Globalny wyścig o krytyczne minerały, takie jak miedź, platyna i pallad nasila się, ponieważ przejście na zieloną energię i zaawansowane technologie wymaga coraz większych ilości surowców. Dla Earth AI, startupu wykorzystującego sztuczną inteligencję do wyszukiwania tych cennych zasobów, główną przeszkodą w postępie nie jest sama technologia, ale szybkość fizycznego potwierdzania danych.
Wąskie gardło: od przewidywań AI po rzeczywistość fizyczną
Earth AI wykorzystuje zaawansowane modele uczenia maszynowego do identyfikowania obiecujących złóż minerałów w regionach wcześniej uznawanych za jałowe, w tym w częściach Australii. Jednak skuteczność modelu sztucznej inteligencji zależy bezpośrednio od generowanych przez niego danych. Chociaż oprogramowanie może przewidzieć, gdzie mogą znajdować się minerały, nie może potwierdzić ich obecności ani stężenia bez fizycznych dowodów.
Aby wypełnić tę lukę, firma musi przeprowadzić badania podziemne, co wymaga wiercenia w ziemi w celu wydobycia próbek skał. Proces ten powoduje krytyczną zależność od laboratoriów zewnętrznych w zakresie analizy otrzymanych próbek.
Problem zewnętrznych laboratoriów
Branża poszukiwań minerałów stoi obecnie przed poważną przeszkodą logistyczną: kolejkami do laboratoriów.
Roman Teslyuk, założyciel i dyrektor generalny Earth AI, zauważa, że choć wcześniej opóźnienia w laboratoriach wynosiły około dwóch miesięcy, ze względu na gwałtowny wzrost światowego zainteresowania minerałami krytycznymi, czas oczekiwania wydłużył się ponad dwukrotnie. Powoduje to „opóźnienie informacyjne”, które zmniejsza wydajność pracy:
- Opóźnienie w podejmowaniu decyzji: Wielomiesięczne oczekiwanie na wyniki oznacza, że kolejna faza wierceń opiera się na nieaktualnych danych.
- Nieefektywne wiercenie: Bez informacji zwrotnych w czasie rzeczywistym firmy nie mogą łatwo dostosować ścieżki wierceń tak, aby podążała za najbardziej skoncentrowanymi żyłami mineralnymi.
- Powiększają się kolejki: Earth AI informuje, że są „7 km za nimi” – co oznacza, że obecnie na analizę oczekuje 7000 metrów próbek z odwiertów.
Rozwiązanie: Integracja pionowa
Aby rozwiązać ten problem, Earth AI zmierza w stronę strategii integracji pionowej, tworząc własne wewnętrzne laboratoria. Ta strategiczna zmiana ma na celu skrócenie terminów inspekcji minerałów z pięciu miesięcy do zaledwie pięciu dni.
Kontrolując proces laboratoryjny, Earth AI zamierza stworzyć szybką pętlę sprzężenia zwrotnego:
1. AI identyfikuje potencjalną lokalizację.
2. Wyciągi wiertnicze próbki skał.
3. Własne laboratoria niezwłocznie analizują próbki.
4. Dane poprawiają sztuczną inteligencję, umożliwiając dokładniejsze przeprowadzanie kolejnych wierceń.
Ten krótki czas cyklu minimalizuje wiercenie na ślepo, zapewniając, że każdy wywiercony metr jest zoptymalizowany w celu uzyskania możliwie najlepszych danych dla modelu.
Dlaczego jest to ważne dla branży?
To posunięcie podkreśla rosnącą tendencję w sektorze technologii zasobów: konieczność kontrolowania całego łańcucha wartości. W miarę jak sztuczna inteligencja staje się coraz bardziej zdolna do tworzenia złożonych prognoz geologicznych, czynnikiem ograniczającym nie jest „inteligencja”, ale „infrastruktura”.
Chociaż sztuczna inteligencja Ziemi będzie w dalszym ciągu korzystać z laboratoriów zewnętrznych w celu sprawdzania odkryć do celów ekonomicznych i wprowadzania ich na rynek, podejście do wewnętrznego laboratorium ma na celu optymalizację konkretnie fazy eksploracji. Na rynku, na którym szybkość i dokładność decydują o opłacalności ekonomicznej kopalni, skrócenie cykli informacji zwrotnych z miesięcy do dni może stanowić zdecydowaną przewagę konkurencyjną.
Wniosek
Tworząc własne laboratoria, ziemska sztuczna inteligencja próbuje rozwiązać problem „opóźnień danych”, który jest plagą tradycyjnej inteligencji. Celem tej integracji pionowej jest przekształcenie powolnych i kosztownych procesów wiertniczych w szybki cykl odkryć oparty na sztucznej inteligencji.
