Mineral Intelligence: как искусственный интеллект помогает работать с архивными геологическими данными

— Почему вы сосредоточились именно на архивных геологических данных?

— Значительный объём сведений о недрах Казахстана по-прежнему содержится в материалах советского периода: машинописных текстах, таблицах, картах и приложениях, которые могут храниться отдельно друг от друга.

Информация о скважинах, пробах и лабораторных исследованиях распределена по разным документам, а координаты нередко указаны в устаревших системах. На ручной сбор и сопоставление уходят недели.

В августе 2026 года Комитет геологии сообщил о завершении оцифровки приоритетной первичной геологической информации — 4 818 836 единиц. Это важный цифровой массив, но геологический смысл, связи между источниками и удобные аналитические представления поверх него ещё предстоит выстраивать.

— Как проще всего объяснить задачу Mineral Intelligence?

— Представьте большую тёмную комнату, в которой нужно найти небольшой предмет. Можно попытаться осветить всё помещение и потратить много ресурсов. А можно сначала определить зоны с более высокой вероятностью находки и сосредоточиться на них.

Mineral Intelligence помогает сделать такую предварительную фокусировку для геологического участка.

— Что именно делает система?

— Она распознаёт архивные документы, извлекает сведения о скважинах, пробах и лабораторных исследованиях, переводит старые координаты в современную систему и отображает объекты на цифровой карте. На выходе формируется «Оперативная геологическая справка», или Prospectivity Report.

— Насколько заметна экономия времени?

— Первичный синтез архивов по одному лицензионному участку обычно занимает у геологической группы от одного до двух месяцев: нужно найти документы, перенести данные, свести таблицы и пересчитать координаты.

Машинную обработку того же массива мы сокращаем до нескольких дней. Это не означает, что система за несколько дней находит месторождение: она ускоряет сбор, перенос и систематизацию исходных сведений, а профессиональную интерпретацию по-прежнему выполняет геолог.

Например, по участку Ак-Жазык мы за несколько дней синтезировали три советских отчёта 1958–1977 годов и выделили две цели.

— Как вы снижаете риск ошибок искусственного интеллекта?

— Первое требование — прослеживаемость: каждый существенный вывод должен вести к конкретной странице, таблице или архивному документу. Специалист может открыть первоисточник и проверить, насколько корректно система извлекла и связала данные.

Второе — честная шкала достоверности. Цель может быть подтверждена количественными анализами из архива, упомянута качественно и требовать проверки либо основываться только на совпадении данных дистанционного зондирования без исторического подтверждения.

Если ячейка в источнике пуста, она остаётся пустой и в отчёте. Для профессионального инструмента такая проверяемость важнее уверенного, но непрозрачного ответа.

— Для кого предназначен итоговый отчёт?

— У него две группы пользователей. Геологам нужны подробные технические сведения и возможность перейти к первоисточникам. Руководителям и инвесторам ясное представление о потенциале участка, полноте исходной информации и основных рисках.

Поэтому один массив данных должен быть представлен на разных уровнях детализации.

— Есть ли мировой спрос на искусственный интеллект в геологоразведке?

— Интерес к направлению заметен. Один из известных примеров — американская KoBold Metals, применяющая машинное обучение и геологические данные при поиске критически важных минералов.

В начале 2025 года компания привлекла $537 млн при оценке $2,96 млрд. Это не прямой аналог Mineral Intelligence, но показатель того, что инвесторы серьёзно воспринимают технологическую трансформацию отрасли.

— Что станет главным результатом ближайшего этапа?

— Не презентация сама по себе, а проверка решения на реальных материалах и первый внешний заказчик.

Нужно подтвердить, что продукт стабильно извлекает необходимые сведения, корректно связывает их с картой, сохраняет ссылки на первоисточники и действительно экономит время специалиста.

Soft commitment на $50 тыс. даёт импульс, но ценность продукта предстоит доказать на реальных проектах.