AI дронуудын галын сургамж: уурхайд хэрэглэх нь

АНУ‑ын нэгэн сургалтын талбай дээр 2 метр орчим далавчтай хар квадрокоптер 13.5 метр өндөрт тогтож, доорх дөлөн дээр яг тохирсон мөчид усан бөмбөлөгөө “агаарт” задлан асгаж унтраалаа. Энэ бол шоу биш. 2026 оны зун финалдаа 1,000 км² “хүнд нөхцөлтэй” газарт гарсан галыг 10 минутын дотор олж, очиж, унтраах ёстой XPrize-ийн тэмцээний бодит туршилт.

Энэ түүх Монголын уул уурхай, олборлох салбарт шууд хамаатай. Яагаад гэвэл уурхайд хамгийн үнэтэй зүйл бол техник төхөөрөмж ч биш, хүдэр ч биш—хүн, цаг хугацаа, эрсдэлийн хяналт. Гал түймэр унтраахад ашиглаж буй AI + мэдрэгч + дрон = “түргэн илрүүлэлт + алсын хариу үйлдэл” гэсэн логик уурхайд яг адилхан ажилладаг. Илрүүлэлтийн цонх хэдхэн минут байхад л осол томордог, зардал өсдөг.

Энд би XPrize-ийн дрон‑галын жишээн дээр тулгуурлаад Монголын уурхайн аюулгүй байдал, автоматжуулалт, бодит цагийн мониторинг дээр AI-г яаж илүү ухаалгаар хэрэглэх талаар практик өнцгөөс задлая.

10 минут гэдэг “их” хугацаа байж болохыг гал харуулсан

Хариулт нь энгийн: аюул үүссэнээс хойш хамгийн эхний хэдэн минут л бүхнийг шийддэг. XPrize-ийн дүрэмд 10 минут гэж тавьсан ч УМД-ийн (University of Maryland) галын инженерчлэлийн багийн ахлагч “салхи ширүүссэн өдөр бол хэдхэн арван секундэд хэмжээ нь томордог” гэж онцолсон. Өөрөөр хэлбэл, илрүүлэлт хоцрох тусам ямар ч хүчтэй техник хожимддог.

Уурхайд энэ яг адил:

• Ил уурхайн мөргөцөг дээр сул чулуу уналт эхлэхэд 5–10 минутын дараа бүсийг хаахад оройтсон байж болно.
• Туузан дамжуургын ролик халалт, галын эхлэл гармагц эхний минутуудад дулааны зураглалын дохио авахгүй бол “гал унтраах” нь биш “хохирол тогтоох” ажил эхэлдэг.
• Хаягдлын далан, овоолгын хэсэгт ус чийг, шилжилт хөдөлгөөн нэмэгдэхэд эрт сэрэмжлүүлэг байхгүй бол эрсдэл хуримтлагдсаар нэг өдөр “гэнэтийн” гэж нэрлэгдэнэ.

Гол санаа: AI төслийн зорилго “ухаалаг болох” биш, хариу үйлдлийн хугацааг богиносгох байх ёстой.

Гал илрүүлэх AI-гаас уурхайд хэрэгтэй 3 чадвар

Хариулт нь: галын системүүд амжилттай байхын тулд (1) ялган таних, (2) баталгаажуулах, (3) ажил болгох гэсэн гурван алхамыг нэг гинжин хэлхээнд хийдэг.

XPrize-ийн жишээнд багууд дулаан (IR) ба өнгөт дүрсийг давхар ашиглаж, YOLO төрлийн deep learning загвараар “аюултай гал” ба “хуурамч/аюул багатай гал”-ыг ялгаж байна. Энэ нь уурхайд “false alarm”-ыг багасгах маш чухал сургамж.

1) Ялган таних: “аюул” ба “ердийн үзэгдэл”-ийг салгах

Уурхайд AI мониторинг хийхэд хамгийн их эсэргүүцэлтэй тулгардаг зүйл бол: “Дохио байнга дуугараад хэрэггүй.”

Тиймээс галын систем шиг контексттэй ангилал хэрэгтэй:

• Хүн/тээврийн хэрэгсэл/сул зогсолт/аюултай ойртолт
• Утаа/тоос/манан (оптик камераар андуурах нь элбэг)
• Халалт (хөдөлгүүр хэвийн халалт уу, хэвийн бус friction уу)

Практик зөвлөгөө: нэг мэдрэгчээр шийдэх гэж битгий зүтгэ. IR + RGB + акустик + чичиргээ + IoT хэмжилтээс “давхцсан баталгаа” гаргаж байж AI үнэн зөв болдог.

2) Баталгаажуулах: нэг дохиог хоёр эх сурвалжаар “нотлох”

XPrize-ийн баг камерын хоёр сувгийг давхардуулж, нэг газар “FIRE DETECTED” гэж баталгаажуулж байна.

Уурхайд үүнийг дараах байдлаар загварчилж болно:

• Дулааны камер дээр халалтын өсөлт илрэх
• Тоног төхөөрөмжийн мэдрэгч дээр ток/чичиргээ/эргэлтийн өөрчлөлт зэрэг зэрэг гарах
• Дрон эсвэл суурин камераас визуал баталгаажуулалт ирэх

Үр дүн: ослын дуудлагын чанар сайжирч, жинхэнэ аюул дээр баг төвлөрнө.

3) Ажил болгох: илрүүлэлтээс “алсын үйлдэл” рүү шилжих

Гал унтраах дрон зөвхөн “харж мэдээлэх” биш, усан бөмбөлөг унагаж үйлдэл хийж байна.

Уурхайд ч мөн адил дараагийн шат нь:

• Аюултай бүсийг автомат гео‑хашаалалт (geofencing) хийж техник нэвтрэхийг хориглох
• Дохио гармагц дрон автоматаар очиж амьд дүрс өгөх
• Зарим тохиолдолд автомат унтраалт/түр зогсолт (жишээ нь туузан дамжуурга) хийх

Энд нэг хатуу байр суурь хэлэхэд: “AI зөвхөн dashboard” бол төсөл бүтэлгүйтэх магадлал өндөр. AI нь процессын шийдвэрт нөлөөлдөг, эсвэл шууд ажиллагаа эхлүүлдэг байх ёстой.

Дрон + хиймэл оюун ухаан: уурхайд хамгийн хурдан ROI өгөх хэрэглээнүүд

Хариулт нь: хамгийн түрүүнд хүний оролцоо их, эрсдэл өндөр, хэмжилт давтамж багатай ажлуудад дронууд үр өгөөж өгдөг.

Аюултай бүсийн алсын хяналт (slope, овоолго, далан)

• Дрон зураглал + AI өөрчлөлт илрүүлэлтээр (change detection) мөргөцөг, овоолгын өсөлт/ан цав/нуранги эрсдэл‑ийг эрт харна.
• Үндсэн KPI: шалгалтын давтамж, эрсдэлийн дохио хүртэлх хугацаа.

Дулааны мониторинг (тоног төхөөрөмж, цахилгаан дэд станц)

• Дулааны камер + дүрс танилт = халалтын хэвийн/хэвийн бус хээ.
• KPI: унтраалтгүй засварын хувь, галын эрсдэлийн тохиолдлын бууралт.

Зам, тээвэр, хөдөлгөөний аюулгүй байдал

• Дрон эсвэл суурин камераас AI “ойртолт”, “хурдны зөрчил”, “зөвшөөрөлгүй бүсэд нэвтрэлт” илрүүлнэ.
• KPI: near-miss бүртгэлийн тоо (ихсэх нь эхэндээ сайн—илүү сайн илрүүлж байна гэсэн үг), дараа нь бодит осол буурах.

Утаа-тоосны хяналт ба нийтийн зөвшөөрөл

Өвөл/хаврын улиралд салхи, хуурайшилт ихсэхэд тоосжилт өсдөг. AI дүрс анализ + мэдрэгчийн өгөгдлөөр эх үүсвэрийг хурдан тодорхойлох нь орон нутгийн харилцаанд бодит нөлөөтэй.

Амжилтын “далд” нөхцөл: өгөгдөл, дүрэм, зохицуулалт

Хариулт нь: технологиос илүү үйл ажиллагааны загвар ялдаг.

Өгөгдөл бэлтгэл бол ажлын 60–80% нь

XPrize-ийн баг 40,000 зураг цуглуулж, 1,200-г нь гараар тэмдэглэсэн. Уурхайд ч мөн адил:

• Өөрийн талбайн бодит дүрс (тоос, гэрэл, өвөл/зун) дээр сургалт хийхгүй бол загвар “гоё” хэрнээ хэрэглээнд унана.
• Data governance: хэн хадгалж, хэн ашиглаж, хэр удаан хадгалах вэ гэдэг тодорхой байх хэрэгтэй.

“Хүмүүс + процесс” өөрчлөгдөхгүй бол AI ашиглагдахгүй

• Дохио ирэхэд хэн хариуцах, ямар хугацаанд, ямар шийдвэр гаргах вэ?
• Дрон нислэгийн зөвшөөрөл, нислэгийн төлөвлөгөө, засвар үйлчилгээний хуваарь?

AI-г “ИТ төслийн ажил” гэж битгий хар. Энэ бол аюулгүй ажиллагааны шинэ стандарт.

Зохицуулалт ба бодит нөхцөл

XPrize-д хүртэл 25 кг‑аас дээш жинтэй дрон, ачаа хаях ажиллагаа зэрэг дээр дүрэм хязгаар бий гэж дурдсан. Уурхайд ч:

• Нислэгийн дүрэм, талбайн дотоод журам
• Автомат нислэг, BVLOS (хараанаас гадуурх нислэг) зэрэг эрсдэлийн үнэлгээ

Зөв гарц: бага эрсдэлтэй хэрэглээнээс эхэлж, шаталсан зөвшөөрөл ба шаталсан автоматжуулалт руу алхам алхмаар шилжих.

Уурхайд хэрэгжүүлэх 90 хоногийн бодит төлөвлөгөө

Хариулт нь: эхний 3 сард том платформ байгуулах гэж оролдох хэрэггүй, харин нэг “аюултай кейс”-ийг хэмжигдэхүйц сайжруул.

1. Нэг use case сонго (жишээ: туузан дамжуургын халалт + утааны эрт илрүүлэлт)
2. 2 төрлийн мэдрэгчээр баталгаажуул (IR камер + тоног төхөөрөмжийн мэдрэгч)
3. Дрон нислэгийн SOP бич (нислэгийн давтамж, хариуцагч, ослын үед буух журам)
4. False alarm KPI тогтоо (зорилт: эхний сард 30–50% бууруулах)
5. Хариу үйлдлийн цаг хэмж (зорилт: дохионоос баталгаажуулалт хүртэл 2 минут)
6. Нэгж дээр пилот хийгээд дараа нь талбайгаар өргөтгө

“Хэмжиж чадахгүй бол удирдаж чадахгүй.” Уурхайн AI дрон системийн хамгийн эхний KPI бол минут байдаг.

Дараагийн алхам: галын дронууд уурхайд юу хэлээд байна вэ?

AI ба дронуудын гал унтраах тэмцээн нэг зүйлийг маш тодорхой харууллаа: эрт илрүүлэлт + зөв ангилал + алсын үйлдэл гэсэн гинжин хэлхээ бодитоор ажиллаж байна. Энэ бол “ирээдүйн тухай” яриа биш, инженерүүдийн туршилтаар батлагдсан ажиллагааны загвар.

Манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд энэ кейсийг нэг өгүүлбэрээр зангидвал: уул уурхайд AI нь илүү их олборлолт хийхээс өмнө, илүү аюулгүй ажиллах боломжийг хамгийн түрүүнд өгдөг.

Танай уурхайд өнөөдөр “10 минутын дотор” зайлшгүй хариу үйлдэл шаардах хамгийн өндөр эрсдэлтэй нөхцөл аль нь вэ—гал, халалт, мөргөцөг, эсвэл хүн‑техникийн огтлолцол уу?