Por: Alessandra Morante Pérez-Reyes, coordinadora del Eje de Innovación en Gestión y Finanzas dentro del GreaTT, Wim Perú.ResumenLa investigación se centra en cómo la inteligencia artificial (AI) y el big data están revolucionando la industria minera. Se utiliza el aprendizaje automático y profundo para procesar grandes cantidades de datos y predecir con precisión precios de commodities, evaluar proyectos mineros, y gestionar riesgos de precio. Además, la AI mejora la estimación de costos y ayuda en la planificación de proyectos. Se analizan plataformas de datos para que los profesionales mineros escojan la mejor según sus necesidades y se enfatiza la importancia de una cultura organizativa que valore la innovación y adaptabilidad para el futuro.IntroducciónEn la era digital, las empresas están adoptando tecnologías de aprendizaje automático y profundo, impulsadas por el análisis de big data para mejorar la precisión de los modelos predictivos y el aprendizaje continuo (Galan Zazo, Galan Ordox, & Turrion Diez, 2022). En la industria minera, estas tecnologías están mejorando la eficiencia operativa y la seguridad, aunque su implementación en áreas como finanzas e inversiones sigue siendo limitada. La Figura 1 ilustra el grado de adopción de estas tecnologías en la industria minera, destacando oportunidades para optimizar la toma de decisiones (Zhou, Shimei, Wang, & Vasilakos, 2017).Fuente: elaboración propia. Nota. La Figura 1 muestra el nivel de adaptación e inclusión de algoritmos de inteligencia artificial en la industria minera por área. Figura 1. Implementación y uso de la inteligencia artificial en la industria minera.En la industria minera, la precisión en la estimación de precios de commodities ha evolucionado desde el análisis técnico y fundamental hacia modelos estocásticos y técnicas de inteligencia artificial debido a la creciente volatilidad de los precios en los últimos veinte años (Hachmi, Boubaker, Ftiti, Louhichi, & Tissaoui, 2023). Investigaciones recientes, como la de Zhang, Hong y otros (2020), proponen métodos combinados de redes neuronales y optimización por colonia de hormigas para mejorar la estimación de costos en proyectos mineros, esenciales para la planificación financiera. Además, las innovaciones tecnológicas están facilitando la gestión de riesgos financieros y la recomendación de carteras con poca intervención humana (Méndez-Suárez, García-Fernández, & Gallardo, 2019).La investigación aborda la integración de big data y algoritmos de inteligencia artificial en la industria minera, extendiéndose también al desarrollo empresarial y a la gestión de inversiones. Adicionalmente, propone una estructura de evaluación para plataformas de análisis de datos, comparando su calidad y eficiencia, para destacar cómo estas tecnologías pueden servir como herramientas estratégicas en la creación de modelos de aprendizaje automático y profundo específicos.Conectando el big data, la ciencia de datos y la inteligencia artificial Antes de abordar las herramientas de inteligencia artificial en inversiones mineras, es esencial comprender el big data. Desde la tercera revolución tecnológica, con el desarrollo de las Tecnologías de la Información y Comunicación, el análisis de datos se ha intensificado, especialmente desde 2005 con el auge de los datos generados en línea. La Figura 2 muestra cómo ha evolucionado el acceso a estos datos. El big data se caracteriza por su variedad, volumen y velocidad, y requiere metodologías avanzadas como el análisis predictivo para su gestión eficaz (Golebiowska & Prokopowicz, 2021; Oracle, 2022; Waller & Fawcett, 2013).Fuente: tomado de Business Intelligence analytics based on the processing of large sets of information with the use of sentiment analysis and Big Data (p. 131) por Golebiowska & Prokopowicz, 2021. Nota. La Figura 2 ilustra el proceso de desarrollo de las tecnologías de la información que condujeron al surgimiento del concepto de big data. Figura 2. Evolución de la información y el big data.La ciencia de datos utiliza métodos cuantitativos y cualitativos para resolver problemas y predecir resultados (Waller & Fawcett, 2013). Los científicos de datos aplican técnicas como el modelado estadístico y el aprendizaje automático para identificar patrones y tomar decisiones basadas en datos. Según Waller y Fawcett, es esencial que los científicos de datos tengan tanto un profundo conocimiento del dominio como habilidades analíticas (Waller & Fawcett, 2013).Tanto el big data como la ciencia de datos han impulsado el avance de la inteligencia artificial, que imita la inteligencia humana para realizar tareas autónomamente. Un creciente número de empresas, alrededor del 35% a nivel global, ya utiliza esta tecnología, mientras que otro 42% la está explorando (IBM Data and AI Team, 2023). En la gestión de operaciones mineras, la inteligencia artificial procesa grandes volúmenes de datos, identifica patrones complejos y realiza predicciones precisas. En los mercados de commodities, con su complejidad derivada de múltiples factores, como eventos políticos y económicos, se necesitan algoritmos sofisticados como el aprendizaje automático o el aprendizaje profundo (Hachmi y otros, 2023).El aprendizaje automático, parte de la inteligencia artificial, emplea datos y algoritmos para imitar el proceso de aprendizaje humano. Se utilizan métodos estadísticos para clasificar, predecir y descubrir información en proyectos de minería de datos (UC Berkeley School of Information, 2020). Actualmente, los algoritmos de aprendizaje automático son accesibles a través de paquetes en R o Python para ajustar árboles de decisión, bosques aleatorios o regresión LASSO (Mullainathan & Spiess, 2017).La elección del algoritmo de aprendizaje automático depende del problema y el número de variables involucradas. En el aprendizaje supervisado, los algoritmos como árboles de decisión, teorema de Bayes y máquina de soporte de vectores se basan en ejemplos conocidos de entrada y salida. En el aprendizaje no supervisado, algoritmos como la agrupación en clústeres encuentran estructuras en los datos (Mahesh, 2018). Recientemente, el desarrollo del aprendizaje profundo ha impulsado la necesidad de algoritmos más complejos. Este enfoque, como las redes neuronales artificiales con múltiples capas, extrae características relevantes de los datos y se ha aplicado exitosamente en diversas áreas (IBM Data and AI Team, 2023; Hachmi y otros., 2023). La Tabla 1 proporciona una comparación entre el aprendizaje automático y el aprendizaje profundo.