Visão geral
Nesta etapa, você selecionará um modelo de Fusão de Dados e definirá o número de períodos de treinamento para incorporar seus recursos de entrada. Esse processo reduz a complexidade dos seus dados ao mesmo tempo em que adapta o modelo ao seu contexto geológico específico.
Por que incorporamos recursos de entrada?
Incorporar recursos de entrada significa transformar os rasters selecionados (até 64) em um conjunto de 24 representações de menor dimensionalidade (embeddings) que preservam padrões e relações espaciais relevantes. Isso é feito usando um Modelo de Fusão de Dados, um modelo de IA pré-treinado com centenas de milhares de rasters em tipos específicos de sistemas minerais.
O processo de incorporação captura:
Relações espaciais entre rasters (como diferentes camadas se relacionam entre si)
Estrutura espacial dentro de cada raster (como os elementos estão dispostos no espaço)
O modelo de fusão de dados, treinado com dados em larga escala, é então ajustado com os rasters e pontos de aprendizado selecionados. Isso produz 24 novos rasters incorporados, otimizados para sua área de interesse e contexto geológico.
Por que essa etapa é importante
Perspectiva das Geociências
A incorporação ajuda a isolar padrões geológicos que podem não ser imediatamente visíveis nos dados brutos. Ao usar um modelo de Fusão de Dados treinado em sistemas minerais semelhantes, você pode aproveitar insights globais e adaptá-los à sua área de projeto específica. Isso aumenta a confiança em suas previsões e ajuda a garantir que o modelo esteja fundamentado em geociências relevantes para o domínio.
Veja a lista completa dos modelos de Fusão de Dados disponíveis e os sistemas minerais nos quais eles foram treinados aqui.
Perspectivas da IA
Esta etapa aplica a redução de dimensionalidade ao seu conjunto de dados, tornando-o mais gerenciável para aprendizado de máquina, ao mesmo tempo que preserva as características espaciais e estruturais essenciais.
A seleção da combinação correta de rasters melhora a capacidade do modelo de reconhecer padrões geológicos durante o treinamento. O número de períodos (epochs) que você define controla o quanto o modelo aprende com seus dados locais, permitindo que ele ajuste as previsões especificamente para o seu projeto. O DORA inclui um mecanismo de parada antecipada que interrompe automaticamente o treinamento quando o desempenho para de melhorar, ajudando a evitar sobreajuste e computação desnecessária.
Esta é uma forma de aprendizado com poucos exemplos. O modelo já aprendeu com centenas de milhares de imagens raster em projetos globais, mas se adapta aos recursos de entrada selecionados, aprendendo apenas o suficiente para otimizar as previsões para o seu contexto geológico.
💡Dica: Ao ajustar o número de períodos de treinamento, considere as vantagens e desvantagens:
Com poucos períodos, o modelo mal aprende com seus dados. Sinais importantes específicos do projeto podem ser perdidos.
Muitos períodos fazem com que o modelo memorize os dados (sobreajuste), o que reduz sua capacidade de generalização.
Instruções passo a passo
Abrir Incorporação de Recursos de Entrada
No painel de configuração do experimento, clique em “Step 4: Embed Input Features” (Etapa 4: Incorporar recursos de entrada).
Selecione um modelo de fusão de dados
Na lista suspensa, escolha o modelo que melhor se alinha com o seu sistema mineral alvo.
Não tem certeza? Comece com o Master_Model.
Selecione “None” (Nenhum) se o seu depósito for altamente exclusivo e você quiser treinar os recursos do zero.
Defina o número de períodos de treinamento (Number of Training Epochs).
Insira o número de períodos de treinamento. Isso determina o quanto o modelo se ajustará aos dados selecionados.
O valor padrão é 100.
O treinamento pode ser interrompido precocemente se o desempenho do modelo parar de melhorar.
Clique em “Generate Embeddings” (Gerar Incorporações)
Isso desencadeia a redução de dimensionalidade e cria saídas rasterizadas para cada elemento de entrada.
(Opcional) Analise os resultados visuais.
Use a Lista de Camadas 3D para pré-visualizar as camadas raster geradas. Alterne a visibilidade (ícone de olho) e ajuste o esquema de cores ou a escala de deslocamento base para visualizar melhor as texturas e os padrões da superfície.
Durante a revisão, procure por sinais de artefatos — inconsistências visuais causadas pela mistura de conjuntos de dados de alta resolução com grades mais grosseiras que cobrem toda a área de interesse. Esses artefatos podem aparecer como bordas abruptas ou padrões lineares nas camadas incorporadas.
Esses artefatos podem levar a distorções no resultado de Pontuação de prospectividade VRIFY (VPS), como áreas excessivamente promissoras nas bordas de pesquisas menores.
Caso isso aconteça, tente remover a camada problemática e execute novamente as incorporações para verificar se o problema é resolvido.
Etapa concluída
Clique em "Proceed” (Avançar) para ir para a próxima etapa.
Dicas e Considerações
Nomenclatura do modelo de fusão de dados
Nomes de modelos como c2p4 referem-se ao número de imagens de treinamento utilizadas (por exemplo, c2p4 representa 24.000 imagens de treinamento).
Priorize os modelos treinados no tipo de depósito correto e, em seguida, selecione aquele com o maior número de treinamentos para obter os resultados mais confiáveis.
Você reparou na convenção de nomenclatura c2p4, c1p8, etc? É uma referência ao C-3PO de Star Wars!
Estratégia de Períodos
Se os resultados não melhorarem com períodos adicionais, mantenha o modelo com parada antecipada — provavelmente ele já está otimizado.
Se você selecionar o modelo "None” (Nenhum) modelo de fusão de dados, considere usar um número maior de períodos (por exemplo, 300) para permitir um refinamento mais profundo, já que há menos imagens pré-treinadas disponíveis para orientar o processo de incorporação.
Saber mais
Etapas anteriores:
Próximos passos:
Ainda tem dúvidas?
Entre em contato com seu contato dedicado DORA ou envie um e-mail para support@VRIFY.com para obter mais informações.