Dalam wawancara eksklusif ini, Tomer Srulevich, Chief Business Officer di Razor Labs, berbagi tentang bagaimana platform DataMind AI™ mereka yang memenangkan penghargaan mengubah operasi pertambangan. Srulevich membahas perjalanan dari mengatasi tantangan integrasi data hingga memberikan pemeliharaan prediktif berbasis AI yang mengurangi downtime, meningkatkan keselamatan, dan memperpanjang umur aset.
Mining Technology: Selamat atas memenangkan penghargaan Inovasi di kategori Equipment Diagnostics! Apa arti penghargaan ini untuk Razor Labs dan tim Anda?
Tomer Srulevich: Ini momen membanggakan untuk seluruh tim. Penghargaan ini mengakui tahun-tahun yang kami habiskan untuk mengembangkan, menerapkan, dan menyempurnakan solusi AI yang dirancang khusus untuk tantangan unik pertambangan. Ini bukan hanya kemenangan teknologi — tapi juga bukti dampak yang kami berikan di lapangan. Pekerjaan kami menghilangkan titik buta, mencegah kerusakan, dan membuat lokasi lebih aman dan efisien. Pengakuan ini juga memotivasi kami untuk terus mendorong batas-batas apa yang bisa dilakukan AI di industri berat.
Mining Technology: Bisakah Anda jelaskan lebih detail tentang visi di balik DataMind AI™ dan bagaimana itu sejalan dengan misi Razor Labs di industri pertambangan?
Tomer Srulevich: Dari awal, visi kami adalah mengganti pemeliharaan reaktif dengan aksi prediktif berbasis AI — bukan hanya peringatan, tapi juga analisis akar masalah dan langkah-langkah solusi. DataMind AI™ dibangun sebagai solusi siap pakai yang bisa diintegrasikan dengan infrastruktur yang ada atau berdiri sendiri. Tujuan kami adalah mengurangi downtime tak terencana, memperpanjang umur aset, dan memberikan tim visibilitas penuh atas peralatan kritis — seperti pompa, pabrik, crusher, atau conveyor. Ini cara kami untuk memasukkan pengambilan keputusan cerdas secara real-time ke dalam operasi situs.
Mining Technology: DataMind AI™ jelas menunjukkan penghematan biaya dan efisiensi operasional yang signifikan. Bagaimana Anda mengukur kesuksesan solusi AI Anda dalam aplikasi dunia nyata?
Tomer Srulevich: Kami mengukur kesuksesan di hal yang paling penting: downtime yang dihindari, uang yang dihemat, dan keandalan yang meningkat. Misalnya, di situs bijih besi, kami mengidentifikasi kerusakan cepat pada bearing pompa yang terlewat oleh inspeksi tradisional — menyelamatkan pelanggan dari kerusakan sekunder dan shutdown tak terencana yang mahal. Di kasus lain, kami menemukan fluting listrik pada bearing motor conveyor di tambang batu bara, memungkinkan intervensi dini yang memperpanjang umur peralatan. Hasil ini menghemat ratusan ribu dolar — dan yang tak kalah penting, mencegah risiko keselamatan dan gangguan pada produksi.
Mining Technology: Apa saja tantangan utama yang Anda hadapi saat mengembangkan DataMind AI™, dan bagaimana Anda mengatasinya?
Tomer Srulevich: Salah satu tantangan terbesar adalah mengintegrasikan data yang terfragmentasi dari sensor getaran, SCADA, dan alat handheld ke dalam format yang koheren dan bisa dibaca AI. Kami mengatasinya dengan membangun arsitektur Sensor Fusion — menggabungkan data suhu, tekanan, arus, getaran, oli, dan visual ke dalam model yang menyatu. Tantangan lainnya adalah beradaptasi dengan peralatan kecepatan rendah seperti kiln dan stacker, di mana alat getaran tradisional kesulitan. Teknik envelope demodulation dan edge computing buatan kami memungkinkan pendeteksian masalah di bawah 100 RPM — sesuatu yang belum ada di pasaran sampai sekarang.
Mining Technology: Bagaimana Anda melihat evolusi pemantauan real-time di industri pertambangan, dan peran apa yang akan dimainkan Razor Labs dalam evolusi tersebut?
Tomer Srulevich: Pemantauan real-time berkembang dari sekadar peringatan ke diagnostik otomatis dengan tindakan solusi. Tidak cukup hanya tahu ada masalah — Anda perlu tahu apa yang harus dilakukan. DataMind AI™ sudah memimpin perubahan itu dengan mengidentifikasi tidak hanya mode kegagalan tapi juga akar penyebab, dan menyarankan tindakan perbaikan yang tepat. Kami menuju ke lingkungan di mana pemeliharaan cerdas secara default, dan downtime terjadwal — bukan dipaksakan.
Mining Technology: Bisakah Anda jelaskan bagaimana DataMind AI™ berbeda dari metode pemantauan tradisional, terutama dalam hal teknologi dan analisis data?
Tomer Srulevich: Metode tradisional sangat bergantung pada pelanggaran ambang batas atau pembacaan sensor yang terisolasi. Pendekatan itu reaktif dan terbatas. DataMind AI™ menggunakan deep neural networks, multi-sensor fusion, dan envelope demodulation untuk mendeteksi tanda-tanda kegagalan yang tersembunyi sejak dini. Misalnya, di satu situs, sistem kami mendeteksi fluting pada bearing karena arus liar — masalah halus yang tidak terdeteksi hanya dengan kecepatan getaran. Tidak seperti alat lama, kami menganalisis getaran dalam domain akselerasi dan menggabungkannya dengan data arus listrik dan tekanan untuk akurasi yang jauh lebih baik.
E-mail: [email protected]
Website: https://www.razor-labs.com