Pourquoi l'IA pour le ciblage minéral a échoué la première fois, et ce qui a changé

Le schéma est connu. Un chiffre de précision sûr de lui, une carte thermique, quelques sites de validation triés sur le volet, et très peu de détails sur la façon dont le résultat a été produit. Le géologue dans la salle pose la question évidente, à savoir pourquoi tel pixel est rouge, et la réponse est une version de « le modèle le sait ». La réunion se termine poliment. Rien n'est foré.

Ce n'est pas un échec de l'IA. C'est un échec de la façon dont l'IA a été vendue à un domaine où chaque recommandation doit être défendue devant un comité technique, un conseil d'administration et, au bout du compte, un trépan de forage.

L'opacité est le problème central que le secteur minier a avec l'IA

Une carte thermique sans explication n'est pas un outil qu'un géoscientifique de terrain peut utiliser. Le domaine repose sur un raisonnement de cause à effet, sur la capacité de montrer une cible et de dire quelle structure, quelle zone d'altération et quel indice chimique la soutiennent. Un modèle qui donne un chiffre mais pas les données qui se cachent derrière n'ajoute rien à cet argument. Il demande simplement qu'on lui fasse confiance sur parole.

DepoDart a été bâti sur l'idée inverse. La plateforme est transparente et facile à expliquer. Elle montre les liens entre chaque prédiction et les données qui la sous-tendent, ce qui rend le résultat facile à justifier. Notre équipe s'en sert pendant le projet, en le parcourant avec les géoscientifiques du client au lieu de remettre une boîte noire. Ce n'est pas une fonction ajoutée à la fin. C'est le problème que l'équipe a choisi de résoudre dès le départ, car le manque de transparence est l'un des principaux problèmes du secteur minier avec l'IA.

Ce que signifie vraiment une probabilité calibrée

Une deuxième façon dont les anciens outils ont échoué est la notation non calibrée. Un pixel affiche 0,92, l'équipe le prend pour une probabilité de minéralisation de 92 pour cent, fore à cet endroit et ne trouve rien. La note n'a jamais été une vraie probabilité. C'était juste un classement déguisé en pourcentage.

DepoDart calibre ses prédictions avec une méthode appelée mise à l'échelle de Platt. Un point noté 0,80 devrait contenir un gisement environ 80 pour cent du temps, sur l'ensemble de ces points. Cela ressemble à un petit détail technique. En pratique, c'est la différence entre un résultat sur lequel un géologue peut bâtir un budget et un résultat qu'il faut revoir à la baisse d'un montant inconnu chaque fois qu'on le lit.

L'incertitude a sa place dans le livrable, pas dans l'annexe

Chaque carte de prospectivité de DepoDart est accompagnée d'une carte d'incertitude. Nous estimons cette incertitude en entraînant le modèle de nombreuses fois sur différents échantillons des données et en mesurant à quel point les résultats varient. Là où ils varient beaucoup, plus de données aideraient le plus. Les meilleures cibles de forage sont les points à forte probabilité et à faible variation. Les meilleurs endroits pour ajouter une ligne de levé ou une grille de sol sont les points à forte variation, près du seuil.

Cela compte pour deux raisons. D'abord, cela montre à l'équipe où le modèle est sûr de lui et où il devine. Ensuite, cela transforme le modèle en outil de planification, et pas seulement en outil de classement. Où forer est une question. Où recueillir la prochaine donnée en est une autre, et la carte d'incertitude y répond directement.

Une validation qui respecte la réalité géographique

La troisième façon dont les outils échouent est un test qui ne tient pas face à la géologie réelle. Avec des données cartographiques, séparer les points au hasard donne des chiffres de précision trop beaux. Les pixels voisins se ressemblent presque toujours, et ils se retrouvent des deux côtés de la séparation. Le modèle paraît donc meilleur qu'il ne l'est.

DepoDart teste le modèle sur des blocs de carte distincts et, quand les données le permettent, en mettant de côté un gisement connu à la fois. Nous indiquons les limites ouvertement. Dans un district comptant moins de trois gisements connus, le test ne peut aller que jusqu'à un certain point, et la plateforme le dit. La version honnête de l'histoire de la précision est plus utile, et bien plus facile à défendre, que la version optimiste.

Des limites honnêtes intégrées à la présentation

La cartographie de prospectivité par IA ne remplace pas le jugement géologique. Les modèles trouvent des mélanges inhabituels de caractéristiques dans les données. Ils ne comprennent pas comment fonctionne la géologie. Dans des contextes différents de tout ce qu'il y a dans les données d'entraînement, ils fonctionnent moins bien et l'incertitude augmente. Un géoscientifique qualifié devrait toujours examiner les résultats avant qu'ils n'orientent un programme de forage.

C'est la partie de la méthode qui ne devrait jamais être reléguée en note de bas de page. Un outil qui refuse d'en promettre trop est celui qui gagne sa place dans le flux de travail.

Ce que cela signifie pour votre prochain programme

Les questions à poser à tout fournisseur de prospectivité par IA, DepoDart compris, ne portent pas sur les chiffres de précision. Elles portent sur ce qui accompagne la note. La prédiction peut-elle être expliquée jusqu'aux données qui la sous-tendent? La probabilité est-elle calibrée, et par rapport à quoi? Y a-t-il une couche d'incertitude, et comment est-elle établie? Le test est-il spatial ou aléatoire? Les limites sont-elles indiquées dans le livrable lui-même?