X
Logo Minería
login

Inicie sesión aquí

MINERÍA DEL FUTURO: CÓMO LA ARQUITECTURA DE DATOS POTENCIA EL MACHINE LEARNING Y LA IA

Por: Luis Álvarez Mendoza y Carlos Siccha Maco, Compañía Minera Antamina.


Resumen

Este trabajo técnico se embarca en una exploración profunda de la intersección entre la tecnología de vanguardia y la industria minera, con una mirada crítica a cómo una arquitectura de datos sólida puede servir como un potente catalizador para el uso efectivo de Machine Learning (ML) e Inteligencia Artificial (IA). A través de un enfoque focalizado en la operación minera Antamina, este informe articula una comprensión detallada de los desafíos y las oportunidades presentes en el panorama de la gestión de datos mineros. 

El informe reconoce que la estandarización en los formatos y definiciones de datos, la capacidad de analizar grandes volúmenes de datos de diversas fuentes, el compartir y acceder a los datos, la seguridad de la información, y la utilización de técnicas avanzadas de análisis son algunos de los desafíos críticos que enfrenta el sector minero actualmente. A través de una revisión exhaustiva de documentos técnicos, entrevistas con expertos y análisis de datos recogidos, se postula que una arquitectura de datos robusta puede abordar eficazmente estos desafíos. 

Este informe proporciona no solo un análisis meticuloso de los datos existentes y una visión teórica, sino también una propuesta tangible y concreta para la implementación de una arquitectura de datos en Antamina. Se desarrolla una hoja de ruta estratégica que marca la senda para la adopción de una arquitectura de datos robusta, a la vez que se ilustra la manera en que las tecnologías de ML e IA pueden mejorar la eficiencia operativa, la seguridad y la toma de decisiones en la industria minera. 

Finalmente, se esboza una visión para el futuro de la minería, en la que una arquitectura de datos bien estructurada y las técnicas avanzadas de análisis de datos, como el ML y la IA, juegan un papel crucial. Se argumenta que la adopción de estas tecnologías tiene el potencial de redefinir las operaciones mineras, impulsando la productividad, reduciendo los riesgos y creando un entorno más sostenible. Este trabajo técnico busca abrir la puerta a un futuro en el que la minería está impulsada por la innovación y la inteligencia, lo que finalmente podría llevar a la Minería 4.0.

Introducción 

Visión general de Antamina 

Compañía Minera Antamina es un megaproyecto minero el cual inicio operaciones el 28 de mayo del 2001, Antamina ha realizado una de las mayores inversiones mineras en la historia del Perú: US$ 3,600 millones que incluye lo invertido en la expansión de sus operaciones. 

Está ubicada en el distrito de San Marcos, provincia de Huari en la región Áncash, a 200 km. de la ciudad de Huaraz y a una altitud promedio de 4,300 msnm. Además, también contamos con el puerto de embarque Punta Lobitos, situado en la provincia costera de Huarmey. Antamina es una empresa constituida bajo las leyes peruanas, producto de un joint venture entre cuatro empresas líderes en el sector minero mundial. Los accionistas de Antamina son: BHP Billiton (33.75%), Xstrata (33.75%), Teck (22.5%) y Mitsubishi Corporation (10%). 

En la actualidad, Antamina es uno de los mayores productores peruanos de concentrados de cobre y zinc y una de las diez minas más grandes del mundo en términos de volumen de producción. Antamina está fuertemente comprometida con producir y entregar concentrados de alta calidad, con seguridad y responsabilidad, desde los Andes peruanos hacia el mundo.

El proceso de producción de Antamina inicia en la extracción del mineral y acaba en el traslado de este desde los Andes hasta el Puerto Punta Lobitos, para su embarque en Huarmey, a través del mineroducto que recorre 304 km, llevando el concentrado en forma de “pulpa”, donde el 40% es agua que se reutiliza, siendo los procesos actuales:

Perforación y voladura

En Antamina, los pozos de perforación se colocan de manera estratégica y con precisión milimétrica utilizando avanzados sistemas de control GPS. A continuación, se insertan explosivos cuidadosamente calculados en estos orificios. La detonación de los explosivos fragmenta la roca en trozos de un tamaño adecuado para su posterior procesamiento, liberando así el valioso mineral en bruto.

Carguío y acarreo

En esta etapa, maquinaria pesada especializada, como palas eléctricas de cables y excavadoras hidráulicas, se encargan del carguío del mineral y de la roca estéril. Los gigantes camiones de acarreo, con capacidad para transportar hasta 240 toneladas, trasladan los materiales a su destino correspondiente: la planta concentradora en el caso del mineral, y el depósito de desmonte para la roca estéril.

Chancado

Una vez en la planta concentradora, el mineral pasa por un proceso de chancado. Aquí, máquinas chancadoras de alta capacidad reducen el tamaño del mineral a un diámetro máximo de media pulgada. La eficacia de este proceso es esencial para aumentar la superficie de los minerales y facilitar su posterior molienda.

Molienda 

En la molienda, el mineral chancado se mezcla con agua y se alimenta a los molinos de bolas y barras. El objetivo es conseguir que el material alcance un tamaño suficientemente pequeño para liberar los granos de mineral que contienen los metales a recuperar.

Flotación

En la flotación, se añaden reactivos al mineral molido para generar una espuma que atrape los minerales útiles y permita su separación de los no deseados. A través de este proceso, Antamina consigue concentrados de cobre, zinc, molibdeno y plata.

Transporte al mineroducto

Los concentrados obtenidos son bombeados por un mineroducto de 300 km hasta el puerto Punta Lobitos en Huarmey. Durante este viaje, los concentrados son cuidadosamente monitoreados para asegurar su integridad.

Filtrado

El producto viene con 65% de sólido a través del mineroducto. Luego del filtrado, este queda con 9.5% de humedad. Lo cual garantiza un proceso de alta calidad.

Definición de oportunidad de la mejora

En Antamina, según lo mencionado previamente, se tienen varios procesos de la operación donde se cuentan con diversos sistemas para operar la mina, como, por ejemplo:

Perforación y voladura: se utilizan sistemas de control de perforación basados en GPS para garantizar una colocación precisa de los orificios. Además, los sistemas de monitorización de voladuras ayudan a recoger datos sobre la eficacia de las explosiones y a hacer ajustes en tiempo real para optimizar el rendimiento.

Carguío y acarreo: los sistemas de gestión de flotas proporcionan información en tiempo real sobre el rendimiento de la maquinaria pesada utilizada para el carguío y acarreo. Esto incluye datos sobre la eficiencia del combustible, la vida útil de los componentes y la productividad de la flota.

Chancado: se utilizan sensores en la maquinaria de chancado para recoger datos sobre la eficacia del proceso. Estos datos se analizan para determinar si es necesario hacer ajustes en el funcionamiento de las máquinas.

Molienda: los sistemas de control avanzados ayudan a optimizar el rendimiento de los molinos de bolas y barras. Los datos recogidos durante este proceso pueden utilizarse para hacer ajustes que maximicen la eficacia de la molienda.

Flotación: los sistemas de monitorización de procesos supervisan las condiciones de flotación en tiempo real y recogen datos sobre la calidad y cantidad de los minerales recuperados. Este conocimiento permite realizar ajustes en tiempo real para maximizar la eficacia del proceso.

Transporte al mineroducto: se utilizan sistemas de seguimiento y monitoreo para controlar la integridad de los concentrados durante su viaje por el mineroducto.

Filtrado: los sistemas de control de calidad supervisan la eficacia del proceso de filtrado y recogen datos sobre la humedad y la pureza del concentrado.

En cada uno de estos procesos, los sistemas mencionados recogen y almacenan datos que se analizan y utilizan para tomar decisiones basadas en evidencia. Esto permite a Antamina maximizar la eficiencia, minimizar los impactos ambientales y mejorar continuamente sus operaciones.

No obstante, la industria minera se enfrenta a un cambio de paradigma. Las emergentes tecnologías de Machine Learning (ML) e Inteligencia Artificial (IA) están desafiando los enfoques tradicionales de operación y gestión, abriendo las puertas a una nueva era de eficiencia y seguridad en las operaciones mineras.

Sin embargo, para aprovechar al máximo estas oportunidades, se requiere una infraestructura de datos robustos y bien diseñados, una arquitectura de datos que pueda soportar y potenciar estas tecnologías. En Antamina, con su compromiso de ser pionera en la adopción de nuevas tecnologías, se presenta como un caso de uso ideal para proponer cómo la arquitectura de datos puede potenciar la implementación de ML e IA en la industria minera.

Este trabajo técnico se centra en la implementación de una arquitectura de datos de vanguardia en Antamina. A lo largo de los años, la empresa ha demostrado una disposición constante para la integración de tecnologías emergentes en sus operaciones. No obstante, como en cualquier compañía que se aventura en el camino de la digitalización, Antamina enfrenta desafíos significativos. Entre estos, destacan la falta de estandarización en los formatos y definiciones de datos, la necesidad de analizar grandes volúmenes de datos de diferentes fuentes, la dificultad para compartir y acceder a los datos, los riesgos de seguridad de la información, y el uso limitado de técnicas avanzadas de análisis.

En este contexto, se plantea la siguiente pregunta de investigación: ¿Cómo puede una arquitectura de datos robusta y bien diseñada mejorar la capacidad del sector minero para adoptar y aprovechar las tecnologías de ML e IA, en el caso concreto de Antamina? Para responder a esta pregunta, se realiza un análisis exhaustivo de la situación actual de la empresa en términos de infraestructura de datos, se identifican los desafíos y oportunidades relacionados con la implementación de una infraestructura efectiva, y se proporciona una hoja de ruta estratégica para la adopción de un sistema de datos robusto.

Este trabajo técnico se divide en varias secciones. Tras esta introducción, se presentan los objetivos generales y específicos del estudio. Luego, se detalla el proceso de implementación de la arquitectura de datos, seguido de la presentación 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 sesiones de trabajo con los equipos de Planta, Geología y Despacho para precisar los datos necesarios, como las propiedades físicas y químicas de los minerales, las condiciones operativas de la maquinaria y equipos, las variables de proceso, entre otros. Este primer paso fue crucial para establecer las bases de la arquitectura de datos a desarrollar.

Diseño de la arquitectura de datos

Con el fin de optimizar la gestión de los datos de Antamina, se diseñó una arquitectura que cumple con las exigencias y retos propios del sector minero, adaptándose a la realidad operativa específica de la empresa y a los lineamientos de ciberseguridad.

Para este propósito, se decidió trasladar todos los datos desde las instalaciones de Antamina (on-premise) hacia la nube de Amazon Web Services (AWS), en lugar de mantener un esquema híbrido. Esta decisión se basó en el deseo de aprovechar al máximo las capacidades de escalabilidad, flexibilidad y potencia de procesamiento que ofrece la nube.

AWS fue seleccionado por su robustez y versatilidad, especialmente en lo que respecta al manejo de grandes volúmenes de datos y la ejecución eficiente de procesamientos complejos, para lo cual se usaron una serie de criterios en esta evaluación, que se muestran en la Tabla 2.

Adicionalmente, se utilizó Databricks como plataforma para el desarrollo y ejecución de los algoritmos de Machine Learning, debido a su estrecha integración con AWS y su habilidad para manejar y procesar grandes conjuntos de datos.

Databricks, es una plataforma de análisis de datos basada en la nube que combina el procesamiento distribuido de Apache Spark con herramientas de Inteligencia Artificial y aprendizaje automático.

Proporciona un ambiente seguro y colaborativo para científicos de datos, ingenieros de datos y analistas para unir, limpiar, analizar y modelar grandes cantidades de datos. Databricks también incluye una interfaz de usuario fácil de usar, integración con una variedad de almacenes de datos, y capacidades de automatización y escalabilidad.

Permite el despliegue de modelos de Machine Learning en producción.

Se estableció una conexión segura para el envío de datos desde las instalaciones de Antamina a la nube vía VPN, asegurando la integridad y confidencialidad de la información durante su tránsito. Para ello, se implementaron protocolos de cifrado y autenticación que garantizan la seguridad de los datos de los sistemas de Planta, Geología y Despacho.

Para el envío de los datos, se empleó un esquema de transmisión en lotes (batch) desde las instalaciones de Antamina hasta la nube de AWS. Para facilitar este proceso, se estableció una capa intermedia, un Operational Data Store (ODS), que se encargó de recopilar y preparar los datos para su envío, el servicio de nube usado para la ingestión de datos fue Amazon Database Migration Service (AWS DMS).

Este es un servicio que permite la migración de información de fuentes de datos ya sea que estas estén en onpremise o en cloud hacia un destino. DMS es capaz de realizar migraciones homogéneas, es decir, de una misma base de datos a otra con el mismo sistema de gestión, y también migraciones heterogéneas, es decir, de un sistema de gestión de bases de datos a otro diferente.

DMS proporciona una gran flexibilidad en cuanto a las opciones de migración. Por ejemplo, se puede elegir entre una migración completa o incremental, así como seleccionar qué tablas y columnas se deben migrar. También se puede utilizar para replicar datos en tiempo real, para crear una copia de seguridad o para migrar datos a una nube.

En el caso de la información en tiempo real de la planta, se usó PI Integrator Framework, el cual es un sistema parte de la suite y se integra de forma compatible al PI-SYSTEM, sistema principal de la planta. Asimismo, PI Integrator, que es una aplicación web para crear, publicar y administrar vistas. PI Integrator distribuye trabajos entre los nodos trabajadores para equilibrar la publicación y administra flujos de salida y registra estadísticas de las vistas.

Un microservicio en Python, lee las vistas publicadas y realiza el envío de la información hacia el streaming de datos.

Un punto fundamental fue establecer el ancho de banda mínimo de datos requeridos para la transmisión como se muestra en la Tabla 3.

El Data Sample mostrado es de 4,000 PI tags para el caso de uso, esta data será capturada en streaming en un segundo, el peso total es de 332 KB.

El ancho de banda para subida (upload) en una VPN de red dedicada para capturar los streams de datos desde PI y llevarlos hacia la nube, tiene que cumplir con un mínimo de ancho de banda 5 Mbps (625 kb/s), en el caso se presenten peaks en la subida de datos.

Asimismo, se utilizó el servicio de streaming de datos AWS Kinesis, que permite procesar y analizar grandes cantidades de datos en tiempo real. Captura, procesa y analiza datos en tiempo real, como transacciones en línea, datos de IoT, eventos de aplicaciones web y otros. Los datos se pueden enviar a un flujo de datos de Kinesis mediante una API, lo que permite a las aplicaciones y dispositivos enviar datos a Kinesis en tiempo real. Los datos se almacenan en el flujo durante un tiempo configurable, lo que permite a las aplicaciones procesar y analizar los datos mientras aún están disponibles.

Además, los datos del flujo se pueden enviar a otros servicios de AWS como Amazon S3 para almacenamiento.

En AWS, se construyó un Data Lake donde se almacenaron los datos en su formato original. Para el almacenamiento se usó AWS S3 como capa donde residiría el Data Lake, Amazon Simple Storage Service (AWS S3) es un servicio de almacenamiento en la nube de Amazon Web Services (AWS) que permite almacenar y recuperar grandes cantidades de datos. Con S3, se pueden almacenar diferentes tipos de datos, como archivos, imágenes, videos, backups, entre otros. S3 ofrece varias características que lo hacen una solución escalable, segura y confiable para el almacenamiento de datos en la nube. Algunas de estas características son:

ν Almacenamiento de objetos.

ν Durabilidad.

ν Distribución geográfica.

ν Integración con otros servicios de AWS Control de acceso.

ν Copias de seguridad.

A partir de este Data Lake, se generaron Data Warehouses y Data Marts para facilitar el acceso y análisis de la información. Se implementaron flujos de datos automatizados (pipelines) para gestionar la recopilación, transformación y carga de datos desde las fuentes hasta el Data Lake y los almacenes de datos.

En resumen, la arquitectura de datos diseñada permitió unificar, organizar y gestionar de forma eficiente los diferentes conjuntos de datos provenientes de los sistemas de la Planta, Geología y Dispatch, permitiendo aprovechar al máximo su valor para el desarrollo de soluciones de Machine Learning e Inteligencia Artificial.

Con los requerimientos de datos definidos, se procedió a diseñar la arquitectura de datos. En este proceso se especificó cómo se recolectarían, almacenarían, organizarían y utilizarían los datos. Se seleccionaron tecnologías de almacenamiento de datos escalables y flexibles, como Spark para el almacenamiento en bruto y bases de datos SQL para el almacenamiento estructurado. Se definieron protocolos de integración y comunicación de datos para asegurar una correcta interacción entre los sistemas de Planta, Geología y Despacho.

Implementación de la arquitectura de datos

En esta etapa, la arquitectura de datos diseñada fue efectivamente implementada. Se configuraron los servidores y las bases de datos, y se establecieron los procesos de extracción, transformación y carga de datos (ETL). Se realizaron integraciones de API para conectar los sistemas de Planta, Geología y Despacho, asegurando una transferencia de datos fluida y en tiempo real. Además, se implementaron herramientas de procesamiento de datos, como Apache Spark, para permitir el análisis de grandes volúmenes de datos.

Pruebas y validación

Una vez implementada la arquitectura de datos, se realizó un conjunto riguroso de pruebas para verificar su funcionamiento correcto. Se generaron conjuntos de datos de prueba y se verificó la correcta recopilación, almacenamiento, integración y procesamiento de estos. También se verificó la precisión y coherencia de los mismos. Esta etapa fue esencial para garantizar la confiabilidad y validez de los datos utilizados para el ML.

Implementación de algoritmos de Machine Learning

Con la arquitectura de datos validada, se procedió a la implementación de algoritmos de ML. Se utilizaron técnicas de aprendizaje supervisado y no supervisado, según las características de los datos y los objetivos del proyecto. Los algoritmos se entrenaron con los datos recolectados y se ajustaron los parámetros para maximizar la precisión y el rendimiento.

Evaluación y mejora continua

Finalmente, se estableció un proceso de evaluación y mejora continua. Se monitoreó el desempeño de los algoritmos de ML y se comparó con los indicadores de rendimiento definidos inicialmente. Se llevaron a cabo ajustes periódicos en la arquitectura de datos y los modelos de ML para adaptarse a los cambios en las condiciones operativas y de mercado, garantizando así la optimización continua de la producción. Para ello, se implementaron dashboards y herramientas de visualización de datos que permitieron tener un seguimiento detallado de los indicadores de rendimiento clave (KPI) y la evolución de las métricas de interés.

Además, se implementó un sistema de retroalimentación para integrar las lecciones aprendidas en el proceso y realizar mejoras iterativas tanto en la arquitectura de datos como en los algoritmos de Machine Learning. Se fomentó una cultura de aprendizaje continuo y adaptación al cambio, con el fin de mantener la eficiencia del sistema a largo plazo.

La interacción con el personal técnico y operativo de Antamina fue clave en este proceso. Se realizaron sesiones de capacitación y talleres para familiarizar al personal con la nueva arquitectura de datos y los modelos de ML, y para entender cómo estos podían influir en su trabajo diario.

También se establecieron protocolos de mantenimiento y actualización de la arquitectura de datos y los sistemas ML, para asegurar su correcto funcionamiento y adaptación a las nuevas necesidades y desafíos que puedan surgir.

A través de este proceso riguroso y detallado, se pudo implementar con éxito una arquitectura de datos robusta que potenció el uso de Machine Learning e Inteligencia Artificial en la operación de Antamina, permitiendo incrementar la producción de cobre fino y zinc. Este caso demuestra cómo una correcta gestión y uso de los datos puede desbloquear significativas oportunidades de mejora e innovación en el sector minero.

Presentación y discusión de resultados

Una vez que se logró implementar y establecer la arquitectura de datos, y se llevaron a cabo las operaciones de Machine Learning e Inteligencia Artificial, los resultados obtenidos fueron notables. Estos se dividen en dos categorías principales: resultados técnicos y resultados de negocios. Los resultados técnicos hacen referencia a las métricas y logros alcanzados con la implementación de la arquitectura de datos y la operación de las soluciones de Machine Learning e IA, mientras que los resultados de negocios están relacionados al impacto que estas soluciones tuvieron en las operaciones y resultados generales de Antamina.

Resultados técnicos

El rendimiento de la arquitectura de datos y las operaciones de Machine Learning e IA superó las expectativas. La eficiencia del procesamiento de datos mejoró significativamente, con una reducción del tiempo de procesamiento y una mejora en la calidad de los datos disponibles para el análisis. La implementación de la arquitectura de datos permitió la consolidación de los datos de diferentes fuentes en un único lugar, facilitando su gestión y análisis. Por otro lado, los algoritmos de Machine Learning e IA desarrollados demostraron un alto grado de precisión en sus predicciones y recomendaciones, lo que permitió una mayor confianza en la toma de decisiones basada en datos.

Resultados de negocios

La implementación de la arquitectura de datos y las soluciones de Machine Learning e IA tuvieron un impacto significativo en las operaciones de Antamina. Se logró incrementar la producción de cobre fino y zinc, tanto en términos de volumen (throughput) como en términos de recuperación. Esto se tradujo en un aumento en los ingresos de la empresa y una mejora en la eficiencia operativa. Es importante mencionar que estos resultados no solo son fruto de la implementación de la arquitectura de datos y las soluciones de Machine Learning e IA, sino también del compromiso y esfuerzo del equipo de Antamina, que se adaptó a los nuevos procesos y tecnologías, y trabajó de la mano con el equipo de implementación para asegurar el éxito del proyecto.

En resumen, los resultados obtenidos demuestran que la adopción de una arquitectura de datos robusta y el uso de Machine Learning e IA son herramientas valiosas para mejorar la eficiencia y productividad en el sector minero. Sin embargo, también se debe tener en cuenta que su implementación exitosa requiere de un esfuerzo conjunto y un compromiso por parte de todo el equipo, desde la Gerencia hasta los operadores en campo.

Conclusiones

1. El desarrollo e implementación de la arquitectura de datos en Antamina ha marcado un hito en la minería moderna, demostrando cómo la tecnología, específicamente el Machine Learning e Inteligencia Artificial, pueden potenciar las operaciones mineras.

2. El trabajo técnico concluye que una arquitectura de datos bien diseñada es esencial para habilitar el uso de Machine Learning e Inteligencia Artificial en la minería. A través de su implementación, se pueden consolidar y analizar eficientemente datos provenientes de diversas fuentes, proporcionando una base sólida para el desarrollo de modelos de ML e IA.

3. La arquitectura de datos implementada en Antamina ha demostrado ser efectiva en mejorar la eficiencia del procesamiento y la calidad de los datos. Esto ha habilitado el desarrollo y operación de soluciones de ML e IA que han logrado incrementar la producción de cobre fino y zinc. Esto se traduce en beneficios económicos significativos para la empresa y representa un avance importante para el sector minero en general.

4. La investigación también subraya la importancia del compromiso y la colaboración del equipo para el éxito de la implementación de la arquitectura de datos y las soluciones de ML e IA. A pesar de los desafíos técnicos, la adaptación y esfuerzo del equipo de Antamina fueron factores clave para la implementación exitosa.

5. Finalmente, aunque los resultados obtenidos en Antamina son prometedores, cada operación minera es única y puede enfrentar diferentes desafíos y oportunidades. Por lo tanto, es esencial que cada empresa evalúe su propio contexto y necesidades antes de implementar una arquitectura de datos o soluciones de ML e IA. 

6. Este trabajo técnico sienta las bases para futuras investigaciones y desarrollos en este campo, y confirma que la minería del futuro estará cada vez más apoyada por tecnologías avanzadas como el Machine Learning y la Inteligencia Artificial, siempre que se tenga una arquitectura de datos robusta y bien diseñada.

Bibliografía

Compañía Minera Antamina. 2023. Reporte de Arquitectura de Datos Antamina, Gerencia de Sistemas, Control y Telecomunicaciones de Antamina.

Compañía Minera Antamina. 2023. Proceso productivo. Recuperado de https://www.antamina.com/proceso- productivo/

Cantalapiedra, C. G., & Soler, E. V. 2017. Evolución de los entornos Big Data y los retos para el Arquitecto de Datos. Economía industrial, (405), 21-31. 

Dahr, J. M., Hamoud, A. K., Najm, I. A., & Ahmed, M. I. 2022. Implementing sales decision support system using Data mart based on OLAP, KPI, and Data mining approaches. Journal of engineering science and technology, 17(1), 0275-0293.

Pincheira, M., Antonini, M., & Vecchio, M. 2022. Integrating the IoT and blockchain technology for the next generation of mining inspection systems. Sensors, 22(3), 899.

Wang, G., Ren, H., Zhao, G., Zhang, D., Wen, Z., Meng, L., & Gong, S. 2022. Research and practice of intelligent coal mine technology systems in China. International Journal of Coal Science & Technology, 9(1), 24.

Artículos relacionados

Formar más especialistas en Relaciones Comunitarias contribuirá a la disminución de conflictos socioambientales

Seguir leyendo
X

Ingrese sus datos aquí

X

Recuperar Contraseña

X

Recuperar Contraseña

Si tiene problemas para recuperar su contraseña contáctese con el Área de Servicio al Asociado al teléfono 313-4160 anexo 218 o al correo asociados@iimp.org.pe

X

Ha ocurrido un error al iniciar sesión

Si tiene problemas para recuperar su contraseña contáctese con el Área de Servicio al Asociado al teléfono 313-4160 anexo 218 o al correo asociados@iimp.org.pe

X

Ingrese sus datos y nos pondremos en
contacto para poder completar su compra

X

Ingrese sus datos y nos pondremos en
contacto para poder completar su compra