Горный горизонт 
Компания Montero Mining and Exploration становится одним из лидеров во внедрении искусственного интеллекта на ранних стадиях геологоразведки. Используя свои площадки в Чили в качестве полигона для передовых технологий, компания в сотрудничестве со специалистами из США работает над совершенствованием параметров ИИ-моделей, что позволит повысить точность прогнозирования для всей горнодобывающей отрасли.
Генеральный директор Montero, доктор Тони Харвуд, отмечает, что совместная инициатива помогает оттачивать алгоритмы искусственного интеллекта в условиях сложных геологических ландшафтов, где распознавание образов представляет особую трудность. «Это сотрудничество — двусторонний обмен, в котором мы предоставляем полевые геологоразведочные данные и контекст, а наши партнеры по ИИ — передовые возможности моделирования и вычислений», — поясняет он. Montero объединяет полевые и региональные данные в единые наборы для анализа, позволяя технологиям машинного обучения выявлять скрытые закономерности и аномалии, указывающие на потенциальное залегание полезных ископаемых.
Харвуд подчеркивает, что машинный анализ не заменяет геологов компании, а значительно расширяет их возможности, позволяя исследовать территории за пределами традиционных методов и эффективнее определять приоритетные цели для разработки. «Наш вклад в развитие ИИ для геологоразведки носит как технический, так и практический характер, помогая преодолеть разрыв между разработкой алгоритмов и реальной работой на месте», — говорит он.
Для обработки различных типов разведочных данных Montero тестирует целый комплекс дополняющих друг друга моделей ИИ. «Один-единственный алгоритм не может интерпретировать геологию, поэтому мы комбинируем специализированные модели, каждая из которых вносит свой уникальный вклад в процесс прогнозирования», — отмечает Харвуд. Такой комплексный подход обеспечивает многомерный анализ, связывая поверхностные геохимические закономерности, ключевые структурные особенности пород и спектральные сигналы со спутниковых данных в единую систему для поиска минералов. В результате компания получает более точную, основанную на данных приоритизацию разведочных целей, которая направляет полевые работы и стратегию бурения.
Выбор подходящих моделей машинного обучения начинается с постановки геологического вопроса, например, идентификации изменений пород определенного типа или обнаружения специфических геохимических сигнатур. Затем команды специалистов по ИИ подбирают или адаптируют модели, подходящие для конкретного типа данных: сверточные нейронные сети для анализа изображений или алгоритмы градиентного бустинга для числовых геохимических данных. Модели обучаются и проверяются на примерах уже известных месторождений, а их прогнозы затем тестируются в полевых условиях, замыкая цикл обратной связи между машинным выводом и реальными результатами.
По словам Харвуда, первые результаты применения ИИ оказались наиболее эффективными в обнаружении геохимических аномалий — необычных химических сигнатур в породах — и в картировании зон изменений с помощью данных дистанционного зондирования. Модели ИИ выявили незаметные пространственные связи между наборами данных, включая слабые геохимические тренды и структурные закономерности, которые могли быть упущены при ручном анализе. Однако искусственный интеллект также вносит и сложности, требуя тщательной очистки данных и строгой геологической проверки для исключения ложных срабатываний. «Реальные выгоды заключаются в скорости и точности, что позволяет создавать целевые зоны для проверки на месте за дни, а не недели», — заключает Харвуд.
На проекте Elvira в горнодобывающем поясе Марикунга на севере Чили интеграция данных с помощью ИИ позволила выявить ранее упущенные из виду зоны изменений, которые впоследствии были подтверждены в ходе отбора проб. Эти успехи демонстрируют, как междисциплинарное сотрудничество может превратить необработанные данные в реальные возможности для открытий. Для Montero внедрение ИИ является логичным шагом на пути к укреплению процесса принятия решений, повышению эффективности, снижению рисков и оптимизации распределения времени и капитала.
«Цель состоит не в том, чтобы отдать поиск на аутсорсинг, а в том, чтобы использовать ИИ для ускорения геологоразведки, основанной на фактических данных», — подчеркивает Харвуд. Ценность технологии заключается в ее способности быстро проверять геологические гипотезы с помощью передового распознавания образов и перекрестной проверки. Это позволяет Montero генерировать, ранжировать и уточнять разведочные цели с недоступной для традиционных методов скоростью, что коренным образом меняет ожидания от геологоразведки на ранних этапах.
