Para ver un PDF del documento técnico, haga clic aquí.

¿Cuál es el secreto para preparar sus datos para el éxito con la IA?

Sean Hunter, Eclipse Mining Technologies, Tucson, Arizona (EE.UU.)

INTRODUCCIÓN

La inteligencia artificial (IA) tiene una larga historia, pero recientemente ha cobrado un mayor protagonismo gracias a los nuevos avances tecnológicos. Esto ha llevado a que muchos se pregunten: ¿qué es exactamente la IA?, ¿cómo puede utilizarse eficazmente en las operaciones mineras?, y ¿cuál es la base necesaria para que su implementación resulte exitosa?

En la minería existen numerosas aplicaciones de IA, desde laoptimización de los patrones de perforación hasta el mantenimiento predictivo. Sin embargo, muchas de sus implementaciones enfrentan dificultades debido a los desafíos en la integración de datos. Las operaciones mineras generan enormes volúmenes de datos provenientes de diversas fuentes, incluyendo los sistemas de gestión de flotas, sensores de perforación, sistemas de control de procesos, y resultados de laboratorio. Lamentablemente, estos datos suelen estar aislados en silos, lo que dificulta su acceso y aprovechamiento por parte de las aplicaciones de IA. Lo que es peor: muchas herramientas de IA no retroalimentan los datos al sistema, creando silos de información adicionales. Todos estos problemas dificultan la utilización efectiva de los datos en la minería, enlenteciendo y reduciendo así la verdadera eficacia de la IA.

Este artículo propone un enfoque integral para organizar los datos mineros, utilizando un sistema de gráficos de conocimientos que los apronta para potenciar el uso de la IA. En primer lugar, exploraremos la evolución de la IA en la minería, desde los primeros sistemas expertos hasta las aplicaciones modernas de aprendizaje automático. A continuación, detallaremos cómo un gráfico de conocimientos puede integrar el contexto empresarial, los datos operacionales y los modelos de IA en un sistema cohesivo que permita una implementación más efectiva de la IA en las operaciones mineras.

El método propuesto ha sido desarrollado considerando tanto los desafíos específicos que enfrenta la industria minera, como las mejores prácticas en el contexto de la IA en general. Gracias a este enfoque es posible lograr un mejor aprovechamiento de los datos existentes, obteniendo resultados de mayor calidad y más completos de manera más rápida, y en una forma que resulten reutilizables y escalables.

HISTORIA DE LA IA EN LA MINERÍA

En la minería, la inteligencia artificial suele percibirse desde la perspectiva limitada del aprendizaje automático y la analítica predictiva. Sin embargo, la IA abarca un espectro mucho más amplio y ha venido evolucionando desde hace muchas décadas. El comprender el alcance total de la IA puede ayudar a superar los desafíos de datos para llegar a una implementación exitosa.

PERSPECTIVAS ACTUALES SOBRE IA Y APRENDIZAJE AUTOMÁTICO

La minería pone un énfasis especial en la IA vinculada al Aprendizaje Automático (Machine Learning – ML). Esta es la rama de la IA que basa su aprendizaje en datos históricos para construir modelos capaces de realizar predicciones futuras. Esto incluye una amplia gama de aplicaciones, desde el mantenimiento predictivo hasta la estimación de tasas de recuperación.[1]

Algunos productos basados en ML utilizan modelos preentrenados en base a sus propios conjuntos de datos. Por ejemplo, un modelo de clasificación pre-entrenado podría estimar los límites de un depósito mineral subterráneo a partir de un grupo de fotos.

Estos modelos pueden basarse en técnicas simples, como la regresión lineal, hasta enfoques más complejos que emplean redes neuronales y árboles de decisión potenciados por gradientes (en inglés, GBDT). Históricamente, se ha desarrollado un amplio conjunto de herramientas en base a estos métodos, que pueden abarcar una gran variedad de casos y tipos de datos.

Si bien el aprendizaje automático es una rama importante de la IA, existen otras ramas que son igualmente valiosas.

INICIOS DE LA IA SIMBÓLICA

Desde una perspectiva histórica, la IA se encontraba separada del aprendizaje automático, y se centraba más en encontrar respuestas exactas en lugar de realizar estimaciones y predicciones. Esto incluye conceptos como las bases de datos deductivas, los gráficos de conocimientos y los sistemas expertos.

Todos estos sistemas se basan en la creación de nueva información a partir de datos básicos, siguiendo un conjunto de reglas estáticas y predefinidas. Por ejemplo, una base de datos deductiva es una base de datos donde se aplican reglas para derivar nuevos datos a partir de los datos existentes. En este contexto, las tareas generalmente se concentran en comprender las relaciones entre ciertos “elementos”, por ejemplo, entender que el hermano de mi padre es mi tío. Este enfoque ha sido efectivo en dominios bien estructurados, como la clasificación de especies o el diagnóstico de enfermedades.

Aunque este tipo de IA enfrenta dificultades en entornos con una mayor incertidumbre, sigue siendo útil en casos donde la información es bien conocida, y algunos de estos sistemas se continúan utilizando en la actualidad. Las estructuras de Lenguaje de Ontologías Web (OWL, en inglés) se han utilizado para organizar datos en la web. Las ontologías y los gráficos de conocimientos se generan como parte de un proceso de mapeo, antes de proceder a tareas potencialmente más costosas (como la creación de almacenes de datos)[2], ya que requieren una comprensión detallada del sector específico antes de dedicar mayor tiempo y recursos. Hasta ahora no se les ha dado un uso muy directo en la minería, a pesar de que pueden resultar valiosos para ayudar a estructurar y comprender la complejidad de los datos mineros y sus relaciones.

OPTIMIZACIÓN DETERMINISTA

La Investigación Operativa (OR, en inglés) es una disciplina que se basa en métodos analíticos para mejorar la toma de decisiones. Los límites entre esta disciplina y la IA no son muy claros, ya que en general los métodos que se aplican a la toma de decisiones inteligentes pueden considerarse formas de “inteligencia artificial.” En la minería, los métodos de optimización basados en OR son ampliamente utilizados – aunque no siempre se los reconoce como IA – y permiten encontrar soluciones óptimas al identificar los mejores resultados matemáticos.

Un claro ejemplo se puede aplicar al área de programación de actividades. Desde el desarrollo del algoritmo Simplex por Dantzig en la década de 1940, estos problemas pueden resolverse mediante soluciones exactas utilizando herramientas como la programación lineal entera mixta. Al contar con un objetivo bien definido y restricciones claras, es posible encontrar soluciones óptimas. La investigación en esta área ha continuado hasta la actualidad, permitiendo abordar casos complejos y de gran escala, como la programación optimizada directa de bloques.

Otra área vinculada es la del algoritmo Pseudoflow[3], un algoritmo desarrollado para optimizar flujos de red, y que es equivalente a otras tareas de optimización. A modo de ejemplo, este algoritmo se utiliza a menudo para la optimización de tajos, pero también puede resultar útil para una amplia gama de tareas que requieran seleccionar un conjunto óptimo bajo restricciones específicas. En este sentido, se lo puede considerar como un método de programación entera binaria. A modo de ejemplo, puede aplicarse a la optimización de operaciones subterráneas, donde cada segmento de construcción tiene un costo, pero habilita la posibilidad de construir otras estructuras adicionales. Al utilizar Pseudoflow es posible identificar el conjunto óptimo de estructuras a construir para maximizar la rentabilidad.

Al igual que la IA simbólica, estos métodos son altamente efectivos cuando existe un objetivo claramente definido y no hay incertidumbre. Sin embargo, es fundamental entender que la “optimización” siempre depende de qué tan bien puedan modelarla realidad. Aplicar un método óptimo para estimaciones que pueden verse impactadas por efectos desconocidos en la operación puede traducirse en que el resultado no sea necesariamente el método óptimo a ejecutar en la práctica.

APRENDIZAJE PROFUNDO

El aprendizaje automático ha experimentado grandes avances en los últimos años, especialmente en el campo del aprendizaje profundo (Deep Learning). El aprendizaje profundo se basa en redes neuronales con múltiples capas, lo que les permite aprender relaciones y patrones complejos a partir de los datos. Los avances como las redes neuronales convolucionales han optimizado el procesamiento de imágenes, ampliando el alcance de las redes neuronales más allá del manejo exclusivo de datos numéricos.

Las diferentes combinaciones de capas en una red neuronal se denominan arquitecturas. Un ejemplo es la arquitectura Transformer[4], utilizada en ChatGPT, que ha permitido a la IA comprender y responder en lenguaje natural de manera efectiva. Existen otras arquitecturas con aplicaciones diversas, como los autocodificadores (autoencoders), que pueden, entre otras cosas, identificar similitudes entre conceptos abstractos al aprender los patrones más relevantes dentro de los conjuntos de datos.

Actualmente, el aprendizaje profundo no solo trabaja con datos numéricos, sino también con audio, imágenes y video. Las redes neuronales pueden realizar de manera eficiente tareas como traducción, transcripción, reconocimiento de imágenes, y muchas más. En el sector minero, esto tiene aplicaciones clave, como la estimación de la fragmentación a partir de imágenes de frentes de voladura o el análisis de materiales en cintas transportadoras mediante el simple procesamiento de imágenes.

APRENDIZAJE POR REFUERZO Y OPTIMIZACIÓN ESTOCÁSTICA

La optimización estocástica es un enfoque de optimización que funciona incluso en circunstancias que presentan incertidumbre, factores desconocidos y/o aleatoriedad. Esto la convierte en una herramienta extremadamente útil en la minería, ya que permite manejar las complejidades del mundo real que surgen en las operaciones.

El aprendizaje por refuerzo (Reinforcement Learning, RL) es una herramienta clave dentro de la optimización estocástica. Se basa en un agente que aprende realizando acciones y ajustando su comportamiento a partir de los resultados obtenidos, de manera similar a como una persona aprende por experiencia. Con el tiempo, el agente puede perfeccionar su capacidad para resolver problemas complejos, alcanzando incluso un rendimiento superior al humano.[5]

Este enfoque se aplica a problemas de decisión secuencial, donde cada elección influye sobre los resultados futuros. Un ejemplo famoso es la inteligencia artificial AlphaGo [6], que juega al Go a un nivel sobrehumano. “Go” es un juego de mesa extremadamente complejo, que cuenta con un número de configuraciones posibles mayor al número de átomos que existen en el universo observable. El aprendizaje por refuerzo permitió que AlphaGo derrotara a los mejores jugadores del mundo, cuando antes era muy difícil desarrollar una IA que jugara bien este juego. En la minería, esta misma estrategia puede aplicarse a problemas como la asignación de camiones, donde cada asignación modifica el estado de la operación minera y afecta el rendimiento de todo un turno.[7] Al igual que en Go, la cantidad de configuraciones posibles y las interacciones sutiles en este tipo de decisiones es enorme, pero ahora la IA es capaz de abordar estos desafíos de manera efectiva.

Estas aplicaciones son relativamente nuevas. Recientemente, las técnicas de aprendizaje por refuerzo se han combinado con métodos de aprendizaje profundo para ayudar a los agentes a comprender datos complejos y extraer información útil a partir de imágenes u otras fuentes más sofisticadas en lugar de conjuntos de datos simples. Estos avances muestran un gran potencial para resolver problemas complejos en las operaciones mineras, donde la incertidumbre y los factores desconocidos juegan un papel considerable.

IA GENERATIVA

Algunas arquitecturas de inteligencia artificial basadas en el aprendizaje profundo pueden generar imágenes, texto y otros tipos de contenido gracias a los avances en este campo. Actualmente, esta es un área de la IA en rápido desarrollo y donde se siguen realizando investigaciones.

La generación de texto, en particular, es una de sus aplicaciones más poderosas, ya que permite realizar una sorprendente variedad de tareas. Los grandes modelos pre-entrenados, como ChatGPT, que se especializan en la generación de texto, se conocen como modelos de lenguaje de gran escala (Large Language Models, LLMs). Estos modelos procesan consultas, que generalmente se manifiestan como texto y se denominan “prompts”, para generar respuestas relevantes. A pesar de la gran capacidad de estos modelos, los prompts deben diseñarse de manera inteligente. Deben ser claros y contener suficiente información para que el modelo pueda generar una respuesta significativa.

Para mejorar la calidad de las respuestas, se emplea una técnica llamada aprendizaje en contexto (in-context learning), que consiste en inyectar datos específicos en el prompt. Gracias a esta técnica se han desarrollado herramientas que permiten conversar sobre el contenido de archivos PDF, libros y otros documentos. Esto ha dado lugar a interfaces de chat capaces de buscar rápidamente en grandes volúmenes de información, proporcionando referencias a las fuentes de los datos inyectados para garantizar que la IA no genere respuestas erróneas o sin fundamento (alucinaciones).[8]

Los LLMs también se han expandido con la capacidad de utilizar herramientas. Como el código es simplemente texto, estos modelos pueden generarlo con alta precisión y ejecutarlo de manera efectiva. Más allá de los lenguajes de programación, existen formatos de transmisión de datos, como archivos CSV y JSON, que utilizan texto para representar información estructurada. Al aprovechar estas capacidades, los LLMs pueden interactuar con programas o incluso con el mundo real, ampliando enormemente sus capacidades. Un caso de uso relevante es permitir que un LLM consulte una base de datos,[9] lo que le permite contestar preguntas con información precisa, incluso en entornos complejos como una operación minera.

El contar con una herramienta capaz de realizar búsquedas inteligentes en grandes volúmenes de datos no estructurados, brindar respuestas relevantes y más, puede traducirse en una enorme mejora en el rendimiento. La minería genera una gigantesca cantidad de documentos, procesos y datos complejos, y los LLMs pueden ayudar a los usuarios a organizar y extraer información valiosa de manera eficiente.

RAZONAMIENTO

En la IA simbólica clásica, el razonamiento se define como el proceso de utilizar reglas predefinidas para inferir nuevos datos implícitos. Esto es similar a como los seres humanos deducen nuevos hechos a partir de información conocida.

El razonamiento en el contexto de los LLMs es más general e implica la capacidad de analizar problemas complejos de múltiples pasos. Aunque los LLMs pueden razonar de manera natural – hasta cierto grado – gracias a la enorme cantidad de problemas que han procesado durante su entrenamiento, siguen teniendo dificultades con problemas más complejos. Un ejemplo de esto es la resolución de un rompecabezas de Sudoku. Resolverlo sería extremadamente difícil para un LLM que no haya visto ese Sudoku específico antes, a pesar de que las reglas del juego son claras.

Recientemente se han realizado esfuerzos para combinar los LLMs con el Aprendizaje por Refuerzo, precisamente para resolver este tipo de problemas. OpenAI ha lanzado una primera versión de esta tecnología con su modelo o1-preview [10]. A medida que esta tecnología avance, las IA diseñadas para el razonamiento serán capaces de resolver automáticamente casos de optimización más complejos. Al combinar el razonamiento con el aprendizaje en contexto y proporcionar los datos adecuados, los LLMs con capacidades de razonamiento podrán analizar y resolver problemas mineros altamente complejos, donde interactúan múltiples variables y factores.

RESUMEN

La IA ha desarrollado varios enfoques distintos pero complementarios. Desde la resolución de problemas explícitos y bien definidos hasta el manejo de problemas complejos e inciertos que requieren razonamiento, las diferentes técnicas de IA y las combinaciones de estas pueden resultar en extremo útiles.

El denominador común en todas estas técnicas es la necesidad de contar con datos de calidad y una comprensión cabal de los mismos. Desde los datos utilizados para entrenar modelos de aprendizaje automático, hasta aquellos empleados en el aprendizaje en contexto o los que permiten definir reglas y relaciones en sistemas expertos, la preparación de los datos resulta fundamental para el funcionamiento efectivo de la IA.

A medida que la IA continúa evolucionando, la correcta organización y comprensión de los datos subyacentes seguirá siendo un elemento clave.

GRÁFICO DE CONOCIMIENTOS PARA FACILITAR LA IA

La sección anterior destacó diversos enfoques de IA, y su relación con la minería. Sin embargo, para aprovechar eficazmente estas tecnologías de IA es fundamental organizar los datos de manera que sean accesibles. Una correcta organización de los datos permitirá el desarrollo ágil de soluciones de IA, lo que puede potenciar aún más su impacto. Esta sección propone una arquitectura de gráfico de conocimientos, diseñada para garantizar, precisamente, que los datos sean accesibles y organizados.

El gráfico de conocimientos propuesto se estructura en base a cuatro componentes que trabajan en conjunto de manera sinérgica: las definiciones empresariales, un lago de datos, una base de datos virtual integrada, y una capa de modelado. La combinación de estos componentes proporciona una solución sólida y lista para la IA.

CONTEXTO EMPRESARIAL

Por lo general, las bases de datos tradicionales no almacenan el contexto empresarial relacionado con los datos que contienen. Esto dificulta la capacidad de razonamiento, tanto en el sentido clásico como en el contexto de los LLMs. En el caso de la inteligencia artificial generativa, contar con contexto permite generar respuestas de mayor calidad. Documentar e integrar correctamente los objetivos empresariales y los procesos de negocio puede contribuir significativamente a proporcionar este contexto.[11]

Los objetivos empresariales representan las metas estratégicas de una empresa. “Ser rentable” es un claro ejemplo de un objetivo empresarial, pero este, a su vez, puede contar con múltiples facetas y otros objetivos relacionados. Por ejemplo, una empresa minera puede tener como objetivos mejorar la seguridad, reducir el consumo energético, optimizar el uso de sus recursos, alcanzar las metas de producción o minimizar los mantenimientos no planificados.

Los procesos de negocio describen cómo se llevan a cabo las actividades de la empresa. Se trata de la documentación de los procedimientos actuales en cada área, incluyendo la perforación, acarreo, carga, etc. Para estandarizar estos procesos, existen metodologías como el Modelado de Procesos de Negocio (Business Process Model and Notation o BPMN), que proporcionan un marco estructurado para su representación.

Muchas empresas mineras ya han dedicado tiempo y esfuerzo a documentar estos aspectos, desde los procedimientos operativos hasta los objetivos estratégicos. Sin embargo, en muchos casos, esta información no ha sido integrada en sus sistemas de software, de IA o analíticos. Al incorporar este contexto en sus sistemas es posible mejorar exponencialmente la capacidad de la IA para comprender las implicaciones más amplias de sus decisiones, y generar respuestas más precisas y relevantes.

LAGOS DE DATOS

Las minas generan constantemente datos a partir de múltiples fuentes, en distintos formatos y con diferentes frecuencias. Esto puede representar un desafío, ya que muchas bases de datos y herramientas requieren la transformación de los datos a un formato específico antes de ingresarlos. Este proceso puede ocasionar pérdida de datos si los formatos originales y de destino no comparten definiciones comunes. Por el contrario, un lago de datos mantiene la información en su formato original, de manera similar a un sistema de archivos que tiene la capacidad de almacenar todo tipo de documentos. Esto evita la pérdida de datos al integrarlos en el sistema, y permite generar múltiples visualizaciones enriquecidas de la información, las cuales pueden volver a generarse y actualizarse a lo largo del tiempo, lo que facilita el desarrollo soluciones a partir de una estructura sólida.

Los lagos de datos suelen alojarse en soluciones de Almacenamiento de Objetos en la nube, como Amazon S3 o Azure Blob Storage, diseñadas para gestionar grandes volúmenes de datos que no experimentan muchos cambios. Estos sistemas pueden almacenar cantidades masivas de información y cuentan con velocidades de acceso extremadamente rápidas, por lo que se han convertido en una solución de referencia para los sistemas analíticos.[12] Dado que el almacenamiento de objetos funciona de manera similar a un sistema de archivos, estas soluciones son capaces de manejar desde archivos CSV hasta videos.

Existen diversas técnicas comprobadas para cargar datos en un lago de datos a través de conductos de ingestión de datos. Para algunos tipos de datos, es conveniente realizar una importación única, como sucede con los resultados de exploración, mientras que en otros, como los datos provenientes de sensores, se requieren actualizaciones continuas. Los conductos de datos permiten gestionar estos distintos escenarios, asegurando que la información de todas las fuentes llegue al lago de datos de manera apropiada.

Contar con todos los datos accesibles en un lago de datos es un primer paso importante para habilitar el aprendizaje automático, pero en este estado aún no están completamente listos para su uso. En este punto sigue existiendo una falta de organización, la cual deberá abordarse en otras partes del sistema.

INTEGRACIÓN, LIMPIEZA Y ENRIQUECIMIENTO DE LOS DATOS

Los datos en un lago de datos no tienen que seguir un orden específico ni una estructura predefinida. Diferentes fuentes pueden referirse a un mismo elemento con distintos nombres, las unidades de medida pueden variar, y pueden existir otras discrepancias. Esto se observa, por ejemplo, en las mediciones de leyes de los minerales, donde un sistema puede utilizar porcentajes, mientras que otro usa partes por millón; o también en la denominación de los sitios mineros, que pueden seguir convenciones distintas según la fuente.

Corregir estos problemas es una tarea de integración de los datos. Tradicionalmente, esto se maneja mediante una serie de conductos de datos que extraen información del lago de datos y la cargan en una base de datos, transformándola y estandarizándola en un formato unificado. Sin embargo, este enfoque tiene desventajas, ya que la base de datos debe mantenerse como una nueva copia de los datos. Como alternativa, resulta mucho más útil contar con un sistema que genere una visualización enriquecida del lago de datos.

En términos de bases de datos, una “Visualización” ofrece múltiples beneficios. Se la puede considerar como una ventana a los datos, en lugar de una copia de los mismos. En este caso, se sigue utilizando la información original, pero con un almacenamiento en caché estratégico para mantener el aprovechamiento en tiempo real. Las visualizaciones se actualizan automáticamente cuando cambia la información subyacente, lo que resulta particularmente útil para los datos de sensores o aquellos que varían con frecuencia en las operaciones. Además, la visualización puede enriquecer los datos con nuevos cálculos, como la adición de indicadores clave de desempeño (KPIs) por cada turno, o conversiones entre diferentes unidades de medida.

Estas visualizaciones pueden generarse utilizando reglas basadas en la IA simbólica clásica. Se trata de declaraciones lógicas que definen relaciones entre los datos: si el lago de datos contiene un Dato A, esto implica la existencia de un Dato B en la visualización correspondiente. Estas reglas permiten estandarizar la información y solucionar problemas como la variabilidad en los nombres, donde un mismo concepto puede denominarse de manera diferente en distintos sistemas debido a diferencias en el idioma, estándares, limitaciones del software de origen o variaciones terminológicas del sistema o de los usuarios. También se pueden crear reglas que definan las relaciones entre distintas visualizaciones, mejorando su utilidad, como en el cálculo de KPIs para un turno determinado a partir de los datos vinculados. Estas reglas aplican el razonamiento clásico, descrito anteriormente, produciendo datos integrados y limpios, listos para su uso en el aprendizaje automático.

Las visualizaciones funcionan de manera similar a la virtualización de datos, que suele implementarse a través de la creación de una base de datos virtual que actúa como una vista consolidada de múltiples bases de datos de origen. Al basar esta base de datos virtual sobre un lago de datos determinado, pueden evitarse problemas comunes de la virtualización, como las dificultades en la gestión de los permisos.

Definir el esquema de estas visualizaciones, es decir, determinar qué datos deben almacenarse y dónde, así como crear las reglas aplicables, puede parecer una tarea abrumadora. Sin embargo, es posible abordarla gracias al trabajo que ya realizamos anteriormente. La IA generativa puede asistir en la definición del esquema de esta base de datos virtual, utilizando aprendizaje en contexto basado en los datos empresariales, y herramientas para generar sugerencias. De manera similar, la IA generativa puede ayudar a definir las reglas lógicas que determinan cómo los datos del lago de datos se representan dentro de esta base de datos virtual.

Esta base de datos virtual, definida a partir de reglas deductivas, difiere en algunos aspectos de una base de datos tradicional. En lugar de centrarse en un esquema físico de almacenamiento, su estructura presenta una definición integrada del contenido del lago de datos. La combinación de las reglas, el esquema de la base de datos virtual y el contexto empresarial genera una ontología, y no simplemente una base de datos. Una ontología es una representación formal de un dominio y sus interrelaciones, que surge de manera natural a partir de esta definición.

MODELADO

Un modelo matemático utiliza cálculos y lógica para sustituir objetos o conceptos del mundo real. Por ejemplo, se puede utilizar el modelo de una red vial para calcular y comprender la duración de los ciclos de los camiones de acarreo, sin necesidad de ir y utilizar físicamente los caminos originales para realizar los cálculos.

En términos prácticos, y a los efectos del gráfico de conocimientos, el modelo opera como una función que toma ciertos datos ingresados para calcular un conjunto de resultados. Este modelo puede ser un modelo de aprendizaje automático entrenado, como en el caso del cálculo de la recuperación de procesos mineros para diferentes tipos de materiales y procesos, o puede tratarse de otros tipos de modelos, como los modelos de aprendizaje por refuerzo que generan recomendaciones para las asignaciones de camiones, o cálculos estadísticos simples en base a los parámetros ingresados, como promedios y variabilidad en la producción.

Los modelos de aprendizaje automático pueden entrenarse utilizando datos de la base de datos virtual, ya que estos datos ya han sido integrados, limpiados y enriquecidos. Cuando estos modelos se almacenan dentro del mismo sistema, las reglas definidas en la base de datos virtual pueden incorporar modelos, por ejemplo, agregando valores de producción previstos a cada turno o extrayendo características a partir de imágenes, lo que permite enriquecer aún más la base de datos virtual.

Los modelos también pueden construirse sobre otros modelos, lo que permite abordar problemas complejos en forma incremental. Por ejemplo, la duración del ciclo de acarreo podría calcularse combinando modelos que manejen el tiempo de carga, el tiempo de espera y el tiempo de desplazamiento, cada uno de los cuales podría ser, en sí mismo, un modelo sofisticado. Una vez definidos, estos modelos pueden reutilizarse fácilmente, incluso a través de distintos departamentos, encapsulando cálculos complejos en componentes modulares.

La creación de modelos puede ser asistida por la IA generativa, del mismo modo en que se la utiliza para ayudar a generar la ontología de la base de datos virtual. Los expertos en el dominio correspondiente pueden guiar la creación de los modelos, mientras que la IA puede ayudar a completar las lagunas de información. Una vez creados, el conocimiento especializado contenido dentro de esos modelos permanecerá disponible para toda la empresa.

INTEGRANDO TODOS LOS COMPONENTES

Tomados en su conjunto, los elementos aquí analizados conforman un poderoso gráfico de conocimientos capaz de aprovechar los distintos tipos de inteligencia artificial mencionados previamente.

La IA simbólica se utiliza para definir la ontología de la base de datos virtual, generando datos integrados y enriquecidos a partir de la información caótica del lago de datos. Las relaciones definidas mediante estas reglas permiten estructurar y estandarizar el complejo conjunto de datos mineros, facilitando su uso en otros procesos.

El aprendizaje automático utiliza esta base de datos virtual enriquecida, con la certeza de que los datos han sido limpiados e integrados. Esto proporciona una base sólida para entrenar modelos de aprendizaje automático y realizar análisis estadísticos.

La optimización determinista puede aplicarse entonces a los datos integrados, permitiendo probar múltiples escenarios. Los modelos permiten almacenar y referenciar estos escenarios hipotéticos de manera estructurada, algo que generaría grandes dificultades para una base de datos tradicional.

El aprendizaje profundo también se beneficia de la capacidad del lago de datos para almacenar cualquier tipo de archivo. Esto facilita la gestión eficiente de datos como imágenes, videos, audios y otros tipos de datos complejos generados en la mina.

El aprendizaje por refuerzo puede implementarse de diversas maneras, desde la ejecución de simulaciones con datos históricos hasta el aprendizaje en tiempo real a medida que los nuevos datos ingresan al lago de datos a través de los conductos de datos. El aprendizaje por refuerzo puede recomendar acciones optimizadas y esto, a su vez, brindará la oportunidad de incorporar los datos generados por esas acciones para seguir mejorando el sistema.

La IA generativa ayuda a combinar todos estos componentes. Gracias a la guía que le brinda el contexto empresarial, esta IA puede ayudar a enriquecer el gráfico de conocimientos utilizando sus propios metadatos. Además, la IA generativa permite la interacción con el sistema mediante lenguaje natural, convirtiendo a las descripciones escritas y a los metadatos en instrucciones ejecutables. Las descripciones de las reglas, modelos y otros elementos facilitan la creación de un sistema verdaderamente inteligente.

La esencia del futuro radica en la IA de razonamiento, que permitirá que el sistema se desarrolle por sí mismo y lleve a cabo sus propios análisis. Mientras que la IA generativa ya es capaz de generar sugerencias útiles, la IA de razonamiento permitirá que este concepto llegue mucho más allá, planificando implementaciones complejas y sugiriendo optimizaciones sofisticadas a lo largo de las operaciones mineras. Esto es una evolución natural de la manera en la que ya funciona la IA generativa dentro del sistema, lo que asegura la viabilidad de su integración a medida que la inteligencia artificial continúe evolucionando.

CONCLUSIÓN

Este artículo ha planteado un enfoque integral para la organización de los datos mineros a través de una arquitectura de gráfico de conocimientos. Esta arquitectura permite abordar los problemas comunes de integración de datos y proporciona una base sólida para la incorporación de la inteligencia artificial, tanto en sus formas más tradicionales como en las más recientes. A medida que la IA continúe evolucionando con capacidades de razonamiento, este gráfico de conocimientos ofrecerá cada vez más beneficios.

Desde la flexibilidad del lago de datos hasta la estructura de la ontología, el gráfico de conocimientos puede adaptarse a la gran variedad de desafíos que enfrenta la industria minera y permanecer preparado para las tecnologías del futuro.