Intelligence artificielle (IA) : Domaine de recherche et de développement consacré à la création de systèmes et de machines capables d’accomplir des tâches nécessitant généralement une intelligence humaine, comme l’apprentissage à partir de données, la reconnaissance de modèles, la prise de décisions et la résolution de problèmes.

AOI (Zone d’intérêt) : Zone géographique spécifique sélectionnée pour l’analyse ciblée ou la collecte de données, souvent utilisée en cartographie, en SIG et en télédétection. Il s’agit de la zone dans laquelle le modèle de prédiction est exécuté.

Dosages : Tests réalisés pour déterminer la composition et la concentration de minéraux dans un échantillon, notamment utilisés pour évaluer la teneur du minerai en exploration minière.

Époques : En apprentissage automatique, il s’agit du nombre de passages complets sur l’ensemble des données d’entraînement. Chaque époque permet au modèle d’ajuster ses paramètres pour affiner ses prédictions.

Faux négatif : Résultat incorrect où le modèle prédit un résultat négatif alors qu’il est en réalité positif (erreur de type II).

Faux positif : Résultat incorrect où le modèle prédit un résultat positif alors qu’il est en réalité négatif (erreur de type I).

Fonctionnalité(s) : En apprentissage automatique, ce sont les caractéristiques mesurables utilisées par le modèle pour effectuer des prédictions. En SIG, cela fait référence à des objets spatiaux (points, lignes, polygones) représentant des éléments du monde réel.

Histogramme : Représentation graphique de la distribution des données. Pour les données géospatiales ou les images, il indique la répartition des valeurs de pixels selon différents niveaux d’intensité.

Point d’apprentissage / Point de validation : Instance de données individuelle utilisée par le modèle pendant l’entraînement pour apprendre les relations entre variables. Ces termes sont interchangeables dans DORA.

Lithologie : Étude et description des roches selon leurs caractéristiques physiques (couleur, texture, composition). Elle est essentielle pour comprendre la géologie d’une région.

Fonction de perte : Fonction mathématique utilisée pour mesurer l’écart entre les prédictions d’un modèle et les résultats réels. Elle permet au modèle de s’améliorer en minimisant cet écart.

Apprentissage automatique (ML) : Sous-domaine de l’IA permettant aux systèmes d’apprendre à partir de données sans être explicitement programmés. Les performances s’améliorent à mesure que le système traite davantage de données.

Surajustement : Se produit lorsqu’un modèle est trop complexe et capte le bruit dans les données d’entraînement, ce qui nuit à sa capacité à bien généraliser sur de nouvelles données.

Sous-ajustement : Se produit lorsqu’un modèle est trop simple pour détecter les relations sous-jacentes dans les données, entraînant de faibles performances en entraînement et en test.

Taille de patch : Dans le contexte des Vision Transformers, il s’agit de la taille des petites sections (patchs) dans lesquelles une image est découpée avant d’être analysée par le modèle.

ACP (Analyse en composantes principales) : Technique de réduction de dimensions utilisée pour simplifier des ensembles de données complexes, tout en conservant les informations les plus significatives.

Plutons : Grandes masses de roche ignée intrusive formées en profondeur par le refroidissement lent du magma. Elles sont d’importance géologique et explorationnelle.

Carte de prédiction : Résultat généré dans DORA en appliquant des paramètres de configuration afin de produire des scores de prospectivité (VPS) dans la zone d’intérêt définie.

Random Forest : Méthode d’apprentissage automatique reposant sur un ensemble d’arbres de décision. Elle agrège leurs prédictions pour fournir des résultats fiables, notamment dans les jeux de données complexes ou de grande taille.

Raster : Grille de pixels ou cellules utilisée pour représenter des données spatiales. Chaque cellule contient une valeur (couleur, élévation, etc.), couramment utilisée en cartographie et en analyse géospatiale.

Courbe ROC (Receiver Operating Characteristic) : Graphique évaluant la performance d’un modèle de classification binaire, en comparant le taux de vrais positifs au taux de faux positifs.

Fichier .ers (fichier raster) : Format de fichier utilisé pour stocker des données raster (valeurs de pixels, géoréférencement), souvent utilisé en SIG et en télédétection.

Fichier .shp (Shapefile) : Format de données vectorielles géospatiales largement utilisé pour stocker les formes, emplacements et attributs d’objets géographiques.

Modèle de transformateur : Architecture de modèle basée sur le mécanisme d’auto-attention, initialement conçue pour le traitement du langage naturel, désormais utilisée pour d’autres types de données, comme les images (Vision Transformers).

Vision Transformer Model (ViT) : Modèle d’apprentissage automatique spécialisé dans le traitement d’images. Il divise les images en patchs et les traite à l’aide de mécanismes d’attention.

Vrai négatif : Cas où le modèle prédit correctement qu’un point d’apprentissage est négatif (en dessous du seuil).

Vrai positif : Cas où le modèle prédit correctement qu’un point de validation est positif (au-dessus du seuil).

Score de prospectivité VRIFY (VPS) : Score probabiliste (entre 0 et 1) attribué à une cible prédite par DORA, reflétant la probabilité de minéralisation à une coordonnée X, Y, Z donnée, selon l’analyse IA des données géologiques.

Contactez votre contact DORA ou écrivez à support@VRIFY.com pour plus d’informations.