Desarrollo de modelos predictivos de regresión en la industria minera mediante el uso de algoritmo de machine learning

Una de las características que las empresas mineras siempre buscan minimizar es el alto riesgo que implica operar un proyecto. Estos pueden estar influenciados por factores geológicos, ambientales, sociales, de mercado, operativos, políticos, etc. Para afrontar estos riesgos y aumentar sus beneficios, muchas empresas han iniciado la transformación digital implementando tecnologías basadas en Inteligencia Artificial. Los resultados obtenidos han mejorado significativamente la productividad, el consumo energético, reducido los niveles de contaminación y optimizado la seguridad de sus trabajadores. La naturaleza propia de cada operación minera y el conocimiento limitado de estos temas en muchas operaciones actuales del Perú, nos incentivó a realizar modelos predictivos de regresión en casos de la industria minera mediante el uso de algoritmos de Machine Learning, un sub campo de la inteligencia artificial, utilizando un flujograma más didáctico e intuitivo. El estudio propone soluciones en tres casos de la industria minera a través de modelos predictivos de regresión. Estos modelos permiten estimar con un alto grado de certeza: el precio de oro, el contenido de sílice en el concentrado de hierro y el consumo de combustible en camiones mineros de gran tonelaje. Este estudio es de enfoque cuantitativo y del tipo exploratorio, lo que permitió desarrollar estos modelos usando diferentes algoritmos de machine learning a partir de datos históricos. Según las métricas de evaluación, los modelos que tuvieron un buen desempeño para predecir el precio de oro y el consumo de combustible se desarrollaron usando los algoritmos SVR y Árbol de regresión. Sin embargo, para predecir el contenido de sílice en el concentrado de hierro fue necesario el uso del algoritmo de ensamble Random Forest, principalmente por la complejidad del caso. Finalmente, es importante mencionar que para llegar a los resultados esperados hace falta un trabajo estructurado que implica conocimiento de ciencia de datos, conocimiento de minería, y un entendimiento claro del problema que se resuelve usando algoritmos de machine learning