E37 - Bruna: Inteligencia Artificial al Servicio de la Minería

11 de noviembre de 2024· 49 vistas· 51:52

Resumen

Madeleine Valderrama, cofundadora y CEO de Bruna, explica cómo una solución nacida en la industria pesquera llegó a la minería para predecir con horas de anticipación la calidad del mineral que entra a planta. Habla de datos, aversión al riesgo y por qué la predicción sola no basta sin una capa de optimización.

  • Bruna nació resolviendo la variabilidad de calidad en la industria pesquera y llegó a la minería tras una convocatoria de Expande Minería con CMP en 2019.
  • Su núcleo es anticipar con unas 12 horas la ley, granulometría o dureza del mineral, en vez de esperar resultados de laboratorio.
  • En minería el problema rara vez es la falta de datos: las operaciones digitalizadas suelen tener años de información de buena calidad.
  • Los modelos pierden vigencia rápido, por lo que requieren monitoreo y reentrenamiento cada pocas semanas.
  • La predicción captura su valor cuando se combina con recomendaciones de mezcla y apilamiento para estabilizar la alimentación.
Leer el análisis completo

Notas del episodio

¡Bienvenidos a otro episodio de Minenovate! Hoy hablamos con Madeline Valderrama sobre cómo la inteligencia artificial está transformando la minería. Descubre cómo su startup, Bruna, está aplicando tecnología para mejorar la calidad y anticipar problemas en el proceso productivo. Aprende sobre la importancia de los datos en la minería y cómo la colaboración entre startups y la industria está impulsando la innovación. ¡No te lo pierdas! 🔗 **Enlaces importantes:** - Suscríbete al canal: https://www.youtube.com/@minenovate?sub_confirmation=1 - Síguenos en Instagram: https://www.instagram.com/minenovate/ - Síguenos en LinkedIn: https://www.linkedin.com/company/minenovate #InteligenciaArtificial #Minería #Innovación 00:00:16 - Descubre cómo la inteligencia artificial está revolucionando la minería y qué papel juegan las startups tecnológicas en este cambio. 00:02:20 - Conoce el fascinante viaje de Madeleine Valderrama desde la industria pesquera hasta convertirse en una líder en innovación minera. 00:05:44 - Descubre cómo una visión innovadora transformó un problema de variabilidad en una oportunidad de negocio en minería. 00:07:59 - Aprende sobre la importancia de la aceleración y el apoyo de expertos para el éxito de las startups en la industria minera. 00:12:32 - Explora cómo la anticipación y la mezcla de materia prima pueden mejorar la eficiencia en la minería. 00:17:28 - Descubre cómo la calidad y cantidad de datos pueden determinar el éxito de las soluciones de inteligencia artificial en la minería. 00:24:22 - Conoce cómo la minería chilena se compara con la de otros países en términos de digitalización y transformación digital. 00:31:02 - Descubre cómo la inteligencia artificial está ayudando a las mineras a anticiparse a la variabilidad y mejorar la recuperación de minerales. 00:39:19 - Aprende sobre los desafíos de mantener la precisión de los modelos predictivos en un entorno minero cambiante. 00:47:53 - Descubre el futuro brillante de la inteligencia artificial en la minería y cómo está transformando la industria.

Transcripción(clic para expandir)

Bienvenidos una vez más a MindNoid, el podcast donde exploramos las fronteras de la innovación en la industria minera. Hoy en un nuevo episodio apasionante, entretenido y por supuesto honrados de nuestra invitada, Madeleine Valderrama. Muy bienvenida a este espacio, estamos súper contentos de tenerte acá, Madeleine. Esperamos que sea un episodio, por sobre todo, que abra un poco la mente, porque vamos a hablar de algo que está muy en boga, pero que vincula de muy cerca hacia la minería, y es que es inteligencia artificial. como las startups de base tecnológica, en particular con soluciones de inteligencia artificial, están añadiendo valor a la minería. Feliz de recibir esto. Madeleine Valderrama es ingeniera civil industrial de la Universidad de Chile y además también máster en Business Engineering. Es también Hero Trainer de la Draper University. Algo muy relevante, Lines, que fuiste reconocida como una de las 100 mujeres líderes del 2022 en categoría empresaria. Ha sido jefa de proyectos en compañías pesqueras, compañías de ingeniería. También entendemos que haces clases como docente en la Universidad Andrés Bello. Y lo más relevante de lo que vamos a conversar hoy como un caso de éxito, co-founder y CEO actualmente de Bruna by Alton Lab. Y nos llama mucho la atención, Marilene, que en esta, podríamos llamarle corta carrera, pero acelerada, que ha tenido Bruna, han habido hartos premios de reconocimiento entre ellos, por ejemplo, el Women's Stempreneur de IDB Lab, representante nacional además, También del Entrepreneurship World Cup, que es un torneo que es de emprendimiento, donde Bruna sacó la cara por Chile, representándolos ahí. Felicitaciones. Dicho sea de paso. También han sido parte de este, no sé si podemos llamarle concurso convocatoria de Google for Startup Accelerator, en el cual buscan acelerar estas startups. Y además finalistas de Innova Summit 2024. Y estoy seguro que hay un par más que probablemente se nos escaparon. Así que bienvenida, Made. Hola. Oye, muchas gracias, chicos, por invitarme. Feliz de estar acá. Bueno, al final leíste todas las cosas buenas que nos han pasado en el último tiempo y que, claro, son producto de un montón de trabajo y yo diría que harta sangre, harto sudor, harta lágrima. Pero sí, o sea, en el último tiempo afortunadamente hemos podido ir capitalizando en parte lo que hemos ido construyendo en los últimos siete años. Nosotros partimos hace siete años. Pero leíste todas las cosas buenas. Suena muy bonito el camino así. A mí también es un placer tenerte acá. Bienvenida. Vamos a partir con algo súper clásico que hacemos en nuestro podcast, que es saber cómo fue que llegaste a la minería y el por qué. Cómo comenzó este viaje. Nosotros hemos visto un poco en tu carrera y lo que es, Bruna, que hubo un proceso iterativo que también se enmarca dentro de esta serie que estamos haciendo de capítulos especiales de startups mineras, que es un patrón en común. Así que cuéntanos un poco cómo fue que llegaste. Mira, yo venía de la industria extractiva más que nada. No estaba tan relacionada a minería. Yo me crié en pesca. Ahí fue donde de alguna forma hice. Realmente fue mi alma mater de profesión. Yo soy ingeniera civil industrial, pero hice mi especialización en proceso y tecnología. Ese era mi máster. Y al final terminé arriba de los barcos, en pontones, en salmones, en pesca, en chorito, etc. Y como es una industria extractiva, planta, maquinaria gigante y todas las cosas que de alguna forma a mí me apasionaban mucho, Fue ahí donde de alguna forma encontramos el primer problema matemático que estaba por detrás en esa industria, que era el problema de la variabilidad. O sea, las empresas pesqueras van, capturan cardumen, los muelan, los secan y los ensacan. punto 8. Eso como que lo entienden como que es parte del negocio. Entonces, nosotros hicimos un estudio de cuánto dinero perdían por estas regaladas de calidad, por decir de alguna forma. Y terminamos desarrollando un software, un algoritmo que nos permitía hacer un recetario de cómo mezclar correctamente para no regalar esta calidad, pero asegurarse de que efectivamente le ibas a vender lo que él te había comprado. Y así partimos en pesca. ¿Cómo llegamos a minería de ahí a minería? Bueno, pasaron 2 años. entre que hicimos eso, fuimos incubados por Imagine Lab, que en ese momento era la incubadora de Microsoft. Y ellos fueron los que nos abrieron la mente, nos dijeron, oye, chicos, ¿saben qué? Este problema, la variabilidad y la mezcla, la verdad es que no está acotado solamente a pesca. También pasa en alimentos, pasa en minería, pasa en celulosa, pasa en agro, pasa en casi todas las industrias que necesitan estabilizar el proceso. Y fueron ellos los que nos abrieron un poco la cabeza. Entonces, empezamos a mirar cómo postular, ¿Cómo abrir mercado de alguna forma minero? Minería es muy difícil porque tú para entrar a minería tienes que estar en minería, entonces es como un huevo en la gallina, muy difícil. Y postulamos a un expande minería, a una comunicatoria del 2019, que hizo expande minería con CMP, con la compañía minera del Pacífico. Y en ese momento fuimos uno de los ganadores de la convocatoria. Ahí, como se llama, todos los reconocimientos son para la empresa, para CMP, que en su momento fue súper disruptiva empresa que si bien tenía inteligencia, o sea, tenía experiencia en el problema, no era minera. No era nuestra expertise. Si bien nos pusimos a estudiar como locos, todo el proceso minero, nuestro background, ninguno venía de minería. Y ellos fueron los que dieron el salto de fe y así entramos a minería. Y así empezamos a mezclar en minería y después empezamos a predecir con Bruna cuál iba a ser la concentración del mineral con anticipación. Pero así llegamos. Oye, me parece súper apasionante. Es algo que de alguna forma hemos que hemos tratado de poner en valor en este podcast, de que la minería efectivamente es un campo fértil de oportunidades y que existe una capacidad de cross-polinizar tecnologías y conocimientos súper amplias. Tú lo que mencionas efectivamente no hace mucho sentido en lo que es, por ejemplo, la calidad de los embarques de concentrado, que efectivamente de acuerdo a la composición que tenga ese concentrado, el precio y también las penalidades de acuerdo a las concentradas que puedan existir, por ejemplo, de arsénico, tienen dentro del producto final. Así que efectivamente es una, digamos, importación de conocimiento, de tecnologías que agrega mucho valor al negocio. Y algo más también me llamó mucho la atención. Nosotros hace no muchos capítulos, hablamos con Constanza Moraga de Aster, y ella justamente nos comentaba sobre este viaje que, de alguna manera, recorren las distintas startups, que tiene que ver con cómo pueden encontrar un product market fit, que es básicamente lo que de alguna manera ustedes fueron haciendo, y cómo la aceleradora, de alguna manera acelera, valga la redundancia, entregando un poco estas perspectivas y estas, podríamos decir, recomendaciones de cómo poder aplicar esos conocimientos y tecnologías en otros campos. Así que creo que efectivamente lo que mencionas tú es una aplicación, súper concreta y de forma exitosa de estos dos conceptos, el Product Market Fit y el cómo poder corporalizar las distintas tecnologías. Completamente. Ahí el tema de lo que tú mencionabas y de la aceleración, yo diría que es clave porque nosotros no teníamos cómo llegar a ese mundo ni llegar a ese conocimiento y a esta estructuración de este tipo de empresas. Yo en la universidad de alguna forma me crearon para ser gerente, no para tener mi propia empresa. Y hay un montón de conceptos y desafíos que son muy lejanos de trabajar para una empresa que crear tu propia empresa. Y ahí, claro, ImaginLab fue crítico porque nos entregó toda esa herramienta, pero aparte había gente muy estratégica y relacionada a todas estas industrias más extractivas que eran como más duras, por decirlo de alguna forma, y ellos fueron los que nos fueron acercando. Entonces, claro, para nosotros el caso de aceleración aplica muy bien en términos de como caso de éxito. que menciona tecnología también, súper interesante. Y yo quiero retomar un punto también que tú mencionaste ahí, Madeline, el tema de la variabilidad y que eso generó o apalancó que se pusieran cabeza arriba a estudiar, a entender el negocio minero, que dicho sea de paso, no es sencillo. Vamos a la parte de puerto o de embarque o de tumbición, incluso se complejiza un poquito más como el negocio va cambiando. Entonces, cuando hablabas de variabilidad, Lo mencionaste como una especie, como un apalancador de problemas, como un nicho principal. Eso es el tema de la variabilidad, es un tema que hoy pega muy fuerte no solo en la industria minera, sino en la gestión de proyectos, ya sea en operación, en prefectividad, lo que sea. De gran manera, porque ¿de qué manera gestionamos la variabilidad? Porque se traduce en temas de calidad. Conectando con la industria minera, nosotros movemos principalmente un producto que se mide en términos de ley. Ley, conceptualmente, es el contenido metálico que tienes en una tonelada. calidad. Pero si tú tienes mucha variabilidad en los procesos que apalancan ese producto que tiene una ley, prácticamente todos los procesos de aguas abajo se ven afectados y ahí empieza a haber el costo-oportunidad, dónde nos equivocamos y todo eso. Entonces, básicamente, la variabilidad efectivamente es un nicho tremendo. ¿Nos puedes contar un poquito más ahí, Madeline, qué variables son las que a ustedes les llamó la atención? ¿Dónde fue que tuvieron que hincar un poquito más el diente? Tratando de conectar un poquito con la solución, digamos, de... Yo entiendo que ustedes trabajan con modelos proyectivos, pero vayamos desde el concepto de variabilidad y cómo apalanca todo este caso de desarrollo. Perfecto. Ahí, mira, también, eso no fue algo que, o sea, la idea no salió de nosotros, salió de un gerente minero, que nosotros lo que hacíamos era este recetario para el producto terminado. O sea, en el concentrado nosotros le decíamos cómo mezclarlo para estabilizar y que entregaran lo que tenían que entregar. Pero la verdad es que fue este gerente minero que nos dijo, chicos, ¿saben qué? mezclar y ya con eso ganamos plata, pero de alguna forma me están diciendo cómo reprocesar de forma efectiva cuando lo que yo de verdad debería estar mezclando es la materia prima al inicio. Pero si yo mezclo la materia prima, alimento sin variabilidad y por lo tanto no tengo que mover nada en el proceso productivo y todo sale hermoso y somos todos felices. Y él fue el que nos propuso mover al inicio, al momento de la alimentación, el tema de la mezcla. Pero aparte de eso, que esto fue lo más interesante y muy visionario, Para esa época no había aplicación de inteligencia artificial como nosotros lo hacíamos en pesca para minería, no había caso para nada. Él nos dice, pero aparte necesito que me digan con 4, 8 o 12 horas de anticipación, incluso un día, cuál va a ser la ley que va a entrar a la planta, usando la información histórica. Y la verdad es que no había ningún caso relacionado o parecido en la industria minera y nadie estaba pensando de esa forma en 2019. Este tipo fue un visionario. ahí se terminó de consolidar lo que es Bruna actualmente. Porque, ¿qué es lo que hace Bruna? Si bien sigue mezclando y haciendo la sugerencia para la estabilización, el mayor core está en la anticipación. Porque, aparte de la variabilidad, hay un tema también de cuándo tienes tú la data. Es muy distinto que te llegue la materia prima, tomas el muestreo y tenés que esperar 3 horas, un día, 3 días, en tener el resultado del laboratorio para saber cuál era la ley, cuál era la granulometría, etcétera. Y esa materia prima ya la usaste. Ya está, ya es como Solamente es como un tema forense, es como un informe forense de lo que pasó, de alguna forma, a lo que hacemos nosotros, que es que predecimos con 12 horas de anticipación qué es lo que va a llegar. Entonces, ¿ahí qué es lo que usamos? Más que nada usamos la información geológica, toda la caracterización de los bloques geológicos, metalúrgica. También usamos todo lo histórico de los muestreos de la alimentación en todas las correas, la información de granulometría, de dureza, de alguna forma los movimientos de mina, postronadura. Toda la información que esté de muestreo de laboratorio antes de la alimentación o antes del punto que estamos midiendo es lo que tomamos para poder modelar esto. Y ahí un poco entrando, haciendo doble clic en la herramienta, cuál es la diferencia entre tener una consultoría que te haga un modelo y bla, bla, bla. La mayor diferencia que nosotros tenemos es que nosotros llevamos 7 años trabajando en esto. Entonces, hemos estructurado arquitecturas de inteligencia artificial prehechas para distintos casos, estructuras de datos. Si bien las mineras todos tienen modelos geológicos, tienen el muestreo, etcétera, la forma en que toman los datos, la recurrencia en que toman los datos, etcétera, cambia mucho. Y para todos esos casos tenemos arquitecturas distintas que vamos aplicando. Entonces, el plazo de implementación de la herramienta que nosotros tenemos es cortísimo comparado con hacer una consultoría. Y aparte, la tasa de éxito, por decirlo de alguna forma, o el riesgo del proyecto es muy bajo. La tasa de éxito es alta, la tasa de riesgo es muy baja. Pero, Así es como de alguna forma ya entrando como en la herramienta. Nosotros usamos toda la información de laboratorio y la caracterización geológica y metalúrgica para poder habilitar estos modelos. Mencionaste varias cosas bien interesantes. Me gustaría partir con algo que mencionabas de este apoyo del gerente. Nosotros hablamos justamente con Constanza y hemos hablado con otros emprendedores. Y nos comentaban de que efectivamente esa colaboración desde la industria es vital. Porque son ellos los que viven el problema. Acá vemos un ejemplo súper aplicado de algo que también hemos tratado de difundir y promover a través de nuestro canal, que es la colaboración entre industria, startups, aceleradoras y gobierno. También entiendo que ustedes han participado en algunos programas estatales. Y eso efectivamente les ha permitido poder detectar un problema y traer esa prosperización de tecnología que hemos hablado. También me llama mucho la atención lo que hablas de, básicamente, gestionar los datos. Hoy en día las operaciones mineras son altamente, podríamos decir tecnológicas, en el sentido de que están prácticamente completamente integradas y altamente sensorizadas. Y generan una gran cantidad de información que efectivamente cuesta mucho consolidar. También mencionaste un factor que tiene que ver con la granularidad de esa información, que es básicamente ya sea la profundización que pueda tener el dato en cuanto a la derivada de la variable, como también el uso del tiempo. mucho la atención de lo que dijiste, era que básicamente pudieron identificar ciertos patrones del uso de la información para generar una especie de benchmark de cómo se utiliza esa información. Creo que ese es justamente hoy en día uno de los grandes problemas que tiene la industria, de que cada operación por sí sola está tratando de poner en valor la información y está de alguna manera inventando la rueda cada vez. Entonces que ustedes puedan permitir una aceleración en el uso de esa información, conociendo ya cuáles son las variables, conociendo cuál es la granularidad que aporta el mayor valor, sin duda representa, como bien dices tú, una forma rápida de poder capturar valor. Y hoy en día las operaciones mineras están en un momento, yo diría, bastante especial en la historia, en el sentido de que tenemos gaps de producción gigantesco a futuro, con el contexto de la transformación digital, y a la vez tenemos desafíos productivos súper importantes relación con el envejecimiento de las minas. Es decir, que cada vez vamos a tener que procesar más. Cada vez vamos a tener que hacerlo de forma más sostenible y para eso necesitamos ser mucho más productivos y eficientes. Y ustedes creo que están encontrando ese cruce entre todos estos factores y han podido saber extraer ese valor. Sí, ahí completamente. Pero sabéis que igual todavía está bien limitado de alguna forma como hemos podido generar conocimiento global de la industria, por decirlo de alguna forma. Esta estructuración, o sea, lo que yo les contaba en tema de las arquitecturas que ya tenemos prehechas, están basadas más que nada en la arquitectura de los datos, en la estructura de los datos, que en los datos mismos. De hecho, una de las grandes problemáticas que nosotros tenemos es que las mineras no están dispuestas a compartir sus datos para entrenar modelos generales o globales, modelos fundacionales que se llaman. Entonces, por ejemplo, claro, nosotros con los datos que tenemos de todas las mineras que hemos trabajado, etc., podríamos crear un solo gran modelo de comportamiento de ciertas cosas, La verdad es que ninguna minera te deja compartir la información. Y hay algo muy distinto que pasa quizás en otras industrias, en otros clusters, pero en otros países que tienen un sistema colaborativo y un mindset más colaborativo más profundo aún. Por ejemplo, en el mundo salmonicultor, de acuicultura en Noruega, los tipos tienen un tema de cluster y de trabajo colaborativo brutal. O sea, ellos negocian casi como una sola empresa. Entonces, por ahí también, todavía falta, pero efectivamente nosotros ya hemos podido encontrar ciertas estructuras, patrones, que no se aplican a los datos mismos, sino que a cómo los toman, a ciertas como bases de alguna forma que tienen las mineras que nos permiten ir acelerando la construcción de estos modelos y también acelerando la implementación. nichos que han sido desarrollados para resolver otros problemas totalmente distintos y lo que hacemos es traer esa arquitectura, probar cómo nos va, le damos algún volumen de datos para que se entrene el modelo, le damos otro volumen para que se testee y vemos qué nos arroja y después básicamente vamos midiendo los resultados con métricas de precisión por lo general. Para nuestra audiencia que no es tan entendida quizá en temas de inteligencia artificial, por lo general todos estos modelos que se desarrollan tienen métricas de desempeño que están vinculadas a cuán preciso seguro está haciendo, por ejemplo, la predicción, la solución que estamos desarrollando. Entonces, quiero dejar bien y claro para nuestra audiencia que en este tema de Transfer Learning, básicamente lo que estamos haciendo es que estamos moviendo de nicho una solución que fue aplicada en otro lado, pero coincido totalmente contigo. El éxito de esto y las tasas de éxito que tienen dependen mucho de la cantidad y la calidad del dato que le estamos entregando a la solución, porque no tiene sentido si nosotros ajustamos toda la arquitectura completa, no sé, Hay algún aspecto técnico de esta arquitectura, como por ejemplo las tasas de aprendizaje. Para nuestra audiencia, la tasa de aprendizaje tiene que ver con cómo este modelo va capturando de manera más precisa y va interpretando mejor el dato de entrada para entregar la respuesta que nosotros queremos, ¿verdad? Ahora, no sirve de nada si nosotros tenemos una arquitectura o una solución tremendamente trabajada que a niveles incipientes funciona si no lo variamos con un volumen de datos que está bien tratado que está bien manejado. En ese tenor, Madeline, cuéntanos un poquito, ¿cómo han podido lidiar con estas barreras? ¿Qué soluciones alternativas o atajos han tomado? ¿O definitivamente no hay atajos que se puedan tomar y es algo que estamos trabajando todos los días para mejorar la calidad? Sabéis que en principio pensamos que podían haber un par de atajos. Ahora hay, afortunadamente. Pero hace un par de años, si el cliente no tenía uno, dos, tres años o bien caracterizados los bloques, etcétera, la verdad es que no entrábamos. la probabilidad de que entrar a basura y salir a basura era muy alta. En algún momento tratamos de hacerlo y la verdad es que forzar los datos es matar el proyecto porque no te da, no se mantiene en el tiempo, es decepcionante para el cliente, para uno mismo, es muy frustrante. Entonces, la verdad es que no tiene mucho sentido tratar de forzar un proyecto así. Afortunadamente para nosotros, las mineras que están digitalizadas, la mayoría tienen años, 10, 12 años de datos. digitalizada, tiene la data de sobra, está estructurada de una forma muy bonita, limpia, es muy pocas veces que hemos encontrado cosas locas por ahí dando vueltas o errores de digitación, cosas de ese estilo. Entonces, la verdad es que cuando en minería, por lo menos cuando hay data, hay y es buena. Así que ahí esa nunca ha sido nuestra limitación. Es muy distinto el mundo o de alguna forma la situación en el mundo agro, por ejemplo, donde tenemos muchos clientes que alguna forma de repente, no sé, hemos implementado estos modelos, por ejemplo, en azúcar de caña y de repente mirábamos la data y nos daba que de temperatura había 1300 grados. En algún momento alguien había metido en el Excel que había 1300 grados y había sido un error de digitación. Entonces, ese tipo de cosas, yo te diría que en ese aspecto la minería está mucho más madura tecnológicamente en varios aspectos comparado, por ejemplo, con el aire. Entonces, afortunadamente, es robusta la data. Lo que sí es que ahora existen como una herramienta nueva que se llama, unos modelos nuevos que se llaman modelos fundacionales que de alguna forma nos permiten ya no necesitar tantos millones de datos para poder tener un modelo sólido. Esto es algo que no estamos probando en minería, estamos probando lo más que nada en agro, donde tú de alguna forma puedes explorar modelos fundacionales que modelan el comportamiento y crecimiento de alguna planta y lo puedes extrapolar, no sé, para tomate, alguno que sea similar y de alguna forma con la poca data que tenga el cliente ir amoldando Y salir jugando igual a pesar de que no tienes tanta data ni de tanta calidad. Entonces, por ahí existe la posibilidad de algún camino alternativo, algún atajo, pero la verdad es que sin data no hay paraíso. con data mala, no esperemos resultados reales en el fondo. Creo que ese es como el aprendizaje, ¿no? Entonces, mira, buenísimo. O sea, estamos en el fondo validando una hipótesis que hemos mencionado harto acá en nuestro podcast, que es que el dato es el nuevo oro. Más que el propio producto, el dato prácticamente es donde está el valor, porque al final de cuentas, imagínate, estás apalancando una solución digital una iniciativa, un proyecto, por ejemplo, intensivo en CAPEX, que tú vas a ver el resultado en el sitio. Son soluciones que necesitan un input, tal como lo necesita, no sé, una inversión para mejorar una celda de flotación, necesita alimentación de mineral para que pueda dar los resultados que nosotros queremos a nivel de laboratorio, ¿no? Bueno, el input que nosotros necesitamos acá para este tipo de soluciones es el dato. Entonces, entiendo y estoy interpretando desde tu feedback, Maylene, que hay una madurez, está entendiendo un poco el mensaje de que el dato es el input más importante para que la tasa de éxito de estas soluciones se puedan ver reflejadas. Hay proyecciones que hablan de un valor añadido tremendo en esto, pero, de nuevo, si el dato no es el que necesitamos o cómo lo necesitamos trabajar, yo creo que no sirve de mucho. Como bien decía Milo, cada vez las minas tienen una tendencia más hacia sensorizarse, hacia generar aún más datos, y ahí es donde aparecen dos conceptos súper relevantes, que es la cadencia del dato, cada cuánto lo estamos generando, datos, porque son directamente proporcionales con eso. En ese aspecto, Madeleine, y quizás considerando ese análisis comparativo que tú hacías con otra industria, incluso con otros países, porque ustedes también tienen experiencia en Bruna en otros países. ¿Cómo has visto que está la minería chilena posicionada en este camino? ¿Lo ves bien posicionada? ¿Lo ves en buen camino? ¿O crees que hay varias cosas que tenemos que trabajar? Mira, yo te diría que, bueno, la gran minería está muy bien posicionada, pero hay un estándar mundial. Entonces tú, el estándar que tienen las grandes minerías aquí en Chile es muy similar a la de Perú y la de México en términos de digitalización. Empieza a cambiar un poco en la industria, en la mediana minería. En Chile yo diría que la mediana minería igual está bien digitalizada. Ya la pequeña ya empieza a ser un poco más caótica, son casos excepcionales en Chile y cosas así. En Perú la mediana minería yo diría que va camino a digitalizarse, pero va con mucha hambre. Yo diría que es una de las grandes diferenciaciones en TIR, en México, en Perú, en Chile llevan 10 años trabajando con transformación digital, sensorización, digitalización, almacenamiento de datos, dashboard, Power BI, todas esas cosas. Llevan 10 años. Perú y México van más atrás en términos de la cantidad de años, pero los tipos tienen más hambre de hacerlo más rápido. No quieren esperar 10 años, juntar, que los datos junten polvo para hacer algo. Tienen más ganas de, tienen, ahí yo te diría que lo que se siente mucho más es que tienen menor aversión al riesgo a que un proyecto fracase. Entonces, eso lo vemos mucho. Quizás desde el punto de vista de transformación cultural, como de evaluación de capacidad de digitalización, cultura digital, etcétera, en la empresa puede que estén un poquito más atrás, tienen más hambre y están más dispuestos a probar cosas que de repente no son tan tangibles, que para ellos es más intuitivo. En la minería chilena es mucho más intuitivo tener algo con alto CAPES y después verlo en la planta funcionando que un intangible, que es como un análisis, la política de data que se monta sobre algo que ya existe. Por ahí hay una brecha. Pero eso es lo que vemos. En general, las mineras sí tienen datos. Y sí tienen datos de calidad si es que lo comparas con otras industrias. Mira, mencionaste un tema creo que bien relevante, que es la tolerancia al riesgo, o la aversión al riesgo, como bien decías. Me parece súper interesante lo que mencionabas, que básicamente en otras latitudes hay una tolerancia mayor. ¿A qué crees tú que se debe esa tolerancia mayor? son menos años de tradición minera porque el foco de las operaciones chilenas por lo menos de la gran minería tiene un foco bastante seguro o enfocado en la seguridad y todas las tecnologías normalmente lo que hacen es de alguna manera irrumpir y cambiar esa condición introduciendo riesgos y muchas veces hemos visto a través de distintos episodios y distintas entrevistas grandes factores que de alguna manera pone freno a la innovación. ¿Eso crees tú que es algo más propio de la cultura chilena? ¿O a qué crees tú que se atribuiría esas diferenciaciones en las tolerancias al riesgo? Yo siento que es un poquito más cultural de nosotros como chilenos, de alguna forma que algo que sea algo más asociado a la industria, creo que es algo chileno, porque esta misma apreciación la tenemos también en otras industrias, no solamente mineras. Entonces creo que por ahí hay algo chileno y también tiene que ver que estas industrias que están recién tecnologizándose o que están recién generando, o sea, generando una cantidad de inversión brutal para echarse a andar, no quieren echarse a andar con los estándares que habían hace 10 años atrás. Quieren echarse a andar con el estándar que está funcionando ahora o que va a funcionar en 2 o 3 años más. O sea, a nosotros nos preguntan mucho, oye, ¿qué tengo que capturar hoy? O sea, si quiero diseñar o quiero empezar una nueva exploración, ¿cómo tengo que diseñar la planta para que desde el inicio, Yo desde el día uno capture los datos para que yo pueda tener inteligencia artificial al mes tres de funcionamiento. Entonces, la verdad es que nos quieren pegarse el proceso y la espera y la evolución y el aprendizaje para llegar al punto donde están como las mineras chilenas. Yo creo que ahí también hay el salto de oportunidad muy grande. En el caso peruano, en el caso mexicano, lo vemos mucho, que el salto de oportunidad es muy grande. Si saltan y saltan rápido, saltan ahora, llegan a un espacio que es muy eficiente, muy atractivo, muy transformador, muy digitalizado. con muchos beneficios, de alguna forma, y lo logran capturar ahora, de alguna forma. Entonces, lo vemos que excede la minería. Es algo con un poco más de mercados. Bueno, y ahí tú introdujiste el temita que es el siguiente gran paso que queremos abarcar contigo. Inteligencia artificial, Madeleine, lo mencionaste, la industria lo quiere, la industria está cada vez más adepta a esto. Entrándonos un poquito en ese tema de inteligencia artificial, Madeleine, y sobre todo, por supuesto, las soluciones apalancadas por lo que tú has dirigido en Bruna. ¿Por qué podemos decir que son soluciones inteligentes de partida? O sea, partiendo desde lo más retórico. ¿Por qué se percibe, digamos, desde la industria que estamos aplicando inteligencia artificial? ¿Qué es lo que genera ese hook o ese interés desde el cliente, que dice hoy estamos aplicando inteligencia artificial para algún fin o para algún objetivo que realmente me hace sentido? Yo creo que esa es la primera patita. Sí, nosotros mismos en nuestro podcast tuvimos acá en el episodio 24 a John Atkinson, uno de los mayores referentes en inteligencia artificial acá, yo diría, a nivel nacional. Entonces, conversamos un poquito más de inteligencia artificial como el paraguas grande. Entonces, llamando a este paraguas, Maylene, y desde la experiencia de ustedes como Bruna, ¿cómo es esa percepción desde el cliente, no es cierto, en términos de inteligencia artificial para un propósito, por ejemplo, en términos de predicción, para la seguridad, para el mantenimiento, para el manejo de materiales, ¿Qué es lo que más le hace sentir? Bueno, en el caso de nosotros que estamos más relacionados a la materia prima, siempre está relacionado a la variabilidad, de alguna forma a poder predecir y anticiparse a la caída en la ley, a poder predecir y anticiparse cuando, por ejemplo, la alimentación viene con alta concentración de azufre y vaya a tener problemas de agua abajo en el proceso productivo. O, por ejemplo, cuando cambia la granulometría o la dureza viene tan alta que de alguna forma te va a afectar el tema de la molienda y así. Para nosotros, en el caso particular de nosotros, están 100% enfocados en poder anticiparse a las cosas que ahora la verdad es que tienen como un informe forense de lo que pasó hace un par de días o un par de horas. Entonces, el de nosotros está enfocado 100% en poder anteponerse a la variabilidad de lo que están sacando. Tener mayor certeza de las tomas de decisiones de los distintos turnos, etc. Yo creo que por ahí va y el aumento de recuperación de mineral, absolutamente. Ese es el enfoque en nosotros. Pero yo te diría que, Igual es muy genial porque ahora es muy acotado y es tangible. O sea, no es que es tangible, es realista de alguna forma las expectativas que tienen los clientes con respecto a la inteligencia artificial. Cuando nosotros empezamos a usar esto, las expectativas eran desbordantes. Y de hecho, esas expectativas también generaban un miedo desbordante. O sea, nos pasaba mucho que de repente empezaban a escuchar de que iba a llegar una iniciativa de inteligencia artificial y los operarios se aterraban porque pensaban que venían a quitarle los trabajos y se acababa. O sea, llegado a esto, tres meses después se iban a ir despedidos. Pero ya de alguna forma entendieron que la inteligencia artificial todavía no está en un estado madurez, lo más probable que llegue a eso, pero no está en un estado madurez donde pueda reemplazar trabajo. Todavía lo que está haciendo es reemplazar tareas de forma muy efectiva, muy eficiente. Por lo tanto, esas tareas se reemplazan y ese operador o ese jefe de planta o ese jefe de planificación puede tomar esa información y usarla dentro de su proceso y mejorar su trabajo, por decirlo. de alguna forma, pero no viene a reemplazarlo. Y eso también tú empezáis, se puede sentir de alguna forma como también los clientes o de alguna forma las empresas están madurando no solo en entender lo que es, para qué lo quieren y la expectativa más realista sobre cómo o qué van a usar, para qué van a usarlo. Y ahí, claro, es muy interesante lo que propones porque predicción por predicción en sí mismo no genera tanto valor. de impacto como la predicción con el módulo de optimización que nosotros tenemos. O sea, una cosa es predecir, decirte, mira, sabés que la concentración de hierro que te va a llegar es de 32, a decirte, mira, la concentración de hierro que te va a llegar en 12 horas más de 32 y, aparte, tú tenías las canchas de esto y, aparte, con lo que te va a llegar, deberías apilarlo de esta forma y deberías mezclar de esta forma para estabilizar la alimentación. O sea, ese segundo paso de inteligencia, de qué hago con este dato que viene de futuro, el que de alguna forma es capaz de capitalizar o capturar todo el valor de la predicción. La predicción en sí misma todavía no está agregando valor por sí sola, sino que necesita todavía esta capa de optimización para que de alguna forma sea capaz de capitalizar todo lo que puede lograr. Básicamente, Maril, lo que estás mencionando es el uso de los datos para tomar decisiones de forma más efectiva. Y ahí mencionaste varias cosas que van en torno a una tendencia Gracias. Cuando empezaron a aplicar esos modelos, lo que comenzaron a ver es que cuando habían cambios en los frentes de alimentación o cuando cambiaban de forma muy abrupta los minerales de alimentación, los modelos se caían, dejaban de entregar las recomendaciones óptimas. Y eso efectivamente pasa por la modelación y ahí puede profundizar a posterior Francisco. Se toma de acuerdo a ciertos parámetros que predicen en torno a un horizonte de datos conocidos. Cuando cambiamos esos datos conocidos se rompen estos patrones. Y ahí es donde toma mucho valor lo que tú acabas de mencionar, que tiene que ver con cómo estos elementos son complementados con las personas. Porque las personas, con su conocimiento y experiencia, pueden de alguna manera ir refinando estos modelos, ir cerrando esos gaps que la tecnología por sí sola no son capaces de cerrar. Y ahí entra un concepto que cada vez agarra más fuerza, que es el concepto de minería 5.0. en donde nuevamente las personas se colocan por delante de la tecnología y la tecnología deja de operar por sí sola. Este concepto de la automatización y de la operación solamente desde el punto de vista de datos y tecnología ya se probó de alguna forma que no era el camino adecuado, por lo menos de acuerdo al avance tecnológico que hoy en día tenemos y se incorpora la persona. Así que efectivamente va muy en línea con lo que estamos viendo hoy en día en la industria. Francisco, me gustaría que quizás tú pudieras complementar con lo que mencionaba respecto de la generación de estos modelos y cómo se van transformando a través del uso del conocimiento experto. Sí, por supuesto. Yo creo que, como tú bien dices ahí, Milo, esta es una tendencia que se está dando en la industria y es básicamente a tratar de reducir de la manera mayor posible los bias que tenemos en los modelos, los errores. Empezamos a sesgar en base de lo que le llamamos las ventanas de tiempo y la cantidad de datos que le entregamos en esa ventana de tiempo al modelo. Ahí, Madeleine, creo que tuvo mucha relevancia que nos pudieras comentar un poquito tu experiencia. ¿Cómo les ha ido con el tema de almacenamiento de todos estos tremendos volúmenes de datos en función de las ventanas de tiempo que son las que son útiles para las tomas de decisiones? Hay recomendadores que necesitan información al segundo, que no se pase de la ventana de tiempo, digamos, de días, ni menos de semana. Hay otros recomendadores que son más bien pensados para aplicaciones de más largo aliento, de más largo plazo. ustedes, es pensado en manejo de materiales, predicción de lo que va a, en función de lo que tú me entregues, lo que va a salir para hacer esto. Pensando en esas ventanas de tiempo, tratando de reducir estos errores, estos bias que generan estos modelos, más bien estas soluciones requieren de información en corto plazo, constante, intermitente, con cadencia de datos, intermitente, permanente, no sé, ahí cómo es que esta solución funciona mejor y desde qué nicho, conectando un poquito cuando estamos hablando del transfer learning, ¿desde qué nicho es donde hace más match? Como para saber, oye, la minería es parecida a cómo se maneja el material en, no sé, en la industria agrícola, en la industria pesquera, no sé, porque Bruna nace justamente desde esta cross-polonización que hablábamos en un principio. Sí, exactamente. Mira, ahí lamentablemente no tenemos una sola respuesta para la industria en general, porque cada mina igual tiene sus propios procesos de toma de muestreo, tiene recurrencias distintas, puntos de muestreo que son muy distintos entre ellos. La misma información geológica no me he encontrado con empresas que tienen bloques geológicos con los límites muy mal definidos. Hay varias cosas que de alguna forma van definiendo y es esta evaluación previa de los datos la que nos permite a nosotros definir, ok, esta es la ventana, esto es lo máximo que podemos de alguna forma predecir bajo estas condiciones, estos niveles de asertividad, etcétera. Hay una cosa, sí, muy interesante que también lo enlazo con lo que decía Milo, que tiene que ver con que estos modelos, cuando tú les cambias algo de alguna forma, o sea, como los modelos que existían algo, le cambiabas algo y de alguna forma dejaban de estar válidos. Esto es súper interesante porque lo que nos pasó es que hace esto en agro, y después le voy a extrapar a la minería. Hace un año atrás, a un cliente peruano, en una semana, en dos semanas, que llovía en un año completo por el niño, el cambio climático, etc. El modelo que estaba en ese momento había sido entrenado por recomendación de los mismos agronos del 2019 en adelante, porque antes de eso ellos habían tenido otro niño y por lo tanto las mediciones que ellos tenían no iban, como que sentían que no eran representativos. Entonces, ese modelo, frente a la nueva información de la cantidad de lluvia y toda la cosa, no resistió en términos de la asertividad que mantenía en el tiempo. Pero afortunadamente el cliente tenía la data antigua. Entonces volvimos a entrenar el modelo, pero con data del 2015 en adelante, es decir, teniendo la información del niño pasada, y el modelo recuperó la asertividad. Entonces es muy interesante porque pudimos mantener la asertividad y sobrevivir a este niño y de alguna forma las condiciones se fueron como de alguna forma adaptando a la realidad y volvimos a estar en normalidad en servicio. semanas tenemos que salir a reentrenar y a reevaluar la arquitectura, las ventanas de datos, etc. Y en parte tiene que ver, porque también se van moviendo del lugar de donde van explotando. Por lo tanto, también ya aprendimos que el tiempo de vigencia de un modelo es como máximo, o sea, a lo más puedes darle dos semanas. Y después de eso, no es que pierda asertividad. Eso es lo más importante. No pierde tanta asertividad como pierde la capacidad de predecir los O sea, para nosotros, para nuestros clientes, lo más importante es cuando se quiebra la ley de un punto muy bajo a uno muy alto o al revés, donde hay estos piques muy difíciles de manejar. Es eso lo que se empieza a atenuar de alguna forma y empieza a perder la asertividad y empieza a predecir, pero de alguna forma entremedio y lo empieza a aplanar. Cada dos semanas tenemos que de alguna forma ir a trabajar de nuevo la red y monitorearla. Tenemos reentrenamiento automático. varios KPIs de monitoreo que nos permiten ir evaluando si es necesario o no. Pero eso hemos visto en minería. No tenemos una sola respuesta a decir, mira, las ventanas de tiempo, todas las cosas, etcétera. Pero siempre depende mucho de la estructura del dato, de los muestreos que tienen, de la recurrencia de alguna forma y de lo que queremos predecir. Es muy diferente para nosotros predecir con 12 horas de anticipación, con 4 horas de anticipación, a un cliente que quiera predecir cada una hora o de alguna forma una recorrer. cada un segundo es muy muy distinto yo creo que ahí le diste súper al clavo y creo que la lección aprendí entonces es todo depende y yo creo que está la característica muy propia del negocio minero depende del plan creo que ahí es lo que están mencionando pero si estamos pensando en una solución de corto plazo bueno el dato tiene que ser de corto plazo y cómo se maneja a nivel de operaciones y en el sitio no si la solución está pensada en un mediano a largo plazo bueno tendremos que ajustar el modelo también las ventanas de tiempo que estamos hablando, las ventanas de datos y los volúmenes de datos, a esa solución. Entonces, creo ahí, Maynard, que súper acertaba tu respuesta, porque da un poquito fe de esta característica bien, yo diría, propia del negocio minero, que es que es de alto riesgo, es además también de altos niveles de inversión, ¿no es cierto? Son costos que son muy elevados a la vez también, en los que nos gustaría a todos ver resultados más rápidos, lamentablemente estas soluciones que son basadas en tecnología, esos resultados hay que testearlo. Para testearlo bien hay que tener, nuevamente, datos de calidad. En ese sentido, Madeline, y pensando un poquito en el futuro de lo que se les viene a ustedes como Bruna, y en este crecimiento exponencial que están teniendo, este hype que están generando de mucho éxito, que aprovechamos también de felicitarlos a ustedes, ¿cómo ven el futuro? ¿Qué les gustaría hacer? ¿Hacia dónde apuntan un poquito estas soluciones? ¿Y dónde crees tú que están los futuros dolores? Bueno, ¿hacia dónde apuntan? Lo que estamos haciendo ahora es que estamos extrapolando. nos habíamos especializado mucho más en términos de poder predecir siempre la alimentación. Ese era nuestro core. Pero desde hace un tiempo empezamos también. O sea, gerentes nos empezaron a, los mismos clientes te empiezan a guiar hacia dónde va esto. Y nos empezaron a pedir predicciones en otros puntos del proceso productivo que tenían otras complejidades. Por ejemplo, ahora estamos prediciendo al inicio de la alimentación de la molienda o al inicio de la alimentación de explotación en distintas industrias, en distintos minerales, perdón. Y lo que vemos es que al final la tendencia debería ser tener predicción de la calidad o de la concentración del mineral, de la agonometría, la dureza, etcétera, de la caracterización que se tenga en casi todos los puntos críticos de la cadena productiva. Para allá es lo que vemos, o sea, en un principio partió en la materia prima, pero lo que vemos es que ya están empezando a ampliarse y están empezando a buscar tener una foto futura de toda la planta, de alguna forma. en qué estado va a estar la planta en las próximas 12 horas en todos los puntos críticos. Entonces, para allá estamos viendo qué va. Lo otro que vemos es que, claro, existe ahora mayor demanda desde el mundo minero para poder implementar este tipo de cosas. Está mucho más abierta. Yo veo muchas convocatorias que están haciendo apalancados con distintos proveedores de innovación, por decirlo de alguna forma. Y eso es muy relevante también porque otro de los grandes temas detectado en la industria, es que hay muchas iniciativas de transformación digital, de IA, de optimización, etcétera, pero ese gerente se va, se cambia de minera, lo echan o cambia de puesto de alguna forma y pierde el champion y el proyecto se pierde dentro de la empresa y generalmente se cae. Y lo que estamos viendo es que también la industria minera se está dando cuenta que la verdad tecnología por tecnología no sirve. Si la tecnología no está impregnada dentro del proceso como tal, dentro de la naturaleza, naturaleza del negocio, no se mantiene en el tiempo y no se captura el valor. Entonces, el hecho de que estén trabajando con empresas como Endeavor o, por ejemplo, con Fundación Chile, con el programa ExpandeMinería o de alguna forma con, ¿cómo se llama? Se llama Tantai, que es un programa de innovación que está muy fuerte en copia y así. Eso de alguna forma te habla de que las empresas también están diciendo, oye, ¿sabes que esta cosa como proyecto así aislado no sirve, tiene que haber un proceso de levantamiento, de entendimiento, de conscientización, de selección, de relacionamiento con el ecosistema, de conocer mil cosas antes de efectivamente ejecutar algo, para que esto permanezca en el tiempo. Si al final la startup, la mayoría de la startup, el mayor retorno está en los contratos a largo plazo, más que en tener pilotos aislados, de alguna forma, o validaciones puntuales. Entonces vemos eso, vemos que la industria, uno, se está ampliando, de alguna forma le está creciendo el apetito y la creatividad hacia dónde ir y empezar a implementar estas predicciones, cómo ocuparlas, y dos, de alguna forma, cómo ayudarse para que esto quede intrínseco dentro de la cultura de la empresa, más que sea un espasmo. Maylen, creo que mencionaste, podríamos decir, varios aprendizajes para toda la gente que quiera innovar en lo que es la industria minera, y quería agradecerte Básicamente, como tratando de recopilar un poco lo que hablamos el día de hoy, mencionaste que uno de los principales elementos es asesorarse y buscar la ayuda de expertos, ya sean aceleradoras o entes, quizás como de gobierno, como Corfo u otros, que te puedan en el fondo poder entregar una mirada distinta para poder explorar estas oportunidades de corporalización de tecnología que comentábamos. También mencionaste algo súper interesante, que tiene que ver con escuchar al cliente. O sea, hoy en día ustedes encontraron este producto Market Fit de acuerdo a cómo pudieron escuchar al cliente y hoy en día en sus planes de futuro está el cliente en el centro y poder entender cuáles son sus dolores y sus problemas para entregar esas soluciones que los satisfacen. Y también mencionaste un aspecto súper interesante que tiene que ver con la colaboración, de cómo podemos colaborar con las distintas industrias y los distintos entes para poder apalancar ciertas soluciones. relevante que mencionaste, que creo que cierran todo esto de aprendizaje. De que si bien hoy en día la tecnología, entre comillas, está de moda, la tecnología por sí sola no entrega valor. La tecnología es una herramienta que de alguna forma apalanca el valor que se le pueda entregar al negocio. Y creo que ese es un mensaje de fuerza y súper potente que lo hemos visto en diversas aplicaciones. Que porque algo esté de moda y se quiere incorporar, Tecnología por tecnología no tiene sentido. El negocio minero es eso, un negocio y mientras algo apalanque valor, por muy básica que sea la solución, mayor penetración de mercado va a tener. Así que te quería agradecer a nombre de Maino en tu presencia y quería darte un espacio quizás para entregar algún mensaje final antes de que nos despidamos. Estoy muy agradecida de haber podido compartir con ustedes, especialmente enfocado en la industria minera. ha sido todo un camino, toda una experiencia, como el hecho de que ninguno venía de esa industria de alguna forma al momento en que partimos en minería, fue de repente muy desafiante y también muy solitario. Y afortunadamente yo diría que un poco el ecosistema ha ido cambiando bastante. O sea, el ecosistema de Antofagasta, tú lo veías ahora, como es de nutrivo, hay muchos startups dando vueltas, empujando lo mismo. Y de hecho, hay varios que tenemos inteligencia artificial que estamos aplicados en distintos puntos, distintos problemas, porque la verdad es que la fuente problema es infinita. Tenís desde predicción de seguridad hasta predicción de mantenimiento, predicción de materia prima, predicción del movimiento de los polvos, la predicción que queráis. O sea, hay mucho espacio para todos los que quieran explorar en minería en predicción y afortunadamente se ha creado un ecosistema muy fuerte, muy variado y también muy colaborativo. Y eso yo siento que vamos a salir todos beneficiados, no solo nosotros como startup, sino que también las mismas empresas, los mismos clientes. Entonces, Hay solamente un llamado a, de alguna forma, seguir incentivando a todos los que quieren emprender en minería, que lo hagan. ¿Qué es una industria difícil? Sí. ¿Que se necesita resiliencia y paciencia? Sí. Pero también hay mecanismos y hay herramientas que te permiten, de alguna forma, acelerar, articular o, de alguna forma, ir protegiendo o ir generando, de una forma más orgánica para la startup, valor para que, finalmente, una minera te termine comprando el producto o servicio, la validación final, de alguna forma. ahí dejar solo ese llamado y también el hecho de que este mismo podcast exista conversando sobre inteligencia artificial más aplicado o sobre tecnología más aplicado a minería también es muy auspicioso de alguna forma. Entonces, nada, yo veo el futuro bien brillante, bien interesante, bien entretenido, por decirlo de alguna forma. Adicionalmente, a todos los beneficios que nos ha traído para las empresas que somos como la de nosotros de IA, la presencia y la existencia de ChatGPT, que de alguna forma también ha generado un nivel de culturización muy grande, un salto en la culturización que, o si no, nosotros no hubiésemos tenido que hacer cargo de esa culturización al cliente. Entonces, yo veo que el próximo año es el año de la IA aplicado en procesos productivos. Ya vamos a empezar a salir un poco de la IA aplicada solamente a procesos personales o al individuo, por decirlo de alguna forma, y empezar a pasar hasta IA aplicada a procesos, y ayuda a empresas de alguna forma. Así que veo un futuro muy brillante, muy entretenido, con muchas opciones, y felices de alguna forma de pertenecer a ese mundo. Súper, un tremendo mensaje, y creo que se engloba en lo que ya comentamos, de que la minería efectivamente es un campo fértil de oportunidades, que está lleno de desafíos, que buscan soluciones en personas y empresas que traigan innovaciones que se apalanquen en las últimas tecnologías. Y también algo súper importante, Como bien dices tú, sin embargo un minero, ninguno de ustedes trae esas soluciones. Así que eso es algo que también hemos tratado de abarcar en nuestro podcast y difundir de que la minería tiene los brazos abiertos para adoptar esos perfiles diversos y que son bienvenidos. Así que para nuestra audiencia, si te preguntas cómo descubriste Mignoet, seguro alguien en LinkedIn, Instagram o YouTube lo compartió. Y esa es la magia, crecemos gracias a ustedes, compartiendo y hablando sobre nosotros. Muchas gracias y nos vemos en el próximo episodio de Minenovate.

Más episodios