Modelamiento preciso de dominios

Los algoritmos de Machine Learning pueden analizar rápidamente datos grandes, densos y complejos mucho más allá de las capacidades humanas. Pero los algoritmos no están diseñados para comprender los matices o la taquigrafía y hacer suposiciones de la manera en que las personas pueden hacerlo.

Maptek DomainMCF utiliza Machine Learning para generar límites de dominio directamente a partir de datos de muestra de sondaje, para la creación rápida de modelos de recursos.

Durante décadas, soluciones como Maptek Vulcan han brindado a las operaciones las herramientas para trabajar con datos mineros precisos y validados. Steve Sullivan, quien recientemente celebró 25 años con Maptek, ha estado apoyando a los clientes a comprender sus datos geológicos durante ese período.

Sullivan es parte del equipo detrás de la creación de DomainMCF y lo ha probado en más de 100 depósitos diferentes, cubriendo conjuntos de datos históricos, minas operativas y proyectos de exploración.

Sullivan dijo que los resultados habían demostrado la capacidad de DomainMCF para construir modelos precisos en una fracción del tiempo de los métodos tradicionales, pero reiteró la importancia de una adecuada preparación, validación y gestión de datos.

“Es una forma de pensar un poco diferente”, dijo. “Cuando trabajamos con otras personas, tomamos decisiones sobre la marcha”.

“Por ejemplo, cuando los geólogos ven NL en una base de datos que conocen, o infieren que significa que no están registrados, pueden descartar la información y seguir adelante. Pero una máquina no lo sabe, puede “pensar” que NL es un código de mineral o atributo y no sabe ignorarlo”.

“Con Machine Learning necesitamos enseñar a las máquinas cómo aprender y darles contexto. Al configurar un proyecto para Machine Learning, nuestras decisiones deben tomarse de antemano para darle a la máquina la mejor oportunidad de identificar una respuesta significativa ”.

‘Nuestros datos deben estar limpios. Esto puede ser un reto. Las minas a menudo tienen trabajadores FIFO que usan estilos de registro sutilmente diferentes y pueden ver diferentes cosas como importantes, por ejemplo, el porcentaje de veta versus el ensamblaje de alteración “.

Procesar la información se trata de establecer estándares y aplicarlos, dijo Sullivan.

“Los datos sin procesar no cambian, las interpretaciones de las personas sobre los datos cambian”.

“Como cada yacimiento es diferente, se debe adaptar un conjunto separado de estándares para cada depósito. Estos estándares se basan en una serie de pasos lógicos. Si se cumple una determinada condición, esta es la acción correcta para resolver el problema “.

La manipulación de la base de datos puede realizarse manualmente, paso a paso, o alternativamente los estándares pueden aplicarse a través de una serie de procesos o scripts. La ventaja de este último es que se mantiene una pista de auditoría para informar. Los procesos se pueden configurar y ejecutar como un flujo de trabajo estandarizado secuenciado para la reiteración.

“Esto brinda la oportunidad de aprovechar las operaciones de Machine Learning, permitiendo que los equipos de ciencia de datos y TI colaboren y aumenten el ritmo de desarrollo e implementación del modelo”.

“Lo que al principio puede parecer una ardua tarea de preparar los datos y estándares, es una valiosa inversión de tiempo, ya que desbloquea el verdadero poder de DomainMCF”, dijo.

Con Machine Learning, en lugar de modelar un depósito de recursos una vez al año o cada seis meses, los usuarios pueden generar un modelo todos los días a medida que ingresan los datos adicionales, porque todos los estándares están ahí y listos para funcionar.

Este ya no es un modelo estático de una operación, es un modelo dinámico y en vivo donde los ingenieros y geólogos están tomando decisiones utilizando los últimos datos.

La importancia de poder tomar decisiones basadas en la información actual es evidente cuando los precios de los metales son erráticos, como lo son ahora.