Minerva Intelligence
Nền tảng suy luận nhận thức tích hợp chuyên môn địa chất vào AI dùng cho thăm dò khoáng sản và đánh giá rủi ro thiên tai
Truy cập website ↗Minerva Intelligence là một công ty có trụ sở tại Vancouver, Canada (với văn phòng tại Darmstadt, Đức), đi theo hướng đi khác biệt so với phần lớn các công ty AI thuần túy dựa trên dữ liệu: họ tập trung vào "AI nhận thức" (Cognitive AI), nhấn mạnh việc cấu trúc hóa kiến thức tích lũy của các nhà địa chất con người vào hệ thống thay vì chỉ đơn thuần nạp dữ liệu để mô hình tự học.
Tính năng chính
- Bộ công cụ AI ngành mỏ TERRA: So sánh loại mỏ, xếp hạng mục tiêu thăm dò và tích hợp dữ liệu bản đồ địa chất
- AI rủi ro khí hậu GAIA: Đánh giá rủi ro thiên tai như lũ lụt, lở đất và cháy rừng
- Được vận hành bởi bản thể học (ontology) kiến thức địa chất có cấu trúc, quá trình suy luận có thể truy xuất và giải thích được
- Tích hợp các nguồn dữ liệu dị thể như bản đồ địa chất, dữ liệu khoan, vật lý địa chất và viễn thám
- Ứng dụng đa ngành: Quy hoạch sử dụng đất, đánh giá tác động môi trường, thẩm định bảo hiểm
- Đầu ra có thể giải thích được, phù hợp với các kịch bản cần giải trình cơ sở ra quyết định với cơ quan quản lý hoặc nhà đầu tư
Ưu điểm
- Khả năng "giải thích được" là điểm bán hàng thực tế chứ không phải chiêu trò tiếp thị—cả quyết định về địa chất lẫn bảo hiểm đều cần có lý do thuyết phục
- Hướng đi định hướng bằng tri thức giúp nó đứng vững hơn các mô hình thống kê thuần túy trong các lĩnh vực chuyên môn khan hiếm dữ liệu
- Hai mảng thăm dò khoáng sản và rủi ro thiên tai dùng chung công nghệ nền tảng, mức độ tái sử dụng công nghệ cao
- Các kịch bản ứng dụng của GAIA (lũ lụt, lở đất) có tính liên quan cao với nhu cầu thực tế tại nhiều khu vực chịu ảnh hưởng thời tiết cực đoan
Nhược điểm
- Thuộc nhóm công cụ chuyên ngành nặng, hầu như không thể sử dụng nếu không có nền tảng về địa chất hoặc đánh giá rủi ro
- Chưa công bố giá công khai, cần liên hệ để trao đổi
- Thuật ngữ "AI nhận thức" có định nghĩa mơ hồ trong ngành, hiệu quả thực tế phụ thuộc lớn vào chất lượng của bản thể học tri thức
- Quy mô công ty không lớn, cần đánh giá năng lực hỗ trợ lâu dài trước khi triển khai
Trường hợp sử dụng
- Sàng lọc và xếp hạng khu vực mục tiêu cho hoạt động thăm dò khoáng sản giai đoạn đầu
- Tích hợp dữ liệu bản đồ địa chất lịch sử để thực hiện so sánh mức độ tương đồng giữa các loại mỏ
- Tạo lớp bản đồ rủi ro lũ lụt, lở đất và cháy rừng theo khu vực
- Đánh giá mức độ phơi nhiễm rủi ro thiên tai và quy hoạch sử dụng đất cho ngành bảo hiểm
Ghi chú biên tập
Lời tòa soạn: Tôi vốn giữ thái độ dè dặt với cụm từ "AI nhận thức" vì nó dễ biến thành chiêu trò đóng gói tiếp thị. Tuy nhiên, khi đặt Minerva vào bối cảnh địa chất, tôi có thể hiểu lý do tại sao họ làm vậy—chi phí thu thập dữ liệu địa chất cao đến mức phi lý, một mũi khoan tốn hàng trăm nghìn đô la, nên bạn hoàn toàn không có hàng triệu dữ liệu huấn luyện để nạp vào hệ thống. Trong điều kiện đó, việc đưa tri thức con người vào hệ thống quả thực hợp lý hơn là cố gắng nhồi nhét dữ liệu.
Câu hỏi thường gặp
"AI nhận thức" khác gì với học máy (machine learning) thông thường?
Khác biệt nằm ở nguồn gốc của tri thức. Học máy thông thường học quy luật từ dữ liệu; cách làm của Minerva là trước tiên chuyển hóa chuyên môn của nhà thành bản thể học có cấu trúc, sau đó dùng nó để suy luận. Ưu điểm là dữ liệu ít vẫn dùng được và quá trình suy luận có thể giải thích được lý do, nhược điểm là bản thân việc xây dựng bản thể học tốn rất nhiều nhân lực.
TERRA và GAIA có phải mua riêng không?
Đây là hai dòng sản phẩm khác nhau và hướng đến các đối tượng khách hàng khác nhau—TERRA bán cho hoạt động thăm dò khoáng sản, còn GAIA bán cho rủi ro thiên tai và quy hoạch đất đai. Phương thức cấp phép cụ thể cần được trao đổi trực tiếp với họ.
Các đơn vị phòng chống thiên tai có sử dụng được không?
Về logic công nghệ thì hoàn toàn phù hợp, nhưng việc triển khai thực tế phụ thuộc vào việc hệ thống có đọc được định dạng bản đồ và hệ thống phân loại địa chất nội địa hay không. Chi phí bản địa hóa cho các công cụ dạng này thường không nhỏ, khuyến nghị nên chạy thử nghiệm quy mô nhỏ trước khi thảo luận về việc áp dụng.