксирует отклонения от установленного маршрута. Во-вторых, реализуется автоматическая система уведомлений, которая оперативно информирует водителя или диспетчера о выявленных отклонениях, позволяя быстро принимать корректирующие меры. В-третьих, используется голосовой помощник (чат-бот), который предоставляет необходимую информацию о критических отклонениях, произошедших в течение смены, по запросу мастера участка, обеспечивая доступ к важным данным в удобной форме.

Автоматизация хозяйственных операций и отчетной деятельности

В данном направлении наиболее правильное применение ИИ – это автоматизация рутинных операции, включая сбор необходимой отчетности, оформление документации для представления в надзорные органы (например, в Роснедра), выдачу разрешений и другие подобные процессы. В качестве конкретного примера можно рассмотреть автоматизацию подготовки плана горных работ (ПГР), который составляется ежегодно и требуюет значительных временных и трудовых затрат на составление и согласование. Кроме того, в его подготовке участвуют руководители производственных участков, для которых эта задача является дополнительной нагрузкой.

Внедрение автоматизации в этой сфере позволяет добиться значительной разгрузки сотрудников, занятых непосредственно в производственных процессах, позволяя им сосредоточиться на более важных задачах; существенно увеличить скорость выполнения различных задач, что сократит время на подготовку и повысит общую производительность. Также ИИ поможет снизить количество ошибок, допускаемых при выполнении типовых операций при составлении отчета, что повышает качество и надежность результатов.

Закупочная деятельность

В этом направлении ИИ может быть использован для планирования и реализации закупок, анализа рыночной конъюнктуры, а также поиска оптимальных маршрутов доставки и наиболее выгодных поставщиков, что приведет к существенной оптимизации закупочного процесса. Это окажет прямое влияние на качество и конечный результат деятельности и обеспечит поставку необходимых материалов и оборудования в нужное время и по оптимальной цене; будет способствовать существенному снижению издержек производства за счет оптимизации закупочных процессов и снижения стоимости материалов и услуг; предоставит возможность интеграции с различными торговыми площадками, обеспечивая доступ к более широкому выбору поставщиков и более выгодным предложениям; полностью автоматизирует процесс закупок, снижая трудозатраты и повышая его эффективность.

Оперативное планирование производства

ИИ может стать отличным помощником для краткосрочного (оперативного) планирования производственного процесса. В отличие от человека или даже группы экспертов ИИ держит в памяти множество изменяющихся факторов, таких как текущий портфель заказов, наличие необходимых реагентов, возможные простои оборудования и пр. В комплексе это позволит оперативно адаптироваться к меняющимся условиям. В настоящее время планирование на руднике и фабрике осуществляется разными отделами. Человек не в состоянии учесть все факторы одновременно, что приводит к неоптимальным решениям. Использование ИИ сможет обеспечить планирование с учетом всех существующих факторов и выдавать рекомендации экспертной группе. Такие системы в будущем будут положительно влиять на всю цепочку создания стоимости, повышая ее эффективность и конкурентоспособность.

Трансформация диспетчерской службы

ИИ позволяет создать не просто диспетчерский пункт, а полноценный центр управления производством, объединяющий данные из различных источников и обеспечивающий целостное представление о производственном процессе. В результате, функционал диспетчера трансформируется в задачи оператора производства, который имеет доступ ко всем данным, связанным с логистикой, планированием, горными работами, переработкой и отгрузкой готовой продукции. Это позволит принимать более обоснованные и эффективные решения. Такой оператор может предлагать наиболее оптимальные варианты проведения смены или даже суток по всему предприятию, учитывая все взаимосвязи и ограничения. Реализация данной концепции потребует внесения изменений в методологию работы и наделения оператора соответствующими правами и полномочиями, чтобы он мог эффективно управлять производственным процессом.

Это только несколько возможных областей применения технологий ИИ, а на самом деле их существенно больше. ИИ может быть применен в таких областях как разведка и планирование добычи, если соединить данные получаемые от БПЛА с быстрой обработкой массива данных, или помогать боле точно определять контур рудного тела. Здесь будут задействованы анализ принципов электропроводимости земли, что позволит получить более точную информацию о местоположении и характеристиках залежей.

Бутылочное горлышко в применении ИИ

Во всех этих кейсах есть одно ключевое звено – чтобы эффект был заметен, нужна комплексная автоматизация и структурная работа с данными. ИИ не работает на пустом месте. Для успешного внедрения необходимо учитывать, что предприятие должно достичь определенного уровня зрелости, обеспечивающего наличие необходимых данных, процессов и компетенций. Полноценное применение ИИ невозможно в тех случаях, когда отсутствуют источники данных, данные не проходят валидацию, отсутствует автоматизация и не разработаны методологические регламенты. Внедрение ИИ – это сложный эволюционный процесс, требующий поэтапного подхода, начинающегося с автоматизации базовых процессов и создания необходимой инфраструктуры.

Главное преимущество технологий ИИ – это одновременная работы с огромным массивом данных. Он может сопоставить и предложить сценарии развития событий на уровне, не доступном мозгу человека. Но при этом именно эксперт должен выбрать наиболее правильный вариант действия. Мое глубокое убеждение, что сила ИИ лежит не в математических алгоритмах, а в генеративных технологиях, которые позволяют наладить диалог между машиной и человеком. 

Но есть ли нужная степень автоматизации для проектов с ИИ на российских предприятиях? Горнодобывающая и металлургическая отрасли в России характеризуются значительной неоднородностью. Это требует индивидуального подхода к внедрению ИИ в зависимости от уровня развития каждого предприятия. Большинство предприятий (около 80%) находятся на начальной стадии зрелости, что ограничивает возможности применения комплексных ИИ-решений. Лишь небольшое количество компаний, таких как "Норникель" и "Северсталь", приближаются к четвертой промышленной революции, что позволяет им внедрять более продвинутые ИИ-решения. Именно поэтому сейчас ИИ в большей мере находит применение в бэк-офисных функциях, например, в снабжении, где все операции поддаются измерению и характеризуются статичностью, что упрощает внедрение ИИ.

Рекомендации для предприятий, не являющихся лидерами отрасли

Так что же – не внедрять ИИ и подождать полной автоматизации? Конечно же нет. Нужно отрабатывать ИИ-технологии на локальном уровне, постепенно расширяя область применения и накапливая опыт. При этом при вынесении решения о старте проекта необходимо учитывать целевую картину, чтобы не упустить из виду важные взаимосвязи и обеспечить согласованность действий. 

Дело в том, что сегодня многие идут в ИИ-проекты, которые позволяют получить быстрый экономический эффект. Но, к сожалению, это не всегда срабатывает. И дело тут не в несовершенстве какого-то решения, а в том, что мало кто смотрит на процесс и цель внедрения в комплексе. Например, оптимизировали работу технологической установки, но задались ли вопросом – как это влияет, например, на общий результат бизнеса? А может, и не надо оптимизировать работу установки, потому что узким местом является не она как таковая. Например, мы разогнали фабрику по концентрату, а с железнодорожными вагонами или сушилкой вопрос не решили. В нее нельзя загрузить больше определенного объема концентрата. И здесь встает тот самый вопрос - зачем был нужен блестящий ИИ-проект, кроме как для удовлетворения эго конкретной ИТ-команды? 

Именно поэтому необходимо привлекать к ИТ-проектам представителей производства, чтобы учитывать их потребности и обеспечить принятие новых технологий. Важно связать фактический запрос с глубоким пониманием бизнес-процессов, чтобы ИИ решал реальные проблемы и приносил ощутимую пользу. Следует исходить из существующей проблематики, рассматривая смежные процессы и определяя их взаимосвязь, чтобы ИИ не решал проблемы в одном месте, создавая новые в другом. При внедрении ИИ важно понимать, что он призван помогать в работе, а не заменять людей, что позволит избежать сопротивления переменам и обеспечить успешное внедрение новых технологий.