Искусственный интеллект заменит геолога. А плохие новости будут?

Одна из задач геолога – документирование керна. И пока некоторые компании уже описывают керн с помощью искусственного интеллекта (ИИ) по фотографиям за 40 минут, другие до сих пор работают вручную и тратят на те же задачи часы. Часто причина не в том, что, к примеру, технологии дорогие (это не так), а в человеческих страхах: вдруг для меня будет слишком сложно научиться новому? А вдруг ИИ ошибается? Или наоборот – окажется слишком хорош и оставит меня без работы?

Разбираемся, как искусственный интеллект помогает описывать керн, можно ли ему доверять и почему геолог всё равно остаётся неотъемлемой частью процесса. Мы поговорили с Евгением Барабошкиным, геологом и разработчиком ИИ-инструментов из Digital Petroleum, чтобы объяснить, как это работает на практике.

Как ИИ вообще может «увидеть» керн? 

ИИ достаточно новая технология и для многих она кажется «черным ящиком», который непонятно каким образом выдает информацию. На самом деле, все не так сложно, как кажется на первый взгляд. В основе программы, умеющей узнавать керн по фото, лежат алгоритмы машинного обучения, в частности сверточные нейронные сети.

Подробно о принципах работы ИИ в геологических задачах и видах нейронных сетей мы рассказывали здесь: «Интеллектуальный помощник геолога. Как искусственный интеллект делает добычу полезных ископаемых умнее».

Технологию свертки разработчики выбрали потому, что она отлично справляется с задачей по извлечению информации из изображений с помощью применения различных фильтров и выделяет паттерны. 

Что же ИИ видит на фото?

• Цвет и минеральный состав, например, красный — это окислы железа, серый — глины, тёмно-коричневый — органика.
• Текстуру и слоистость, то есть распознаёт тонкослоистые, массивные, косослоистые, перекрёстные текстуры, а еще выделяет границы пластов, литологические переходы.
• Трещины и разрывы: алгоритм фиксирует естественные трещины (открытые, минерализованные), техногенные повреждения и оценивает их ориентацию, плотность, морфологию.
• Пористость и каверны, например, ИИ выявляет пустоты (по контрасту на изображении), оценивает их размер и распределение.
• Включения и аномалии, то есть видит конкреции, кероген, пирит, карбонатные прожилки.
• Многие другие характеристики

Доверяй, но проверяй. Кто учит и несет ответственность за нейросеть?

Когда компания-заказчик обращается за внедрением ИИ, у неё уже обычно есть база изображений керна и предварительные описания пород. Разработчик начинает с анализа этих данных: проводит предразметку, связывает фотографии с глубиной, выявляет несоответствия. Затем эксперт из компании — геолог, знакомый с объектом — проверяет и корректирует эти данные. Только после этого они превращаются в обучающую выборку для алгоритма. 

Далее алгоритм вновь проходит дообучение. Дело в том, что при автоматическом описании керна нужно не просто определить какие-то параметры, а учесть их вариации. Потому что на каждом участке керн имеет особенности: где-то он более серый, где-то более тёмный, и могут быть различные отклонения. В любом случае, без опыта геолога алгоритм не обучить.

«При описании горных пород есть некоторая база данных, есть изображение керна, и дальше эта информация изначально передается нам. Мы ее предразмещаем. У нас есть алгоритмы для автоматического изучения и увязки изображений по глубине. И дальше начинается процесс дополнительной проверки данных со стороны экспертов-геологов. И после этого мы снова его проверяем, чтобы подготовить обучающую выборку».

Евгений Барабошкин

Итак, в большинстве случаев, систему предобучают и далее адаптируют под конкретное месторождение. На каждом объекте свои нюансы, два разных предприятия могут одну и ту же породу называть по-разному, и все разночтения и специфичные параметры нужно учесть. Термины и классы можно перенастроить в программе под принятые на месторождении. Поэтому систему дополнительно «кормят» данными, построенными на классификации конкретного заказчика

«Часто компании просят нас научить систему определять трещиноватость и подсчитывать RQD (степень трещиноватости породы) — эти параметры встречаются и в нефтяных, и в рудных кернах, и работают примерно одинаково. Но если задача — распознать, например, пирит, то здесь уже нужна дополнительная настройка: то, чему алгоритм научился на нефтяных образцах, в рудной отрасли может не сработать, и придётся дообучать модель на новых данных. То есть некоторые характеристики — общие, и для их обнаружения достаточно обучить алгоритм один раз».

Евгений Барабошкин

А если ИИ ошибается? Кто контролирует машину?

ИИ считается надежным инструментом для анализа данных, но даже самые продвинутые алгоритмы могут ошибаться — так же, как и человек. Однако, в отличие от геолога в конце смены, машина не устает, не спешит, у нее не замыливается глаз.  Нейросеть не работает вслепую, она зависит от эксперта. Ошибки системы проверяются вручную на старте, геолог вносит правки, и система обучается на этих корректировках. Чем дольше она работает на объекте, тем точнее становится.

«Алгоритм внутри себя формирует фильтры, которые с каждым циклом обучения всё точнее извлекают нужную информацию. Он может учитывать десятки, сотни и даже миллионы факторов — больше, чем может удержать в голове один человек».

Евгений Барабошкин

Нужно учитывать, что ИИ строит прогнозы, ориентируясь на прошлое. Но что, если случится что-то непредвиденное? Геологи постоянно получают новые данные, всегда может появиться еще какой-то класс породы, который не был учтен. Земная «лаборатория» ведет себя непредсказуемо. Может пойти трещина, а там обнаружатся породы в другом состоянии и под другим давлением. Поэтому системе регулярно требуется обновление и корректировка под надзором опытного геолога.

Было 5 часов, стало 40 минут

Раньше на детальное описание 50 метров керна в масштабе 1:10 для задач седиментологии уходило несколько часов ручной работы. С помощью ИИ это теперь занимает всего 40 минут. Машина анализирует  16 ящиков в минуту, а скорость классификации образцов – 4,2 метра керна в секунду, то есть машина выдает результат примерно за 2 минуты, оставшееся время специалист уходит на детальную проверку результатов. Благодаря совместной работе специалиста и машины улучшается детальность и точность описания, а также повышается качество описания, если работает молодой специалист.

Как это происходит? В программе DeepCore геолог загружает фотографии керна — достаточно указать параметры глубины и высоту образцов, а система автоматически выделяет керн на изображении. Затем объединяет его в единую колонку, которую можно выгрузить в нужный формат или сразу классифицировать. Специалист выбирает алгоритм, просматривает результат и при необходимости корректирует классификацию вручную. За точность отвечает не только нейросеть, но и специалист, который её обучил.

Чтобы увидеть, как на практике происходит автоматическая классификация керна, мы “нарезали” скрины непосредственно из программы.

10 метров керна до старта: сколько занимает внедрение системы автоматического описания керна на основе ИИ

Внедрение ИИ-инструмента для описания керна — это не многомесячный ИТ-проект. По словам Евгения Барабошкина, при хорошей коммуникации между заказчиком и разработчиком и наличии исходных данных внедрение занимает всего месяц. Из них:

• 2 недели уходит на подготовку и адаптацию данных совместно с заказчиком,
• ещё 2 недели — на дообучение модели и тестирование в реальных условиях.

Иногда срок растягивается до 2–3 месяцев, но это только в том случае, если возникают проблемы с качеством исходных данных или их увязкой. Поэтому на этом этапе очень важно поработать с той информацией, которую разработчик будет вливать в систему. А если изображения керна однотипные, с одними и теми же породами, алгоритм не сможет научиться различать сложные вариации. 

Для точного старта нужно от 10 метров керна на 1 класс породы

«Мы постоянно на связи с коллегами, чтобы те или иные вопросы решать. Наш процесс оптимизирован — обычно укладываемся в месяц, иногда чуть больше. Но базовый запуск — это не что-то сложное».

Евгений Барабошкин

Геологи и ИИ: конкуренты или союзники

Одно из главных опасений специалистов — что ИИ лишит их работы. Особенно это касается геологов-документаторов, которые вручную описывают керн и загружают данные в систему.

Это напрасное предубеждение. ИИ не заменяет умного, образованного геолога с огромным багажом знаний в голове, а работает в связке и под чутким руководством эксперта.

Модель по описанию керна обучается на базе данных, вручную размеченных специалистом. Геолог передает системе свой опыт, знания и логику анализа. Без этого ИИ работать не сможет. Более того — после автоматического описания эксперт всё равно проверяет результат, корректирует ошибки, и эти правки идут на дообучение модели. Без постоянного контроля со стороны эксперта алгоритм со временем деградирует и начнет выдавать ошибки.

Поэтому не нужно ждать, что ИИ все за вас сделает. Но ряд проблем при работе с керном он может решить уже сейчас:

• Избавить от рутинных задач. Например, автоматическая разметка трещиноватости по фото позволяет не считать RQD вручную по каждому метру керна. Алгоритм сам считает и выделяет трещины, а геолог лишь проверяет.
• Ускорить темпы документации. Вместо нескольких часов специалист справляется с задачей за 40 минут и успевает сделать в 5–7 раз больше.
• Упростить процедуры передокументации. В архивах до сих пор хранятся тысячи ящиков с керном, сфотографированных 10–20 лет назад. Раньше их пересмотр требовал недель, теперь достаточно загрузить фото и запустить классификацию.
• Снизить влияние человеческого фактора. Когда геолог устал, он может просмотреть детали.

Почему ИИ внедряется медленно, несмотря на эффективность?

Проекты по внедрению ИИ пока ведутся компаниями точечно. Геологи-документаторы поделились с нами, что при описании керна у них до сих пор все делается руками и глазами, и никакие свои задачи эксперт не отдаст ИИ.

3 причины, которые тормозят внедрение ИИ:

• «Работает и так»: Многие компании, особенно с госучастием, десятилетиями используют одни и те же методы (бумажные отчёты, ручной анализ керна). Руководство не видят безотлагательной необходимости для внедрений и не все могут посчитать ROI.
• Страх перед ошибками: Геологи опасаются, что ИИ «наломает дров» в интерпретации данных, а ответственность за ошибки ляжет на них.
• Миф о замене людей: Часть специалистов считает, что автоматизация угрожает их работе, хотя на деле ИИ лишь устраняет рутину.

Если рутинные задачи уйдут к ИИ, то чем займётся геолог?

Документаторы по-прежнему нужны, но их роль постепенно меняется. Все больше процессов переводят на “цифру”, поэтому, чтобы расти, геологам нужно развивать свои ИТ-компетенции. Появился спрос на специалистов, способных связать геологию и машинное обучение, таких как геолог-программист, дата-геолог, аналитик геоданных. Поэтому сейчас самое время, чтобы учиться работать с программами, скриптами, разбираться в логике алгоритмов, понимать, как дообучать нейросеть. Некоторые ВУЗы уже вводят соответствующие курсы, например, в МГУ и СПбГУ, а крупные компании проводят корпоративные курсы по цифровизации. Без ИТ-навыков специалист рискует через несколько лет остаться за бортом профессии, как геодезисты с теодолитами после появления GPS.

«По моим ощущениям, а я путь прошел от геолога до геолога-программиста, изучение именно языков программирования сильно облегчает жизнь, в очень разных направлениях. То есть, соединение условной базы данных, с которой вы работаете, с языком программирования, с тем же Python, позволяет писать скрипты. Всегда есть некоторый набор действий, которые вы так или иначе делаете с данными, и которые можно автоматизировать. Знание языка программирования хорошо помогает самостоятельно создать такой скрипт».

Евгений Барабошкин

Как будет развиваться ИИ в геологии дальше?

ИИ в геологии — естественный ход эволюции отрасли. Он не оставит без работы, но изменит ее суть. Те, кто научится работать с алгоритмами, получат преимущество — как в эффективности, так и в карьере. Например, такие компании как Роснефть, Норникель, Алроса уже ищут геологов, владеющих GIS, основами программирования и машинного обучения. Зарплаты таких специалистов на 30–50% выше.

Развитие ИТ-компетенций для геологов перестало быть опциональным — это необходимость, продиктованная временем. А вот профессии, основанные на повторяющейся ручной рутине, будут сокращаться.

Как отметил Евгений Барабошкин, «связующие звенья между наукой, ИИ и производством — те, кто понимает и поле, и код», это и есть геологи нового поколения.

ИИ в российской геологии — не вопрос наличия или отсутствия технологий, а проблема управления и консервативного мышления. Компании, которые преодолеют страх изменений и инвестируют в цифровизацию, получат преимущество уже в ближайшие 5 лет, а отстающие рискуют стать неконкурентоспособными через 2–3 года.

Расскажите, а вы уже используете цифровые инструменты или пока документируете керн вручную? Поделитесь в комментариях под статьей.