Un modelo de inteligencia artificial entrenado con datos de una operación no necesariamente mantendrá su precisión al pasar a otra. Las diferencias en sensores, equipos, condiciones de trabajo o características geológicas pueden cambiar las señales que recibe y, con ellas, la calidad de sus predicciones. Antes de ampliar su uso, la pregunta clave no es solo cuánto acertó durante el entrenamiento, sino cómo responde ante datos de una faena que no conocía.
Ese problema se conoce como cambio de dominio: la distribución de los datos en el entorno donde se usa el modelo difiere de la que encontró al aprender. En minería, puede ser relevante para herramientas que analicen imágenes de testigos, clasifiquen litologías, estimen propiedades de roca o anticipen fallas de equipos. No significa que todo modelo vaya a fallar al cambiar de mina; significa que el desempeño debe comprobarse en las condiciones de destino.
Una prueba con datos mezclados puede ocultar la pérdida de precisión
Un estudio de Payman Goodarzi, Andreas Schütze y Tizian Schneider, del Laboratorio de Tecnología de Medición de la Universidad de Saarland, comparó métodos de aprendizaje automático para monitoreo industrial. Fue publicado el 4 de julio de 2025 en Journal of Sensors and Sensor Systems. No estudió faenas mineras: evaluó siete conjuntos de datos públicos de sensores industriales, por lo que sus resultados sirven como evidencia sobre el problema de transferencia, no como una medición directa del rendimiento en minas.
Los autores contrastaron una validación aleatoria de tipo K-fold —que reparte observaciones entre entrenamiento y prueba— con una validación leave-one-group-out (LOGO), que reserva un grupo completo, como una condición operativa o una máquina, para probar si el modelo generaliza a datos no vistos. En cinco de los siete casos, los modelos alcanzaron una exactitud cercana al 100% con la división aleatoria; al dejar grupos fuera, el desempeño normalmente bajó. En cuatro conjuntos, los métodos clásicos basados en extracción y selección de características igualaron o superaron a las redes neuronales profundas bajo ese cambio.
La diferencia importa porque una partición aleatoria puede dejar ejemplos muy parecidos tanto en el entrenamiento como en la prueba. Así, el modelo se evalúa en condiciones familiares, aunque en operación deba enfrentarse a un equipo, turno o régimen que no estuvo representado durante su aprendizaje. LOGO ofrece una prueba más exigente cuando los grupos se definen de acuerdo con las fuentes de variación que podrían aparecer en el uso real.
La geología chilena también exige comprobar el alcance del modelo
En Chile, las operaciones trabajan en contextos geológicos distintos. Los registros y mapas de recursos minerales de Sernageomin clasifican yacimientos según, entre otros criterios, su tipo, mena y minerales de alteración; la información oficial incluye categorías como pórfidos cupríferos, depósitos epitermales y sistemas de hierro-óxido-cobre-oro. Esa diversidad no demuestra por sí sola que un modelo vaya a perder precisión, pero sí advierte que una base de datos de una zona o tipo de depósito no debe asumirse representativa de todos los demás.
La misma precaución vale para mantenimiento predictivo. El estudio de Saarland consideró señales de vibración, presión, temperatura y otras mediciones industriales, pero se concentró en tareas de clasificación y utilizó un sensor por conjunto en su análisis inicial. Por ello, no permite asegurar cómo se comportaría un modelo minero con datos multimodales, ni cuantificar su precisión al transferirlo entre minas. Además, los autores señalaron que los conjuntos disponibles no fueron diseñados específicamente para estudiar el cambio de dominio y que la magnitud de ese cambio no pudo determinarse con exactitud.
Qué comprobar antes de desplegar el modelo en otra operación
La primera señal que conviene revisar es si cambió la entrada: sensores o calibraciones, ubicación del equipo, velocidad, carga, temperatura, calidad de imagen, protocolo de muestreo o criterios usados para etiquetar los datos. Si esas variables difieren de las del entrenamiento, una cifra global de precisión puede ocultar errores concentrados en un turno, tipo de roca o condición específica.
La prueba más informativa es reservar datos de la operación de destino que no se hayan usado para entrenar ni ajustar el modelo. Cuando aún no existen suficientes registros de esa faena, se pueden separar grupos completos por equipo, turno, condición o unidad geológica, según la aplicación. La validación debe reflejar el cambio que el sistema enfrentará; repetir una división aleatoria no responde a la misma pregunta que probarlo en una condición nueva. El método LOGO del estudio ofrece un ejemplo de este principio, aunque no es una receta universal para todas las tareas mineras.
También hay que mirar más allá del porcentaje de aciertos: revisar los errores por clase y condición, cuántos casos relevantes se pasan por alto y qué incertidumbre acompaña a cada predicción. En una etapa inicial, comparar las salidas del modelo con mediciones y evaluaciones humanas, sin delegarle decisiones operativas, permite observar discrepancias antes de ampliar su uso. Si cambian los datos o cae el desempeño, corresponde investigar la causa y volver a validar; adaptar el modelo puede ser una opción, pero requiere datos de destino y una nueva evaluación.
La evidencia disponible respalda una conclusión acotada: en pruebas industriales, la validación que mantiene separados los dominios puede revelar caídas que una partición aleatoria no muestra. Para una aplicación minera concreta, la precisión y los límites del modelo siguen dependiendo de sus datos, su tarea y las condiciones reales de la operación donde se utilizará.
REDIMIN Responde
¿Qué problema enfrenta un modelo de inteligencia artificial al cambiar de operación minera?
El problema se conoce como cambio de dominio, donde la distribución de los datos en el entorno de uso difiere de la que encontró al aprender, lo que puede afectar la precisión del modelo debido a diferencias en sensores, equipos, condiciones de trabajo o características geológicas.
¿Qué método de validación se considera más exigente para evaluar modelos en minería?
El método LOGO (leave-one-group-out) es considerado más exigente porque reserva un grupo completo, como una condición operativa o una máquina, para probar si el modelo generaliza a datos no vistos, a diferencia de una validación aleatoria que puede dejar ejemplos similares tanto en el entrenamiento como en la prueba.
¿Qué factores geológicos en Chile pueden afectar la precisión de un modelo de inteligencia artificial en minería?
La diversidad geológica en Chile, con yacimientos clasificados por Sernageomin en categorías como pórfidos cupríferos, depósitos epitermales y sistemas de hierro-óxido-cobre-oro, advierte que una base de datos de una zona o tipo de depósito no debe asumirse representativa de todos los demás, lo que puede afectar la precisión del modelo.
¿Qué deben revisar las operaciones mineras antes de desplegar un modelo de inteligencia artificial en una nueva operación?
Deben revisar si cambió la entrada, como sensores o calibraciones, ubicación del equipo, velocidad, carga, temperatura, calidad de imagen, protocolo de muestreo o criterios de etiquetado de datos. Si estas variables difieren del entrenamiento, una cifra global de precisión puede ocultar errores específicos.
¿Qué recomienda el estudio de la Universidad de Saarland sobre la validación de modelos en minería?
El estudio recomienda que la validación mantenga separados los dominios para revelar caídas de precisión que una partición aleatoria no muestra. También sugiere revisar los errores por clase y condición, y comparar las salidas del modelo con mediciones y evaluaciones humanas antes de ampliar su uso.
