От завышенных ожиданий к реальным результатам: взгляд Seequent на протокол контекста модели, вайб-кодинг и будущее ИИ в науках о Земле

Технологии ИИ в геонауках рискуют остаться областью завышенных ожиданий и ограниченных результатов. Ограничения связаны не столько с возможностями моделей, сколько с качеством данных, контекстом и уровнем доверия.

Команда Seequent убеждена, что будущее ИИ — это не просто набор инструментов. Речь идет о создании надежных специализированных решений. Новые технологии могут играть важную роль, но их необходимо тщательно соотносить с задачами, которые они призваны решать.

В этой статье мы рассмотрим, как новые технологии могут приносить реальную пользу специалистам в геонауках, а не становиться очередным набором инструментов.

Основа стратегии Seequent в области ИИ проста: его эффективность напрямую зависит от качества данных, к которым у него есть доступ и которые он способен корректно интерпретировать.

Геонаучные данные сложны, зачастую фрагментированы и нередко хранятся в разрозненных системах. Без контекста, истории происхождения и четкой структуры даже самые совершенные модели ИИ с трудом обеспечивают надежные результаты. При принятии критически важных решений, таких как классификация содержания полезного компонента или оценка ресурсов, надежность результатов определяется полнотой и достоверностью исходных данных.

Seequent Evo формирует унифицированный слой данных, объединяя геонаучные данные, вычислительные ресурсы и рабочие процессы в единую среду, что снижает неопределенность и позволяет ИИ выдавать результаты, которым наши клиенты могут доверять.

Такая инфраструктура позволяет ИИ работать в рамках реальных геонаучных процессов, где критически важны контекст, неопределенность и происхождение данных. Без этого ИИ остается лишь универсальным инструментом без отраслевой специфики. А с этой основой он становится помощником, способным поддерживать принятие решений на отраслевом уровне.

После консолидации данных можно переходить к созданию инструментария на базе ИИ.

Анализ изображений керна на основе ИИ в Seequent Imago автоматически выявляет и классифицирует интервалы горных пород, преобразуя рутинную фотосъемку в структурированные данные, готовые к дальнейшему анализу.

Вайб-кодинг — это подход к разработке программного обеспечения, при котором вы описываете желаемый результат на естественном языке, а ИИ генерирует код и приложение, избавляя от необходимости писать каждую строку вручную. Это дает ученым и отраслевым экспертам возможность создавать специализированные решения для работы со своими данными и уникальными задачами без необходимости программирования.

Открытый пакет Seequent Evo Python SDK представляет собой библиотеку для работы с нашими публичными API, которая заметно упрощает разработку решений на базе платформы Evo. Он позволяет пользователям применять вайб-кодинг для создания приложений на базе Seequent Evo с использованием популярных IDE, таких как Claude Code или VS Code.

Вайб-кодинг помогает быстро переводить идеи из концепции в прототип и решать уникальные задачи, используя преимущества платформы данных и вычислений Seequent Evo. Однако, несмотря на упрощение кастомизации и ускорение прототипирования, вайб-кодинг может создавать риски, включая непроверенный код, накопление технического долга и сложности с дальнейшим сопровождением. Организациям важно учитывать баланс между скоростью и гибкостью, с одной стороны, и контролем и надежностью в корпоративной среде — с другой.

В прошлом году мы опубликовали сервер Evo Model Context Protocol (MCP) на GitHub. Протокол MCP — это формирующийся стандарт, предназначенный для подключения ИИ-агентов к внешним системам, источникам данных и инструментам. Он обеспечивает структурированный механизм, позволяющий моделям ИИ запрашивать данные, взаимодействовать с приложениями и безопасно работать в рамках заданных правил и прав доступа.

Проще говоря, MCP выступает мостом между ИИ (например, Claude) и реальными системами (такими как программное обеспечение Seequent), позволяя агентам выходить за рамки текстовой обработки и выполнять действия с корпоративными данными. По своей сути протокол MCP похож на API, поскольку помогает системам взаимодействовать друг с другом, однако если API ориентированы на разработчиков, то серверы MCP предназначены для использования искусственным интеллектом.

Ранее в этом году наша команда с помощью вайб-кодинга создала агента, который использовал сервер Evo MCP для выполнения кригинга. Это продемонстрировало, как ИИ-агент принимает запрос на естественном языке и автоматически выполняет полный рабочий процесс геостатистического кригинга на данных, хранящихся в Evo. Он управляет множеством этапов, таких как выбор данных, подготовка моделей и запуск оценки, через MCP-сервер, избавляя пользователя от необходимости писать код. Цель состояла в том, чтобы показать, как MCP может предоставлять агентам инструменты (например, доступ к вычислительной задаче кригинга в Seequent Evo) и специализированные «навыки», позволяя выполнять сложные задачи экспертного уровня в диалоговом режиме и подчеркивая возможности Evo как платформы, поддерживающей ИИ. Это наглядно продемонстрировало, как пользователь может решать сложные геонаучные задачи, используя только естественный язык и работая с надежными данными в Evo.

В Seequent протокол MCP и вайб-кодинг рассматриваются как средства расширения возможностей, а не как центральный элемент.

Мы воспринимаем вайб-кодинг и MCP как инструменты, позволяющие опытным пользователям создавать собственные рабочие процессы на основе ИИ. Это достигается за счет:

В то же время мы понимаем, что многие клиенты предпочитают использовать ИИ как готовые функции, а не создавать решения самостоятельно. Компания Seequent настроена на дальнейшее развитие продуктов на базе ИИ (таких как приложение Driver и функция анализа изображений в Imago), а также исследует новые направления, включая специализированные агентные решения.

Параллельно мы продолжаем инвестировать в инструменты, позволяющие использовать ИИ (такие как наш пакет Python SDK для Evo и сервер Evo MCP).

Seequent Driver применяет ИИ для автоматического анализа данных бурения в трехмерной среде, помогая геологам быстрее и с меньшими трудозатратами интерпретировать структуру рудного тела.

Хотя MCP и вайб-кодинг обеспечивают гибкость, главный фокус Seequent направлен на предоставление готовых специализированных решений на основе ИИ.

Почему? Это связано с тем, что большинство специалистов в геонауках не являются разработчиками, и им не требуется ими становиться.

Наша цель — не предоставить больше инструментов, а помочь решать задачи быстрее и увереннее. Часто это означает интеграцию ИИ в виде встроенных функций в наши продукты — непосредственно в те рабочие процессы, которые специалисты используют ежедневно.

В то же время мы понимаем, что некоторые организации стремятся разрабатывать собственные решения. Для них MCP и наш пакет Python SDK обеспечивают гибкость расширения Evo и прямого подключения ИИ-агентов к их данным.

Такой двойной подход сочетает простоту использования и гибкость без ущерба для доверия и надежности.

Современный рынок переполнен как энтузиазмом, так и путаницей вокруг ИИ. Многие решения обещают трансформацию, но не оправдывают ожиданий, когда речь идет о доверии, прозрачности и применимости в реальных условиях.

ИИ не способен преобразовать геонауку исключительно за счет универсальных инструментов или полностью автономных моделей. Его потенциал раскрывается через надежные данные, интегрированные рабочие процессы и специализированные отраслевые решения.

Фокус Seequent предельно ясен:

Для тех, кто хочет изучить тему глубже, сервер Evo MCP доступен на GitHub вместе с дополнительной информацией о Seequent Evo.