Промышленность
Как AI используется в металлургии: экономический эффект и новые профессии
Технологии на базе искусственного интеллекта (AI) трансформируют металлургию и горную добычу, открывая новые возможности для повышения эффективности, безопасности и снижения издержек. Так, горнодобывающая промышленность в 2023—2024 годах дополнительно сэкономила 92 млрд рублей благодаря внедрению AI и анализа больших данных.
Что это значит для бизнеса
Подробности — в полной версии текста.
Технологии искусственного интеллекта (AI) проникают во все сферы промышленности, трансформируя ключевые бизнес-процессы. Консервативный и капиталоëмкий сектор металлургии и горной добычи, традиционно медленно адаптирующийся к изменениям, оказался в числе одного из лидеров цифровой трансформации.
Использование AI открывает компаниям новые возможности для снижения издержек, повышения безопасности труда и оптимизации производственной эффективности. Однако на этом пути они сталкиваются с такими вызовами, как высокие затраты на внедрение, риски, связанные с защитой информации, и сложности нормативно-правового регулирования.
Какие AI-решения востребованы в мировой практике
Как показывает отчёт консалтинговой компании Crowe, 63% респондентов из металлургической отрасли заявили, что их компании либо уже используют искусственный интеллект, либо начнут его использовать в течение следующих пяти лет. По мере развития AI спектр решаемых с его помощью задач постоянно расширяется.
Он используется для поиска залежей, управления техникой на месторождениях, а также для моделирования и прогнозирования плавки, прокатки, закалки и других операций в реальном времени. Умные технологии позволяют управлять доменными печами и выявлять дефекты металлургической продукции.
Важнейшей для горнодобывающей отрасли сферой деятельности, где AI стал необходимостью, является геологоразведка. В то время как некоторые компании сталкиваются с истощением запасов полезных ископаемых, дефицитом новых крупных месторождений и низкими бюджетами на геологоразведку, AI справляется с анализом огромных объëмов геологических данных для выявления потенциальных залежей ценных металлов, тем самым оптимизируя поисковое бурение.
Умную разведку развивает, например, BHP Billiton — один из мировых лидеров горной добычи. AI-алгоритмы анализируют состав грунта и исторические данные, чтобы предсказывать потенциальные залежи полезных ископаемых, снижая количество «холостого» бурения. Компания KoBold Metals взяла AI за основу своей геологоразведки. Так она нашла медное месторождение в Замбии — крупнейшее за десятилетие.
BHP Billiton применяет и цифровых двойников — виртуальную модель всей цепочки производства. С помощью генеративного искусственного интеллекта можно быстро моделировать сценарии изменения производственных процессов для принятия верных решений. AI помогает металлургам и в предиктивной аналитике — прогнозирует поломки оборудования на основе данных с датчиков. Это позволяет планировать обслуживание и снижать простои.
ArcelorMittal, один из мировых лидеров отрасли, использует AI для оптимизации процесса плавки стали. Компания внедрила AI-решения для управления доменными печами. Машинное обучение позволяет прогнозировать оптимальную температуру плавки и уменьшать объём углерода, нужного для процесса, что снижает выбросы CO₂ на 5—10%.
Какие технологии AI внедряют российские металлурги
Более 80% российских горно-металлургических компаний, по данным на 2024 год, уже внедрили нейросетевые технологии в производственные процессы, а больше 50% — в научно-исследовательской и проектной деятельности, показало исследование аналитической компании «Яков и партнёры» и ГК «Цифра».
Кейсы применения генеративного ИИ
Источник: Исследование компаний «Яков и партнёры» и «Цифра»
Например, активно решения на базе AI внедряет Магнитогорский металлургический комбинат, где общий экономический эффект от данных инициатив за 5 лет превысил 4,5 млрд рублей. Так, ММК создал цифрового помощника на основе машинного обучения для электросталеплавильного цеха. Система, разработанная с использованием машинного обучения, прогнозирует температуру стали. Это позволяет оптимально нагревать сталь на стадии внепечной обработки. Основная цель — улучшение макроструктуры слитков на этапе разливки, что повышает качество конечной продукции.
Портфель AI-решений «Северстали» насчитывает свыше 60 проектов базе искусственного интеллекта, направленных на повышение производительности, безопасности и улучшение экологических показателей. Например, системы инспекции поверхности применяют несколько моделей компьютерного зрения, каждая из которых обучена выявлять дефекты, характерные для конкретного типа металла. При смене продукции, например с холоднокатаной стали на динамную, алгоритм автоматически переключается на соответствующую модель, а правила классификации дефектов гибко настраиваются под тип металлопроката. Благодаря этому за два года компания повысила точность обнаружения дефектов более чем на 30%.
На 30%
повысил AI точность обнаружения дефектов металлов
АЛРОСА с помощью модели машинного обучения анализирует связи между сырьём и продукцией, прогнозируя цвет и форму бриллиантов из определённых алмазов, а также их потенциальную рыночную цену. Модель также позволяет создавать новые продукты.
Экономическая эффективность AI
Недавнее исследование McKinsey показало, что внедрившие AI промышленные перерабатывающие предприятия увеличили объёмы производства на 10—15%, а прибыли до вычета налогов — на 4—5%. Один из примеров эффективного использования AI — уравнение производительности установок для различных типов руд.
Ассоциация больших данных подсчитала, сколько могли заработать промышленные предприятия, внедряя анализ больших данных и AI в 2023—2024 годах. Речь идёт о более 0,5 трлн рублей дополнительного дохода. В том числе горнодобывающая промышленность дополнительно получила 92 млрд рублей из них. В «Северстали» оценили экономический эффект от внедрения новых умных решений на основе в более 1 млрд рублей за 2024 год, а от всего портфеля проектов — 2 млрд рублей, уточнили в компании.
92
млрд ₽
дополнительно заработала горнодобыча с помощью AI
Мировой опыт также говорит о существенном снижении издержек при использовании AI. Например, Rio Tinto снижает расходы на 15% при транспортировке руды на автономных грузовиках благодаря предиктивному обслуживанию транспорта.
На медном руднике в Чили компании BHP за два года благодаря AI удалось сэкономить более трёх гигалитров воды и 118 гигаватт-часов энергии. Система анализирует большой объём данных о водо- и энергопотреблении, выявляет аномалии и предлагает операторам корректирующие меры для оптимизации работы обогатительных фабрик и опреснительных установок с точки зрения расхода воды и энергии.
Эффект проявляется не только в экономике, но и в устойчивости производства, а именно в снижении зависимости от человеческого фактора, уменьшении аварийности и увеличении управляемости распределёнными активами.
Вызовы для внедрения искусственного интеллекта
Хотя использование AI имеет значительный потенциал, его внедрение сопряжено с рядом трудностей. Основные из них — недостаток качественных данных, особенно на старых предприятиях с неразвитой цифровой инфраструктурой, значительные стартовые вложения в датчики и софт и необходимость обучения сотрудников. Тем более что на начальном этапе внедрения проектов сотрудники нередко скептически относятся к результатам работы AI, опираясь на привычный опыт и проверенные временем технологические подходы.
Участники опроса Crowe признались, что барьерами для их компаний выступает недостаток знаний и компетенций, отсутствие чёткий целей по применению AI, опасения по поводу кибербезопасности, неопределённость и ещё ряд рисков.
Главные барьеры внедрения AI
Источник: Отчёт Crowe «Технологии в металлургии — 2024»
Кроме того, применение AI ограничивается проблемой чёрного ящика, колоссальной ресурсоёмкостью и несовершенством нормативной базы. Многие передовые модели AI, в особенности нейронные сети глубокого обучения, принимают решения на основе закономерностей, которые не всегда понятны даже их создателям. Отсутствие прозрачности и интерпретируемости (Explainable AI, XAI) затрудняет не только отладку и совершенствование систем, но и создаёт фундаментальную проблему для оспаривания их решений.
Обучение и функционирование сложных AI-моделей требуют огромных вычислительных мощностей и, как следствие, значительных затрат электроэнергии. Это создаёт высокий порог входа для многих компаний и исследовательских групп, поднимает вопросы об экологическом следе технологии.
Сложности со сбором информации, её верификации и отсутствие структурированных данных затрудняет дообучения моделей и иногда делает невозможной реализацию тех или иных идей. Кроме того, пока не решены юридические вопросы, например ответственность за ошибку, право оспорить решение, принятое с использованием AI.
Эксперты сходятся во мнении, что для преодоления этих вызовов и раскрытия полного потенциала AI требуется не точечное внедрение, а комплексный, стратегический подход.
Александр Юдин,
управляющий директор Сбербанка:
Ключевой шаг — разработка комплексной AI-стратегии, интегрированной в общее видение бизнеса и устойчивого развития. Она должна включать дорожную карту по внедрению технологий, инвестиции в цифровую инфраструктуру и сбор качественных данных, без которых AI бесполезен. Параллельно необходимо вкладываться в команду: запускать программы переобучения персонала и привлекать внешних экспертов. Только системный подход, а не точечные инициативы, позволит раскрыть весь потенциал AI для оптимизации процессов, сокращения затрат и снижения экологического следа.
Новые AI-профессии в горной промышленности и металлургии
Профессии формируются на стыке ИТ, инженерии, производственного анализа и устойчивого развития.