Descripción del proyecto: La propuesta consiste en un algoritmo basado en redes neuronales, específicamente un autoencoder LSTM. Primero, se debe realizar una limpieza de los datos operacionales previa al entrenamiento de la máquina. Además de la selección del estadístico que represente de mejor manera los datos (exploratoriamente escogimos el promedio, lo que será evaluado a posteriori).
El algoritmo debiese interpretar los datos históricos previos y predecir los lugares en donde se medirá una severidad mayor a cero con un espacio temporal de 1 día (se evaluará tener un gap temporal mayor pero esto podría afectar la precisión del algoritmo). Luego, se clusterizará los resultados de severidad mayor a 0 según las variables temporales y espaciales, obteniendo así los clusters indicados en la variable ‘road_cluster’.
Una vez teniendo los clusters identificados y los niveles de severidad, se evaluará el nivel de efectividad del algoritmo, modificando los hiper parámetros para lograr los objetivos del desafío
Costos asociados a solución: Nuestra solución tiene un costo asociado a la máquina virtual que debe implementar el algoritmo entrenado con los datos históricos presentados en el concurso. Considerando la oferta de AWS, la solución tendría un costo mensual de 500 USD
Tiempo de implementación: Considerando que la propuesta se encuentra en un estado de idea, se hace necesario hacer un desarrollo para lograr llegar a un prototipo funcional. Estimamos 250 HH para el desarrollo de la propuesta: 180 para desarrollo del algoritmo y 70 para alojamiento en servicios Cloud y gestión del proyecto, los cuales serán distribuidos en un periodo de 3 meses
Grado de innovación y diferenciación: Creemos que la innovación en nuestra propuesta está en el uso de algoritmos multivariables de predicción y en el uso de herramientas innovadoras como el cubo espacio-temporal, el cual podría incorporar de mejor manera la interacción de estos dos tipos de variables. Por otro lado, el uso de autoencoders, considera algoritmos de machine learning que utilizan redes neuronales entregan mejores resultados que los algoritmos tradicionales de machine learning.
El proyectar el uso de la herramienta en otros ámbitos que no sean solo mineros sino urbanos, pensamos que puede ser una forma de aportar desde el mundo de la industria minera al mundo de la sociedad civil, utilizando los aprendizajes y la tecnología utilizada para aumentar la eficiencia de los procesos mineros en mejorar la calidad de vida de la sociedad chilena en su conjunto.