Uso o aplicación del machine learning para la predicción de los metales contenidos en las aguas ácidas de mina.

• Kelly Elizabeth Huamantinco Pumacahua
• Jul. 12, 2023

I. INTRODUCCIÓN:

La idea de toma de decisiones en escenarios cambiantes no es estandar. Actualmente aún hay una brecha de como obtener ciertos datos y como modelarlos, pero sobre todo cuando hay una mezcla de escalas y debemos acoplarlas para obtener un mejor desempeño. 

 

¿Cómo modelarlas de la mejor manera?

Los datos deben estar estructurados, realizados con las mismas variables de tal manera que sean utilizados de manera directa.

 

1.1. DEFINICIÓN
Machine learning (ML) : Según Castellano (2021), es un sistema de análisis computacional basado en el uso de algoritmos capaces de aprender y mejorar a partir de los resultados obtenidos. Los procedimientos de ML son capaces de generar modelos matemáticos analíticos de gran precisión siguiendo dos etapas fundamentales: la etapa de entrenamiento (training), en la que los algoritmos procesan un primer set de datos (que cuenta con una o más variables, denominadas inputs), en base al cual establecen las potenciales interacciones existentes y realizan predicciones con respecto a los valores de una variable de estudio (denominada output); y la etapa de comprobación (testing), en la que se emplea un segundo conjunto de datos que, siguiendo las interacciones establecidas en la etapa de entrenamiento, sirve para validar el modelo generado.

 

A pesar de que los algoritmos de computación han existido desde el inicio de la informática, los procedimientos de ML no comenzaron a desarrollarse y aplicarse en campos como la optimización, la estadística o la inteligencia artificial hasta mediados del siglo XX, y el término en sí no fue acuñado hasta finales de la década de los 50 por el informático Arthur Samuel.

 

1.2. CLASIFICACIÓN DE MACHINE LEARNING

Aunque existen diferentes criterios a la hora de identificar los tipos de técnicas de ML, el más común es el que las clasifica conforme al tipo de aprendizaje que promueven(Castellano, 2021 ).

De este modo se distinguen:

 

Aprendizaje supervisado

Una de las principales situaciones que se suele dar en un problema de ML. Se trata de un escenario en el cual se pretende predecir valores para una determinada variable de estudio cuando ya se dispone de información previa que vincula inputs y outputs. En esta categoría se podrían encuadrar modelos capaces de mostrar las relaciones entre la concentración de una determinada variable de estado químico de un acuífero y la concentración de un contaminante, por ejemplo. Utilizando técnicas de aprendizaje supervisado, se pueden abordar diferentes tipos de problemas, entre los que destacan los problemas de regresión y problemas de clasificación.

 

Aprendizaje no supervisado

Este es otro de los escenarios de ML más comunes, en el cual se cuenta con un determinado set de inputs pero no se conoce ningún output. El objetivo de este tipo de aprendizaje es el de obtener la mayor cantidad de información posible de un set de datos cuyas interacciones y relaciones son generalmente desconocidas. Un ejemplo de este tipo de aprendizaje podría ser el análisis de bases de datos de acuíferos para encontrar patrones anormales en parámetros muestreados.

 

Otros tipos de aprendizaje

Dentro de esta categoría se pueden enmarcar diversos escenarios que no se pueden identificar estrictamente como aprendizajes supervisados o no supervisados. Un ejemplo de esta categoría es el denominado aprendizaje por refuerzo, en el que se pretende controlar las acciones de un determinado programa “premiando” cada decisión correcta que toma.

 

1.3. UTILIDAD DE MACHINE LEARNING APLICADO EN MINERÍA

Utilizado en problemas complejos que no pueden ser capturados de manera tradicional. De alguna manera nos puede explicar una solución beneficiosa cuando necesitamos contrastar con un modelo previamente ya establecido y ver que información adicional que podríamos obtener con ML, por ende tendremos una respuesta simplifica de la realidad que es muy compleja y no la podemos capturar en su totalidad. Debe haber un rango para comprobar si es beneficioso para lo que se ha creado.

 

Plus:

Su mantenimiento es muy rápido, es de manera automática.

 

Contras:

Como es rápido de ejecutar, siempre debe ser contrastado con conocimientos de expertos. Como herramienta uno lo podría ejecutar, pero si deseamos interpretar adecuadamente, debemos recibir el feedback, para incluir estas particulatidades.