AI 2025 тренд: Монголын уул уурхай юу хийх вэ

2025 онд технологийн мэдээ уншдаг хүмүүсийн хамгийн их сонирхсон сэдэв нэг л байсан: хиймэл оюун ухаан (AI). Том редакцуудын жилийн “хамгийн их уншигдсан” жагсаалтад AI-ийн эрчим хүч, усны хэрэглээ, AI гэж юуг хэлэх вэ гэсэн тодорхойлолтын маргаан, том хэлний загваруудын (LLM) дотоод ажиллах зарчим, бүр AI чатботтой хэт дотно харилцаа үүсэх эрсдэл хүртэл тогтмол багтсан нь нэг зүйл хэлж байна.

Монголын уул уурхай, олборлох салбарын хувьд энэ бол зүгээр нэг “дэлхийн тренд” биш. Энэ бол дараагийн хөрөнгө оруулалт, бүтээмж, аюулгүй ажиллагаа, тогтвортой байдлын хэлэлцүүлгийг тодорхойлох бодит шалгуур. Хэрэв 2025 онд дэлхий AI-ийг өдөр тутамдаа хэрэглэж эхэлсэн бол 2026 онд олборлох салбарууд AI-ийг үйлдвэрлэлийн систем шиг нэвтрүүлэх өрсөлдөөнд орно.

Энэ нийтлэл нь манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын хүрээнд 2025 оны дэлхийн анхаарал татсан AI сэдвүүдийг Монголын уурхайн бодит хэрэглээтэй холбож, юунаас эхлэх, юуг хэмжих, ямар эрсдэлээс урьдчилан сэргийлэх тухай практик өнцгөөс тайлбарлана.

2025 оны дохио: AI-ийн асуудал нь зөвхөн “ухаан” биш, “нөөц” юм

AI-ийн тухай яриа 2025 онд огцом өсөхөд хамт өссөн хамгийн том асуулт бол эрчим хүч ба усны ул мөр байлаа. Дэлхий даяар олон сая хүн өдөр тутамдаа генератив AI ашиглахын хэрээр “нэг асуулт асуухад” ямар хэмжээний тооцоолол, дата төвийн ачаалал, хөргөлт, улмаар ус-эрчим хүчний хэрэглээ дагаж нэмэгддэг тухай тооцооллууд олон нийтийн анхаарлыг татсан.

Монголын уул уурхайд энэ логик шууд хэрэгжинэ: AI нэвтрүүлэх гэж байгаа бол “алгоритм сайн уу?”-гаас өмнө дэд бүтэц, эрчим хүчний тогтвортой байдал, холбоо сүлжээ, дата урсгал бодитоор даах уу гэдгийг түрүүлж тавих хэрэгтэй.

Уурхайн AI яагаад “энерги+дата” асуудал болдог вэ?

Хэд хэдэн нийтлэг хэрэглээг аваад үзье:

• Уурхайн тоног төхөөрөмжийн урьдчилан таамаглах засвар (predictive maintenance): чичиргээ, температур, тосолгооны чанар зэрэг сенсорын өгөгдөл тасралтгүй цугларна.
• Аюулгүй ажиллагааны компьютер хараа (computer vision): камерын урсгалын бодит цагийн боловсруулалт шаарддаг.
• Тээвэрлэлтийн оновчлол: GPS, жингийн мэдрэгч, түлшний зарцуулалт зэрэг олон эх үүсвэрийн өгөгдөл нэгтгэнэ.

Эдгээр нь бүгд “AI загвар суулгаад л боллоо” биш. Edge (талбай дээр), Cloud (сервер дээр), Connectivity (сүлжээ) гэсэн гурван давхарга зэрэг хөгжих ёстой.

Сайн AI төсөл эхэндээ “model” биш, metering байдаг. Та хэмжиж чадахгүй бол удирдаж чадахгүй.

“AI гэж яг юу вэ?” гэсэн маргаан Монголд яагаад чухал вэ

2025 онд AI-ийн тодорхойлолтын тухай том хэлэлцүүлэг уншигчдын анхаарлыг их татсан нь санамсаргүй биш. “AI” гэдэг үгийг хүн бүр өөр өөрөөр ойлгож, борлуулалтын танилцуулга (sales pitch) бүр өөрөөр ашигладаг. Монголын уул уурхайд энэ төөрөгдөл илүү өндөр өртөгтэй тусна.

Уурхайн менежментэд хэрэгтэй бодит ангилал

Би уул уурхайн байгууллагуудад AI сэдвээр ажиллахдаа дараах байдлаар “AI”-ийг ажил хэрэгчээр ангилж ярьдаг:

1. Дүрэмд суурилсан автоматжуулалт (rule-based automation) – PLC/SCADA дээрх логик, босго утга.
2. Машин сургалт (machine learning) – эвдрэл, чанар, зарцуулалт таамаглах статистик загвар.
3. Компьютер хараа (computer vision) – хамгаалах хэрэгсэл, аюултай бүс, урсгал хяналт.
4. Генератив AI / LLM – тайлан бичих, мэдээлэл хайх, SOP нэгтгэх, сургалтын контент.

Эндээс хамгийн чухал нь: LLM бол уурхайн “гол хөдөлгүүр” биш, харин мэдээллийн ажлын хурд нэмэгдүүлэгч байх нь олонтаа. Харин “машин сургалт + сенсорын өгөгдөл” нь үйлдвэрлэлийн ашгийг шууд хөдөлгөдөг.

AI-ийн хамгийн ашигтай хэрэглээ: үр ашиг, аюулгүй байдал, чанарын хяналт

2025 онд AI дэлхийн хэрэглээнд “ерөнхий” түвшинд тэлсэн бол Монголын уул уурхайд 2026–2027 онд үнэ цэн нь тодорхой 3 фронтод хамгийн хурдан гарна.

1) Тоног төхөөрөмжийн зогсолтыг бууруулах

Шахуурга, конвейер, бутлуур, өрмийн систем, экскаватор, автосамосвал зэрэгт төлөвлөгдөөгүй зогсолт бол шууд мөнгө. ML загварын гол зорилго:

• эвдрэл болохоос өмнө анхааруулах дохио илрүүлэх
• сэлбэг, засварын багийн ажлыг урьдчилан төлөвлөх
• засварын чанарыг баталгаажуулах (дахин эвдрэх давтамж)

Энд “өгөгдөл багатай” гэдэг шалтгаан түгээмэл гардаг. Гэхдээ бодит байдал дээр олон уурхайд өгөгдөл байдаг, харин:

• формат нь зөрүүтэй
• цагийн тэмдэглэгээ (timestamp) буруу
• эвдрэлийн ангилал стандартгүй

Тиймээс эхний алхам бол өгөгдлийн стандартчилал.

2) Аюулгүй ажиллагаанд бодит цагийн хяналт

Камерын урсгалаас:

• хамгаалах хэрэгсэл зүүсэн эсэх
• аюултай бүсэд зөвшөөрөлгүй орсон эсэх
• хөдөлгөөнт техник ойртож буй эрсдэл

гэх мэт зүйлийг илрүүлэх нь хүний хяналтыг орлох гэж биш, хүнийг алдаа гаргах үед нь хамгаалах хоёр дахь давхарга болдог.

Энд нэг хатуу байр суурь хэлэхэд: AI аюулгүй ажиллагаанд ашиглагдаж байгаа бол “false negative” (аюулыг алдаж өнгөрөх) багатай байх ёстой. “False positive” их байвал ажилчид үл тоодог болно. Тиймээс туршилт хийхдээ зөвхөн “нарийвчлал” биш alert fatigue (дохио залхаалт) хэмжих хэрэгтэй.

3) Чанар, баяжуулалтын оновчлол

Хүдрийн ангилал, агуулгын хэлбэлзэл, тээрэмдэлт, флотацийн нөхцөл зэрэг нь өгөгдөл ихтэй, динамик орчин. AI энд:

• хүдрийн урсгалын найрлагын хэлбэлзлийг эрт мэдрэх
• реагентын зарцуулалтыг оновчлох
• гарц, авалтыг тогтвортой болгох

гэсэн зорилготой ажиллана. Монголд энэ чиглэлд ашиглах боломж өндөр, учир нь олон уурхайд технологийн процессын өгөгдөл аль хэдийн хуримтлагдсан байдаг.

2025 оны анхааруулга: AI-ийн “сүүдэр зардал” уул уурхайд илүү хүчтэй мэдрэгдэнэ

Жилийн турш уншигдсан AI нийтлэлүүдийн цаад санаа нэг: AI бол зөвхөн боломж биш, эрсдэлийн шинэ ангилал.

Эрчим хүч, ус, ESG дарамт

AI тооцоолол нэмэгдэх тусам дата төв, сервер, хөргөлт, сүлжээний ачаалал өснө. Уурхайн хувьд энэ нь:

• талбай дээрх серверийн өргөтгөл
• сүлжээний тасалдлыг бууруулах
• нүүрстөрөгчийн ул мөрийн тайлагналд “IT footprint” нэмэгдэх

гэсэн бодит шаардлага авчирна. Тиймээс AI төсөл бүр энерги/усны хэрэглээний тооцоотой байх ёстой. Нэгэнт олон улсын хөрөнгө оруулагчид ESG хэмжүүрийг чангалж байгаа үед “AI суулгасан” гэдэг нь өөрөө сайн мэдээ биш, харин яаж хариуцлагатай ажиллуулж байгаа нь чухал.

Мэдээллийн аюулгүй байдал ба нууцлал

Уурхайн өгөгдөлд:

• олборлолтын төлөвлөгөө
• нөөцийн үнэлгээтэй холбоотой мэдээлэл
• аюулгүй ажиллагааны бичлэг, хүний мэдээлэл

орж ирдэг. Генератив AI хэрэглэх үед “ярианы лог”-ийн хадгалалт, өгөгдөл гадагш урсах эрсдэл, ханган нийлүүлэгчийн гэрээний нөхцөл зэрэг нь удирдлагын түвшний асуудал болно.

Хүмүүсийн хүчин зүйл: чатбот “хялбар” мэт боловч бодлогогүй бол эрсдэлтэй

2025 онд хүмүүс AI чатботтой өөрийн мэдэлгүй хэт дотно харилцаа үүсгэж болзошгүй тухай сэдэв хүртэл өргөн уншигдсан. Уул уурхайд энэ нь романтик талаасаа биш, харин:

• ажилчдын сургалт, зааварчилгаанд чатбот ашиглах
• ослын дараах тайлан, мэдүүлэг боловсруулах

үед “итгэж болох уу?” гэсэн асуудал болж хувирна. Дотоод журамгүй бол чатбот:

• буруу SOP санал болгох
• баталгаагүй мэдээлэл “итгэлтэй” өнгөөр хэлэх
• хариуцлага эзэнгүй болгох

эрсдэлтэй.

Монголын уурхайд 90 хоногийн “AI эхлэл” төлөвлөгөө

Хэт том төсөл эхлүүлэх гээд гацаах нь хамгийн түгээмэл алдаа. Харин 90 хоногт багтах, хэмжигдэх үр дүнтэй эхлэл бодит байдаг.

1–30 хоног: Зорилго, өгөгдөл, хэмжүүр

• Нэг л асуудал сонго: зогсолт, аюулгүй ажиллагааны зөрчил, эсвэл чанарын хэлбэлзэл.
• Амжилтын хэмжүүрээ тоогоор тогтооно: жишээ нь “төлөвлөгдөөгүй зогсолтыг 10%-иар бууруулах”.
• Өгөгдлийн зураглал гаргана: ямар системүүд (SCADA, ERP, maintenance log, weighbridge) хаана байна?

31–60 хоног: Туршилтын прототип

• Edge дээр боловсруулах уу, төв сервер дээр үү гэдгээ шийд.
• 1 хэсэг шугам/1 нэгж тоног төхөөрөмж дээр pilot ажиллуул.
• Оператор, засварын багтай хамт “ажлын урсгал”-д нь суулгана. Технологи дангаараа ажиллахгүй.

61–90 хоног: Үр дүн + өргөтгөх шийдвэр

• ROI-г энгийнээр тооц: зогсолтын цаг × цагийн өртөг.
• Дохионы чанар (false positive/negative), хэрэглэгчийн хүлээн авалт, засварын сахилга бат хэр өөрчлөгдсөнийг хэмж.
• Дараагийн 6 сарын roadmap гарга: стандарт, кибер аюулгүй байдал, өгөгдлийн засаглал.

AI нэвтрүүлэх хамгийн зөв арга бол “том платформ” биш, нарийн асуудал дээр хурдан турших.

Уурхайн удирдлагууд 2026 онд асуух ёстой 5 асуулт

Энэ цувралын хүрээнд би хамгийн хэрэгтэй асуултуудыг ингэж товчилдог:

1. Бид AI-ийг яг ямар шийдвэр дээр ашиглах гэж байна вэ? (операторын, засварын, төлөвлөлтийн)
2. Өгөгдөл маань итгэл даах уу? (timestamp, шошго, бүртгэл)
3. Энерги ба холбоо сүлжээ даах уу? (edge/cloud зохицуулалт)
4. Кибер аюулгүй байдлын дүрэм бэлэн үү? (access, log, vendor)
5. Хариуцлага хэн дээр буух вэ? (AI санал болголоо гээд хүн баталгаажуулдаг хэвээр үү?)

Эдгээрт хариулж чадвал AI төсөл “туршилтын шоу” биш, үйлдвэрлэлийн бодит өөрчлөлт болно.

Дараагийн алхам: MIT-ээс Монгол руу шилжих бодит ажил

2025 оны хамгийн их уншигдсан технологийн түүхүүд нэг санааг давтсан: AI-ийн тухай яриа одоо сонирхлын хэмжээнээс гарч, нөөц, эрсдэл, бодлого, хэрэглээ гэсэн бодит асуудал болж хувирсан.

Монголын уул уурхай, олборлох салбарт энэ нь хоёр сонголт үлдээж байна: инженерчлэлийн сахилга баттайгаар AI-ийг үйлдвэрлэлд суулгах, эсвэл “AI хийж байгаа” дүр зурагтай үлдэх. Би эхнийхийг нь сонгох нь зөв гэж боддог. Учир нь уурхайн өрсөлдөх чадвар одоо зөвхөн хүдрийн үнээр биш, үр ашиг, аюулгүй байдал, тогтвортой ажиллагаагаар хэмжигдэж байна.

Хэрэв та 2026 онд AI эхлүүлэх гэж байгаа бол нэг зүйлээс эхэл: хамгийн үнэтэй зогсолт хаана байна, тэндээс. Тэгээд хэмж. Дараа нь өргөжүүл.

Та өөрийн байгууллагад AI-г хамгийн түрүүнд аль хэсэгт (засвар, аюулгүй ажиллагаа, баяжуулалт, тээвэр) хэрэгжүүлэх нь хамгийн зөв гэж үзэж байна вэ?