AI “нисэгчгүй систем” уул уурхайд: бодит ашиг

Усан бөмбөлөг тээсэн дрон 13.5 метрийн өндрөөс яг зөв цэг дээр “агаарт” задрах ёстой. Салхи байна, халалт байна, секунд тутамд нөхцөл өөрчлөгдөнө. АНУ-ын нэг их сургуулийн баг XPrize-ийн тэмцээнд үүнийг хийж, камер+мэдрэгчийн мэдээллийг AI-аар нэгтгээд аюултай гал уу, эсвэл аюулгүй түүдэг үү гэдгийг ялгаад, дараа нь очиж унтраах ажиллагааг богино хугацаанд гүйцэтгэх гэж байна.

Энэ зураглал Монголын уул уурхайд хэт танил санагдана. Уурхайд ч бас “жижиг асуудал” хэдхэн минутын дотор том эрсдэл болж хувирдаг: налуугийн гулсалт, туузан дамжуулагчийн доголдол, автосамосвалын мөргөлдөх эрсдэл, тоосжилт, шатахуун алдагдал, усны түвшний огцом өөрчлөлт. Энд AI бол дронтой адил үүрэгтэй — бодит цагийн мэдээллийг шүүж, хэвийн бус байдлыг илрүүлж, зөв хариу үйлдлийг хамгийн хурдан хугацаанд “ажил” болгоно.

Энэ нийтлэл нь манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын нэг хэсэг. Гал унтраах дронуудын кейсээр дамжуулж, AI уул уурхайн ажиллагааг хэрхэн автоматжуулж, аюулгүй байдлыг сайжруулж, зардлыг бууруулдаг талаар практик өнцгөөс нь задлая.

Дрон галын үед хийж байгаа зүйл уурхайд яг юу болж хувирдаг вэ?

Хариулт нь энгийн: дрон гал дээр “харах–шийдэх–үйлдэх” гурван алхмыг секундээр шахаж байна. Уул уурхайд AI яг энэ гурван алхмыг тоног төхөөрөмж, хүний хөдөлгөөн, байгаль орчны эрсдэл дээр хэрэгжүүлдэг.

XPrize-ийн туршилтад нэг дрон нь дулааны камераар хаана халалт байна гэдгийг харна, нөгөө нь өнгөт дүрсийг гүн сургалтын загвараар (жишээ нь зураг таних YOLO төрлийн аргачлал) боловсруулж энэ үнэхээр аюултай гал уу, эсвэл санаатай тавьсан жижиг гал уу гэдгийг ялгана. Дараа нь унтраах дрон ачаатайгаа очиж, зөв өндөрт, зөв цагт унтраах бодисоо асгаж байж л үр дүн гарна.

Уурхайд үүнийг дараах байдлаар хөрвүүлнэ:

• Харах: камер, дулааны мэдрэгч, чичиргээ, даралт, гүйдэл, GPS, lidar, жингийн мэдрэгч, дрон/суурин камерын дүрс
• Шийдэх: AI/машин сургалт хэвийн загвараас хазайлтыг илрүүлэх, эрсдэлийн оноо тооцох, ангилах (жишээ: “аюултай” vs “ажиглах”)
• Үйлдэх: операторт дохио өгөхөөс эхлээд автоматаар хурд бууруулах, тоног төхөөрөмж унтраах, маршрутыг өөрчлөх, засварын багт ажил үүсгэх

Нэг өгүүлбэрээр хэлбэл: AI нь уурхайн “нисэгчгүй удирдлагын төв” болж байна.

Бодит цагийн мониторинг яагаад хамгийн өндөр өгөөжтэй вэ?

Учир нь эрсдэлүүд экспоненциал өсдөг. Гал хэдхэн секундэд тэлдэгтэй адил туузан дамжуулагчийн жижиг тэнцвэргүй чичиргээ цаг алдахад холхивч шатах, улмаар зогсолт сунжрах, нийлүүлэлтийн гинжин тасалдах зэрэг дараалсан алдагдлыг үүсгэнэ.

XPrize-ийн дүрэмд “10 минутын дотор олж унтраа” гэж байна. Гал судлаачид үүнээс ч хурдан байх ёстой гэдгийг хэлдэг. Уурхайд ч мөн адил: эрт илрүүлэлт гэдэг нь “гоё технологи” биш, үйлдвэрлэлийн сахилга бат.

Уурхайд хамгийн түрүүнд мониторинг хийх 4 цэг

Хариулт: өгөгдөл нь аль хэдийн бий, зөвхөн нэгтгээд ажил болгох хэрэгтэй.

1. Овоолго ба налуу (slope stability): радарын хэмжилт, дрон зураглал, борооны мэдээлэл, тэсэлгээний лог + AI загвар → гулсалтын эрсдэлийн оноо
2. Туузан дамжуулагч ба бутлуур: чичиргээ/дуу/температурын өгөгдөл + anomaly detection → төлөвлөгдөөгүй зогсолтын өмнөх дохио
3. Автосамосвал, ачигч, хөдөлгөөн: GPS, камерын компьютер хараа → мөргөлдөх эрсдэл, хурдны хяналт, “blind spot” анхааруулга
4. Тоосжилт ба байгаль орчин: тоосны мэдрэгч, салхи, чийгшил + AI → тоос дарах ажиллагааг зөв цагт, зөв хэмжээгээр хийх

“Галыг ялгах” асуудал уурхайд ямар аналогтой вэ?

Галын системийн хамгийн хэцүү хэсэг нь гал унтраах биш, “хуурамч дохио”-г багасгах. XPrize-д дрон аюултай гал ба энгийн түүдэг-ийг ялгах ёстой.

Уурхайд үүнийг өдөр бүр өөр нэрээр дууддаг: “false alarm”, “худал триггер”, “мэдрэгчийн шуугиан”. Хэт олон худал дохио гарвал операторууд анхаарахаа больдог. Энэ бол аюулгүй байдлын хамгийн муу хувилбар.

Худал дохиог бууруулах практик арга

Хариулт: нэг мэдрэгчид бүү найдаж, баталгаажуулалтын дүрэмтэй бол.

• Олон эх үүсвэрийн баталгаажуулалт: дулаан өсөх + утаа илрэх + камер дээр дөл/оч харагдах зэрэг “AND” логик
• Контексттэй босго: шөнийн хүйтэнд дулааны камерын босго өөр, зуны халуунд өөр
• Сургалтын өгөгдөл: зөвхөн “сайн зураг” биш, уурхайн бодит нөхцөл (тоос, манан, гэрэл ойлт, доргилт)-ийн өгөгдөл хэрэгтэй
• Операторын буцаан холбоо: “энэ худал” гэж тэмдэглэсэн үйлдэл бүр загварыг сайжруулах өгөгдөл болно

Дронууд 40,000 зураг ашиглан сургасан тухай кейсээс нэг зүйл тод харагдана: AI-ийн амжилт өгөгдлийн сахилга батнаас хамаардаг.

Автоматжуулалт гэдэг “робот” биш, хариу үйлдлийн хурд

Уурхайд AI нэвтрүүлэх хамгийн ашигтай хэлбэр бол “шийдвэрийн автоматжуулалт”. Бүхнийг бүрэн автоном болгох гэж зүтгэхээс илүү аюултай мөчүүдэд зөв шийдвэрийг хурдан гаргах чадварыг эхэлж байгуул.

XPrize-ийн багуудын нэг онцлог нь: тэд off‑the‑shelf дрон, бэлэн платформ дээр тулгуурлаад “хатуу асуудал”-даа (ялгалт, чиглүүлэлт, цагийн оновчлол) хөрөнгө оруулж байна. Монголын уул уурхайд ч энэ логик хамгийн зөв.

90 хоногт багтаах “AI нисэгчгүй систем” төлөвлөгөө

Хариулт: нэг процесс сонгоод, хэмжигдэхүйц KPI тогтоогоод, үйлдвэрлэл дээр турш.

1. Use case сонголт (7–10 хоног): хамгийн өндөр зардалтай зогсолт эсвэл ослын near‑miss ихтэй хэсгийг сонго
2. Өгөгдлийн зураглал (10–15 хоног): ямар мэдрэгч/лог/камер байна, аль нь чанартай вэ?
3. MVP загвар (30–45 хоног): хэвийн бус байдлын илрүүлэлт + анхааруулгын дүрэм
4. Операторын ажлын урсгал (2–3 долоо хоног): дохио гарлаа → хэн баталгаажуулна → ямар арга хэмжээ авах вэ?
5. KPI хэмжилт (тасралтгүй): худал дохио, реакцийн хугацаа, зогсолтын минут, засварын зардал, аюулгүй байдлын үзүүлэлт

“Хамгийн том алдаа бол AI-г IT төсөл гэж үзэх. Энэ бол үйлдвэрлэлийн удирдлагын төсөл.”

Монголын нөхцөлд анхаарах 3 бодит саад

Хариулт: технологиос илүү хэрэгжилт дээр гацаа гардаг.

1) Холболт ба алслагдсан байршил

Талбайн сүлжээ тогтворгүй үед AI-г заавал үүлэн дээр ажиллуулах албагүй. Edge AI (талбай дээр боловсруулалт хийх) нь дрон галын үед бодит цагт шийдвэр гаргадагтай адил, уурхайн камер/мэдрэгчийн дохиог шууд талбай дээр боловсруулж чадна.

2) Зохицуулалт, аюулгүй ажиллагааны дүрэм

Хүнд даацын дрон, автоном ажиллагаа хоёр хоёулаа зохицуулалт шаарддаг. Уурхайд ч мөн адил: автоном анхааруулга гарлаа гээд автоматаар зогсоох уу, эсвэл оператор баталгаажуулах уу? “Human-in-the-loop” загварыг эхний ээлжинд сонгох нь хамгийн эрүүл шийдэл.

3) Өгөгдлийн эзэмшил ба түншлэл

Олон улсын ханган нийлүүлэгч, OEM тоног төхөөрөмжийн өгөгдөл “хаалттай” байх тохиолдол элбэг. Гэхдээ зорилгоо тодорхой тавибал (жишээ нь төлөвлөгдөөгүй зогсолтыг X%-иар бууруулах) өгөгдөл солилцох гэрээ илүү бодит хэлэлцээ болж хувирдаг.

Энэ нийтлэлээс авах санаа: “Дрон” шиг ажиллах AI-г уурхайд байгуулъя

Гал унтраах дронуудын түүх нэг зүйлийг сайн ойлгуулж байна. Хамгийн үнэ цэнтэй шинэчлэл нь төхөөрөмж биш, хурд. Илрүүлэлт хурдтай бол осол буурна. Хариу үйлдэл хурдтай бол зогсолт багасна. Оптимизаци бодит цагт бол түлш, дугуй, сэлбэгийн зардал мэдэгдэхүйц цэгцэрнэ.

Манай “Хиймэл оюун ухаан Монголын уул уурхай, олборлох салбарыг хэрхэн өөрчилж байна” цувралын дараагийн нийтлэлүүдэд бид predictive maintenance, dispatch optimization, байгаль орчны мониторинг, мөн AI төслийг үйлдвэрлэл дээр масштаблах алхмуудыг илүү нарийвчилж задлах болно.

Танай уурхайд “аюултай гал”-тай адил хамгийн өндөр эрсдэлтэй 10 минут гэж байдаг уу — тэр 10 минутыг 1 минут болгохын тулд яг аль өгөгдлөөс эхлэх вэ?