Cómo la compañía AI IntelliSense.io está transformando la industria minera - desde Cambridge

IntelliSense.io ha creado una plataforma de toma de decisiones en tiempo real y aplicaciones impulsadas por la inteligencia artificial que permiten a las principales empresas mineras mejorar la productividad, ahorrar energía y reducir el consumo de agua en todo el mundo.

 

La empresa fue fundada por Sam Bose, quien aporta una historia familiar en la minería, una comprensión de la economía industrial y una apreciación de la Internet de los objetos a su papel de CEO.

 

"Crecí en una ciudad minera de la India y tengo experiencia familiar en minería", dice al Cambridge Independent. "No lo creerías, pero estaban extrayendo uranio. Fue difícil..."

 

Sam dedicó tiempo a la consultoría de gestión, dirigiendo una práctica que se especializó en comunicaciones de máquina a máquina.

 

"Era como una generación anterior de IO", recuerda. "Siempre supe que esto podría cambiar el proceso subyacente de cualquier industria."

 

IntelliSense comenzó su andadura en la fabricación, después de trabajar con el diseñador de chips Arm de Cambridge.

 

"Había trabajado con el equipo de gestión de Arm en el lado de la IO y efectivamente comenzamos desde allí, en 2013-4", dice Sam.

 

"Estábamos construyendo una solución de hardware que inicialmente se utilizaba para recoger datos de sensores, pasando de un formato analógico a digital, utilizando el microcontrolador Arm.

 

"Arm lo llevó a algunos de sus clientes, que en su mayoría eran grandes empresas de fabricación de semiconductores, y así fue como comenzamos a fabricar.

 

"Desplegamos la primera generación de nuestra tecnología en uno de los clientes de Arm, un gran fabricante de semiconductores en Alemania.

 

"Desde entonces, nos hemos dado cuenta de que el valor está más en lo que se hace con los datos que se recopilan, ya sean datos de sensores o cualquier tipo de datos ambientales, y en cómo se fusionan los diferentes flujos de datos para afectar a los equipos o a un proceso. Fue entonces cuando empezamos a ascender en la cadena de valor para convertirnos en una compañía de software de análisis de datos".

 

La minería era un hogar ideal para la tecnología. Una industria que se encuentra en el camino potencialmente difícil de la digitalización, existen enormes incentivos financieros y medioambientales para lograr incluso pequeñas mejoras en la eficiencia.

 

"Desde una perspectiva de mercado, nos dimos cuenta de que el área en la que nuestra tecnología da más valor es cuando las cosas son variables y cambian cada minuto o segundo", dice Sam.

 

"Si miras a la fabricación, las cosas son bastante estáticas. La variabilidad del proceso es muy baja - los cambios ocurren una vez cada pocos años.

 

"Queríamos entrar en un modelo en el que ayudáramos a mejorar la eficiencia de forma continua.

 

"La minería, o cualquier tipo de industria de recursos naturales, siempre tiene un riesgo inherente porque no saben lo que sale de la tierra. La variabilidad en estas industrias es realmente alta.

 

"Incluso un pequeño porcentaje de mejora en la reducción de la variabilidad puede tener un impacto masivo en el resultado final."

 

Con un modelo de suscripción que no requiere inversión de capital, IntelliSense pretende ayudar a las personas y a las máquinas a tomar mejores decisiones.

 

En la raíz de ello está su plataforma Brains, que recoge los datos de los sensores, aplica algoritmos para crear un "lago de datos" y utiliza tanto el aprendizaje automático como modelos físicos para ofrecer nuevas ideas y recomendaciones. El software de apoyo a la toma de decisiones se integra directamente en los sistemas de control existentes o se proporciona a los usuarios.

 

"Somos muy activos en la operación de metales básicos en todo el mundo: cobre, mineral de hierro, etc. Usted tiene el sitio minero y el lado de la planta, donde están procesando las rocas que están entrando", explica Sam.

 

"Somos una plataforma de software centrada en los datos. Lo que hacemos es tomar los datos de los sensores para un proceso específico al que nos dirigimos, y construir un gemelo digital de ese proceso.

 

"A medida que llegan los datos, somos capaces de correlacionar y construir relaciones, y entonces podemos predecir cómo se va a desarrollar el proceso en la próxima hora o en los próximos 10 minutos, dependiendo de la granularidad que quieran.

 

"Basándonos en esa predicción de procesos, identificamos el punto de ajuste correcto para que ellos puedan hacer funcionar el equipo.

 

Cerramos el círculo en términos de toma de decisiones no sólo dando al operador información sobre lo que viene de río arriba - qué tipo de rocas, qué tipo de mineral viene - sino también diciéndole si eso es diferente a lo que han visto antes y qué punto de referencia para hacer funcionar el equipo para maximizar el rendimiento de ese proceso". Así que nos conectamos de nuevo al sistema de control.

 

"Usan menos energía, menos agua y terminan mejorando el rendimiento porque mejoran la cantidad de roca que pueden procesar con el equipo".

 

Ofreciendo aplicaciones discretas para procesos desde la mina hasta el mercado, IntelliSense permite a las empresas mineras optimizar el uso del agua en sus tuberías mediante la predicción de la demanda en tiempo real y ha creado la primera tecnología del mundo para predecir con precisión las variables en el molino.

 

También puede optimizar el circuito espesador al final del proceso, que separa el metal de la roca estéril utilizando grandes cantidades de agua, prediciendo con precisión las propiedades físicas y geometalúrgicas del material de alimentación.

 

"Trabajamos con algunas de las principales empresas mineras porque tienen una red de minas", dice Sam. "Si esto tiene éxito en Kazajstán, por ejemplo, se extenderá por todas partes, porque en todas partes tienen problemas similares".

 

Entre los clientes de IntelliSense se encuentran Antofagasta, el grupo minero de cobre con sede en Chile, y AngloAmerican, una importante empresa minera mundial con sede en Londres que ganó 8.800 millones de dólares en 2017 por la extracción de todo, desde diamantes hasta níquel.

 

"Trabajamos en todas sus operaciones en Sudáfrica, Brasil y Chile", dice Sam. "Y trabajamos en Kazajstán con algunas compañías mineras locales, incluyendo el mayor minero de oro de Asia Central."

 

Representa un crecimiento significativo para una empresa que aún está en sus inicios.

 

"Pasamos mucho tiempo intentando construir la plataforma y nuestra primera aplicación específica", señala Sam. "Hay mucho bombo con la IA, pero la mayoría de las industrias tradicionales no lo entienden. Ya recolectan muchos datos de los sensores. El problema es que no hacen nada con él.

 

"Esta es la razón por la que abandonamos nuestro negocio de hardware porque nos dimos cuenta de que la industria minera ya tiene una gran cantidad de datos.

 

"También tienen vacíos de datos o problemas donde los sensores no funcionan, o no están calibrados correctamente, porque éste es el mundo real.

 

"Por lo tanto, hemos incorporado sensores de flujo de trabajo en los que combinamos de forma efectiva diferentes flujos de datos para crear un nuevo punto de datos que no necesita una medición.

 

"También limpiamos los datos y calibramos mucho mejor de lo que podrían haberlo hecho antes."

 

IntelliSense despliega lo que Sam describe como'IA híbrida' - un enfoque de modelado dual para una mayor precisión.

 

"Hemos construido un modelo físico basado en las leyes de la física. Luego tenemos los modelos basados en el aprendizaje de la máquina basados en los datos y el algoritmo", explica.

 

"Lo inteligente que hacemos es tratar de fusionar el modelo físico con el modelo de aprendizaje por máquina porque el modelo de aprendizaje por máquina sólo funcionará en base a los datos que recibe."

 

Esto también ayuda a resolver el problema de las lagunas de datos, sin mencionar que actúa como una garantía para aquellos con una larga experiencia en la industria que podrían desconfiar de las decisiones tomadas por las máquinas.

 

"No se puede permitir que una operación de miles de millones de dólares dependa de un modelo de aprendizaje por máquina que le dice que haga algo cuando un operador con 30 años de experiencia dice `Eso es una locura, no deberíamos estar haciendo eso'", dice Sam.

 

"Hemos trabajado mucho con las operaciones mineras. Están muy preocupados por cualquier modelo de caja negra - quieren entender los algoritmos y los cálculos que se utilizan. Porque tenemos modelos basados en la física, ese es un nivel de comodidad. Ponemos una restricción alrededor del modelo de aprendizaje de la máquina. Eso permite que los algoritmos se mantengan dentro de algunos límites.

 

En Kazajstán, los datos geológicos son una ventaja nacional.

 

Con la ayuda del Departamento de Comercio Internacional, IntelliSense fue seleccionada para trabajar con el gobierno del país en una empresa conjunta allí. Esto significaba que su plataforma necesitaba una arquitectura multi-nube para poder configurarse como una plataforma local y desplegarse con un centro de datos local.

 

Además, necesitaba analizar datos de seis espesadores utilizados en el proceso minero durante tres años, cada uno de los cuales medía alrededor de 800 métricas diferentes cada minuto.

 

Para ello, IntelliSense recurrió al Machine Intelligence Garage, el programa de inteligencia artificial de Digital Catapult que ayuda a las empresas a acceder a la potencia de cálculo y a la experiencia que necesitan.

 

IntelliSense recibió acceso a recursos de computación en nube en AWS, incluyendo la última tecnología de GPU para el aprendizaje de la máquina.

 

Permitió a la compañía desarrollar y entrenar modelos más grandes sobre estos enormes conjuntos de datos, reduciendo el tiempo de lanzamiento al mercado. También probó el despliegue de toda su plataforma en AWS y desarrolló un sistema flexible que puede funcionar en diferentes plataformas de hardware.

 

La interoperabilidad era esencial para cumplir las obligaciones de la empresa en Kazajstán.

 

IntelliSense creó una solución pionera en el mundo que toma 800 variables por minuto, utilizando la IA para predecir cómo funcionarán los espesadores hasta una hora en el futuro.

 

Ahora está probando un marco de trabajo que le permitirá entrenar automáticamente a los modelos.