SatelliteMiner aplicó inteligencia artificial, machine learning y análisis geoespacial sobre un perímetro completo en Bolivia. Los modelos identificaron 260 targets, que se depuraron hasta unos 30 objetivos y, finalmente, dos sectores prioritarios. Las calicatas realizadas en ambos confirmaron oro diseminado asociado a ambientes aluviales, terrazas y placeres.
La incorporación de inteligencia artificial y análisis masivo de datos está cambiando la forma de abordar las primeras etapas de la exploración minera. El desafío ya no consiste solo en disponer de información, sino en procesarla, relacionarla y convertirla en objetivos concretos para el trabajo geológico. En ese contexto, SatelliteMiner desarrolló en Bolivia un estudio integral sobre un perímetro de exploración, utilizando modelos propios y distintas técnicas de inteligencia artificial y machine learning. El proceso fue concreto: 260 targets identificados por los modelos, una depuración hasta unos 30 objetivos de mayor interés y la selección de dos objetivos prioritarios para verificar en terreno. Las calicatas encontraron en ambos oro diseminado en ambientes aluviales, terrazas y placeres, lo que permitió contrastar con información de campo las hipótesis surgidas del análisis remoto.
¿Cómo se abordó el estudio del área?
El primer paso fue analizar de forma integral el perímetro definido. No se partió de un punto previamente elegido: se buscó caracterizar toda el área y detectar, dentro de ella, los sectores que combinaran indicadores compatibles con potencial mineralizador. Para eso se utilizaron distintas fuentes de información geoespacial y modelos desarrollados para trabajar sobre grandes superficies. La tecnología permite analizar de manera simultánea una cantidad de variables que, con métodos convencionales, exigirían mucho más tiempo de procesamiento. Se emplearon herramientas de machine learning, entre ellas modelos Random Forest, redes neuronales convolucionales (CNN) y arquitecturas Vision Transformer. Cada una aporta algo distinto: algunas clasifican y combinan variables; otras son especialmente útiles para analizar patrones espaciales en imágenes y en grandes conjuntos de datos. El objetivo no es que la inteligencia artificial tome decisiones geológicas por sí sola, sino detectar patrones, reducir el universo de posibilidades y generar objetivos que luego puedan ser evaluados por profesionales y verificados en el terreno.
¿Qué resultado arrojó la primera etapa?
El análisis inicial generó aproximadamente 260 targets dentro del perímetro. Un target es un sector con características que justifican su estudio; no significa que sea un depósito mineral ni que exista un recurso económicamente explotable. Por eso sigue una segunda etapa fundamental: la depuración. Se aplicaron distintos criterios para evaluar la consistencia de las anomalías y la coincidencia entre indicadores, y de los 260 targets iniciales se pasó a unos 30 objetivos de mayor interés. Una evaluación adicional permitió seleccionar finalmente dos objetivos prioritarios para llevar a campo. ¿Por qué importa pasar de 260 objetivos a dos? Porque ahí está uno de los principales aportes de esta tecnología a la exploración. En minería, el problema no es la falta de información, sino determinar cuál merece atención prioritaria y dónde tiene sentido concentrar los recursos. Pasar de 260 targets a 30 y luego a dos significa convertir un universo muy amplio de posibilidades en un conjunto acotado de sectores para investigar directamente, y eso puede hacer que el trabajo de campo sea más dirigido.
¿Qué pasó cuando los dos objetivos llegaron al terreno?
Ambos objetivos prioritarios se verificaron mediante calicatas, y en los dos sectores se encontraron evidencias de oro diseminado asociado a materiales aluviales, terrazas y placeres. Para nosotros es un punto relevante, porque establece una correspondencia entre los objetivos generados por los modelos y lo hallado luego en el terreno. Desde el punto de vista técnico, este resultado no debe confundirse con la definición de un recurso mineral ni de un yacimiento económicamente explotable. Lo obtenido es una confirmación de presencia de mineralización. Establecer su extensión, continuidad, leyes, volumen y eventual potencial económico requiere nuevas etapas de exploración, con muestreo sistemático, análisis geoquímicos y los estudios geológicos y geofísicos que correspondan.
¿Qué representa este caso para la exploración con inteligencia artificial?
Representa, sobre todo, una forma distinta de organizar las primeras etapas de la exploración. La inteligencia artificial y el machine learning permiten procesar grandes volúmenes de información y encontrar relaciones que resultan difíciles de detectar cuando las variables se analizan por separado. Para SatelliteMiner, el punto central es este: la tecnología no vale por ser tecnología, sino cuando se convierte en una herramienta útil para la toma de decisiones. En este caso, esa herramienta llevó de un perímetro completo a dos objetivos concretos, y ambos mostraron oro en la verificación de campo.
Matías Perco, Licenciado y fundador de SatelliteMiner S.A.S