AI ба дрон: Уул уурхайд “10 минутын” аюулгүй байдал

Хээрийн сургалтын талбай дээр нэгэн том хар квадрокоптер 13.5 метрийн өндрөөс ус дүүргэсэн улаан бөмбөлөг “яг зөв газарт, яг зөв мөчид” задлан унагааж байлаа. Эхний удаа салхи, өндөр, цаг хугацааны тооцоолол бүгд багахан алдахад бөмбөлөг галын хажууд тас няс хагарч, дөл хэвээр үлдсэн. Харин гурав дахь оролдлого дээр бөмбөлөг агаарт задран, ус гал дээр жигд тархаж, дулааны камераар баталгаажих тэр мөчид л нэг зүйл тод болдог: аюултай орчинд автоматжуулалт амжилттай байх эсэх нь “мэдрэгч + AI + ажиллагааны сахилга” гэсэн гурвал дээр тогтдог.

Энэ дроны түүх бол ой хээрийн түймрийн тухай л нийтлэл биш. Монголын уул уурхай, олборлох салбар “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд яг ижил асуудалтай нүүр тулдаг: аюултай орчин, хязгаарлагдмал хугацаа, өндөр өртөгтэй шийдвэр, хүний амь насны эрсдэл. Түймэрт “10 минутын дотор олж, очиж, унтраа” гэдэг шалгуур тавьж байгаа шиг уурхайд ч “секундээр хэмжигдэх” шийдвэрүүд бий—налуугийн тогтворжилт, тоосжилт, хий, тоног төхөөрөмжийн эвдрэл, хүний хөдөлгөөн, тээврийн мөргөлдөөн.

Доорх санаанууд нь XPrize-ийн түймрийн дронуудын жишээнээс гарч ирсэн Монголын уул уурхайд шууд хөрвүүлэх боломжтой практик сургамжууд юм.

Яагаад “хариу үйлдлийн хугацаа” бүхнийг шийддэг вэ?

Хариу үйлдлийн хугацаа богиносох тусам ослын хэмжээ, зардал, эрсдэл геометрээр өсөхөөс өмнө тасалдаг. XPrize-ийн тэмцээний логик энгийн: 1,000 км² “байгаль орчны хувьд төвөгтэй” бүсэд гал илрүүлээд 10 минутын дотор очиж унтраах. Энэ бол технологийн үзүүлбэрээс илүү операцын үзүүлэлт.

Уул уурхайд үүнтэй адил KPI-ууд байдаг:

• Эвдрэлээс өмнөх анхааруулгын хугацаа (bearing, gearbox, conveyor belt) – минут/цагаар хэмжигдэнэ.
• Ослын дохиолол–хариу үйлдэл (LHD, dump truck, crane, haul road) – секундээр хэмжигдэнэ.
• Аюултай нөхцөл–талбайг тусгаарлах (хий/тоос/нуранги эрсдэл) – “аль болох эрт” байх тусам сайн.

Хамгийн үнэтэй технологи бол хамгийн хурдан сэрэмжлүүлдэг технологи. Хожим аргацаах засвар, ослын дараах зардал үргэлж илүү үнэтэй гардаг.

Түймрийн дронууд цаг хугацааны дарамтад AI-гаар шийдвэр гаргалтаа хурдлуулж байна. Уурхайд ч ялгаагүй: камер, лидар, радар, чичиргээ, дулаан, дуу, даралт гэх мэт олон эх үүсвэрийн өгөгдлийг реал-таймд нэгтгэхгүй бол “урьдчилан сэргийлэх” биш “дараа нь тайлбарлах” түвшинд үлддэг.

Мэдрэгч + AI: “Гал уу, эсвэл энгийн түүдэг үү?” гэдэг шиг “эрсдэл үү, эсвэл хэвийн үү?”

XPrize-ийн дүрэм нэг сонирхолтой шаардлагатай: дрон зөвхөн гал илрүүлэх биш, аюултай гал (жишээ нь шатаж буй тавцан) ба аюулгүй “decoy” гал (жижиг түүдэг) хоёрыг ялгах ёстой. Maryland-ийн баг үүнийг өнгөт камерын дүрсийг YOLO зэрэг гүн сургалтын загвараар таньж, дулааны камерын мэдээлэлтэй давхар баталгаажуулсан.

Уул уурхайд яг ийм “ялгах” даалгавар өдөр бүр гарна:

Эрсдэлийн буруу дохиоллын үнэ

• Тоосжилтын мэдрэгч “хэтэрлээ” гэж буруу анхааруулбал үйлдвэрлэл зогсоно.
• Камер хүн гэж буруу танивал тоног төхөөрөмж “алдаатай зогсолт” хийнэ.
• Харин эсрэгээрээ—жинхэнэ эрсдэлийг алгасвал осол болно.

Тиймээс уул уурхайд AI хийхдээ зөвхөн нарийвчлал (accuracy) гэхээс илүү:

• Precision/Recall (жинхэнэ эрсдэлийг алдахгүй байх)
• False alarm rate (зогсолтын өртөг)
• Latency (мэдрэхээс шийдвэр хүртэлх хугацаа)

гэсэн гурвыг KPI болгож тавих хэрэгтэй.

Практик хөрвүүлэлт: уурхайн 3 “декой”

Түймрийн “жижиг түүдэг” шиг уурхайд AI-г төөрөгдүүлдэг хэвийн үзэгдлүүд бий:

1. Халуун хөдөлгүүр/яндан → дулааны камераар “гал” мэт харагдана
2. Нойтон хүдэр/шавар → лидар/камераар хэлбэр, гадаргуу гажна
3. Нарны хурц тусгал, цас/манан → дүрсний чанар, контраст унадаг

Ийм үед нэг төрлийн мэдрэгч хангалтгүй. Олон мэдрэгчийн нийлмэл баталгаажуулалт (camera + thermal + vibration + telemetry) бол “алгоритм” биш аюулгүй ажиллагааны стандарт гэж үзэх нь зөв.

Автономит ажиллагаа бодит болохын өмнө: дүрэм, жин, сүлжээ

Түймрийн дронуудын гол саад нь технологиос гадна зохицуулалт. Нийтлэлд дурдсанаар 25 кг (55 фунт)-аас дээш жинтэй дрон, мөн автономит байдлаар ачаа хаях үйлдэлд хязгаарлалт их байдаг тул Crossfire-ийн том дроныг хүн удирдсан.

Уул уурхайд ч “автономит” гэдэг нь ихэвчлэн дараах гурван бодит хүчин зүйлд тулдаг:

1) Аюулгүй ажиллагааны кейс (Safety Case)

Автономит тээвэр, өрөмдлөг, тэсэлгээний бүсийн мониторинг хийхэд яаж осол болохгүйг нотлох баримт шаардлагатай. Энэ нь зөвхөн AI загвар биш—процесс, сургалт, нөхцөлт хориг (geofence), буцах горим (fail-safe) бүгд орно.

2) Холболт ба саатал (Connectivity & Latency)

Түймэрт 10 минутын лимит байхад сүлжээ тасалдвал дрон “ухаангүй” болно. Уурхайд LTE/5G, private network, Wi‑Fi mesh, LoRa зэрэг сонголт байгаа ч хамгийн чухал нь:

• Edge inference (өгөгдлийг талбай дээр нь боловсруул)
• Store-and-forward (тасарсан үед өгөгдлөө хадгалж дамжуул)
• Командын давхар баталгаажуулалт

3) “Жин” гэдэг нь уурхайн хэлээр “payload/өргөлт”

Дрон гал унтраахад “их ус авч явах” асуудалтай. Уурхайд энэ нь:

• тоног төхөөрөмж дээр нэмэлт камер/лидар тавих
• батарей/цахилгаан хангамж
• хамгаалалтын хайрцаг, тоос/чичиргээний стандарт

гэх мэтээр хөрвөнө. Суурь төхөөрөмжөө хэт ачаалалгүйгээр үнэ цэн өгдөг AI шийдэл л масштабжина.

“Гал дээр ус асгах” биш: Нарийвчлалтай үйлдэл бага нөөцөөр их үр дүн гаргадаг

Crossfire-ийн хамгийн сонирхолтой санаа нь: өндөрөөс их ус асгахын оронд бага хэмжээг яг дээр нь, бага өндөрт тарааж, үр ашиг гаргах. Энэ бол уул уурхайд хэлбэл:

• “Их хүн хүчээр” биш яг тохирсон автомат удирдлагаар
• “Их дата цуглуулах” биш яг шийдвэрт хэрэгтэй датагаар
• “Их төсвөөр том систем” биш хязгаарлагдмал төсвөөр хурдан туршилтаар

ажиллахтай адил.

Уурхайд хэрэгжүүлэх 4 алхамт загвар (туршиж үзэхэд амархан)

1. Нэг өндөр эрсдэлтэй кейс сонго
   • жишээ: haul road мөргөлдөөн, конвейерийн халалт, овоолгын налуугийн хөдөлгөөн
2. Мэдрэгчийн хослол тогтоо
   • жишээ: камер + дулаан + телеметри; эсвэл чичиргээ + температур + тосны шинжилгээ
3. Edge дээр жижиг загвар ажиллуул
   • эхний хувилбар нь дүрс танилт эсвэл anomaly detection байж болно
4. Операцын дүрэмтэй уя
   • AI зөвхөн “анхааруулга” өгөх үү, эсвэл “зогсоох” эрхтэй юу?

Эндээс хамгийн их алдаа гардаг цэг нь №4. AI-г нэвтрүүлээд “хүн өөрөө мэд” гэвэл төслийн ROI алга болдог. AI-ийн гаргалгаа бүр тодорхой үйлдэлтэй холбогдох ёстой.

Монголын уул уурхайд яг одоо хэрэгтэй сургамж

Ой хээрийн түймрийн дронуудын туршилтаас харахад амжилт гэдэг нэг том нээлтээр ирдэггүй. Олон жижиг алдааг хурдан илрүүлж засах чадвараар ирдэг. Detonator нь цаг агаарт тохироогүй байсан гэдэг шиг уурхайд:

• өгөгдөл улирлын нөлөөгөөр (өвөл/зун) өөрчлөгдөнө
• шороо, чичиргээ, гэрэл сүүдэр AI-г төөрөгдүүлнэ
• “талбай дээрх бодит байдал” оффисын демогоос тэс өөр

Тиймээс би нэг байр суурьтай: Уул уурхайн AI төслүүдийг лабораториос биш, талбайгаас эхэл. Гэхдээ “шуугиад оч” гэсэн үг биш—эрсдэлийн кейс, хэмжүүр, буцах горим гуравгүй бол талбай дээр очих нь илүү аюултай.

AI-ийн хамгийн сайн шалгалт бол бодит үйл ажиллагаанд саад болохгүйгээр эрсдэлийг бууруулж чадаж байна уу гэдэг.

Дараагийн алхам: Танай уурхайд “илрүүлэх–баталгаажуулах–үйлдэх” гинжин хэлхээг байгуул

Энэ нийтлэл “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын нэг санааг дахин баталж байна: AI бол ганц программ биш, бодит цагийн шийдвэрийн систем. Түймрийн дронуудын жишээн дээр илрүүлэлт (YOLO дүрс танилт), баталгаажуулалт (дулааны камер), үйлдэл (усны бөмбөлөг) гэсэн гинжин хэлхээ тод харагддаг.

Олборлох салбарт ч ялгаагүй. Танай байгууллага дараах гурвыг нэг мөр болгож чадвал AI үнэхээр бодит үр дүн өгнө:

• Илрүүлэх: камер/лидар/IoT/SCADA өгөгдлөөс аюулын дохио барих
• Баталгаажуулах: олон эх үүсвэрээр давхар шалгаж буруу дохиоллыг бууруулах
• Үйлдэх: SOP, автомат хориг, диспетчерийн урсгал, засвар үйлчилгээний тасалбар

Шинэ жил дөхсөн энэ үед (12-р сар) олон уурхай 2026 оны төлөвлөгөөгөө баталж, хөрөнгө оруулалт, аюулгүй ажиллагааны зорилтоо шинэчилж байдаг. Төсөв нэмэхээс өмнө “10 минутын” зорилтоо тодорхойл—танай гол эрсдэлийн кейс дээр анхааруулгаас үйлдэл хүртэлх хугацаа хэд вэ?

Дараагийн нийтлэлүүдээр бид Монголын нөхцөлд хамгийн их өгөөжтэй 3 хэрэглээг задлана: тоног төхөөрөмжийн урьдчилан засвар (predictive maintenance), ухаалаг тээвэрлэлтийн аюулгүй байдал, олборлолтын төлөвлөлт ба бодит цагийн оновчлол. Танай уурхайд аль нь хамгийн “шатаж” байгаа асуудал вэ?