IA frente a exploración mineral tradicional: qué cambia realmente

El flujo de trabajo tradicional para la definición de objetivos

En la exploración mineral común, un geólogo primero construye un modelo del yacimiento que quiere encontrar. El modelo enumera las señales que se esperan cerca de ese tipo de yacimiento, como el tipo de roca, las estructuras, los minerales de alteración, una firma geofísica y un halo químico en el suelo. Luego el geólogo compara los conjuntos de datos disponibles en un software de mapeo (SIG) y busca los lugares donde varias señales se alinean. El resultado es una lista corta de objetivos prioritarios para estudiar o perforar.

Este trabajo depende mucho de la experiencia del geólogo con ese tipo de yacimiento, de su conocimiento de la geología local y de su habilidad para mantener varias capas de datos en mente a la vez. Es la habilidad central de un buen explorador, y funciona. Ha encontrado la mayoría de las minas que tenemos hoy.

También tiene límites que vienen del método, no del talento. La mente humana en realidad solo puede combinar de tres a cinco conjuntos de datos a la vez. Un proyecto moderno puede tener veinte capas o más, así que hacerlo a mano no escala. Y el modelo de yacimiento es una suposición, no una medición. Pasará por alto las señales que el geólogo no esperaba.

Qué reemplaza el mapeo de prospectividad con IA

El mapeo de prospectividad con IA automatiza el paso en el que se comparan los conjuntos de datos. En lugar de que un geólogo empareje las capas a mano, un modelo de aprendizaje automático aprende la mezcla de características que aparece con los yacimientos conocidos en los datos. Luego aplica ese patrón a toda el área. Usa todas las capas a la vez, no solo tres o cinco.

El modelo puede encontrar relaciones que una persona ni siquiera buscaría, porque no forman parte de ningún modelo de yacimiento conocido. Por ejemplo, una relación discreta entre un cambio de gravedad, cierto límite de roca y una proporción inusual entre dos elementos traza puede ser invisible a mano, pero clara en un conjunto de datos grande. El modelo la señala, y el geólogo decide si tiene sentido geológico.

Una cosa que cambia es el tiempo desde los datos hasta la lista de objetivos. Un trabajo que a un geocientífico sénior le toma de tres a cuatro semanas a mano puede hacerse por computadora en días, a cualquier escala, desde un solo distrito hasta toda una región. La otra cosa que cambia es qué tan completa es la comparación. Cada punto se puntúa frente a cada capa. Nada se omite por el lugar en el que el intérprete puso su atención.

Qué no reemplaza el mapeo de prospectividad con IA

El modelo no comprende la geología. Encuentra patrones estadísticos, mezclas de características que se parecen a las que aprendió cerca de los yacimientos conocidos, pero no sabe por qué se forman esas mezclas. Para el modelo, una medición geofísica causada por una capa de grafito puede verse igual que una causada por un cuerpo de sulfuros, a menos que los datos de entrenamiento tengan suficientes ejemplos para distinguirlas.

Por eso la revisión por parte de un geocientífico no es opcional. Antes de que cualquier lista de objetivos hecha por IA oriente una decisión de perforación, un geólogo calificado necesita revisar cada objetivo frente al mapa geológico, las estructuras, las zonas de alteración si se conocen, y cualquier perforación pasada que ya pudiera explicar la medición. El modelo propone, y el geólogo decide.

Lo que no cambia es la necesidad de juicio geológico para evaluar lo que el modelo encontró. El conocimiento del tipo de yacimiento, de la región y de la historia tectónica del área no se reemplaza. Simplemente se usa en otro momento: después de que el modelo ha comparado los datos, no antes.

Requisitos de datos: menos de lo que la mayoría de los equipos esperan

La preocupación más común sobre el mapeo de prospectividad con IA es que necesita conjuntos de datos enormes. Eso solo es cierto en parte. El modelo necesita suficientes yacimientos conocidos o perforaciones mineralizadas para aprender, idealmente al menos dos o tres en el área. Los datos de apoyo pueden ser cualquier dato geocientífico que cubra el área, como geofísica, química de suelos, mapas geológicos y registros de perforación. No hay un tamaño mínimo, y no se requiere ninguna preparación de su parte.

Los datos escasos no hacen inútil el mapeo con IA. Solo amplían la incertidumbre. Un modelo entrenado con dos yacimientos conocidos da un mapa con un margen de error más amplio que uno entrenado con veinte. Ese margen es honesto y útil. Muestra dónde más datos ayudarían más al modelo, y eso en sí mismo es una decisión de exploración útil.

Los proyectos sin ningún yacimiento conocido aún pueden aprovecharlo. Los relevamientos geológicos públicos contienen ubicaciones de yacimientos de cientos de contextos parecidos en todo el mundo. Estos datos 'comparables' pueden entrenar el modelo cuando no hay ejemplos locales. El modelo aprende de esos comparables y aplica el resultado a su área, con un margen de error adecuadamente amplio.

La comparación de costos que importa

La definición de objetivos liderada por un geólogo a escala distrital cuesta varias semanas de tiempo de personal sénior, más el trabajo de mapeo y gestión de datos de un proyecto con varios conjuntos de datos. A escala regional, puede requerir un estudio completo de varios meses. El mapeo de prospectividad con IA a la misma escala toma días.

La verdadera pregunta no es '¿es la IA mejor que un geólogo?'. Es esta: con un presupuesto fijo, ¿qué mezcla de trabajo con IA y tiempo de geólogo da los mejores objetivos de perforación? En la mayoría de los casos la respuesta es la misma. Deje que la IA compare el conjunto completo de datos, guarde el tiempo del geólogo para revisar y mejorar los resultados, y dedique el tiempo ahorrado a mirar más de cerca los mejores objetivos.

Los programas que logran este equilibrio acortan el tiempo desde los datos hasta el pozo de perforación. Lo hacen sin bajar la calidad del juicio geológico detrás de cada objetivo. Ese es el verdadero valor.