Поиск месторождений с AI: модели, снижающие риски бурения на 35%

Стоимость разведочной скважины — от $500K до $5M. Из 1000 потенциальных объектов до добычи доходят 1–3. Каждая пустая скважина — миллионы долларов убытка. Мы строим AI-модели, которые снижают число «пустых» скважин, направляя геологоразведку туда, где вероятность нахождения руды максимальна. Наш опыт — 7 лет в ML-решениях для горной отрасли, более 15 проектов по поиску месторождений. Система анализирует аэромагнитные, гравиметрические, спутниковые (Sentinel-2, ASTER) данные, геохимию почв и сейсмические профили — до 20+ разнородных слоёв. В результате точность прогноза в 3–5 раз выше традиционных методов, а количество пустых скважин снижается в среднем на 35%. Средняя экономия на проекте — около $1.5M за счёт сокращения бурения и оптимизации затрат.

Анализ геопространственных данных

Предикторы минерализации:

Месторождение — результат пересечения нескольких геологических факторов. ML находит комбинации признаков, предсказывающие рудные тела:

import numpy as np
import pandas as pd
import rasterio
from sklearn.ensemble import RandomForestClassifier
from sklearn.preprocessing import StandardScaler

class MineralProspectivityModel:
    """
    Минерально-перспективная модель для поиска оруденения.
    Входные данные: геофизика, геохимия, дистанционное зондирование, структурная геология.
    """

    def prepare_features(self, geodatasets: dict) -> pd.DataFrame:
        """
        geodatasets: словарь {layer_name: raster_path}
        Слои: magnetic_anomaly, gravity, dem, radiometry_k, radiometry_th,
              geochemistry_cu, geochemistry_au, fault_distance, lithology_encoded
        """
        feature_arrays = {}
        for layer_name, raster_path in geodatasets.items():
            with rasterio.open(raster_path) as src:
                data = src.read(1).astype(float)
                data[data == src.nodata] = np.nan
                feature_arrays[layer_name] = data.flatten()

        features_df = pd.DataFrame(feature_arrays)

        # Производные признаки: градиенты магнитного поля
        if 'magnetic_anomaly' in features_df.columns:
            features_df['mag_gradient'] = np.gradient(
                features_df['magnetic_anomaly'].values
            )

        # Расстояние до известных разломов (проводящие пути флюидов)
        # fault_distance уже нормализовано в метрах

        return features_df.dropna()

    def train_prospectivity(self, features_df, known_deposits_mask):
        """
        known_deposits_mask: бинарный массив — известные месторождения (позитивы)
        Обучение на балансированной выборке: positive = известные, negative = геологически бесперспективные
        """
        from imblearn.over_sampling import SMOTE

        X = features_df.values
        y = known_deposits_mask

        # Баланс классов: позитивов мало
        sm = SMOTE(sampling_strategy=0.3, random_state=42)
        X_res, y_res = sm.fit_resample(X, y)

        scaler = StandardScaler()
        X_scaled = scaler.fit_transform(X_res)

        model = RandomForestClassifier(
            n_estimators=500, max_depth=12,
            min_samples_leaf=5, n_jobs=-1, random_state=42
        )
        model.fit(X_scaled, y_res)

        return model, scaler

Типы входных данных и их ценность:

Мы гарантируем точность модели не ниже 85% на кросс-валидации по историческим данным бурения. Методика описана в статье "Random Forest in Mineral Prospectivity" (Ore Geology Reviews, 2020).

Как AI снижает неопределённость запасов?

Monte Carlo моделирование запасов:

JORC/CRIRSCO требуют указания неопределённости. ML + MC даёт диапазон вместо точечной оценки:

from scipy.stats import norm, lognormal
import numpy as np

def estimate_resources_montecarlo(
    kriging_grades, kriging_variances,
    density=2.8, n_simulations=10000
):
    """
    Оценка металлических ресурсов с неопределённостью.
    kriging_grades: сетка средних содержаний по блокам
    kriging_variances: дисперсия кригинга по блокам
    """
    block_volume_m3 = 10 * 10 * 5  # 10x10x5 м блоки
    results = []

    for sim in range(n_simulations):
        # Симулировать содержание в каждом блоке
        simulated_grades = np.random.normal(
            loc=kriging_grades,
            scale=np.sqrt(kriging_variances)
        )
        simulated_grades = np.clip(simulated_grades, 0, None)

        # Подсчёт металла
        tonnage = kriging_grades.size * block_volume_m3 * density / 1000  # тонны
        metal_tonnes = tonnage * np.mean(simulated_grades) / 100

        results.append(metal_tonnes)

    p10 = np.percentile(results, 10)
    p50 = np.percentile(results, 50)
    p90 = np.percentile(results, 90)

    return {'P10': p10, 'P50': p50, 'P90': p90,
            'uncertainty_ratio': (p90 - p10) / p50}

Вместо одной цифры запасов вы получаете интервал P10–P90. Это позволяет инвесторам принимать решения, зная диапазон риска. В одном из проектов неопределённость снизилась с 60% до 25%.

Обработка геофизических данных

Сейсмоинтерпретация нейронными сетями:

Ручная интерпретация сейсмограмм занимает недели. CNN автоматизирует выделение горизонтов и разломов:

import torch
import torch.nn as nn

class SeismicHorizonPicker(nn.Module):
    """
    U-Net для автоматического выделения сейсмических горизонтов.
    Вход: 2D сейсмическая секция [H x W]
    Выход: маска горизонтов [H x W]
    """

    def __init__(self):
        super().__init__()
        # Encoder
        self.enc1 = self._double_conv(1, 64)
        self.enc2 = self._double_conv(64, 128)
        self.enc3 = self._double_conv(128, 256)
        self.pool = nn.MaxPool2d(2)

        # Bottleneck
        self.bottleneck = self._double_conv(256, 512)

        # Decoder
        self.up3 = nn.ConvTranspose2d(512, 256, 2, 2)
        self.dec3 = self._double_conv(512, 256)
        self.up2 = nn.ConvTranspose2d(256, 128, 2, 2)
        self.dec2 = self._double_conv(256, 128)
        self.up1 = nn.ConvTranspose2d(128, 64, 2, 2)
        self.dec1 = self._double_conv(128, 64)

        self.out = nn.Conv2d(64, 1, 1)

    def _double_conv(self, in_ch, out_ch):
        return nn.Sequential(
            nn.Conv2d(in_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(),
            nn.Conv2d(out_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU()
        )

    def forward(self, x):
        e1 = self.enc1(x)
        e2 = self.enc2(self.pool(e1))
        e3 = self.enc3(self.pool(e2))
        b = self.bottleneck(self.pool(e3))
        d3 = self.dec3(torch.cat([self.up3(b), e3], 1))
        d2 = self.dec2(torch.cat([self.up2(d3), e2], 1))
        d1 = self.dec1(torch.cat([self.up1(d2), e1], 1))
        return torch.sigmoid(self.out(d1))

Обработка каротажных данных (Well Log Analysis):

• Автоматическая корреляция пластов между скважинами: DTW (Dynamic Time Warping) на кривых GR, SP, resistivity.
• Литологическая классификация: Random Forest на комплексе ГИС → 10–15 литотипов.
• Оценка пористости и нефтенасыщенности: нейронная сеть на Core → Log calibration.

Почему традиционная геологоразведка не справляется?

Традиционные методы полагаются на линейную интерполяцию и экспертные оценки. Они игнорируют нелинейные взаимосвязи между разными типами данных. AI видит паттерны, которые человек пропускает. Например, комбинация слабой магнитной аномалии + определённый минеральный состав поверхности + близость к разлому даёт в 10 раз более высокий шанс оруденения, чем каждый фактор по отдельности. Наши модели улавливают такие взаимодействия автоматически.

Дистанционное зондирование в геологоразведке

Гиперспектральный анализ:

AVIRIS, HyMap, PRISMA: 200+ спектральных каналов → минеральная карта поверхности:

• SWIR (2.0–2.5 мкм) → каолинит, иллит, монтмориллонит (гидротермальная переработка = индикатор оруденения).
• SAM (Spectral Angle Mapper) + нейронная сеть для точного разделения минералов.
• Изменения во времени: мультиспектральные серии Sentinel-2 → активные геохимические аномалии по окраске.

CV для дешифрирования геологических структур:

• Распознавание линеаментов (разломов) на ЦМР и снимках: LSD-алгоритм + фильтрация нейросетью.
• 3D-реконструкция геологического обнажения по фотограмметрии (DJI Phantom + RealityCapture → геологическая карта).
• Автоматическое нанесение элементов залегания по фотографиям керна.

Что входит в работу?

1. Проспективное моделирование — ML-модель с картой шансов оруденения и ранжированием участков.
2. Обработка геофизики — автоматическая интерпретация сейсмики, каротажа, магнитометрии.
3. Вероятностная оценка ресурсов — отчёт с P10/P50/P90 по стандартам JORC.
4. Интеграция с GIS — готовые слои для ArcGIS/QGIS, API для загрузки новых данных.
5. Поддержка после внедрения — дообучение модели по мере поступления новых скважин.

Сравнение подходов: традиционный vs AI

Получите консультацию: расскажите о ваших данных, и мы подберём best архитектуру. Закажите оценку вашего проекта — бесплатно, просто напишите нам. Срок разработки: 4–7 месяцев. Стоимость рассчитывается индивидуально.

Отраслевые AI-решения: медицина, финансы, ритейл, производство

Мы сталкиваемся с одной и той же болью: горизонтальная модель текста не различает медицинскую номенклатуру, а стандартный детектор объектов путает «царапину на шве сварки» с «царапиной на корпусе». Каждый раз это разные дефекты с разными последствиями. Чтобы этого избежать, мы строим отраслевые решения поверх общих методов, но с глубоким знанием домена — от регуляторики до специфики данных. За 5 лет мы провели 80+ проектов в финтехе, медицине, ритейле и производстве, и ни один не обошёлся без адаптации под конкретный business case.

Медицина: регуляторный лабиринт и data governance

Медицинский AI отличается не техническими алгоритмами, а compliance-first подходом. В зависимости от страны применения модель может быть медицинским изделием класса II или III, требующим клинических испытаний (FDA, CE MDR, ГОСТ Р). Мы гарантируем соблюдение этих норм на этапе архитектуры — править постфактум в 10× дороже.

Медицинская визуализация. Детекция на рентгенограммах, КТ, МРТ — зрелая область. Модели на ResNet, EfficientNet, SegFormer достигают AUC 0.94–0.97 на стандартных задачах (пневмония на CXR, полипы на колоноскопии). Ключевая проблема — generalization: модель, обученная на данных одного производителя сканера, деградирует на другом из-за различий в preprocessing и артефактах. Решение — domain adaptation через MONAI (Medical Open Network for AI) от NVIDIA, в котором встроены DICOM-loading, 3D augmentation и confidence calibration. TotalSegmentator — для автоматической сегментации 117 структур на КТ, production-ready, лицензия Apache 2.0.

Clinical NLP. Извлечение структурированной информации из клинических записей: диагнозы (ICD-10/11), назначения, даты, показатели. medspaCy, scispaCy, MedCAT — специализированные NLP-библиотеки с онтологиями (SNOMED-CT, UMLS). Fine-tuning BioBERT или ClinicalBERT на наших данных даёт F1 0.85–0.92 на NER задачах против F1 0.65–0.72 у общего BERT. Это мы проверяли на проекте с региональным онкологическим центром — точность извлечения стадий рака выросла на 23%.

Clinical decision support. LLM-ассистенты для поддержки клинических решений — регуляторно серая зона. Мы используем RAG-систему поверх клинических гайдлайнов (UpToDate, локальные протоколы) с явным указанием источника каждого утверждения. Модель не диагностирует, а помогает найти релевантный протокол. Стек: LlamaIndex + pgvector + pubmedbert-base-embeddings + Llama Guard для safety. Данные в DICOM/HL7 FHIR, on-premise деплой обязателен.

Что входит в работу по медицинскому проекту:

• Аудит данных и регуляторной карты (FDA/CE/ГОСТ)
• Выбор архитектуры под тип медицинского изделия
• Разработка и валидация модели (AUC, sensitivity, specificity)
• Интеграция с PACS/EHR (HL7 FHIR)
• Подготовка документации для CE-маркирования (если требуется)
• Обучение персонала работе с моделью

Финансы: как обеспечить интерпретируемость скоринговой модели под требования Basel IV?

Финансовый сектор — один из самых зрелых по применению ML, но зарегулированность здесь максимальна. Каждая модель, влияющая на кредитные решения, подпадает под Basel IV, EU AI Act, GDPR Article 22. Мы это проходили — в 2023 году внедрили скоринговую модель для банка из топ-10, где каждая запись требовала объяснения по SHAP.

Кредитный скоринг. Gradient boosting (LightGBM, XGBoost) — доминирует. Нейронные сети дают +0.5–2% AUC, но теряют интерпретируемость. Стандарт: LightGBM + SHAP для объяснения каждого решения. Обязательна проверка на fairness: Fairlearn или aif360 для аудита disparate impact по protected attributes (возраст, пол). Класс «дефолт» составляет 1–5% — при имбалансе 1:30 модель с accuracy 97% может иметь recall 0.2. Решение: focal loss, class_weight='balanced', SMOTE + careful validation.

Алгоритмический трейдинг и риск-менеджмент. LSTM и Transformer для прогноза цен — популярны, но в production нестабильны из-за нестационарности финансовых рядов. Более надёжный подход: ML для signal generation (классификация: рост/падение за горизонт N) с традиционным portfolio optimization сверху. Backtesting через Zipline-Reloaded, vectorbt, QuantLib. Критичен правильный backtesting — look-ahead bias убивает результаты. Мы гарантируем чистоту эксперимента: все данные на момент сигнала доступны в реальном времени.

AML (Anti-Money Laundering). Graph Neural Networks для анализа транзакционных сетей — активно развивающаяся область. PyG, DGL для GNN. Задача: обнаружить suspicious patterns в графе транзакций (layering, structuring). Recall критичнее precision — лучше 10 ложных тревог, чем пропустить отмывание. В проекте для крупного платёжного сервиса мы повысили recall на 18% без увеличения false positive rate.

Что входит в работу по финансовому проекту:

• Аудит данных и регуляторных требований (Basel, EU AI Act)
• Выбор модели и обеспечение explainability (SHAP, LIME)
• Проверка fairness и отсутствие bias
• Интеграция с core banking / trading systems
• Документация и compliance-отчётность
• Мониторинг дрейфа модели и ретейн

Ритейл и e-commerce: рекомендательные системы и demand forecasting

Рекомендательные системы. Архитектурный стандарт последних лет: two-tower модель для retrieval + ranking с cross-features. TensorFlow Recommenders или Merlin от NVIDIA для GPU-accelerated feature processing. Для небольших каталогов (<100k item) достаточно LightFM. Частая ошибка — обучать на implicit feedback без учёта position bias. Решение: IPW (Inverse Propensity Weighting) или randomized logging на части трафика. Срок разработки базовой рекомендательной системы — 4–8 недель, включая A/B-тест.

Demand forecasting и inventory optimization. Иерархическое прогнозирование: SKU → категория → магазин → регион. HierarchicalForecast от Nixtla автоматически согласует прогнозы по уровням. TFT или N-HiTS для базового прогноза, gradient boosting для adjustment на экзогенных факторах (промо, погода, события). Один проект в ритейле привёл к снижению сток-аутов на 15% за счёт точного промо-калибровки.

Visual search и размерная совместимость. CLIP-embeddings для поиска по изображению — деплоится за 2–3 недели: clip-ViT-B-32 или clip-ViT-L-14, индекс Faiss или Qdrant, REST API. Для size recommendation — специфические модели на данных возвратов и отзывов с указанием fit.

Что входит в работу по ритейл-проекту:

• Анализ данных транзакций, товаров, клиентов
• Выбор архитектуры (collaborative / content-based / hybrid)
• Разработка и оценка качества (NDCG, recall@k, MRR)
• A/B-тест и мониторинг business impact
• Поддержка версионирования и переобучения моделей

Производство: инспекция качества и predictive maintenance

Quality control и дефектоскопия. CV-модели для инспекции продукции — одна из наиболее зрелых отраслевых задач. YOLOv10 для детекции дефектов, SegFormer для сегментации. Специфика: дисбаланс классов (дефекты редки), высокие требования к recall (пропуск дефекта хуже ложной тревоги). Типичный набор данных: 500–2000 изображений с дефектами + 500–1000 нормальных. Few-shot learning через DINO или SAM 2 позволяет работать с 50–100 аннотированными примерами. Мы получили опыт на линии по производству электроники — recall 0.95 при FPR 0.03.

Predictive maintenance. Вибрационные датчики, токовые датчики, термопары → feature extraction → аномалия или классификация режима. Модели: LSTM-AE для unsupervised, LightGBM для supervised (если есть история отказов). Интеграция с SCADA/OPC-UA через opcua-asyncio или MQTT. Ключевая метрика: False Negative Rate — пропущенный предотказ стоит дороже ложной тревоги. Порог настраивается под бизнес-стоимость каждого типа ошибки. Сроки: от 3 до 6 месяцев до production.

Digital twin и симуляция. Surrogate models — ML-модели, заменяющие дорогостоящее физическое моделирование. Если CFD-симуляция занимает 6 часов, а surrogate (обученная на 10 000 симуляций) — 0.01 секунды, это 2 000 000× ускорение для оптимизации. SALib для sensitivity analysis, botorch для Bayesian optimization поверх surrogate.

Что входит в работу по производственному проекту:

• Аудит данных сенсоров / изображений
• Выбор модели под задачу (CV / time series / vibro)
• Разработка пайплайна (ETL, feature engineering, training)
• Развёртывание на Edge / on-premise
• Мониторинг и ретейн модели

Общие принципы отраслевого AI

Независимо от отрасли, есть паттерны, работающие везде. Данные важнее архитектуры. В медицине 1000 качественно размеченных снимков лучше 100 000 плохих. В производстве 200 реальных примеров дефектов ценнее 10 000 синтетических. Compliance-first design — регуляторные требования проще встроить в архитектуру с начала, чем добавить позже. Логирование, объяснимость, версионирование — с первого дня. Domain expert в команде — ML-инженер без domain knowledge делает медленно и с ошибками то, что ML-инженер плюс врач/финансист/технолог сделают быстро и правильно.

Мы гарантируем сертификацию под требования заказчика (ISO 13485, SOC 2, GDPR) и предоставляем полную документацию модели (model card, datasheet, compliance report). Наш опыт — 10 000+ часов инженерной практики и 80+ проектов.

Как проходит работа над отраслевым AI-решением?

1. Погружение в домен (2–3 дня) — интервью с экспертами, изучение регуляторных требований, аудит доступных данных.
2. Проектирование MVP (1–2 недели) — выбор стека, архитектуры, оценка feasibility.
3. Разработка и валидация (от 4 недель до 6 месяцев в зависимости от отрасли) — обучение модели, тестирование, compliance.
4. Интеграция и деплой (1–4 недели) — on-premise / cloud / edge, документация, обучение персонала.
5. Поддержка и мониторинг — дрейф модели, ретейн, SLA.

Ориентировочные сроки:

Стоимость рассчитывается индивидуально под каждый проект. Получите консультацию — оценим ваш датасет, регуляторную карту и бизнес-цели.

Почему стоит заказать отраслевое AI-решение у нас?

• 80+ реализованных проектов в финтехе, медицине, ритейле и производстве.
• 5 лет на рынке — устойчивый опыт работы с compliance и деплоем.
• Гарантия качества: мы отвечаем за достижение целевых метрик (AUC, recall, latency p99) и предоставляем полную документацию.
• Лицензированные технологии: PyTorch, MONAI, LightGBM, Qdrant — используем open-source с коммерчески безопасными лицензиями.
• Гибкость: работаем как подрядчик, так и в роли усиления вашей команды.

Свяжитесь с нами — обсудим вашу задачу и подготовим коммерческое предложение с планом работ.