فرصت‌‌ها و تهدیدهای کاربرد هوش‌مصنوعی در معدنکاری
آمارها خبر از این دارند که تنها حدود ۱۵ درصد از شرکت‌های معدنیِ حال حاضر جهان از هوش مصنوعی استفاده می‌کنند و حدود ۳۰ درصد شرکت‌ها هم اعلام کرده‌اند که استفاده از هوش مصنوعی را در برنامه‌های آیندۀ خود قرار داده‌اند.
به گزارش اکونگار به نقل از معدن نامه؛ براساس آمار اعلام‌شده در میان ۵۰ شرکت برتر جهان به‌لحاظ نوآوری، تنها دو شرکت معدنی (شرکت‌های استرالیایی vale و Rio Tinto) حضور دارند و دلیل این را از جمله وابسته به میزان بهره‌گیری از تکنولوژی‌های هوش مصنوعی دانسته‌اند.
در این راستا سید وحید سیدعلی، مدیرعامل شرکت توسعه معادن فولاد خوزستان مطلبی درخصوص کاربرد هوش مصنوعی در معادن و پتانسیل معادن ایران در استفاده از تکنولوژی‌های نوین را نوشته است که در ادامه می‌خوانیم:
آمارها خبر از این دارند که تنها حدود ۱۵درصد از شرکت‌های معدنیِ حال حاضر جهان از هوش مصنوعی استفاده می‌کنند و حدود ۳۰ درصد شرکت‌ها هم اعلام کرده‌اند که استفاده از هوش مصنوعی را در برنامه‌های آیندۀ خود قرار داده‌اند.
هوش مصنوعی از جمله تلاش می‌کند میزان خطا، هزینه و آسیب‌های محیط زیستی را به حداقل برساند؛ چه در اکتشاف و چه در استخراج. در فاز اکتشاف می‌دانیم که همواره با کمبود اطلاعاتِ به‌کفایت جزء‌نگر و طبقه‌بندی‌شده مواجهیم؛ هنوز نیازمندیم که دقت و صحت برآوردهای ارائه‌شده توسط مدلسازی‌های حاصل از مغزه‌گیری‌ها را افزون کنیم. این در حالی است که بیش از ۶۰ درصد هزینه‌های پروسه اکتشاف در معادن را عملیات حفاری برای مغزه‌گیری تشکیل می‌دهد. با به‌کارگیری هوش مصنوعی در عملیات اکتشاف، تحولی در گمانه‌زنی‌هایی که سابقاً حاصل حفاری بودند، صورت می‌گیرد و نیز تحولی در تحلیل و پردازش گمانه‌ها.
به عبارت دیگر، گفته می‌شود که هوش مصنوعی نیاز به حفاری را تا ۷۰ درصد کاهش می‌دهد و همچنین در کاهش مدت زمان مورد نیاز برای اکتشاف و مدل‌سازیِ دخایر معدنی تأثیر چشمگیر دارد. هوش مصنوعی خود قادر به پردازش و تحلیل تصاویر ماهواره‌ای، عکس‌های هوایی، نقشه‌های زمین‌شناسی و… است.
ما در کشوری زندگی می‌کنیم که ظرفیت معادن خود را به‌کمال نمی‌شناسد؛ یعنی کار در مرحله اکتشاف به صورت دقیق و اصولی انجام نشده است تا ذخیره قطعی واقعی یک معدن معرفی شود. بنابراین شاهدیم که ذخایر بالقوه‌ای در سایه پروانه‌های بهره‌برداری با ذخایر اندک، عوامل انسانی نه‌چندان توانمند و در نتیجه ظرفیت استخراجی پایین قرار دارند. ازجمله دلایل این امر همین هزینه‌بر بودن عملیات اکتشاف تفصیلی و به‌طور عمده حفاری است.
تکنولوژی هوش مصنوعی همچنین به حوزه استخراج نیز ورود می‌کند. علیرغم همه پیشرفت‌هایی که در صنعت معدن شده است، هنوز عملیات استخراج در معادن مبتنی بر استفاده از ماشین‌آلات سنگینی است که در یک سیستم سنتی سوخت‌گیری، تعمیر و نگهداری می‌شوند. این ماشین‌آلات غول‌پیکر مشکلات زیادی را در معدن به وجود می‌آورند که یکی از آنها مصرف بالای سوخت است.
ضمن آن‌که، هوش مصنوعی راهکارهایی برای عملیات حمل بار در معادن پیشنهاد کرده، در مواردی در کشور استرالیا به اجرا برده و نتایج مطلوبی حاصل آورده است. گذشته از تولید عمدۀ کامیون‌های خودران، در معادن مذکور برای نمونه رفتار رانندگان کامیون‌ها و لودرها ثبت و طبقه‌بندی و پردازش شده و براساس آن مدلی بهینه برای عملکرد هر یک از آنها ارائه شده است که در آن درباره حتی تعداد پاکتی که یک لودر باید بار این یا آن تراک کند تا در شرایط ثبت‌شدۀ جادۀ معدن با سرعتی مشخص حرکت کند تا مصرف سوخت آن از میزان مشخصی تجاوز نکند، تعیین تکلیف شده است.
این یک نمونه بود. از این دست مدلسازی‌های برآمده از تکنولوژی هوش مصنوعی در فازهای مختلف معدنکاری انجام شده است اما سؤال این است که با شرایط موجود و جاری در اغلب شرکت‌های معدنی، آیا می‌توان از این اپلیکیشن‌ها در آن شرکت‌ها استفاده کرد؟ پاسخ منفی است. زیرا این اپلیکیشن‌ها عملکردی عمومی ندارند و مبتنی بر اطلاعات ثبت‌شده از این یا آن شرکت بخصوص هستند و نمی‌توانند در وجه عام به جایی دیگر برده شوند و نتیجۀ مطلوب دهند.
بی‌شک نمی‌توان انتظار داشت که تمامی شرکت‌های معدنی فعال در کشور دغدغۀ توانمندسازی خود در زمینۀ هوش مصنوعی را داشته باشند. در کشور ما به دلایل پرشمار هنوز مسائل ریشه‌ای‌تری در زمینۀ معدنکاری مطرح است که آیندۀ این صنعت را با ابهام مواجه می‌کند؛ ما عمیقاً نیازمند آن هستیم که معدنکاری غیرعلمی و شتابزده متوقف شود و مردم را به‌طور عملی و ملموس در صنعت معدن کشور دخیل کنیم و آنان را از اهمیت رشد این صنعت برای رشد اقتصادی و حتی فرهنگی کشور باخبر سازیم.
معضل معارضینی که هر معدن با آن روبروست چه بسا که بتواند با مدلسازی‌های برآمده از تکنولوژی هوش مصنوعی، دست‌کم تعدیل شود. در حال حاضر معادن غنی بسیاری را سراغ داریم که به دلیل معضل وجود معارض، از میزکار بسیاری شرکت‌های توانمند (هم به‌لحاظ علمی و هم مالی) کنار گذاشته شده‌اند و به حال خود رها شده‌اند. اگر معادن ما می‌توانستند مدلی از گسترۀ موضوعی و ساختاری شکایات و مداخلات معارضین‌شان داشته باشند شاید می‌توانستند به راهکارهایی بهتر و بهینه و کمتر فرسایشی دست یابند. چه بسا تا هنوز انتظارات‌مان فراخور توانایی‌های واقعی هوش مصنوعی و به‌طور کلی دیتا ماینینگ نبوده و همچنان توقعات بیشتری از این تکنولوژی می‌توان داشت.
