El Dr. Antoine Caté, consultor sénior en geología estructural en SRK Toronto, expondrá sobre este tema en la próxima edición del Congreso Internacional de Prospectores y Exploradores - proExplo 2021. A continuación presentamos una entrevista realizada al Dr. Caté.

 

¿Cómo se convirtió en un experto en machine learning aplicado a la exploración de minerales?

Conocí el concepto de machine learning durante mis estudios de postgrado en Québec. El proyecto requería integrar un extenso conjunto de datos litogeoquímicos multielementos sobre un depósito. Así, nos dimos cuenta de que el machine learning era la respuesta al problema.

Luego, continué aprendiendo a través de proyectos académicos y relacionados con la industria. El machine learning estaba empezando a convertirse en un tema de interés en ese momento y tuve la oportunidad de estar en el lugar correcto en el momento adecuado.

¿Podría definir para los no expertos el significado y la relación entre "big data", "machine learning", "redes neuronales" e "inteligencia artificial"?

El término "big data" se refiere a cualquier conjunto de datos que es demasiado grande para ser procesado, analizado y visualizado con un software estándar. Un conjunto de datos puede ser grande debido a su volumen (número de puntos de datos), su variedad (la complejidad de cada punto de datos) y su velocidad (la velocidad a la que se generan los datos). La gran mayoría de conjuntos de datos en geología de exploración no pueden clasificarse como “big data”.

El término "machine learning" se refiere a todos los algoritmos informáticos que hacen predicciones basadas en datos de ejemplo. Los datos de ejemplo se incorporan al algoritmo, éste aprende automáticamente las pautas de los datos con un mínimo de intervención humana, y puede hacer predicciones basadas en este aprendizaje. Por ejemplo, se puede suministrar al algoritmo miles de imágenes de riolita y basalto. El algoritmo aprenderá la diferencia entre los dos y podrá predecir si una nueva imagen es de riolita o de basalto.

Una red neuronal es una red de neuronas o nodos conectados entre sí por pesos. Un peso representa la fuerza de conexión entre dos neuronas. La arquitectura de las redes neuronales se inspira en las neuronas biológicas del cerebro humano. Las neuronas están conectadas en un orden determinado, determinándose el valor de una neurona por el valor de todas las neuronas de entrada multiplicado por los pesos de conexión. Como un simple ejemplo teórico, los valores de entrada, como los datos de ensayo, se proporcionan a una red. Los datos del ensayo se multiplican por los pesos de conexión para calcular la neurona de salida. Si la neurona de salida tiene un valor calculado bajo, la muestra es estéril. Si la neurona de salida tiene un valor alto, la muestra es mineralizada. Las redes neuronales complejas con millones de neuronas interconectadas pueden utilizarse para tareas complejas como el registro automatizado de testigos utilizando imágenes del testigo.

El campo de la inteligencia artificial se centra en la investigación relativa a la capacidad de las computadoras para pensar y razonar como un ser humano. Sin embargo, siguiendo una explicación más realista, la inteligencia artificial se refiere a todos los programas o algoritmos que imitan las funciones cognitivas humanas. Esta definición abarca un amplio espectro de inteligencias artificiales. Por ejemplo, una celda de Excel que calcula 1+1=2 es una inteligencia artificial. Un coche que se conduce por sí mismo también es una inteligencia artificial.

¿Nos podría contar algún caso exitoso de descubrimiento impulsado por el uso de machine learning?

El machine learning no puede ser considerado el único responsable en los casos de descubrimiento. El machine learning ha sido utilizado en conjunto con otras herramientas para hacer descubrimientos en la exploración de minerales. Hay varios ejemplos de empresas como Goldspot Discoveries u Orefox que han producido objetivos utilizando machine learning y los han validado en el campo. Sin embargo, el machine learning es solo una de las muchas herramientas que conducen al descubrimiento.

Los buenos datos recogidos en el campo o a través de la teledetección, un modelo de exploración sólido y geólogos de campo cualificados que validan los objetivos, son todas partes necesarias del proceso de descubrimiento. El machine learning es solo una poderosa herramienta que ayuda a la exploración de minerales, de manera similar al mapeo geológico y al análisis estructural.

¿Cree que el escenario de pandemia que vivimos en el mundo puede acelerar aún más el uso de los procesos informáticos en la exploración de minerales?

Estoy totalmente de acuerdo con esta afirmación. La pandemia supuso una buena oportunidad para tomarnos un tiempo y examinar nuestros datos y extraer valor de ellos. También tuvimos que encontrar formas de continuar con la exploración sin poder acceder al campo. Y esto generalmente pasa a través de una computadora. Por ejemplo, tuvimos que confiar en el logueo de testigos de perforación utilizando imágenes durante la pandemia. También fue una oportunidad para desarrollar nuevas herramientas. Tuvimos que construir un algoritmo que mapeara automáticamente todas las vetas a partir de imágenes de testigos de perforación de un yacimiento para un cliente, ya que el logueo manual habría sido demasiado costoso y lento. Creo que la pandemia fue una buena oportunidad para optimizar nuestro trabajo y mejorar el proceso de exploración. Más allá de estas oportunidades, la pandemia nos ha recordado lo valioso que es el trabajo de campo y las visitas de campo.