«Это как секонд-хенд»: как ИИ помогает «Норникелю» искать свой реагент

«Норникель» собирает собственную лабораторию, где роботы круглые сутки будут тестировать реагенты, а искусственный интеллект — подбирать их формулу, которой пока, конечно же, не существует. Цель — собственный реагент под свою руду.

И вот почему. Содержание металла в руде снижается. Компания открыто говорит, что богатые залежи временно уходят, а в переработку в текущем производственном цикле идет руда с меньшим содержанием металлов.

Как искусственный интеллект помогает работать с этой временной просадкой содержания металла в руде и не терять эффективность — от фабрики, где он уже управляет процессом, до лаборатории, где ему только предстоит изобрести молекулу, — рассказал в эфире Радио РБК Алексей Тестин, директор департамента технологических инноваций «Норникеля».

— Давай начнем с азов. Из руды надо вытащить никель и медь. Что такое обогащение, что такое флотация, как это вообще работает?

— Это очень просто. С одной стороны, руда — это не готовый слиток, из нее нужно доставать полезные ископаемые, поэтому мы берем руду, измельчаем ее до состояния порошка, добавляем туда воду, реагенты и потом продуваем воздухом. Когда воздух проходит через эту смесь, он с помощью реагентов прилипает к полезному ископаемому и поднимает его наверх, где мы его снимаем в виде пенки и получаем концентрат. А все то, что нам не пригодилось, оседает — это пустая порода.

Почему здесь деньги? Смотрите, мы денег уже кучу потратили: мы разработали месторождение, мы залезли глубоко под землю, мы оттуда достали эту руду, привезли ее на фабрику, потратили огромное количество ресурсов. И если на флотации с этими пузырьками воздуха мы не смогли достать полезное ископаемое, мы потеряли деньги.

— Я был, в общем-то, у вас на фабрике как раз в этом году. Я видел, как у вас алгоритмы управляют этим, собственно, процессом флотации. Что уже сейчас искусственный интеллект может делать лучше, чем человек?

— Мы у себя в компании внедрили ИИ, так сказать, на последней миле по управлению флотацией. Что такое управление флотацией? Пять лет назад операторы физически глазами смотрели на этот процесс. Что значит «смотрели на процесс»? Какого цвета пузырьки? Какая высота пены? И вот эти операторы бегали по фабрике, смотрели глазами, что происходит. Есть оператор, который сидит, смотрит по камерам, отдает еще команды через микрофон: «Ребят, там флотомашина 12, 18 и так далее», а их более 120.

Когда мы внедрили ИИ, по сути, мы передали управление от человека этому механизму. Мы видим через цифровые камеры, что происходит. Мы считываем входные сигналы с машин и выходные сигналы, передаем их нашему алгоритму в управление, и он принимает решение, что дальше делать.

По сути, задача оператора сейчас — смотреть на экран, который показывает графики извлечения, и, если ему что-то не нравится, он может вмешаться в процесс. Но все ключевые воздействия сейчас находятся в зоне управления ИИ.

— Давай, может быть, поясним. Я правильно понимаю, что обычно может сделать оператор и что сейчас делает алгоритм? Добавить больше воздуха, или поменять реагент, или изменить концентрацию реагента. И все это влияет на процесс флотации и, следовательно, на извлечение.

— Совершенно правильно ты перечислил. Ты, смотрю, съездил не зря. Человек, в отличие от машины, не может физически следить за 120 машинами, у которых там по пять, по десять управляющих воздействий, и принимать решения за секунды. А искусственный интеллект может. И, по сути, наше решение, ты правильно заметил, управляет водой, управляет реагентным режимом, управляет воздухом, следит за состоянием лопаток, которые снимают эту пену, и в итоге контролирует качество извлечения концентрата.

И оператор может, как мы говорим, заниматься творческой работой, может решать задачи предприятия. Например, у нас падает извлечение. Оно падает из-за того, что, например, ухудшается рудная база или возникают какие-то возмущения в технологическом процессе. И оператор может заниматься уже инженерной задачей. А вот эти базовые вещи — мы их называем рутинными операциями, когда нужно бегать между отметками и подкручивать краники, — все, теперь этого не нужно делать.

— Хочется спросить про эффекты, которые вы получали от этого. Я помню, что компания отчитывалась. Можешь рассказать, какое количество денег вы дополнительно заработали?

— Мы с помощью этих решений, ну не только — то есть у нас есть флотация, у нас есть измельчение, у нас есть подсказчики на металлургических заводах, — зарабатываем примерно 10 млрд руб. в год. Если совокупно, то это уже порядка, наверное, 40 млрд руб. за несколько лет работы.

— Теперь про реагент. Насколько он вообще влияет на то, сколько металла вы получите, и где тут может пригодиться искусственный интеллект? И что это такое?

— Без реагента вообще ничего работать не будет. Вот под реагентами мы понимаем три составляющих. Значит, первый — это собиратель. Собиратель — это некая липучка, которая помогает воздуху прилипать к измельченной пудре, о которой мы говорили. Второй реагент — это вспениватель. Когда вот эти пузыречки все собираются, их нужно держать в кучке, чтобы они не разбегались. И третий — это депрессор. Депрессор подавляет пустую породу, и она оседает вниз.

Если мы ее неправильно разделяем, даем одного из компонентов больше или меньше или, например, точка подачи у нас неправильная, — в общем, существует огромное количество комбинаций того, как правильно их подавать. Но от этого процесса зависят как раз вот наши денежки, о которых мы говорили вначале.

— Смотри, в целом сама наука по реагентам не новая, да, они появились не вчера. Почему вам понадобился свой реагент? В мире можно купить какое-то количество реагентов.

— Ты знаешь, мне аналогия нравится. Мы с реагентом — как в магазине секонд-хенд: когда мы приходим, покупаем костюм, во-первых, он не новый, во-вторых, кто-то его носил, и мы такие — ну, пойдет. Вот то же самое в мире реагентов.

Мир реагентов — это мир больших чисел. Объясню почему. В базе их разрабатывают для компаний, которые добывают миллиардами тонн в год. Это железная руда — более 2 млрд т добычи в год, это золото, это медь. А никель, в отличие, например, от той же железной руды и меди, добывается в мире порядка 200 млн, то есть порядка 10%. Соответственно, реагенты разрабатываются для массовых объемов, а мы — по остаточному принципу. И, по сути, нам дают, говорят: «Ребят, смотрите, вот этот хорошо работал на золоте — попробуйте». Окей, попробуем.

— Реагенты не универсальны, получается?

— Не универсальны, но у них есть общие свойства. То есть есть металлы платиновой группы, медистые руды, золотосодержащие руды. В целом они относятся к определенному семейству. Но у нас сульфидно-медно-никелевые руды — это очень нишевые руды. И у нас рудная база со временем не улучшается, это в принципе нормально для всех добывающих компаний. И для нас подбор реагента — это некая стратегическая задача. По сути, мы должны научиться под наши руды подбирать свой реагент.

— А почему вы не заказали реагенты под себя у какой-то внешней специализированной лаборатории? Пробовали вообще такое или сразу пришли к формату, когда у вас свое?

— Пробовали, и пробуем, и общаемся, но здесь есть два нюанса. Малотоннажная химия обеспечивает реагенты базовыми компонентами. И эти базовые компоненты, к сожалению, в ряде случаев сейчас нам недоступны. Доступны они у китайцев. Но если мы работаем с китайцами, мы начинаем технологически зависеть от Китая. Вся история с санкциями или какое-то раскачивание маятника в одну и другую сторону приводит к тому, что мы очень сильно можем пострадать на извлечении. Поэтому с китайцами мы осторожно работаем.

Вторая история — это работа с нашими местными лабораториями. У нас есть несколько провайдеров, которые это делают, но суть их работы — это эмпирический метод. Мы даем им руду, и ребята начинают делать, как я говорил, комбинаторику.

— Так же, как и искусственный интеллект, я полагаю.

— Так же, но не так же. Сейчас объясню. Смотри, в чем отличие. Это трудоемкая операция. По сути, чтобы этот реагент испытать, нужно создать эту линию, взять дальше пипеточку, накапать этого реагента, запустить машину, посмотреть, какой получится результат, и сказать: работает, не работает.

Так как это трудоемко, ребята методом перебора будут делать нам реагент, условно, от трех до 12 месяцев. И это будет делаться под конкретную руду. Но у нас руда меняется. На следующий год у нас поменяется шахтный состав, и нам нужно заново подбирать реагент, поэтому это немножко утопичная задача.

В отличие от ИИ, ИИ в этой комбинации не делает простой перебор, он работает в предиктивном механизме. Он дает нам наилучшего кандидата из этой цепочки, сокращает комбинаторику с десяти из десяти до трех из трех.

— То есть ваша цель изначально — сократить вот это огромное поле, из него выбрать какие-то наиболее вероятные комбинации: вот такой реагент, вот такой способ подачи — и, соответственно, это уже проверять на эмпирических испытаниях.

— Даже круче. Смотри, чем мы в этой цепочке потенциально будем отличаться? Во-первых, мы делаем роботизированную линию. Роботизированная линия, по сути, повторяет флотационную фабрику, но она работает 24/7. Если, например, в текущий момент мы можем делать 10–15 испытаний, то эта линия может делать 150–200. Это первая часть задачи.

Вторая часть задачи. Вот смотрите: на текущий момент приходит реагент, а лаборант берет, проверяет, и он проверяет на текущей руде. Он дальше положил в стол, говорит: «Не работает, ждем дальше».

В нашей истории, когда мы проводим испытания, мы вставляем искусственный интеллект в цепочку и замыкаем эту цепочку: делай, проверяй, учись и возвращай, делай.

Мы, с одной стороны, убрали рутину, увеличили производительность, с другой стороны, мы делаем самообучающуюся модель, которая нам помогает сужать воронку.

— Получается популярный метод обучения RLHF, да, обучение с подкреплением, обычно human feedback, только у вас здесь такой physical feedback, то есть робот сам может оценить, какой результат ему больше нравится, и уйти дообучаться.

— Ну смотри, важная составляющая все-таки. У нас в этом контуре есть человек, который называется химик-технолог, который, собственно, управляет всей этой цепочкой. Человек управляет всей этой сложной архитектурой, и человек принимает решение, какие результаты он принимает, а какие нет.

— Расскажи, пожалуйста, про то, с чем приходится сталкиваться при строительстве лаборатории. На каком вы сейчас этапе, кто вам нужен?

— Это на самом деле один из крутейших проектов, которые мы делали за последние пять лет в «Норникеле». В данный момент мы закупаем роботизированную линию. У нас есть отечественный прекрасный подрядчик, который делает под ключ аппаратное исполнение. Под эту установку мы делаем ремонт, и мы сейчас заканчиваем комплектовать команду.

У нас в команде будет доктор химико-физических наук, он будет научным руководителем, у нас будут разработчики, и у нас будут инженеры, которые будут этой линией управлять. То есть, по сути, если все будет двигаться, как мы наметили, к зиме мы запустим команду на тех условиях, которые у нас сейчас есть, и к лету мы переедем уже с новым оборудованием, с новыми установками.

— Хочется понять: когда ты говоришь про искусственный интеллект и нейросети, это же не классические LLM, к которым мы уже привыкли, это, скорее всего, machine learning?

— Мы делаем ансамбль. На входе у нас есть классический ML, который помогает нам искать зависимости между тоннами этих исследований, которые будет делать наша роботизированная линия.

Но чтобы дать на вход не только результаты этих испытаний, а еще огромные залежи информации, которые в «Норникеле» собраны за 90 лет... Ну, давай так: мы отрежем, не будем брать все 90 лет — последние 30 лет. У нас есть эта информация, да, но теперь нам нужно ее извлекать. И здесь нам поможет наша LLM, которая будет извлекать, разбирать по кучкам, синтезировать из этого информацию и давать на вход нашим ученым для поиска следующих молекул.

— Ну, то есть это такой комплекс, который использует разные инструменты для достижения результата.

— Да, это пайплайн, который будет управлять ML на входе. Это будет инструмент планирования экспериментов с учеными, это будет инструмент вывода данных и конвейер, который будет позволять читать новые данные как из отчетов, так и из роботизированной линии. По сути, такой некий замкнутый цикл управления, где и ML, и LLM, и какие-то еще другие инструменты.

— Хочется спросить вот про что. Вы этот подход сами придумали или у кого-то подсмотрели, может быть?

— Этот подход мы подсмотрели у нашей фармы. Фарма решает очень похожую задачу. Если фарма ищет молекулу для спасения жизни, то мы ищем молекулу, которая поможет нам никель иметь, собирать из наших руд. Они проторили эту дорожку несколько лет назад, потому что скорость разработки новых молекул для них — это часть их операционной модели.

Мы перед тем, как запускать этот проект, провели десятки интервью с представителями фармы. По сути, они нам рассказали, показали, как этот процесс выстроен, и показали, какие модели они используют. В том числе генеративный искусственный интеллект и специализированную модель по работе с молекулами.

Ребята нас приглашали к себе в лабораторию, показывали, как это делается. И, знаешь, мне кажется, это круто и правильно, когда большие компании, такие как «Норникель», или большие фармацевтические компании проходят этот путь, проторяют эту дорожку. И это позволяет другим компаниям, которые будут следовать, среднему или малому бизнесу потом заходить в эту стезю и уже использовать готовый инструмент.

— Когда можно будет что-то пощупать?

— Если крупноблочно, я бы так сказал: первый год — это фундамент. Нам нужно собрать все данные. Нам нужно извлечь их и упорядочить. А второй год — это эксперименты, и я рассчитываю, что второй год — это получить первые результаты, первые молекулы для наших реагентов.

— Эксперименты — это же всегда вероятность, может не получиться. Вот ты, когда идешь в такой огромный проект, ты понимаешь, что может не выгореть?

— Абсолютно. Но я тебе так скажу: та работа, которую мы проделаем, окупит себя даже без создания своей молекулы. Например, информация за 30 лет, которую мы хотим извлечь сейчас из архивов, поможет нам ускорить подбор даже известных нам реагентов и поможет нам стабилизировать реагентный режим.

И это будут пускай не многомиллионные эффекты, на которые мы рассчитываем, но это точно покроет наши затраты. Искусственный интеллект будет развиваться, и мы должны стать квалифицированным заказчиком тех провайдеров, которые к нам придут и будут предлагать похожие вещи. Но мы уже это пройдем и будем знать, что спрашивать и как спрашивать.

— Если реагент-таки получится, продадите его другим горнякам или себе оставите?

— Это как домашний рецепт пирога. Сначала мы у себя испытаем, а потом, соответственно, попробуем это коммерциализировать.

— Веришь ли ты, что вычислительный химик будет дефицитной профессией ближайших лет?

— Да, точно. И семьям, у которых дети сейчас выбирают профессию, я рекомендую этот выпуск послушать. Химика-технолога мы искали три месяца. Мы прошли весь рынок и сейчас нашли просто замечательного человека. То есть химик с навыками вычислительных методов — это очень дефицитная история и мегаперспективная для химотрасли.