MINERÍA la mejor puerta de acceso al sector minero MINERÍA / ENERO 2024 / EDICIÓN 556 11 tación y discusión de los resultados obtenidos. Posteriormente, se presentan las conclusiones y las recomendaciones derivadas del trabajo técnico. Finalmente, se incluyen los anexos y las referencias bibliográficas pertinentes. Esperamos que los hallazgos de esta investigación contribuyan al campo emergente del ML y la IA en la industria minera, proporcionando orientación estratégica a otros actores del sector que buscan adoptar estas tecnologías. Al mismo tiempo, confiamos en que este estudio sirva para ilustrar el valor de una arquitectura de datos bien planificada y ejecutada en la habilitación de tecnologías avanzadas de análisis. Objetivos El cometido principal del presente trabajo técnico es proponer como la implementación de una arquitectura de datos robusta puede incrementar la capacidad del sector minero para adoptar y utilizar eficazmente las tecnologías de Machine Learning y la Inteligencia Artificial. Para llevar a cabo este propósito, se han establecido los siguientes objetivos específicos: Evaluar las prácticas actuales de gestión de datos, identificar brechas y desarrollar un plan de ruta para la implementación de la arquitectura de datos. Diseñar un sistema que se alinee con los objetivos comerciales, los requisitos de seguridad y las necesidades de escalabilidad de la empresa. Probar la arquitectura de datos para su funcionalidad, facilidad de uso y seguridad. Desarrollo La implementación de una arquitectura de datos sólida y bien diseñada es esencial para el éxito de cualquier proyecto de Machine Learning. En el caso de Antamina, el objetivo era incrementar la producción de cobre fino y zinc, tanto en términos de rendimiento como de recuperación. Para lograrlo, se extrajeron datos de los sistemas de planta, geología y despacho. A continuación, se detallan los pasos de la metodología utilizada para garantizar una implementación exitosa. Definición de los requerimientos de los datos En esta fase inicial, se realizó un análisis detallado de las necesidades de información para el proyecto. Este proceso no solo implicaba identificar las fuentes de datos relevantes, sino también entender las características específicas de los datos requeridos. Se llevaron a cabo múltiples Tabla 2. Criterios Selección Vendor Nube Criterio Descripción Almacenamiento y precio Se evaluaron 3 tipos de almacenamiento. Zona de Data Caliente: para data de uso intenso. Zona de Data Poco Frecuente: para data de uso poco frecuente. Zona de Data Congelada: para data con casi poco uso. Características Data Lake Si cumplen las características principales como: encriptamiento, resistencia, log, ciclo de vida, entre otros. Gobierno de datos Si cumplen los mecanismos para aprovisionar un gobierno de datos teniendo en cuenta: Meta Data, Tagging, costos, auditorías, programación de prendido y apagado de servicios, roles, entre otros. Network Security Si se realiza verificaciones de firewall de red, mitigación de DDoS y depuración de tráfico de DDoS y tráfico forence. Tabla 1. Fuentes de Datos Fuente de datos Descripción Variables Dispatch Información de cargas y descargas de los equipos 279 Geología Información litología de producción 100 Información de planta Información de molienda, flotación espesadores, laboratorio metalúrgico y químico. 900
RkJQdWJsaXNoZXIy MTM0Mzk2