Inteligencia Artificial (IA): El amplio campo de investigación y desarrollo de sistemas y máquinas capaces de realizar tareas que normalmente requieren inteligencia humana. Estas tareas incluyen aprender de los datos, reconocer patrones, tomar decisiones y resolver problemas.

AOI (Área de interés): Un área geográfica específica seleccionada para análisis enfocado o recopilación de datos, a menudo utilizada en aplicaciones de cartografía, SIG y teledetección. El área designada en la que se ejecutará el modelo de predicción.

Ensayos: Pruebas o análisis realizados para determinar la composición y concentración de minerales dentro de una muestra, particularmente utilizados en minería para evaluar la calidad del mineral.

Épocas: En el aprendizaje automático, las épocas se refieren a la cantidad de pases completos a través de todo el conjunto de datos durante el proceso de entrenamiento de un modelo. Cada época permite que el modelo ajuste sus parámetros internos para predecir mejor los resultados.

Falso negativo: El modelo predice incorrectamente un resultado negativo cuando en realidad era positivo. (Error tipo II)

Falso positivo: El modelo predice incorrectamente un resultado positivo cuando en realidad era negativo. (Error tipo I)

Característica(s): En el aprendizaje automático, una característica es una propiedad o característica individual mensurable utilizada por un modelo para hacer predicciones. En SIG, las características se refieren a objetos espaciales como puntos, líneas y polígonos que representan entidades del mundo real.

Histograma: Representación gráfica de la distribución de datos. En el contexto de imágenes o datos geoespaciales, un histograma muestra cómo se distribuyen los valores de píxeles o puntos de datos en diferentes niveles de intensidad.

Punto de aprendizaje: Igual que el punto de validación. Se refiere a una instancia de datos individual que el modelo utiliza durante el entrenamiento para aprender patrones y relaciones.

Litología: El estudio y descripción de las rocas, incluidas sus características físicas como color, textura y composición, lo cual es crucial para comprender la geología de un área.

Función de pérdida: Función matemática utilizada en el aprendizaje automático para medir qué tan bien las predicciones de un modelo coinciden con los resultados reales. Ayuda al modelo a aprender minimizando la diferencia entre las predicciones y los valores reales durante el entrenamiento.

Aprendizaje automático (ML): Un subconjunto de IA que permite a los sistemas aprender de los datos sin programación explícita. Con el tiempo, estos sistemas mejoran a medida que procesan más datos.

Sobreajuste: El sobreajuste ocurre cuando un modelo es demasiado complejo y captura el ruido junto con los patrones, lo que da como resultado una alta precisión en los datos de entrenamiento pero un rendimiento deficiente con los datos nuevos.

Tamaño del parche: En el contexto de Vision Transformers, el tamaño del parche se refiere a las dimensiones de las secciones más pequeñas (parches) en las que se divide una imagen de entrada para que el modelo la procese.

Análisis de componentes principales (PCA): Un método de aprendizaje automático y reducción de dimensionalidad que se utiliza para simplificar un conjunto de datos grande en un conjunto más pequeño.

Plutones: Cuerpos rocosos ígneos grandes e intrusivos que se forman a gran profundidad a partir de magma enfriado lentamente. Los plutones son importantes en el estudio de la geología y la exploración mineral.

Mapa de predicción: En DORA, crear un mapa de predicción es lo que se hace cuando se aplican configuraciones y parámetros específicos en DORA que conducen a la generación de puntajes de prospectividad verificados (VPS) para la identificación de mineralización específica dentro del área de interés.

Bosque aleatorio: Un método de aprendizaje automático que combina múltiples árboles de decisión para realizar predicciones. Funciona analizando partes aleatorias de los datos y promediando los resultados, lo que lo hace confiable para manejar conjuntos de datos grandes o complejos.

Ráster: Una cuadrícula de píxeles o celdas que se usa para representar datos espaciales, donde cada celda contiene un valor que representa información, como el color o la elevación, que se usa a menudo en mapeo y análisis geoespacial.

Curva ROC (curva característica operativa del receptor): Una representación gráfica de la capacidad de diagnóstico de un modelo, que representa la tasa de verdaderos positivos frente a la tasa de falsos positivos. Se utiliza comúnmente para evaluar el rendimiento de los modelos de clasificación binaria.

Archivo .ers (archivo ráster): Formato de archivo utilizado para almacenar datos ráster, particularmente en SIG y teledetección. Incluye información sobre valores de píxeles y georreferenciación.

Archivo .shp (Shapefile): Formato de datos vectoriales geoespaciales ampliamente utilizado para software de sistemas de información geográfica (SIG), que almacena la ubicación, la forma y los atributos de características geográficas.

Modelo Transformer: Una arquitectura de modelo de aprendizaje automático que utiliza mecanismos de autoatención para procesar datos, originalmente diseñada para el procesamiento del lenguaje natural pero que ahora se aplica a otros dominios como el análisis de imágenes (por ejemplo, Vision Transformers).

Verdadero negativo: El modelo predice correctamente un punto de aprendizaje negativo (por debajo del umbral).

Verdadero positivo: El modelo predice correctamente un resultado positivo (por encima del umbral) en el punto de validación.

Desajuste: El desajuste se produce cuando un modelo es demasiado simple y le faltan patrones clave, lo que genera un rendimiento deficiente tanto en los datos de entrenamiento como en los de prueba.

Punto de validación: Igual que el punto de aprendizaje. Se refiere a una instancia de datos individual que el modelo utiliza durante el entrenamiento para aprender patrones y relaciones.

Modelo Vision Transformer (ViT): Un tipo de modelo de aprendizaje automático basado en la arquitectura Transformer, diseñado específicamente para procesar y analizar datos de imágenes, particularmente dividiendo imágenes en parches y analizándolas con mecanismos de atención.

Puntuación de prospectividad de VRIFY (VPS): Una puntuación cuantificada asignada a los objetivos de exploración previstos identificados por DORA, que indica la probabilidad de mineralización basada en el análisis de IA de datos y patrones geológicos. La puntuación se representa como una probabilidad (0 - 1,0) e indica hasta qué punto los productos deseados (por encima del grado indicado) pueden existir en una coordenada x, y, z específica.

Comuníquese con su contacto exclusivo de DORA o envíe un correo electrónico a Support@VRIFY.com para obtener más información.