Fue durante la conferencia titulada “Machine learning aplicado a geología, minas y metalurgia” ofrecida por el Capítulo de Ingeniería Geológica donde el Ing. Aldo David Carlos Villazana ensayó una primera definición, para luego complementar que dicha herramienta no significa programar, pues “uno puede emplear los algoritmos de machine learning sin usar ningún lenguaje de programación. Muchas veces se confunde con el lenguaje de programación”.
A continuación, dijo que Machine learner es una herramienta o disciplina basada netamente en matemáticas, estadísticas y probabilidades. “Lo único que necesita son datos que, mediante funciones matemáticas, algoritmos basados en matemáticas, se va a trabajar para ponderar un modelo autómata que permita realizar una predicción, es decir, se tiene que ingresar el input y a la vez el output, o sea ingresar la data necesaria de ingreso y la data de salida para que mediante el algoritmo de machine learning, análisis de datos y procesamiento de datos, construir un programa que genere un proceso autómata que ayude en el proceso”.
Imagen categorizada
El Ing. Carlos Villazana puso un como ejemplo, para afirmar sus conceptos, una imagen vista al microscopio de lo que son los minerales opacos como el sulfuro, galena, calcopirita y carbonato. “Lo que se ingresa (input) es la imagen, pero a su vez también estamos ingresando otra imagen donde ya está categorizada y clasificada la imagen. En esta imagen lo que tenemos inicialmente son los colores, los pixeles, las formas, no obstante, en la imagen de salida nosotros ya tenemos una clasificación, categorización. Nosotros estamos diciendo este mineral es calcopirita, galena o carbonato.
“Para un modelo de machine learning yo tengo que ingresar, tanto la entrada como la salida, los datos y lo que yo espero obtener. ¿Por qué?, ¿qué hace el modelo de machine learning? Va a crear un modelo que a partir de ahora, una vez que lo hayas entrenado (training), va a permitir clasificar de manera autómata. El modelo recibe una nueva imagen y te entrega otra imagen ya categorizada.
“¿Qué hemos logrado? Hemos construido un modelo al que, a partir de ahora, tú puedes ingresarle distintas imágenes de minerales opacos y te va a entregar la imagen, pero ya clasificada. Lo cual es de bastante utilidad, sobre todo para los microscopistas, los que trabajan con este tipo de mineralogía; claro que antes de poder utilizarlo se tiene que pasar por un modelo de validación. Tengo que estar seguro de que mi modelo me está haciendo una buena clasificación”.
En plena implementación
El especialista también expreso que machine learning ya está siendo implementada actualmente por gran cantidad de empresas, sobre todo, de talla internacional, tanto en geología, minas y metalurgia. “Son herramientas que vienen desde hace 50 años, pero actualmente, con el avance de la tecnología y con la gran cantidad de datos disponibles en esta era actual a la cual podríamos llamar “la era de los datos”, porque tenemos acceso a una gran cantidad de datos, marcan una diferencia muy fuerte en lo que pueden ser los productos finales en los procesos tradicionales y con las nuevas tecnologías”.
Conclusiones
Para concluir su intervención, el Ing. Carlos Villasana concluyó su disertación con las siguientes conclusiones:
-Las empresas modernas vienen utilizando cada vez más las herramientas que ofrece la inteligencia artificial, permitiéndoles así mejorar sus procesos.
-El análisis y tratamiento de dato es un requisito para un modelo de aprendizaje autónomo funcional y robusto.
-Profesionales de distintas carreras alrededor del mundo vienen utilizando estas herramientas, por lo que la competitividad actual está cambiando.
-El machine learning es una herramienta que permite optimizar procedimientos que se realizan actualmente y a su vez crear nuevo conocimiento.
-Estamos en una era donde existe gran cantidad de datos y la tecnología necesaria para procesarlos, por lo cual el uso de la inteligencia artificial es posible.
