Por qué la IA para la definición de objetivos minerales falló la primera vez, y qué cambió

El patrón es conocido. Un número de exactitud seguro de sí mismo, un mapa de calor, unos pocos sitios de validación elegidos a dedo y muy pocos detalles sobre cómo se obtuvo el resultado. El geólogo en la sala hace la pregunta obvia, que es por qué un píxel está en rojo, y la respuesta es alguna versión de 'el modelo lo sabe'. La reunión termina con cortesía. No se perfora nada.

Esto no es un fracaso de la IA. Es un fracaso de cómo se vendió la IA a un campo donde cada recomendación debe defenderse ante un comité técnico, una junta directiva y, al final, una broca de perforación.

La opacidad es el problema central que la minería tiene con la IA

Un mapa de calor sin explicación no es una herramienta que un geocientífico en activo pueda usar. La disciplina se basa en el razonamiento de causa y efecto, en poder señalar un objetivo y decir qué estructura, qué zona de alteración y qué pista química lo respaldan. Un modelo que da un número pero no los datos que hay detrás no aporta nada a ese argumento. Solo pide que se confíe en él por su propia palabra.

DepoDart se construyó sobre la idea contraria. La plataforma es transparente y fácil de explicar. Muestra los vínculos entre cada predicción y los datos que la impulsan, así que el resultado es fácil de justificar. Nuestro equipo lo usa durante el proyecto, recorriéndolo con los geocientíficos del cliente en lugar de entregar una caja negra. Esto no se añadió al final. Es el problema que el equipo se propuso resolver desde el principio, porque la falta de transparencia es uno de los principales problemas de la minería con la IA.

Qué significa realmente una probabilidad calibrada

Una segunda forma en que fallaron las herramientas anteriores es la puntuación no calibrada. Un píxel marca 0,92, el equipo lo toma como una probabilidad de mineralización del 92 por ciento, perfora allí y no encuentra nada. La puntuación nunca fue una probabilidad real. Era solo un ranking disfrazado de porcentaje.

DepoDart calibra sus predicciones con un método llamado escalado de Platt. Un punto con una puntuación de 0,80 debería contener un yacimiento alrededor del 80 por ciento de las veces, a lo largo de muchos puntos así. Esto suena como un pequeño detalle técnico. En la práctica, es la diferencia entre un resultado sobre el que un geólogo puede planificar un presupuesto y un resultado que hay que descontar en una cantidad desconocida cada vez que se lee.

La incertidumbre va en el entregable, no en el anexo

Cada mapa de prospectividad de DepoDart viene con un mapa de incertidumbre. Estimamos esa incertidumbre entrenando el modelo muchas veces con distintas muestras de los datos y midiendo cuánto varían los resultados. Donde varían mucho, más datos ayudarían más. Los objetivos de perforación más sólidos son los puntos con alta probabilidad y baja variación. Los mejores lugares para añadir una línea de relevamiento o una grilla de suelos son los puntos con alta variación, cerca del umbral.

Esto importa por dos razones. Primero, muestra al equipo dónde el modelo está seguro y dónde está adivinando. Segundo, convierte el modelo en una herramienta de planificación, no solo de clasificación. Dónde perforar es una pregunta. Dónde recoger el siguiente dato es otra, y el mapa de incertidumbre la responde de forma directa.

Una validación que respeta la realidad geográfica

La tercera forma en que fallan las herramientas es una prueba que no resiste frente a la geología real. Con datos de mapa, dividir los puntos al azar da cifras de exactitud que se ven demasiado buenas. Los píxeles cercanos casi siempre se parecen, y acaban a ambos lados de la división. Así, el modelo parece mejor de lo que es.

DepoDart prueba el modelo en bloques de mapa separados y, cuando los datos lo permiten, dejando fuera un yacimiento conocido a la vez. Indicamos los límites abiertamente. En un distrito con menos de tres yacimientos conocidos, la prueba solo puede llegar hasta cierto punto, y la plataforma lo dice. La versión honesta de la historia de la exactitud es más útil, y mucho más fácil de defender, que la optimista.

Límites honestos como parte de la propuesta

El mapeo de prospectividad con IA no reemplaza el juicio geológico. Los modelos encuentran mezclas inusuales de características en los datos. No comprenden cómo funciona la geología. En contextos distintos a todo lo que hay en los datos de entrenamiento, funcionan peor y la incertidumbre sube. Un geocientífico calificado siempre debería revisar los resultados antes de que orienten un programa de perforación.

Esta es la parte del método que nunca debería quedar enterrada en una nota al pie. Una herramienta que se niega a prometer de más es la que se gana un lugar en el flujo de trabajo.

Qué significa esto para su próximo programa

Las preguntas que vale la pena hacerle a cualquier proveedor de prospectividad con IA, DepoDart incluido, no son sobre cifras de exactitud. Son sobre lo que viene junto con la puntuación. ¿Se puede explicar la predicción hasta los datos que la impulsan? ¿Está calibrada la probabilidad, y contra qué? ¿Hay una capa de incertidumbre, y cómo se calcula? ¿La prueba es espacial o aleatoria? ¿Los límites se indican en el propio entregable?