ProActivo | 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. La información beneficia 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 poder realizar todo 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 lo importante, tener a profesionales de diversas disciplinas trabajando en esto”, afirmó Martos en declaraciones recogidas por ProActivo, 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 puedan 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 categorizar de la manera correcta, pero vamos a tener la seguridad de que cuando venga información nueva la probabilidad de que la categorización sea la correcta es muy alta”, explicó.
“En soluciones tenemos muchas leyes, en este caso es una tabla que tenemos de multielementos, tendríamos entre 50 o 60 elementos cuando enviamos nuestras muestras de taladros. Así que hemos utilizado estos números para poder predecir la litología, pueden ver las diferentes capas. Fue un experimento exitoso (para los estudios geológicos). El modelo se mantiene mejor mientras más cercano”, dijo.
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 vamos a tener que seguir utilizando el muestreo estadístico y tener claro qué cosa no ha cambiado. Finalmente está la calidad de la información, si entra información basura esta no se mantendrá. 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.