Mike Martos, Chief Geological Data Scientist de Newmont

Mike Martos, Chief Geological Data Scientist de Newmont.

Mike Martos, Chief Geological Data Scientist de Newmont, habla sobre las bondades del machine learning en la geofísica y el uso del 3D, que incentiva el conocimiento de estas herramientas tecnológicas.

El uso de machine learning en la industria minera brinda una serie de beneficios, principalmente en lo que respecta a la administración de la data de procesos y a profesionales de diversas áreas, así lo asegura Mike Martos, Chief Geological Data Scientist de Newmont.

“Lo que queremos es reunir a profesionales de muchas disciplinas como geofísicos, estructuralistas, geoquímicos y geólogos, para realizar este trabajo y poder alcanzar objetivos o ver zonas donde podríamos utilizar el resto de nuestras técnicas y herramientas para detectar si podemos encontrar más minerales allí. Eso es básicamente muy importante”, afirmó durante el CIIT Latam Congress 2022.

Martos destacó que los modelos de machine learning pueden llegar a ser entrenados para que no pierdan ni un solo valor y así predecir exactamente algo, aunque tiene sus limitaciones. “No queremos determinar el borde exacto donde no perdamos nada porque apenas movamos este modelo a otra información simplemente no vamos a poder predecir, así que no podemos generalizar. Lo que queremos es tener esa línea un poco más suavizada, donde algunos de los valores los vamos a perder. No a todos los vamos a poder categorizar de manera correcta, pero tendremos la seguridad de que cuando venga información nueva, la probabilidad de que la categorización sea la correcta, es muy alta”, explicó.

ESTADÍSTICA

Para evitar la filtración de datos durante la etapa del entrenamiento, el experto resaltó los beneficios de trabajar con estadística. “No podemos olvidar la estadística. No porque tengamos millones y millones de registros significa que vamos a tener un resultado correcto. Siempre tenemos que seguir utilizando el muestreo estadístico y tener claro qué cosa no ha cambiado.

CALIDAD DE INFORMACIÓN

Finalmente está la calidad de la información. Basura entra y basura sale”, dijo.

Martos explicó que el machine learning permite emplear información netamente geofísica; es decir, información magnética tomada en la superficie. “Utilizamos métodos no supervisados. La data geofísica se acomoda muy bien a todo este proceso tanto porque es numérica y tiene muy buena cobertura”, puntualizó.

Revista-ProActivo

Esta nota es parte de la edición N° 210 de la Revista ProActivo.
Para ver la edición impresa haga clic aquí.