«Норникель» представил MetalGPT-1 - доменную языковую модель для металлургии и горнодобывающей отрасли.
• Модель является первой в семействе больших языковых моделей компании с открытым исходным кодом.
• MetalGPT-1 предназначена для работы с профессиональной терминологией и сложными технологическими цепочками.
• Модель формирует единый языковой слой для инженерных, технологических, производственных и корпоративных задач.
• На основе модели создаются персональные ИИ-ассистенты и автономные агенты для операционных процессов компании.
• Языковая модель обучена на 32 миллиардах параметров и 10 гигабайтах профильных текстов по металлургии и горнодобывающей промышленности (за основу взят qwen3).
• Обучение проведено на более чем миллионе документов, включая технологические протоколы, регламенты, документацию, патенты, отчеты НИОКР и научно-техническую литературу.
• Данные прошли многоступенчатую очистку и анонимизацию для сохранения коммерческой тайны.
• Разработано около 500 тысяч вопросно-ответных и инструктивных пар для улучшения понимания причинно-следственных связей в технологических процессах.
Ссылка на новость:
https://nornickel.ru/news-and-media/press-releases-and-news/metalgpt-1-nornikel-vypustil-bolshuyu-yazykovuyu-model-dlya-metallurgii/
Ссылка на веса и данные для бенчмарка Alloy-Bench (код загрузки - стандартный через pytorch или vllm, примеры есть в репозитории):
https://huggingface.co/nn-tech
@geoML_Russia
• Модель является первой в семействе больших языковых моделей компании с открытым исходным кодом.
• MetalGPT-1 предназначена для работы с профессиональной терминологией и сложными технологическими цепочками.
• Модель формирует единый языковой слой для инженерных, технологических, производственных и корпоративных задач.
• На основе модели создаются персональные ИИ-ассистенты и автономные агенты для операционных процессов компании.
• Языковая модель обучена на 32 миллиардах параметров и 10 гигабайтах профильных текстов по металлургии и горнодобывающей промышленности (за основу взят qwen3).
• Обучение проведено на более чем миллионе документов, включая технологические протоколы, регламенты, документацию, патенты, отчеты НИОКР и научно-техническую литературу.
• Данные прошли многоступенчатую очистку и анонимизацию для сохранения коммерческой тайны.
• Разработано около 500 тысяч вопросно-ответных и инструктивных пар для улучшения понимания причинно-следственных связей в технологических процессах.
Ссылка на новость:
https://nornickel.ru/news-and-media/press-releases-and-news/metalgpt-1-nornikel-vypustil-bolshuyu-yazykovuyu-model-dlya-metallurgii/
Ссылка на веса и данные для бенчмарка Alloy-Bench (код загрузки - стандартный через pytorch или vllm, примеры есть в репозитории):
https://huggingface.co/nn-tech
@geoML_Russia
🔥4😁2
Forwarded from Соль Земли | GeoConversation
Митап «ИИ в геологии: практики, которые можно повторить»
Идея этой встречи родилась из обсуждений среди геологов и геофизиков. Многие уже пробовали работать с ИИ — кто-то пытался анализировать данные, кто-то кодил, а кто-то задавал вопросы ChatGPT. И честно, многие наверняка плевались: «да господи, опять он выдаёт какую-то ерунду» — и забрасывали эту историю.
Мы решили собрать практический митап, где специалисты покажут, как они используют ИИ в реальной работе — так, чтобы он действительно помогал, а не раздражал. Что работает, как повторить, и как обучить ИИ под вашу задачу, а не под усреднённый контекст.
📅 17 декабря, 14:00 (МСК)
Площадка: Геовебинары
Регистрация по ссылке: https://geowebinar.com/webinars/mitap_ii_v_geologii_praktiki_kotorye_mojno_povtorit
Что будет на встрече
— как обучить ИИ под свои задачи, чтобы он отвечал в вашей логике, а не «в среднем по больнице»;
— как ИИ помогает разбираться в абсолютно новой рабочей задаче, особенно если она на другом языке;
— какие инструменты реально ускоряют работу: SourceCraft, GigaCode, SciSpace, GPT-5, Claude, Perplexity и др.;
— как автоматизировать рутину: чек-листы, конспекты, перенос данных из PDF, расшифровку инженерно-геологических колонок;
— покажет, как создать бота, который делает резюме научных статей и материалов.
Спикеры
Мария Костина — геофизик, DIAS (Канада)
Покажет, как обучать ИИ под свой контекст и свои задачи, и на примере реального задания расскажет, как ИИ помогает разбираться в новой теме на английском и выполнять работу быстрее и глубже.
Евгений Барабошкин — руководитель продукта в Digital Petroleum
Расскажет о SourceCraft, GigaCode и SciSpace, покажет, как использовать ИИ для кодинга, и продемонстрирует бота, который автоматически делает выжимки из научных статей и материалов — как он работает и какие задачи может закрывать.
Сергей Ланько — геотехник, преподаватель СПбГАСУ
Поделится кейсами по автоматизации: создание чек-листов, структурирование данных, перенос PDF в Excel и расшифровка инженерно-геологических колонок.
Александра Волкова — геофизик, преподаватель ТПУ
Сделает обзор ИИ-инструментов (DeepSeek, ChatGPT, Perplexity, Qwen) и расскажет, где они работают лучше, а где хуже. Покажет практические кейсы: как ИИ помогает ей готовить мероприятия, работать с текстами и подбирать научную литературу.
Для кого встреча
Для геологов, геофизиков, инженеров, геотехников — и всех специалистов, которые хотят использовать ИИ не в теории, а в своей реальной работе.
Что вы получите
— готовые инструменты, ссылки и скриншоты;
— практики, которые можно применить сразу после митапа;
— понимание, где ИИ реально экономит время, а где нет;
— честные кейсы без рекламы и воды.
🔔 Участие бесплатное, нужна регистрация
Идея этой встречи родилась из обсуждений среди геологов и геофизиков. Многие уже пробовали работать с ИИ — кто-то пытался анализировать данные, кто-то кодил, а кто-то задавал вопросы ChatGPT. И честно, многие наверняка плевались: «да господи, опять он выдаёт какую-то ерунду» — и забрасывали эту историю.
Мы решили собрать практический митап, где специалисты покажут, как они используют ИИ в реальной работе — так, чтобы он действительно помогал, а не раздражал. Что работает, как повторить, и как обучить ИИ под вашу задачу, а не под усреднённый контекст.
Площадка: Геовебинары
Регистрация по ссылке: https://geowebinar.com/webinars/mitap_ii_v_geologii_praktiki_kotorye_mojno_povtorit
Что будет на встрече
— как обучить ИИ под свои задачи, чтобы он отвечал в вашей логике, а не «в среднем по больнице»;
— как ИИ помогает разбираться в абсолютно новой рабочей задаче, особенно если она на другом языке;
— какие инструменты реально ускоряют работу: SourceCraft, GigaCode, SciSpace, GPT-5, Claude, Perplexity и др.;
— как автоматизировать рутину: чек-листы, конспекты, перенос данных из PDF, расшифровку инженерно-геологических колонок;
— покажет, как создать бота, который делает резюме научных статей и материалов.
Спикеры
Мария Костина — геофизик, DIAS (Канада)
Покажет, как обучать ИИ под свой контекст и свои задачи, и на примере реального задания расскажет, как ИИ помогает разбираться в новой теме на английском и выполнять работу быстрее и глубже.
Евгений Барабошкин — руководитель продукта в Digital Petroleum
Расскажет о SourceCraft, GigaCode и SciSpace, покажет, как использовать ИИ для кодинга, и продемонстрирует бота, который автоматически делает выжимки из научных статей и материалов — как он работает и какие задачи может закрывать.
Сергей Ланько — геотехник, преподаватель СПбГАСУ
Поделится кейсами по автоматизации: создание чек-листов, структурирование данных, перенос PDF в Excel и расшифровка инженерно-геологических колонок.
Александра Волкова — геофизик, преподаватель ТПУ
Сделает обзор ИИ-инструментов (DeepSeek, ChatGPT, Perplexity, Qwen) и расскажет, где они работают лучше, а где хуже. Покажет практические кейсы: как ИИ помогает ей готовить мероприятия, работать с текстами и подбирать научную литературу.
Для кого встреча
Для геологов, геофизиков, инженеров, геотехников — и всех специалистов, которые хотят использовать ИИ не в теории, а в своей реальной работе.
Что вы получите
— готовые инструменты, ссылки и скриншоты;
— практики, которые можно применить сразу после митапа;
— понимание, где ИИ реально экономит время, а где нет;
— честные кейсы без рекламы и воды.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤9
Forwarded from ГеоИнфо
В статье Николая Никифорова и Евгения Барабошкина, опубликованной сегодня в ГеоИнфо, рассматривается алгоритм автоматизации контроля подлинности изображений керна в инженерно-геологических изысканиях. Основной целью разработки является повышение точности и снижение риска ошибок, обусловленных человеческим фактором при ручной проверке фотоматериалов. Предложенный подход включает три последовательных этапа: автоматическое выделение керна на изображениях, формирование уникального цифрового отпечатка с использованием нейронных сетей и выявление дубликатов на основе сравнения визуальных признаков. Результаты производственной апробации демонстрируют высокую эффективность метода: точность обнаружения дубликатов достигает 97%, полнота — 95%. Применение технологии позволяет ускорить процесс проверки изображений более чем в тысячу раз, устранить субъективность оценки и существенно сократить трудозатраты. Метод реализован в виде промышленного программного решения, внедрённого в продукты компаний Soilbox и Digital Petroleum, и готов к масштабированию на крупных проектах с возможностью дополнительной калибровки на корпоративных наборах данных.
Читайте в ГеоИнфо➡️
Читайте в ГеоИнфо➡️
👍5❤1
Forwarded from Crazy Scientist | Геотехника | Образование
А вот и долгожданная рубрика "прожарим аспиранта"
Основные принципы:
- просто ответы "это всё фигня" не принимаются: либо не пишите, либо конструктивная критика/аргументы
- я буду сторонним наблюдателем
- уважаем друг друга и не ругаемся/оскорбляем
Два поста будут ниже описание [1 текст], инфографика [1 пост]
Основные принципы:
- просто ответы "это всё фигня" не принимаются: либо не пишите, либо конструктивная критика/аргументы
- я буду сторонним наблюдателем
- уважаем друг друга и не ругаемся/оскорбляем
Два поста будут ниже описание [1 текст], инфографика [1 пост]
Forwarded from Crazy Scientist | Геотехника | Образование
Применение интерпретируемых методов машинного обучения (ML) для анализа взаимосвязей между физическими, механическими свойствами и генетическим типом грунтов Санкт-Петербурга
При выполнении инженерно-геологических изысканий изыскатели и проектировщики часто опираются на нормативные табличные значения свойств грунтов из СП 22.13330.2016 и номограмм ТСН 50-302-2004. Это удобный и привычный инструмент.
Однако у этих зависимостей есть очевидные ограничения:
• не раскрывается, на каких массивах экспериментальных данных они построены;
• неясна репрезентативность выборок и область их применимости;
• не оценивается пространственная степень неопределённости значений — применимы ли значения ТСН для Ленинградкой области? Если да, то насколько?
Фактически мы используем усреднённые характеристики без статистического обоснования.
При этом за последние десятилетия накоплены большие массивы лабораторных и полевых испытаний. А можно ли на основе этих данных количественно проверить существующие зависимости, уточнить их?
Для этого в настоящей работе используются методы машинного обучения как инструмент статистического анализа больших выборок. Интерпретируемые же модели позволяют:
• выявлять устойчивые взаимосвязи (или их отсутствие) между физическими свойствами, генетическим типом и механическими характеристиками;
• оценивать вклад отдельных факторов.
При этом возможно сопоставление полученных зависимостей (из ML) с нормативными, чтобы оценить, где они совпадают, а где — расходятся.
Иначе говоря, задача исследования — на основе реальных данных изысканий по г. Санкт-Петербургу и Ленинградской области статистически проверить и при необходимости уточнить нормативные зависимости прочностных и деформационных характеристик грунтов с учётом стратиграфо-генетической приуроченности и физических характеристик.
На настоящий момент ML-анализ механических свойств грунтов (по сдвиговым испытаниям КД и НН, компрессионным испытаниям, в т.ч. с повторной нагрузкой, трёхосным испытаниям КД) ещё не проведён! Подробнее — в карточках.
~ Шараев Дмитрий Васильевич,
аспирант 2-го года обучения по направлению "Инженерная геология, мерзлотоведение и грунтоведение".
dv.sharaev@yandex.ru
tg: @kigde
При выполнении инженерно-геологических изысканий изыскатели и проектировщики часто опираются на нормативные табличные значения свойств грунтов из СП 22.13330.2016 и номограмм ТСН 50-302-2004. Это удобный и привычный инструмент.
Однако у этих зависимостей есть очевидные ограничения:
• не раскрывается, на каких массивах экспериментальных данных они построены;
• неясна репрезентативность выборок и область их применимости;
• не оценивается пространственная степень неопределённости значений — применимы ли значения ТСН для Ленинградкой области? Если да, то насколько?
Фактически мы используем усреднённые характеристики без статистического обоснования.
При этом за последние десятилетия накоплены большие массивы лабораторных и полевых испытаний. А можно ли на основе этих данных количественно проверить существующие зависимости, уточнить их?
Для этого в настоящей работе используются методы машинного обучения как инструмент статистического анализа больших выборок. Интерпретируемые же модели позволяют:
• выявлять устойчивые взаимосвязи (или их отсутствие) между физическими свойствами, генетическим типом и механическими характеристиками;
• оценивать вклад отдельных факторов.
При этом возможно сопоставление полученных зависимостей (из ML) с нормативными, чтобы оценить, где они совпадают, а где — расходятся.
Иначе говоря, задача исследования — на основе реальных данных изысканий по г. Санкт-Петербургу и Ленинградской области статистически проверить и при необходимости уточнить нормативные зависимости прочностных и деформационных характеристик грунтов с учётом стратиграфо-генетической приуроченности и физических характеристик.
На настоящий момент ML-анализ механических свойств грунтов (по сдвиговым испытаниям КД и НН, компрессионным испытаниям, в т.ч. с повторной нагрузкой, трёхосным испытаниям КД) ещё не проведён! Подробнее — в карточках.
~ Шараев Дмитрий Васильевич,
аспирант 2-го года обучения по направлению "Инженерная геология, мерзлотоведение и грунтоведение".
dv.sharaev@yandex.ru
tg: @kigde
👍2
Forwarded from Crazy Scientist | Геотехника | Образование
Окончание постов
Коллеги из чата канала https://t.me/crazy_scientists приглашают присоединиться к обсуждению;)
Telegram
Crazy Scientist | Геотехника | Образование
Канал о геотехнике, инженерных изысканиях, 3D-печати, образовании
Автор: Сергей Ланько
Препод в вузе
Популяризую образованность
☎️Связь со мной: @ross_docent
📽 YouTube: https://youtube.com/@civil_engenieer?si=z9uitBCKIpi8tk1f
Автор: Сергей Ланько
Препод в вузе
Популяризую образованность
☎️Связь со мной: @ross_docent
📽 YouTube: https://youtube.com/@civil_engenieer?si=z9uitBCKIpi8tk1f
Forwarded from ГГИС. Разрабатывай. Внедряй. Изучай.
🤖 ИИ на службе геологоразведки: от теории к первым месторождениям
Последнее десятилетие прошло под знаком бурного развития искусственного интеллекта. Мы привыкли, что нейросети пишут тексты, рисуют картины, ищут котиков на видео и прогнозируют продажи. Казалось бы, применение тех же технологий для поиска месторождений — задача очевидная. Ведь геологически/геохимические/геофизические карты — это те же изображения, а аномалии полезных ископаемых можно рассматривать как «объекты» на снимке.
Однако есть принципиальное отличие: если для обучения модели распознаванию котиков существуют миллионы снимков, то количество известных месторождений (особенно конкретного типа) исчисляется сотнями, а то и десятками. Этого катастрофически мало для «классического» машинного обучения.
🚀 Но сложности не остановили исследователей. За последние 6–7 лет на рынке появилось множество проектов, как внутрикорпоративных, так и коммерческих сервисов. Вот лишь некоторые из них:
• KoBold Metals — разработка собственного алгоритма для внутреннего использования.
• EarthAI — создание алгоритмов для совместной работы с юниорами и добывающими компаниями.
• VRIFY и VerAI — платформы, предоставляющие ПО для геологоразведки по модели SaaS.
• FLEET — разработка собственных решений.
• EIS — открытый проект Европейского союза (доступны инструменты на GitHub и плагин для QGIS).
• Институт имени Карпинского — разработка собственных алгоритмов и предоставление услуг с их использованием.
❓ Где обещанный результат? Вопрос, который волнует всех геологов.
Долгое время эффективность ИИ оставалась под вопросом, но недавно гонка технологий перешла в практическую плоскость.
🏆 Первые ласточки:
KoBold Metals громко заявили об открытии медно-кобальтового объекта «Mingomba» в Замбии (Центральноафриканский медный пояс). Это первый громкий успех ИИ в поиске металлов ( обзор о компании KoBold Metals и история открытия месторождения ).
В начале февраля канадская Equinox Gold опубликовала пресс-релиз об открытии новой золотоносной зоны «Minotaur» в 8 км от их месторождения Valentine. Открытие было сделано с использованием ИИ-платформы от компании VRIFY и уже подтверждено бурением (обзорная презентация от VRIFY)
💡 Важно отметить, что оба объекта находятся в пределах известных рудных узлов и вблизи существующих месторождений. Это подтверждает гипотезу, что на данном этапе ключевым фактором успеха является наличие качественного эталонного объекта для обучения модели. ИИ пока эффективнее работает на масштабе локальных структур, чем на региональном уровне, но важно что первые результаты уже есть.
По этой ссылке вы можете ознакомится боле консервативным взглядом/анализом Александра Шпектрова на проекты KoBold Metals (анализ открытия объекта «Mingomba») и проекты команды EarthAI.
Последнее десятилетие прошло под знаком бурного развития искусственного интеллекта. Мы привыкли, что нейросети пишут тексты, рисуют картины, ищут котиков на видео и прогнозируют продажи. Казалось бы, применение тех же технологий для поиска месторождений — задача очевидная. Ведь геологически/геохимические/геофизические карты — это те же изображения, а аномалии полезных ископаемых можно рассматривать как «объекты» на снимке.
Однако есть принципиальное отличие: если для обучения модели распознаванию котиков существуют миллионы снимков, то количество известных месторождений (особенно конкретного типа) исчисляется сотнями, а то и десятками. Этого катастрофически мало для «классического» машинного обучения.
🚀 Но сложности не остановили исследователей. За последние 6–7 лет на рынке появилось множество проектов, как внутрикорпоративных, так и коммерческих сервисов. Вот лишь некоторые из них:
• KoBold Metals — разработка собственного алгоритма для внутреннего использования.
• EarthAI — создание алгоритмов для совместной работы с юниорами и добывающими компаниями.
• VRIFY и VerAI — платформы, предоставляющие ПО для геологоразведки по модели SaaS.
• FLEET — разработка собственных решений.
• EIS — открытый проект Европейского союза (доступны инструменты на GitHub и плагин для QGIS).
• Институт имени Карпинского — разработка собственных алгоритмов и предоставление услуг с их использованием.
❓ Где обещанный результат? Вопрос, который волнует всех геологов.
Долгое время эффективность ИИ оставалась под вопросом, но недавно гонка технологий перешла в практическую плоскость.
🏆 Первые ласточки:
KoBold Metals громко заявили об открытии медно-кобальтового объекта «Mingomba» в Замбии (Центральноафриканский медный пояс). Это первый громкий успех ИИ в поиске металлов ( обзор о компании KoBold Metals и история открытия месторождения ).
В начале февраля канадская Equinox Gold опубликовала пресс-релиз об открытии новой золотоносной зоны «Minotaur» в 8 км от их месторождения Valentine. Открытие было сделано с использованием ИИ-платформы от компании VRIFY и уже подтверждено бурением (обзорная презентация от VRIFY)
💡 Важно отметить, что оба объекта находятся в пределах известных рудных узлов и вблизи существующих месторождений. Это подтверждает гипотезу, что на данном этапе ключевым фактором успеха является наличие качественного эталонного объекта для обучения модели. ИИ пока эффективнее работает на масштабе локальных структур, чем на региональном уровне, но важно что первые результаты уже есть.
По этой ссылке вы можете ознакомится боле консервативным взглядом/анализом Александра Шпектрова на проекты KoBold Metals (анализ открытия объекта «Mingomba») и проекты команды EarthAI.
❤7👍1
Forwarded from Геовебинары
FWI — когда скоростная модель перестаёт быть «приближением» 🌍
В нефтегазовой сейсморазведке Full Waveform Inversion уже давно перестал быть «экзотикой для научных статей». Сегодня FWI — это один из ключевых инструментов построения высокоразрешающих моделей среды, где каждая ошибка в скорости может стоить очень дорого.
Но между красивыми картинками в публикациях и промышленным внедрением лежит целый набор непростых вопросов:
🔹 как работает полноволновая инверсия на практике;
🔹 почему cycle skipping остаётся главным ограничением метода;
🔹 зачем FWI нужны GPU-кластеры;
🔹 где в современной вычислительной геофизике начинают работать элементы ИИ.
На геовебинаре Юрий Никоненко (ООО «БурСервис», подразделение Цифровых Решений) разберёт не только теорию FWI, но и реальные вычислительные и производственные аспекты применения метода в современной сейсморазведке.
📅 26 мая 2026
🕚 11:00 (мск)
Геовебинар проходит в рамках тематической площадки «Программирование в геологии».
👉 Подключайтесь к трансляции:
https://geowebinar.com/webinars/full_waveform_inversion_ot_teorii_k_promyshlennomu_primeneniu_v_neftegazovoy_seysmorazvedke
#геофизика #сейсморазведка #FWI #FullWaveformInversion #нефтегаз #вычислительнаягеофизика #геология #программирование #GPU #инверсия
В нефтегазовой сейсморазведке Full Waveform Inversion уже давно перестал быть «экзотикой для научных статей». Сегодня FWI — это один из ключевых инструментов построения высокоразрешающих моделей среды, где каждая ошибка в скорости может стоить очень дорого.
Но между красивыми картинками в публикациях и промышленным внедрением лежит целый набор непростых вопросов:
🔹 как работает полноволновая инверсия на практике;
🔹 почему cycle skipping остаётся главным ограничением метода;
🔹 зачем FWI нужны GPU-кластеры;
🔹 где в современной вычислительной геофизике начинают работать элементы ИИ.
На геовебинаре Юрий Никоненко (ООО «БурСервис», подразделение Цифровых Решений) разберёт не только теорию FWI, но и реальные вычислительные и производственные аспекты применения метода в современной сейсморазведке.
📅 26 мая 2026
🕚 11:00 (мск)
Геовебинар проходит в рамках тематической площадки «Программирование в геологии».
👉 Подключайтесь к трансляции:
https://geowebinar.com/webinars/full_waveform_inversion_ot_teorii_k_promyshlennomu_primeneniu_v_neftegazovoy_seysmorazvedke
#геофизика #сейсморазведка #FWI #FullWaveformInversion #нефтегаз #вычислительнаягеофизика #геология #программирование #GPU #инверсия
👍2
Forwarded from Геовебинары
Когда нефтегазовый актив оценивает не один ИИ, а целая команда цифровых экспертов 🤖⛽️
Оценка перспективного актива обычно требует недель, а иногда и месяцев работы геологов, разработчиков, экономистов и инженеров. Но что если значительную часть этой работы взять на себя мультиагентной AI-системе?
🗓 9 июня 2026 года
🕚 11:00 (МСК)
На Платформе Геовебинары генеральный директор ООО «АВП ИИ» Глеб Ленский расскажет о реальном опыте создания системы, в которой работают сразу шесть специализированных агентов: от геологии и гидродинамики до экономики и бизнес-анализа.
🧠 Как устроена мультиагентная архитектура?
📊 Почему расчётные формулы вынесены за пределы языковой модели?
🔍 Где искусственному интеллекту уже можно доверять, а где необходим жёсткий контроль эксперта?
⚙️ Как организован каскад верификации запасов?
Геовебинар будет интересен геологам, перспективщикам, инженерам и всем специалистам, которые следят за практическим применением AI в недропользовании.
👉 Подключайтесь к трансляции и разбирайтесь в деталях:
https://geowebinar.com/webinars/multiagentnaya_ai_sistema_dlya_skrininga_neftegazovyh_aktivov_arhitektura_i_realnye_keysy
#Геовебинары #ИскусственныйИнтеллект #AI #Нефтегаз #Недропользование #Геология #Геологоразведка #Цифровизация #OilAndGas #DataScience
Оценка перспективного актива обычно требует недель, а иногда и месяцев работы геологов, разработчиков, экономистов и инженеров. Но что если значительную часть этой работы взять на себя мультиагентной AI-системе?
🗓 9 июня 2026 года
🕚 11:00 (МСК)
На Платформе Геовебинары генеральный директор ООО «АВП ИИ» Глеб Ленский расскажет о реальном опыте создания системы, в которой работают сразу шесть специализированных агентов: от геологии и гидродинамики до экономики и бизнес-анализа.
🧠 Как устроена мультиагентная архитектура?
📊 Почему расчётные формулы вынесены за пределы языковой модели?
🔍 Где искусственному интеллекту уже можно доверять, а где необходим жёсткий контроль эксперта?
⚙️ Как организован каскад верификации запасов?
Геовебинар будет интересен геологам, перспективщикам, инженерам и всем специалистам, которые следят за практическим применением AI в недропользовании.
👉 Подключайтесь к трансляции и разбирайтесь в деталях:
https://geowebinar.com/webinars/multiagentnaya_ai_sistema_dlya_skrininga_neftegazovyh_aktivov_arhitektura_i_realnye_keysy
#Геовебинары #ИскусственныйИнтеллект #AI #Нефтегаз #Недропользование #Геология #Геологоразведка #Цифровизация #OilAndGas #DataScience