Earth AI es una nueva plataforma de exploración de minerales que genera un mapa geológico en constante crecimiento y aprendizaje que podría ayudar a las empresas a encontrar las mejores reservas rápidamente. ¿Podría ser este el futuro de la exploración minera?
Desarrollado por Roman Teslyuk, estudiante de doctorado de la Universidad de Sydney, con la ayuda de su amigo, el diseñador web Igor Gerechko, Earth AI es una plataforma de exploración de minerales en línea. El sistema analiza la entrada de datos geofísicos, satelitales y geoquímicos, para predecir la composición mineral de las áreas y permite a los usuarios cargar su propia información para que el conjunto de datos de entrenamiento crezca constantemente.
Earth AI espera que la plataforma mejore las capacidades de las empresas mineras para predecir dónde se encuentran los depósitos futuros, facilitando la comparación de formaciones y firmas. Airtree y Blackbird Ventures, dos de los fondos de capital de riesgo tecnológico más grandes de Australia, son dos de los inversores recientes más destacados en Earth AI. En una ronda de financiación reciente, las empresas invirtieron A $ 500, 000 para ayudar a construir la plataforma.
La compañía ya ha crecido a un equipo de cinco y está trabajando con más de 60 empresas mineras en contratos de prueba y pagos. Aquí, el fundador y CEO Roman Teslyuk habla sobre los orígenes de la IA de la Tierra.
Molly Lempriere (ML): ¿De dónde sacaste la idea de la plataforma?
Roman Teslyuk (RT) : Comencé mi doctorado en la Universidad de Sydney en 2015, y estábamos trabajando con un gran cantidad de datos geoquímicos. Recolectamos 300 muestras dentro del proyecto y las analizamos en busca de 45 elementos. Cuando comenzamos a interpretar lo que significan los datos, rápidamente se volvió confuso porque hay muchos artículos que dicen cosas diferentes; uno dice que esta firma geoquímica es una firma de subducción específica y otro artículo dirá que está relacionada con la contaminación de la columna o del cristal.
En ese momento no tenía ninguna habilidad de aprendizaje automático, así que en su lugar fui a la base de datos global de GEOROC y descargué dos millones de puntos de datos disponibles. Luego los reduje a rocas similares a las mías, que eran rocas con alto contenido de magnesio y bajo en titanio, y las clasifiqué principalmente. Esto me tomó tres semanas para terminar.
Después de eso, presenté mis resultados a la gente de la universidad: la clasificación mundial de rocas con alto contenido de magnesio y bajo contenido de titanio. La respuesta que obtuve fue: «Es muy subjetivo, estás encasillando lo que quieras, el grupo de rock que quieras». Entonces, dije que estaba bien, lo haré de manera más objetiva. Aprendí algunas agrupaciones simples y volví a mostrar mis resultados, pero mis colegas no estaban interesados. Por lo tanto, no pude seguir aprendiendo sobre IA dentro de mi doctorado y tuve que hacerlo en mi propio tiempo.
ML: ¿Cuándo obtuvo la plataforma fondos del programa de puesta en marcha INCUBATE de la Universidad de Sydney?
RT : En primer lugar, había un curso para estudiantes de doctorado llamado Inventar el futuro , donde nos dividimos en equipos para trabajar en diferentes problemas innovadores. Para nuestro equipo, el problema estaba relacionado con los nanosatélites en el espacio; Rápidamente aprendimos que construir un satélite es muy costoso y que las capacidades son demasiado pequeñas para hacer una puesta en marcha viable, a pesar de que pensamos que podrían ser muy útiles para un mejor análisis de datos.
Después del curso llamé a mi viejo amigo y socio comercial Igor. Él es un desarrollador web y yo soy un geólogo, por lo que parecía una asociación lógica. No sabía mucho sobre el aprendizaje automático, así que hice algunos análisis en ese momento y juntos creamos nuestro primer prototipo de IA de la Tierra.
Fuimos a la Conferencia Internacional Conjunta sobre Inteligencia Artificial en Melbourne el pasado mes de noviembre. Pensé que una plataforma como esta probablemente sería algo que ya existía y simplemente no había oído hablar de ello. Pero les preguntamos a todos y dijeron que en realidad nadie lo estaba haciendo. Fue entonces cuando comenzamos a postularnos al programa INCUBATE en la Universidad de Sydney. Fuimos aceptados y comenzamos a trabajar con los mentores, obtuvimos algo de espacio de oficina y una pequeña cantidad de fondos, $ 5, 000.
Necesitábamos encontrar empresas con las que trabajar, así que decidí llamar a todo el mundo y de ahí obtuvimos nuestro primer cliente en febrero llamado ActivEX en Brisbane. A finales de marzo ya teníamos diez clientes más, así que pudimos empezar a recaudar el dinero que necesitábamos para crecer.
Hemos seguido asistiendo a diferentes conferencias, conociendo a más empresas y ahora probablemente tengamos 65 clientes.
ML: ¿Podrías explicarme cómo funciona la plataforma?
RT : Para la prueba, tenemos una base de datos de Australia que usa datos de sensores remotos. Usamos satélites para recopilar esto, trabajando con datos conjuntos de la NASA, algunos datos de Japón y también algunos servidores australianos. Hay satélites que detectan datos en todo el mundo, por lo que usamos esos datos junto con todos los datos de código abierto de Geoscience Australia y otros servidores geológicos en Australia, estos proporcionan datos geoquímicos.
En primer lugar, podemos aplicar el aprendizaje automático sin supervisión para crear un mapa geológico basado en datos. Cada roca tiene una firma única, por lo que si las identifica, puede poner esas firmas en un mapa geológico. Estamos utilizando nuestra red para categorizar estos datos de una manera nueva. Hay todos estos datos geológicos y la geoquímica, y juntos marcan una gran diferencia en la exploración.
Ayuda a encontrar un vínculo entre los datos físicos sin procesar, de detección remota y la validación geoquímica, básicamente. Entonces, ya tenemos muchos datos geológicos, ¿por qué no aprender de eso y comenzar a descubrir qué firmas particulares están vinculadas a todas las muestras?
ML: ¿Por qué crees que este método no se ha realizado antes?
RT : No lo sé; Al hablar con la gente, parece que ha habido muchos intentos, especialmente de empresas más grandes que han realizado estudios de casos. Pero ellos no tenían un equipo, por lo que siempre tenían que contratar a alguien para que hiciera el trabajo por ellos.
En primer lugar, necesitas mucho conocimiento del dominio para que funcione. Sé qué tiene sentido y qué cosas usar porque soy geólogo. Entonces, en lugar de tener que explicárselo a otra persona que tenga las habilidades de la ciencia de datos y las habilidades de codificación, puedo cerrar la brecha sin pérdida de información. Así que lucharon con él por un tiempo, pero si tienes que trabajar constantemente en él para que funcione, no es realmente exitoso.
Lo último, supongo, es validar los datos. Puede intentar mucho y obtener diferentes análisis; depende en gran medida de la base de datos que tenga y también del área que está prediciendo. Tienes que ser un geólogo que trabaje en el terreno para poder diferenciar lo que uno tiene sentido de otros que no son súper correctos.
ML: ¿Has enfrentado muchos desafíos desarrollándolo hasta este momento?
RT : Todos los días. Hemos tenido muchos desafíos computacionales; algunas bases de datos tienen hasta 3 TB, por lo que tenemos problemas con el tiempo que tardan. Podría ser una semana para obtener la información relevante y luego, después de una semana, la miras y está completamente mal. Así que has perdido una semana, así. Hemos tenido muchos problemas solo con errores técnicos.
ML: ¿Eso es lo que sigue para Earth AI, continuar acumulando la cantidad de datos que tienes?
RT : Sí, y tenemos varias otras ambiciones. Queremos que pueda supervisar dónde puede mejorar el mapa geológico dando constantemente sus propias observaciones, cambiando así nuestro enfoque a uno más grupal con nuestros clientes.
No existe la opción de viajar a todas partes y a todos los sitios, por lo que, en cambio, queremos que nuestro análisis solo lo envíe a las áreas donde existe la mayor probabilidad de descubrir algo. Pero también, si pudiéramos construir un vehículo más tarde, una máquina autónoma que pudiera ir y analizar muestras de suelo, sería realmente útil para las empresas de exploración porque podrían enfocarse en áreas específicas sin viajar. Podían obtener una gran cantidad de datos y comprensión del yacimiento y el área circundante de forma autónoma.
Fuente: Mining Technology
