# John Atkinson: qué es y qué no es inteligencia artificial en minería > John Atkinson, doctor en inteligencia artificial por la Universidad de Edimburgo y con casi tres décadas en el área, desmitifica la IA y su uso en la minería. Su mensaje: antes de comprar tecnología con la etiqueta de IA, hay que entender el problema, medir con indicadores concretos y aceptar que muchas soluciones son más simples de lo que parecen. - URL: https://minenovate.com/blog/john-atkinson-inteligencia-artificial-mineria - Fecha: 2024-04-15 - Temas: inteligencia artificial, transformación digital, autonomía, datos, innovación - Episodio: https://minenovate.com/episodios/e24-descifrando-la-inteligencia-artificial-origenes-evolucion-y-su-transformacion-en-la-mi - Fuente: https://www.youtube.com/watch?v=YbyyFjwsff0 - Publicado por: Minenovate, el podcast de minería de Hispanoamérica ## Puntos clave - La IA nació como una ciencia multidisciplinaria sobre cómo procesamos cognitivamente, y no debe confundirse con estadística o análisis de datos. - Gran parte de lo que hoy se aplica en la industria es IA débil: técnicas para resolver problemas específicos medidos con indicadores concretos. - La adaptación y la autonomía son lo que distingue a un sistema inteligente de una automatización convencional. - Los modelos actuales han ganado rendimiento a costa de transparencia, lo que complica su regulación y su uso responsable. - El paso cero es estudiar el problema y los procesos; muchas veces la mejor decisión es no usar IA. En este episodio de Minenovate, Milo Niemeller y Francisco Rubina, que participó en esa etapa del podcast, conversan con John Atkinson, uno de los referentes nacionales en el tema, para separar lo que la IA es de lo que se vende como tal. John es ingeniero en ciencias de la computación de la Universidad Técnica Federico Santa María, donde también obtuvo un magíster, y doctor en inteligencia artificial por la Universidad de Edimburgo. Fundó y dirigió el Laboratorio de Inteligencia Artificial de la Universidad de Concepción, y fue consejero en la estrategia nacional de inteligencia artificial ante la comisión de tecnología del Senado. Su especialidad es el procesamiento del lenguaje. ## Un paso por la minería A comienzos de los años 90 trabajó en la entonces Disputada de Las Condes, del grupo Exxon. Le ofrecieron quedarse, pero tenía la inquietud académica. Concluyó que, si se quedaba, sería muy difícil salir después hacia un trabajo que pagaba varias veces menos, y optó por la universidad. ## La IA no nació de la estadística John insistió en que la inteligencia artificial no surge de la estadística ni del análisis de datos. Nació de un paradigma de automatización y de la pregunta por cómo procesamos cognitivamente los humanos. Recorrió esa historia desde los trabajos de Alan Turing y John von Neumann hasta el encuentro académico de 1956 en el que se acuñó el término, y explicó que durante décadas su desarrollo quedó casi confinado a universidades, centros de investigación y gobiernos, porque llevarla a la empresa era muy caro. También es, subrayó, una ciencia multidisciplinaria, con aportes de la lingüística, la biología, la neurociencia y la filosofía. ## IA débil, IA fuerte y lo que significa ser inteligente John distinguió entre IA débil, orientada a resolver problemas específicos con un indicador de resultado, e IA fuerte, que busca emular capacidades humanas. Casi todo lo que hoy se aplica en la industria pertenece a la primera categoría. Por eso, en la práctica, propone hablar menos de inteligencia y más de rendimiento: si una solución mejora la seguridad, los costos o la eficiencia, hay que medir eso, y no quedarse con la etiqueta de que usa IA. Milo conectó esta idea con los recomendadores que hoy se usan en plantas mineras: modelos que aprenden de datos históricos para sugerir puntos de operación, pero que fallan cuando cambia la mineralogía. Para John, ese es precisamente el límite: lo que distingue a un sistema inteligente es la adaptación a un entorno cambiante y la autonomía para tomar decisiones propias. Bajo esa lente, muchos vehículos sin conductor que siguen rutas guiadas son más un sistema de control automático que un sistema autónomo, y la autonomía real se pone a prueba en entornos como la minería subterránea, sin GPS y con infraestructura que proteger. ## Rendimiento a cambio de transparencia John recordó un caso clásico: Prospector, un sistema experto pionero aplicado a la exploración geológica, que según relató logró predecir con alta precisión la ubicación de un depósito de molibdeno. Su valor no era solo acertar, sino explicar: el usuario podía preguntar por qué y cómo había llegado a una conclusión. Esa trazabilidad, dijo, se ha ido perdiendo en los modelos actuales. > Hago la pega mejor, pero te la puedo explicar menos. Esa falta de transparencia tiene consecuencias. Dificulta la regulación, abre preguntas sobre sesgos y ética, y se cruza con el problema del origen de los datos con que se entrenan los modelos, que ya ha generado conflictos legales y propuestas regulatorias en Europa. ## El paso cero John advirtió que, en muchas de las empresas que asesora, el uso de IA no está justificado: se adopta por imagen o porque lo hace la competencia, sin haber definido el problema. Por eso propone un paso cero antes de cualquier capacitación o compra: estudiar los procesos, establecer una línea base, distinguir qué se puede automatizar de forma convencional y qué realmente requiere técnicas más sofisticadas. Contó el caso de un gerente de tecnología que, tras un programa de formación, evitó una inversión innecesaria al darse cuenta de que tenía las capacidades dentro de la empresa. > Las cosas a veces son simples. Son simples y pueden ser incluso más eficientes. Desde el lado de los conductores, la experiencia en proyectos de innovación minera apuntó en la misma dirección: buena parte de innovar es saber descartar proyectos temprano. ## Por qué importa La conversación con John Atkinson ofrece un criterio para evaluar las soluciones que se presentan como inteligencia artificial. No se trata de desconfiar de la tecnología, sino de exigirle lo mismo que a cualquier inversión: un problema bien definido, indicadores claros y, cuando las decisiones son críticas, la capacidad de entender por qué un sistema recomienda lo que recomienda. En una industria donde un error puede afectar la seguridad o la continuidad operacional, distinguir entre automatización, estadística e inteligencia no es un debate académico, sino una condición para invertir bien.