Gains :
- Capacité à distinguer les domaines dans lesquels l'IA permet de gagner du temps réel dans le flux de travail d'ingénierie minière et les domaines où la responsabilité critique en matière de sécurité doit incomber à l'ingénieur compétent, en fonction du niveau de risque.
- Capacité à mettre en œuvre une discipline de validation à plusieurs niveaux qui teste chaque sortie de l'IA par rapport à des calculs et des mesures sur le terrain standard et indépendants.
- Capacité à anonymiser le contexte et à prendre l'habitude de choisir des véhicules sûrs pour protéger les données de réserve, les informations de licence et les données de personnel/de production
Le travail d'un ingénieur minier consiste à combler l'incertitude souterraine avec les décisions prises en surface. Estimer le gisement à partir des données de forage, calculer la réserve, planifier la fosse, gérer le parc d'équipements, surveiller le comportement des pentes, assurer la sécurité au travail, mesurer l'impact environnemental et déclarer le tout conformément à la législation. La caractéristique commune de ces emplois est qu'ils travaillent avec un grand nombre de mesures et de données, mais chaque décision entraîne des vies humaines, des millions de lires d'investissement et des conséquences environnementales irréversibles sur le terrain. L'intelligence artificielle (IA en abrégé ; systèmes logiciels qui fonctionnent sur du texte, des chiffres et des images avec des mégadonnées et des modèles linguistiques) est une aide puissante dans ce domaine gourmand en données mais crucial pour la décision. Cette unité vous apprend où utiliser l'IA en toute sécurité dans l'exploitation minière, où elle est dangereuse et pourquoi vous devez valider chaque sortie de l'IA par rapport aux normes, aux mesures sur le terrain et au jugement technique.
Le principe central que vous utiliserez tout au long de ce module est le suivant : l'IA est un assistant, pas un décideur. Une valeur de teneur (rapport de métal dans le minerai), un angle de pente, un chiffre de réserve, une limite de sécurité ou un article législatif ne devient pas vrai simplement parce que « AI l'a dit » ; Il ne s'agit que d'une hypothèse jusqu'à ce qu'elle soit vérifiée par des mesures, des références et le jugement d'un ingénieur compétent. Vous reverrez cette phrase dans chaque unité du module, car dans le secteur minier, un chiffre erroné signifie souvent l'effondrement d'un investissement, l'effondrement d'une pente ou la blessure d'une personne.
Qu’est-ce que le LLM et que fait-il dans le secteur minier ?
LLM (Large Language Model) est un logiciel qui apprend des modèles à partir de très gros morceaux de texte et prédit le « mot suivant » en fonction de la probabilité. C'est le moteur d'outils tels que ChatGPT, Claude, Gemini. Le point est le suivant : LLM est un « estimateur de langage », pas une « base de connaissances ». Parle couramment la terminologie minière, mais ne mesure pas de teneur ; produit le nombre qui semble le plus probable. Ainsi, il ou elle peut donner des réponses sûres mais incorrectes sur la teneur moyenne, le taux de décapage, une clause réglementaire ou une limite d'explosivité. C’est ce qu’on appelle une hallucination (fabrication). L’hallucination n’est pas un dysfonctionnement, mais une caractéristique inhérente à cette technologie ; La vérification n’est donc pas une « étape supplémentaire » mais fait partie intégrante du travail.
Tâches où l'IA est forte dans le minage :
- Explication du concept et enseignement : qu'est-ce qu'un variogramme, comment fonctionne la règle de levier, comment se produit le drainage minier acide.
- Nettoyage et organisation des données : transformer des journaux de forage dispersés en un tableau cohérent, capturant les inadéquations entre les unités.
- Générer une liste d'hypothèses : lister systématiquement les causes possibles d'une baisse de production.
- Codage : scripts de nettoyage de données, de graphiques, de géostatistiques et d'analyse d'anomalies avec Python.
- Projet de texte : JSA (analyse de la sécurité du travail), rapport de surveillance environnementale, projet d'appel d'offres/spécifications techniques.
- Brainstorm : comparaison de scénarios, idées de plans d'expérimentation/de mesure.
Là où l’IA est faible et risquée :
- Donner une valeur numérique exacte (pente, réserve, angle de pente, valeur limite).
- Législation actuelle et spécifique/article standard et informations sur la version.
- Diagnostic sans données de mesures réelles de votre chantier.
- Décision critique pour la sécurité : approbation de la conception du dynamitage, décision d'évacuation, état de fonctionnement.
Classification basée sur les risques : le filtre avant d'utiliser l'IA
Toutes les tâches ne présentent pas le même niveau de risque. Classez la tâche par niveau de risque avant d’utiliser l’IA. Le tableau ci-dessous fournit un cadre décisionnel que vous utiliserez tout au long de ce module.
Niveau de risque
exemple de tâche
Rôle de l'IA
Vérification obligatoire
faible
Explication du concept, projet de texte, squelette de code
utilisation gratuite
Un avis suffit
moyen
Nettoyage des données, liste d'hypothèses, configuration des calculs
Brouillon/co-auteur
Contrôle manuel + confirmation de la source
haut
Estimation de la réserve, limite de la fosse, paramètre de dynamitage
générateur d'idées
Standard + mesure de terrain + logiciel
critique
Décision d'évacuation, sécurité des pentes, décision d'aptitude au service/à l'adéquation
Brouillon/numérisation uniquement
Approbation d'un ingénieur compétent + tests accrédités
Astuce : Si vous avez marqué une tâche comme « critique », le résultat de l'IA n'est jamais le document final. Il peut tout au plus s’agir d’un avant-projet ou d’une liste de contrôle ; L'ingénieur compétent en assume la signature et la responsabilité.
Flux de bout en bout : intégrer l'IA dans votre flux de travail
Un cycle typique de résolution de problèmes dans le secteur minier se déroule comme suit, avec l'IA s'engageant dans chaque étape mais n'en fermant aucune seule :
- Définir le problème : Que prévoir, quelle décision prendre, quelle contrainte y a-t-il ? (AI : clarifie la question.)
- Collecter et nettoyer les données : Forage, production, surveillance, données de laboratoire. (IA : forte en nettoyage et en vérification d'incohérence.)
- Générer des hypothèses/scénarios : causes possibles, plans alternatifs. (AI : produit une liste systématique.)
- Analyser : Calcul, géostatistique, modèle, traitement d'images. (IA : génère du code et de la fiction de calcul.)
- Vérifier : Standard, terrain, compte autonome, logiciel. (L’IA est en marge ; les humains et les mesures décident.)
- Signaler et décider : l'ingénieur compétent assume la responsabilité. (AI : rédacteur en chef.)
Gardez ces six étapes à l’esprit ; le reste du module vous montre comment utiliser l'IA avec des tâches minières concrètes, étape par étape.
trois mini-cases
Cas 1 — Note moyenne reconstituée. Un stagiaire interroge l'outil de chat IA sur la qualité moyenne d'un projet de cuivre ; AI dit « environ 0,65 % de Cu ». Le stagiaire met cela dans la présentation de l'investissement. Cependant, AI n’a vu aucune donnée de forage de ce projet ; a produit un numéro typique pour le "projet cuivre". La valeur réelle provient uniquement des données de forage composites et de l'estimation géostatistique du projet ; La valeur réelle de ce projet est de 0,38%. La différence est la différence entre l’investissement qui semble rentable et celui qui apparaît déficitaire. La bonne attitude est de ne jamais « demander » la note de l’IA, mais de la calculer à partir de votre propre base de données.
Cas 2 — Clause de régulation inexistante. Un ingénieur demande à l'IA la vibration maximale du sol (PPV : vitesse maximale des particules, mm/s) autorisée lors du dynamitage. L'IA indique "10 mm/s selon réglementation" et constitue un numéro d'article. L'ingénieur rédige le rapport en conséquence. Lors de l'inspection, il s'avère que le numéro d'article n'est pas réel et que la valeur limite varie en fonction de la distance et du type de bâtiment. L'attitude correcte est d'ouvrir le règlement actuel à partir de la source officielle et d'en confirmer la valeur et le contenu. Même si l’IA connaît correctement le nom du règlement, elle peut halluciner le numéro de l’article.
Cas 3 — Utilisation correcte. Un géologue soupçonne une divergence dans la colonne des teneurs dans un ensemble de données de 40 forages. Il demande à l'IA de "répertorier les lignes de ce tableau qui peuvent présenter des incohérences d'unités, des valeurs négatives, des valeurs aberrantes visibles et des cellules vides, et d'écrire ce que vous soupçonnez pour chacune ; NE PAS corriger, marquer simplement". L'IA signale quelques lignes mélangées à un % mélangé à un ppm, deux notes négatives et une valeur de code 999. Le géologue vérifie et corrige celles-ci une à une à partir des logs bruts. Ici, l’IA a été utilisée correctement : elle a attiré l’attention, l’humain a pris la décision et la correction.
Modèles d'invite copiables
Vous pouvez utiliser les modèles ci-dessous en les adaptant à votre propre entreprise. Dans chacun d'eux, il y a une consigne consciente de « donner un nombre exact, indiquer la source, expliquer l'incertitude ».
MODÈLE DE RÔLE ET DE LIMITE "Rôle : Vous êtes un assistant d'ingénieur minier expérimenté. Tâche : [écrire le sujet]. Règles : Lorsque vous donnez la valeur numérique exacte (teneur, réserve, limite), précisez la SOURCE ; si vous n'êtes pas sûr, dites "doit être vérifié". article."
MODÈLE DE GÉNÉRATION D'HYPOTHÈSES « Produire une liste systématique des raisons possibles pour la situation suivante : [décrire la situation ; ce qui a été observé, quelles données sont disponibles]. Pour chaque hypothèse : (1) quelles preuves la soutiennent, (2) quelle mesure ou quel calcul doit être effectué pour la confirmer/l'infirmer. ÉTABLIR un diagnostic définitif ; produire une feuille de route d'enquête. »
MODÈLE DE LISTE DE CONTRÔLE DE VÉRIFICATION « Indiquez CHAQUE valeur numérique et CHAQUE référence réglementaire/norme dans le projet de rapport ci-dessous. Pour chacune, indiquez à partir de quelle source (données d'auto-forage, texte réglementaire, rapport de laboratoire, enquête sur le terrain) elle doit être vérifiée. Recueillez celles d'origine incertaine sous « ne peut pas être utilisée sans vérification ». Texte : [coller]."
MODÈLE DE PRÉ-VÉRIFICATION D'ANONYMISATION "Avant de donner le texte suivant à un outil d'IA, signalez les secrets commerciaux ou les parties sensibles personnelles/réglementaires : numéros de réserve, numéro de licence, coordonnées réelles, noms des clients/employés, données de coûts confidentielles. Suggérez comment je peux les anonymiser. Texte : [coller]."
Invite faible/Invite forte
Poser la même question de deux manières donnera des résultats très différents.
INVITE FAIBLE : « Quelle est la réserve de cette mine ? »
INVITE FORTE : "Rôle : Vous êtes le géologue-ressource adjoint. Expliquez par quelles étapes une estimation de réserve/ressource doit passer (compositing, variogramme, krigeage, classification, limite économique) et quelles données et l'approbation de quelle personne compétente sont requises à chaque étape. NE DONNEZ PAS DE numéro de réserve EXACT ; soulignez que celui-ci ne peut être calculé qu'à partir des propres données du projet et doit être déclaré dans le cadre d'un code tel que JORC/UMREK."
Une invite faible invite l'IA à se rattraper ; L'invite forte le maintient dans le bon travail (description du processus) et empêche l'hallucination numérique de se produire en premier lieu.
Erreurs courantes
- « Demander » à l'IA des numéros spécifiques à un cours tels que la note, la réserve, etc. L'IA ne connaît pas vos données ; ces chiffres sont calculés uniquement à partir de votre propre base de données.
- Utiliser la législation/clause standard sans la confirmer. Le numéro et la valeur de l'article sont souvent hallucinés.
- Baser les décisions critiques pour la sécurité sur les résultats de l’IA. Les décisions en matière d'évacuation, d'approbation du dynamitage et de mise en service sont prises par l'ingénieur compétent.
- Coller des données sensibles dans l'outil cloud sans les anonymiser. Les données de réserve, de coordination et de coût sont des secrets commerciaux.
- En attente d'une question et d'une réponse. Utilisez l’IA de manière itérative : générez des brouillons, critiquez, vérifiez, corrigez.
Attention : plus un nombre apparaît précis et sûr dans une sortie de l'IA, plus la nécessité d'une vérification est élevée. La précision n'est pas une garantie d'exactitude.
En résumé
Dans cette unité, vous avez vu que l’IA est un assistant dans le secteur minier et non un décideur. Les LLM sont des prédicteurs de langage ; Il est puissant dans l’explication des concepts, le nettoyage des données, la génération d’hypothèses et de codes, mais risqué dans la production de chiffres et de législations précis (hallucination). Classez les tâches comme faibles/moyennes/élevées/critiques et ajustez la profondeur de la vérification en conséquence. Vérifiez chaque valeur numérique à partir de vos propres données ou mesures sur le terrain, chaque référence réglementaire de la source officielle. Les décisions critiques en matière de sécurité restent toujours du ressort de l'ingénieur compétent et anonymisent les données sensibles avant utilisation.
Tâche de candidature
Choisissez cinq tâches issues de votre propre entreprise (ou d'un projet minier fictif) : une description de concept, un nettoyage des données, une liste d'hypothèses, une réserve/valeur numérique et une question réglementaire. Placez chacun dans le tableau des risques ci-dessus. Sous-traitez ensuite deux tâches à risque faible/moyen à l'IA avec le modèle « Rôle et limites » et marquez chaque élément numérique/réglementaire du résultat avec le modèle « Liste de contrôle de vérification ». Notez quels éléments ne peuvent pas être utilisés sans vérification.
liste de contrôle
- [ ] J'ai placé la mission au niveau de risque (faible/moyen/élevé/critique) avant de l'utiliser.
- [ ] J'ai calculé des chiffres spécifiques à un domaine tels que la note, la réserve, etc. à partir de mon propre rendement au lieu de demander à l'IA.
- [ ] J'ai vérifié chaque législation/référence normative auprès de la source officielle.
- [ ] J'ai anonymisé les données sensibles (réserve, coordonnées, nom, coût).
- [ ] J'ai laissé la décision critique pour la sécurité à l'approbation d'un ingénieur compétent, et non sur la base des résultats de l'IA.
- [ ] J'ai scanné chaque valeur numérique dans la sortie AI pour "ne peut pas être utilisée sans vérification".