Inteligência Artificial (IA): Amplo campo de pesquisa e desenvolvimento de sistemas e máquinas capazes de realizar tarefas que normalmente requerem inteligência humana. Essas tarefas incluem aprender com dados, reconhecer padrões, tomar decisões e resolver problemas.
AOI (Área de Interesse): Uma área geográfica específica selecionada para análise focada ou coleta de dados, frequentemente usada em aplicações de mapeamento, GIS e sensoriamento remoto. A área designada na qual o modelo de previsão será executado.
Ensaios (Assays): Testes ou análises realizados para determinar a composição e concentração de minerais em uma amostra, principalmente utilizados na mineração para avaliar a qualidade do minério.
Períodos (Epochs): No aprendizado de máquina, períodos referem-se ao número de passagens completas por todo o conjunto de dados durante o processo de treinamento de um modelo. Cada períoso permite que o modelo ajuste seus parâmetros internos para prever melhor os resultados.
Falso Negativo: O modelo prevê incorretamente um resultado negativo quando na verdade era positivo. (Erro tipo II)
Falso Positivo: O modelo prevê incorretamente um resultado positivo quando na verdade era negativo (erro Tipo I)
Recurso(s): No aprendizado de máquina (machine learning), um recurso (feature) é uma propriedade ou característica individual mensurável usada por um modelo para fazer previsões. No GIS, as feições referem-se a objetos espaciais como pontos, linhas e polígonos que representam entidades do mundo real.
Histograma: Uma representação gráfica da distribuição de dados. No contexto de dados ou imagens geoespaciais, um histograma mostra como os valores de pixel ou pontos de dados são distribuídos em diferentes níveis de intensidade.
Ponto de Aprendizagem (Learning Point): igual ao ponto de validação. Refere-se a uma instância de dados individual que o modelo usa durante o treinamento para aprender padrões e relacionamentos
Litologia: Estudo e descrição das rochas, incluindo suas características físicas como cor, textura e composição, que é crucial para a compreensão da geologia de uma área.
Função de Perda (Loss Function): uma função matemática usada no aprendizado de máquina para medir até que ponto as previsões de um modelo correspondem aos resultados reais. Ajuda o modelo a aprender, minimizando a diferença entre as previsões e os valores verdadeiros durante o treinamento.
Aprendizado de Máquina (Machine Learning): um subconjunto de IA que permite que os sistemas aprendam com os dados sem programação explícita. Com o tempo, esses sistemas melhoram à medida que processam mais dados.
Overfitting: O overfitting acontece quando um modelo é muito complexo, capturando ruído junto com padrões, resultando em alta precisão nos dados de treinamento, mas em baixo desempenho em novos dados.
Tamanho do Patch: No contexto dos Vision Transformers, o tamanho do patch refere-se às dimensões das seções menores (patches) nas quais uma imagem de entrada é dividida para processamento pelo modelo.
Análise de Componentes Principais (Principal Component Analysis - PCA): Um método de redução de dimensionalidade e aprendizado de máquina usado para simplificar um grande conjunto de dados em um conjunto menor.
Plutons: Grandes corpos rochosos intrusivos que se formam no subsolo a partir de magma resfriado lentamente. Os plutons são importantes no estudo da geologia e na exploração mineral.
Mapa de Previsão: Mapa de Previsão é o que você faz quando aplica configurações e parâmetros específicos em DORA que levam à geração de Pontuações de Prospectividade VRIFY (VPS) para identificação de mineralização direcionada dentro de sua área de interesse (AOI).
Floresta Aleatória (Random Forest): Um método de aprendizado de máquina que combina múltiplas árvores de decisão para fazer previsões. Ele funciona analisando partes aleatórias dos dados e calculando a média dos resultados, tornando-o confiável para lidar com conjuntos de dados grandes ou complexos.
Raster: Uma grade de pixels ou células usada para representar dados espaciais, onde cada célula contém um valor que representa informações, como cor ou elevação, frequentemente usadas em mapeamento e análise geoespacial.
Curva ROC (Curva Característica Operacional do Receptor): Uma representação gráfica da capacidade de diagnóstico de um modelo, traçando a taxa de verdadeiros positivos em relação à taxa de falsos positivos. É comumente usado para avaliar o desempenho de modelos de classificação binária.
Arquivo .ers (arquivo raster): Um formato de arquivo usado para armazenar dados raster, especialmente em GIS e sensoriamento remoto. Inclui informações sobre valores de pixel e georreferenciamento.
Arquivo .shp (Shapefile): Um formato de dados vetoriais geoespaciais amplamente utilizado para software de sistema de informações geográficas (GIS), armazenando localização, forma e atributos de características geográficas.
Modelo Transformer: Uma arquitetura de modelo de aprendizado de máquina que usa mecanismos de auto-atenção para processar dados, originalmente projetada para processamento de linguagem natural, mas agora aplicada a outros domínios, como análise de imagens (por exemplo, Vision Transformers).
Verdadeiro Negativo: o modelo prevê corretamente um ponto de aprendizagem negativo (abaixo do limite).
Verdadeiro Positivo: O modelo prevê corretamente um resultado positivo (acima do limite) no ponto de validação.
Underfitting: O underfitting ocorre quando um modelo é muito simples, faltando padrões importantes, levando a um desempenho insatisfatório nos dados de treinamento e teste.
Ponto de Validação (Validation Point): Igual ao Ponto de Aprendizagem (Learning Point). Refere-se a uma instância de dados individual que o modelo usa durante o treinamento para aprender padrões e relacionamentos
Vision Transformer Model (ViT): Um tipo de modelo de aprendizado de máquina baseado na arquitetura do transformador, projetado especificamente para processar e analisar dados de imagem, principalmente quebrando imagens em patches e analisando-as com mecanismos de atenção.
Pontuação de Prospectividade VRIFY (VPS): Uma pontuação quantificada atribuída a alvos de exploração previstos identificados por DORA, indicando a probabilidade de mineralização com base na análise de IA de dados e padrões geológicos. A pontuação é representada como uma probabilidade (0 - 1,0) e indica até que ponto os produtos desejados (acima da nota indicada) podem existir em uma coordenada x, y, z desejada.
Ainda tem dúvidas?
Entre em contato com seu contato dedicado DORA ou envie um e-mail para support@VRIFY.com para obter mais informações.