Mineral Forecast, empresa chilena de tecnología para la exploración, organizó recientemente una charla en la que se profundizó sobre los avances y desafíos que la inteligencia artificial está trayendo a la minería, especialmente en terrenos brownfield.
Este tipo de exploración, realizada en áreas cercanas a minas operativas, enfrenta múltiples retos, entre ellos la integración de datos antiguos y actuales, la interpretación de información geológica compleja y la toma de decisiones más informadas.
Integración de variables complejas en la exploración
El webinar, titulado “Exploración brownfield con IA: Del dato al target”, reunió a expertas que discutieron cómo la IA puede optimizar la búsqueda de nuevos depósitos minerales. Astrid San Martín, Data Scientist y candidata a doctora en Ciencias de la Ingeniería, destacó los problemas inherentes a la exploración tradicional.
“A veces tenemos mucha información local, conocemos muy bien el área, pero nos falta un conocimiento más global. Entonces, se nos empieza a generar un problema de poca capacidad de generalizar”. La falta de integración de información de distintas fuentes y la necesidad de aprender de los datos disponibles fueron algunos de los puntos clave de la charla.
El uso de inteligencia artificial en este proceso propone superar el “desbalance de la información” al integrar diversas fuentes de datos geofísicos y geoquímicos. San Martín planteó: “La IA no viene a reemplazar, viene a complementar, viene a entregar las herramientas para tomar mejores decisiones, decisiones rápidas, decisiones informadas”.
Indicó que lo anterior implica que más allá de simplemente analizar grandes volúmenes de datos, la IA ayuda a los geólogos a identificar patrones espaciales y geológicos que pueden haber pasado desapercibidos.
La geociencia de datos se presenta como una disciplina emergente que combina conocimientos de geología, ciencia de datos e inteligencia artificial para ayudar a los profesionales a tomar decisiones técnicas más rápidas y defendibles. Esto permite a los geólogos, además de generar modelos predictivos más precisos, también entender y validar las decisiones que estos modelos proponen.
“El modelo no es que entienda la geología. Lo que el modelo entiende son los patrones espaciales dentro de las variables”, explicó San Martín, alineándose con la geología como criterio central para determinar qué áreas se deben considerar como objetivos de exploración.
El concepto de “multidependencia” cobra relevancia, ya que “la exploración minera no solo depende de una sola variable. En cambio, involucra una interacción compleja entre factores como la geología, la geofísica, la geoquímica y otros parámetros que, combinados, definen zonas más prometedoras”, señaló.
Un potente complemento en la interpretación geológica
Luciana Lugones, geóloga y analista de Sistema de Información Geográfica (GIS), planteó que “Los geólogos ya hacen esto naturalmente. Lo que viene aquí, la idea a hacer es ayudarnos con la capacidad computacional”.
De esta forma, señaló que la IA no reemplaza la interpretación humana, sino que potencia la capacidad de los geólogos para analizar grandes volúmenes de datos y considerar más variables simultáneamente.
La especialista explicó que el flujo de trabajo de machine learning aplicado dista de ser un proceso lineal; es un ciclo iterativo que incluye desde la recopilación y tratamiento de datos hasta la validación geológica. “Lo que vamos a generar son targets que no solo consideren el mineral de interés, sino que también sean operativamente factibles”.
De esta forma, destacó que la metodología permite reducir el riesgo de perforaciones infructuosas, con la respectiva mejora en la eficiencia en la toma de decisiones y reducción de costos.
Optimización en la identificación de brechas hidrotermales
Uno de los casos más relevantes fue el uso de IA para identificar brechas hidrotermales de oro en un proyecto brownfield en Chile. Lugones explicó que, mediante la integración de datos históricos de sondajes, geoquímica, geofísica y otras fuentes, se generaron modelos multiclasificadores que ayudaron a identificar zonas de alta ley de oro, especialmente en áreas de óxidos.
“La geofísica, en el caso de los depósitos ciegos, es una de las grandes herramientas que nos ayudan”, expuso la especialista al destacar cómo la integración de diferentes tipos de datos, que se procesan mediante IA, genera resultados más precisos y operativamente viables.
Se destacó el poder de la inteligencia artificial como complemento esencial en la exploración minera, donde la interacción entre la tecnología y el conocimiento geológico tradicional se vuelve esencial. Herramientas como Geo AI Advisor de Mineral Forecast proponen que los geólogos puedan optimizar el uso de los datos disponibles, haciendo de la exploración brownfield una actividad más eficiente y estratégica.
La explicabilidad en IA como clave para procesos confiables
Astrid San Martín concluyó: “La explicabilidad dentro de los modelos de machine learning es fundamental”, lo que enfatiza que la transparencia en los modelos, además de mejorar la toma de decisiones, también asegura que el proceso sea confiable y defendible frente a cualquier análisis posterior.
Estos avances en la aplicación de la IA abren nuevas perspectivas para la minería, donde la colaboración entre humanos y máquinas abre vías hacia el descubrimiento de nuevos recursos.
