Mineral Exploration 4.0
Как бы изменились показатели открытия, если бы мы были более открытыми для данных? Как машинное обучение и искусственный интеллект меняют то, как мы исследуем месторождения и ориентируемся на них?
Это вопросы, которые обсуждались во время Mineral Exploration 4.0 на Ассоциации геологов и разработчиков Канады (PDAC) 2019. Организованное OZ Minerals и Unearthed, обсуждение возникло, когда OZ Minerals запустили свои открытые данные Explorer Challenge. в прямом эфире с февраля по май 2019 года. Для краудсорсингового конкурса OZ Minerals открыла более двух терабайт своих данных о частных геологоразведочных работах в рамках проекта Mount Woods и внесла в призовой фонд 1 миллион австралийских долларов. Они надеются, что мировое сообщество ученых и новаторов в области данных сможет помочь им найти следующий экономический депозит в их многоквартирном доме.
Среди участников дискуссии на мероприятии PDAC были Ричард Холмс, руководитель отдела разведки и развития OZ Minerals, Брентон Кроуфорд, основатель и директор Solve Geosolutions, Стив де Йонг, генеральный директор Vrify и бывший генеральный директор Integra Gold и Тим Добуш от комитета по присуждению премий Фрэнка Арнотта.
Вот краткое изложение обсуждения:
Обмен данными со всем миром: добавленная стоимость или уменьшение конкурентного преимущества?
Исторически сложилось так, что геологоразведочная и горнодобывающая промышленность была очень закрыта с их данными. Сами по себе данные рассматривались как конкурентное преимущество. Геологоразведочные компании крепко держатся за знания о том, как они ищут рудные тела, опасаясь, что если они будут открыто делиться, это откроет ключ для других к поиску месторождений.
Помешало ли сосредоточение внимания на рисках оценить, какую дополнительную ценность можно получить от совместного использования данных? Не замедляем ли мы скорость открытия не только для себя, но и для всех остальных из-за того, что мы так закрыты?
Ричард рассказал о доводе OZ Minerals об открытии более двух терабайт их личных данных. Mount Woods, большой проект, окружающий рудник Prominent Hill, изучается OZ Minerals в течение последних 10 лет. В ходе оценки проекта был получен большой объем данных, в основном для другого месторождения IOCG (оксид железа, медь-золото).
Как владельцы этого проекта, OZ Minerals видят только дополнительные возможности, предоставляя эти данные. Они считают, что, предоставляя доступ к данным другим людям, имеющим другой опыт, знания и опыт, они имеют высокие шансы найти что-то другое в этом наборе данных.
Если вы владеете землей, в чем риск? Аргумент о том, что кто-то может найти что-то в данных, дождаться, пока вы опустите землю, а затем пробурить ее, в лучшем случае слабый.
В конечном итоге, будучи закрытыми с данными, в отличие от получения конкурентного преимущества, мы, скорее всего, упустили возможность получить большую ценность.
Почему другие не следуют примеру?
Еще в 2000 году генеральный директор Goldcorp Роб МакИвен представил общественности данные о геологоразведке в рамках аналогичного соревнования.
Это помогло Робу и его команде превратить компанию и их проект в Красном озере из малообеспеченного юниора в ведущего золотодобывающего предприятия с дополнительным золотом на сумму 6 миллиардов канадских долларов, выявленным конкурентами.
Принимая во внимание этот успех, удивительно, что в следующий раз отрасль открыла свои данные о разведке только в 2015 году. Стив де Йонг и Integra Gold открыли данные для двух исторических золотых приисков, которые они недавно приобрели. Признавая необходимость работы с историческими данными за 75 лет, Стив увидел возможность использовать коллективную силу толпы, чтобы работать с этими данными намного быстрее и указать лучшие места для бурения.
Как сделать так, чтобы данные были более открытыми?
Геологи, работавшие в Австралии, Канаде или Скандинавии, вероятно, знакомы с большим количеством общедоступных открытых данных, которые предоставляются геологическими исследованиями этих юрисдикций. Обычно это комбинация данных, собранных самими геологическими исследованиями (т. Е. Региональной геофизикой), и данных, полученных частным образом, которые были опубликованы в соответствии с правилами, которые требуют, чтобы данные становились общедоступными с течением времени. Австралия, возможно, лидирует в сфере регулирования, с четкими процессами и рамками для представления и публикации данных.
Большинство из нас понимают огромную ценность этого ресурса. Возможность просматривать эти данные часто определяет проекты, которые мы приобретаем, и основания, по которым мы подаем заявку на получение лицензии.
У правительств есть явный стимул продвигать подобную политику, поскольку она позволяет им продемонстрировать перспективность своей земли, что привлекает геологоразведочные компании и стимулирует местную экономику. В глобальном масштабе бюджеты на геологоразведочные работы Канады и Австралии равны и намного превышают бюджеты любой другой страны. Возможно, отчасти это связано с их политикой открытых данных. В глобальном масштабе осведомленность и распространение примеров того, как открытые данные способствовали экономическому развитию на государственном и частном уровнях, должны найти применение в этом подходе.
Но дело не только в открытии данных, а в том, как вы к ним получаете доступ
Будучи экспертом в области управления данными, Тим поделился необходимостью думать не только о том, чтобы сделать наши данные открытыми, но и о том, как люди будут получать к ним доступ и использовать их. Нам нужно подумать о том, как мы проектируем структуры и сервисы, которые делают данные доступными. По умолчанию, как регулирующие органы, правительства являются хранителями данных и процессов разработки, связанных с их представлением и выпуском. Из этого не обязательно следует, что они лучше всего оснащены для управления данными и их продвижения. Существует потребность в более тесном сотрудничестве между промышленностью, научными кругами и правительствами, чтобы гарантировать, что по мере расширения доступа к открытым данным он будет осуществляться таким образом, который наилучшим образом отвечает потребностям отрасли.
Какую роль играет машинное обучение? Что такое шумиха и как это работает?
Машинное обучение (ML) и искусственный интеллект (AI) - одни из наиболее часто используемых модных словечек. Это означает, что вокруг них много шумихи, наряду с общим непониманием и регулярным неправильным использованием терминов и их применения. Брентон, геолог и специалист по обработке данных, чей бизнес применяет машинное обучение к поисково-разведочным работам, начал дискуссию, развенчав часть этой шумихи.
«В чем разница между машинным обучением и искусственным интеллектом? Если он написан на Python, вероятно, это машинное обучение. Если это написано в PowerPoint, вероятно, это ИИ », - Мэтт Веллозу.
Применение машинного обучения в исследованиях часто называют подходами черного ящика, потому что люди их не понимают. Значительный объем работы связан с получением актуальных и чистых наборов данных, что является одной из самых больших проблем и препятствий на пути применения машинного обучения для целей разведки. Исторические данные полны ошибок, беспорядочно и часто избыточны, потому что не имеют отношения к задаваемому нами вопросу.
Часто у нас может не быть доступа к такому количеству уровней полезных данных. Типичный сценарий - это проект, в котором доступны только магнетизм, гравитация и некоторые ограниченные химические свойства, и при низком разрешении, которое не дает много переменных для обучения модели. Там, где у нас есть много данных (а геологи любят собирать много данных), мы часто не задумываемся, зачем мы их собираем, поэтому мы не можем собирать их полезным или последовательным способом. Согласованность - огромная проблема, особенно с данными химического анализа. Высокий уровень вариативности данных в методологии, элементах и пределах обнаружения очень затрудняет их использование в подходах машинного обучения. Последовательность, возможно, более важна, чем получение этого дополнительного нижнего предела обнаружения 0,01 ppm.
Практики, такие как Брентон, не утверждают, что ML - это серебряная пуля для поиска следующего экономического месторождения, а скорее, что это подход, который позволяет объединить множество уровней данных и определить ключевые взаимосвязи между ними способами, которых мы не знали ». т ранее был в состоянии.
Нам нужно внимательно относиться к тому, как мы используем и собираем данные, чтобы успешно использовать этот подход. Когда мы это сделаем, машинное обучение в сочетании со знанием предметной области станет новым мощным инструментом для геологов при оценке их проектов.
Какая связь с открытыми данными?
Алгоритмы обучаются или обучаются на основе известных точек данных, чтобы предсказать, где могут появиться новые. Типичный подход машинного обучения - объединение нескольких уровней данных, окружающих известное месторождение, и поиск аналогичных подписей и взаимосвязей в другом месте. Чем больше известных месторождений сможет обучать алгоритм машинного обучения, тем лучше эта модель будет предсказывать местонахождение неизвестных месторождений.
Обмен данными с целью повышения эффективности этих моделей дает очевидные преимущества для всей отрасли.
Способность взаимодействовать с различными наборами навыков и способностей
Машинное обучение - это развивающаяся область, дополняющая другие статистические методы, которые мы ранее использовали при картировании перспективности, включая PCA, кластеризацию и т. Д. Еще одним из основных факторов, побуждающих OZ Minerals представить свои данные широкой публике, является доступ к разнообразным подходам. . Геологи, работающие в своей области в течение многих лет, опробовали и протестировали методологии, но часто не имеют доступа к инструментам и подходам на основе данных, используемым в других дисциплинах и отраслях.
Распространяя данные за пределы организации, OZ Minerals может получить лучшее из множества ответов на свою проблему, используя широкий спектр подходов, и объединить их, чтобы оценить дальнейшие действия.
Как машинное обучение и открытые данные меняют инвестиционный ландшафт в области геологоразведки?
Ключевой движущей силой изменений является сообщение о первых успехах и возможностях. Стив поделился своим опытом выполнения задачи Integra Goldrush и трудностями, связанными с распространением этой возможности на глобальный рынок. Если мы хотим, чтобы с нашими данными работало больше людей, они должны знать об этом. Мы можем подумать, что 1 миллион долларов - достаточно хороший стимул, но одно это не означает, что история широко распространена.
Горнодобывающая промышленность не имеет положительного общественного бренда, что приводит к тому, что более широкое инвестиционное сообщество часто разделяет те же настроения. Однако это может измениться.
Недавно Билл Гейтс поддержал компанию Breakthrough Energy Ventures из Кремниевой долины, инвестировавшую в KoBold Metals. Это первый раз, когда мы видим значительные, публично обсуждаемые инвестиции из долины в геологоразведочные технологии, и речь идет о поиске материалов из этичных источников. Диалог похож на тот, который мы наблюдали во время бума в стартапах цепочек поставок, ориентированных на отслеживание материалов, полученных из этичных источников, от источника к продукту.
Однако, как мы знаем, инвестиции определяются не только этическими, но и экономическими решениями. Еще одно потенциальное отличие от использования ML в геологоразведке - это способность более количественно объяснять инвесторам риск и потенциальную отдачу от их инвестиций.
Это также может означать изменение типа инвесторов, привлеченных на рынок геологоразведки. Опять же, как указывает Стив, для построения аргументации требуется сообщение историй успеха. Нам необходимо публично поделиться примерами того, как машинное обучение повысило нашу успешность, а также сократило затраты и время, чтобы повысить доверие инвесторов. Надеюсь, что благодаря публичному листингу таких компаний, как Goldspot Discoveries, мы увидим значительный рост количества рассказываемых историй успеха.
Есть ли у нас для этого навыки и возможности?
При любом обсуждении будущих бизнес-моделей для исследования и машинного обучения необходимо учитывать, откуда будут исходить эти наборы навыков. Компании на рынке имеют хороший баланс геофизиков и специалистов по данным в целом, но достаточно ли мы сосредоточены на повышении квалификации наших будущих геофизиков, чтобы использовать эту технологию и иметь возможность думать и работать с большими многослойными наборами данных?
Тим, благодаря своей роли в Комитете по присуждению премий Фрэнка Арнотта, способствует этим изменениям, повышая квалификацию студентов. Конкурс предназначен для обучения студентов практическим приложениям эффективной интеграции и визуализации данных, вооружая их навыками, необходимыми для достижения успеха в индустрии 4.0.
Последнее слово
Еще раз спасибо всем участникам дискуссии и участникам PDAC за участие в дискуссии. Безусловно, этот разговор стоил того, и он был необходим для того, чтобы подумать о том, как исследования могут измениться в будущем. У всех участников были разные взгляды на уровень изменений, которые мы увидим в следующие 5–10 лет.
Моя позиция? Если мы видим, как одни из самых богатых и влиятельных инвесторов в мире сосредотачивают свой взор на поиске необходимых полезных ископаемых, перемены не могут быть далеко позади.
Кто сейчас игроки?
Как всегда, PDAC - отличная возможность получить полную картину того, кто чем занимается в отрасли, и вы можете обнаружить, что количество стартапов и молодых компаний, ориентированных на ML в исследованиях, на удивление больше, чем вы могли подумать.
Вот краткий список, который стоит проверить. Прокомментируйте, если вы видите что-то, что я пропустил:
OreFox, Earth AI, Solve Geosolutions, Goldspot Discoveries, Koan Designs, Complete Target, Minerva Intelligence, Albert Mining, Azimut Exploration и Quantum Discoveries.
