IA contre exploration minérale traditionnelle : ce qui change réellement

Le flux de travail de ciblage traditionnel

Dans l'exploration minérale habituelle, un géologue construit d'abord un modèle du gisement qu'il veut trouver. Le modèle énumère les signes attendus près de ce type de gisement, comme le type de roche, les structures, les minéraux d'altération, une signature géophysique et une auréole chimique dans le sol. Le géologue compare ensuite les ensembles de données disponibles dans un logiciel de cartographie (SIG) et cherche les endroits où plusieurs signes s'alignent. Le résultat est une courte liste de cibles prioritaires à étudier ou à forer.

Ce travail repose beaucoup sur l'expérience du géologue avec ce type de gisement, sa connaissance de la géologie locale et son habileté à garder plusieurs couches de données en tête à la fois. C'est la compétence centrale d'un bon explorateur, et elle fonctionne. Elle a permis de trouver la plupart des mines que nous avons aujourd'hui.

Elle a aussi des limites qui viennent de la méthode, pas du talent. L'esprit humain ne peut vraiment combiner que trois à cinq ensembles de données à la fois. Un projet moderne peut en compter vingt ou plus, donc le faire à la main ne tient pas à grande échelle. Et le modèle de gisement est une supposition, pas une mesure. Il passera à côté des signes que le géologue n'avait pas prévus.

Ce que la cartographie de prospectivité par IA remplace

La cartographie de prospectivité par IA automatise l'étape où l'on compare les ensembles de données. Au lieu qu'un géologue rapproche les couches à la main, un modèle d'apprentissage automatique apprend le mélange de caractéristiques qui apparaît avec les gisements connus dans les données. Il applique ensuite ce motif à toute la zone. Il utilise toutes les couches en même temps, et non trois ou cinq.

Le modèle peut trouver des liens qu'une personne ne chercherait même pas, car ils ne font partie d'aucun modèle de gisement connu. Par exemple, un lien discret entre une variation de gravité, une certaine limite de roche et un rapport inhabituel entre deux éléments traces peut être invisible à la main, mais clair à l'échelle d'un grand ensemble de données. Le modèle le signale, et le géologue décide s'il a un sens géologique.

Une chose qui change, c'est le temps entre les données et la liste de cibles. Un travail qui prend trois à quatre semaines à un géoscientifique chevronné à la main peut être fait par ordinateur en quelques jours, à n'importe quelle échelle, d'un seul district à toute une région. L'autre chose qui change, c'est à quel point la comparaison est complète. Chaque point est évalué par rapport à chaque couche. Rien n'est laissé de côté à cause de l'endroit où l'interprète a porté son attention.

Ce que la cartographie de prospectivité par IA ne remplace pas

Le modèle ne comprend pas la géologie. Il trouve des motifs statistiques, des mélanges de caractéristiques qui ressemblent à ceux qu'il a appris près des gisements connus, mais il ne sait pas pourquoi ces mélanges se forment. Pour le modèle, une mesure géophysique causée par une couche de graphite peut sembler identique à celle causée par un corps de sulfures, à moins que les données d'entraînement n'aient assez d'exemples pour les distinguer.

C'est pourquoi l'examen par un géoscientifique n'est pas optionnel. Avant qu'une liste de cibles produite par IA n'oriente une décision de forage, un géologue qualifié doit vérifier chaque cible par rapport à la carte géologique, aux structures, aux zones d'altération si elles sont connues, et à tout forage passé qui pourrait déjà expliquer la mesure. Le modèle propose, et le géologue décide.

Ce qui ne change pas, c'est le besoin de jugement géologique pour évaluer ce que le modèle a trouvé. La connaissance du type de gisement, de la région et de l'histoire tectonique de la zone n'est pas remplacée. Elle est simplement utilisée à un autre moment : après que le modèle a comparé les données, et non avant.

Exigences en matière de données : moins que ce que la plupart des équipes pensent

La crainte la plus courante au sujet de la cartographie de prospectivité par IA est qu'elle aurait besoin d'énormes ensembles de données. Ce n'est vrai qu'en partie. Le modèle a besoin d'assez de gisements connus ou de forages minéralisés pour apprendre, idéalement au moins deux ou trois dans la zone. Les données de soutien peuvent être n'importe quelle donnée géoscientifique qui couvre la zone, comme la géophysique, la chimie des sols, les cartes géologiques et les journaux de forage. Il n'y a pas de taille minimale, et aucune préparation n'est exigée de votre part.

Des données minces ne rendent pas la cartographie par IA inutile. Elles élargissent simplement l'incertitude. Un modèle entraîné sur deux gisements connus donne une carte avec une marge d'erreur plus large qu'un modèle entraîné sur vingt. Cette marge est honnête et utile. Elle montre où plus de données aideraient le plus le modèle, et c'est en soi une décision d'exploration utile.

Les projets sans aucun gisement connu peuvent quand même en profiter. Les commissions géologiques publiques contiennent des emplacements de gisements provenant de centaines de cadres semblables partout dans le monde. Ces données « comparables » peuvent entraîner le modèle quand il n'y a pas d'exemples locaux. Le modèle apprend de ces comparables et applique le résultat à votre zone, avec une marge d'erreur convenablement large.

La comparaison de coûts qui compte

Le ciblage traditionnel dirigé par un géologue à l'échelle d'un district coûte plusieurs semaines de temps de personnel chevronné, en plus du travail de cartographie et de gestion des données d'un projet à plusieurs ensembles de données. À l'échelle régionale, cela peut demander une étude complète de plusieurs mois. La cartographie de prospectivité par IA à la même échelle prend quelques jours.

La vraie question n'est pas « l'IA est-elle meilleure qu'un géologue? ». C'est plutôt : avec un budget fixe, quel mélange de travail par IA et de temps de géologue donne les meilleures cibles de forage? Dans la plupart des cas, la réponse est la même. Laissez l'IA comparer l'ensemble complet des données, gardez le temps du géologue pour vérifier et améliorer les résultats, et consacrez le temps gagné à un examen plus poussé des meilleures cibles.

Les programmes qui réussissent cet équilibre raccourcissent le temps entre les données et le trou de forage. Ils le font sans baisser la qualité du jugement géologique derrière chaque cible. C'est là la vraie valeur.