# Madeleine Valderrama y Bruna: inteligencia artificial para anticipar la variabilidad > Madeleine Valderrama, cofundadora y CEO de Bruna, explica cómo una solución nacida en la industria pesquera llegó a la minería para predecir con horas de anticipación la calidad del mineral que entra a planta. Habla de datos, aversión al riesgo y por qué la predicción sola no basta sin una capa de optimización. - URL: https://minenovate.com/blog/madeleine-valderrama-bruna-ia-variabilidad - Fecha: 2024-11-11 - Temas: inteligencia artificial, datos, procesamiento, startups, variabilidad - Episodio: https://minenovate.com/episodios/e37-bruna-inteligencia-artificial-al-servicio-de-la-mineria - Fuente: https://www.youtube.com/watch?v=YunmobxyKGw - Publicado por: Minenovate, el podcast de minería de Hispanoamérica ## Puntos clave - Bruna nació resolviendo la variabilidad de calidad en la industria pesquera y llegó a la minería tras una convocatoria de Expande Minería con CMP en 2019. - Su núcleo es anticipar con unas 12 horas la ley, granulometría o dureza del mineral, en vez de esperar resultados de laboratorio. - En minería el problema rara vez es la falta de datos: las operaciones digitalizadas suelen tener años de información de buena calidad. - Los modelos pierden vigencia rápido, por lo que requieren monitoreo y reentrenamiento cada pocas semanas. - La predicción captura su valor cuando se combina con recomendaciones de mezcla y apilamiento para estabilizar la alimentación. La inteligencia artificial suele discutirse en abstracto. En el episodio 37 de Minenovate, **Madeleine Valderrama**, ingeniera civil industrial de la Universidad de Chile, cofundadora y CEO de Bruna, la llevó a un problema muy concreto: la variabilidad del mineral que alimenta una planta. Conversó con Milo Niemeller y Francisco Rubina, que participó en esa etapa del podcast, como parte de la serie de startups mineras. ## Un problema que venía del mar Valderrama no venía de la minería sino de otra industria extractiva: la pesca. Trabajando en plantas y barcos detectó un problema matemático detrás del negocio: la variabilidad de calidad. Las pesqueras entregaban productos de mejor calidad que la comprometida, regalando valor, y su equipo desarrolló un algoritmo que funcionaba como un recetario para mezclar correctamente. La incubación en Imagine Lab, entonces vinculada a Microsoft, les abrió la mirada: la variabilidad y la mezcla no eran exclusivas de la pesca, también aparecían en alimentos, celulosa, agro y minería. Entrar a la minería, sin embargo, era como el huevo y la gallina: para entrar había que estar dentro. La puerta se abrió en 2019, cuando ganaron una convocatoria de Expande Minería con la Compañía Minera del Pacífico (CMP), que dio el salto de fe con un equipo sin trayectoria minera. ## De mezclar a anticipar La idea que definió a Bruna vino de un gerente minero. Mezclar el producto final estaba bien, les dijo, pero lo que de verdad importaba era mezclar la materia prima al inicio, y saber con horas de anticipación qué ley iba a entrar a la planta. En 2019, recuerda Valderrama, nadie pensaba así en la industria. Hoy el núcleo de Bruna es la anticipación. El análisis de laboratorio tarda horas o días, cuando el mineral ya se procesó: un informe forense de lo que pasó. Bruna predice con unas 12 horas de anticipación usando la caracterización geológica y metalúrgica de los bloques, los muestreos históricos en correas, granulometría, dureza y los movimientos de mina. Su ventaja frente a una consultoría, explica, son siete años de arquitecturas de IA prediseñadas para distintas estructuras de datos, lo que acorta la implementación y baja el riesgo del proyecto. ## Datos: la minería está mejor de lo que cree Un hallazgo contraintuitivo del episodio: la calidad de los datos no ha sido la principal limitación en minería. Las operaciones digitalizadas suelen tener diez o más años de información bien estructurada, a diferencia del agro, donde han encontrado errores de digitación evidentes. La barrera es otra: las mineras no comparten datos para entrenar modelos generales, algo que en clusters más colaborativos, como la salmonicultura noruega, sí ocurre. Sobre digitalización regional, Valderrama ve a la gran minería de Chile, Perú y México en un estándar similar. La diferencia está en la actitud: en Perú y México percibe menor aversión al riesgo y más ganas de saltar directo a la tecnología actual, mientras en Chile resulta más intuitivo invertir en equipos visibles que en intangibles como la analítica. Lo atribuye más a un rasgo cultural chileno que a la industria. ## Predecir no es suficiente La clave para capturar valor, insiste, es lo que se hace con la predicción: > La predicción en sí misma todavía no está agregando valor por sí sola, sino que necesita todavía esta capa de optimización para que de alguna forma sea capaz de capitalizar todo lo que puede lograr. No basta con anticipar una concentración de hierro: hay que recomendar cómo apilar y mezclar para estabilizar la alimentación. También explicó que los modelos envejecen rápido porque la mina se mueve. En su experiencia, un modelo mantiene su capacidad de anticipar los quiebres bruscos de ley por unas dos semanas, por lo que trabajan con reentrenamiento automático y monitoreo. En el agro vivieron un caso extremo con lluvias atípicas por El Niño, resuelto reentrenando con datos más antiguos que incluían un evento similar. Las expectativas también maduraron. Al comienzo, la IA generaba promesas desbordantes y miedo en los operadores a perder sus trabajos. Hoy, dice, se entiende que reemplaza tareas, no personas, y que sirve para que jefes de planta y planificadores decidan mejor. ## Hacia dónde va Los clientes están pidiendo predicciones en más puntos del proceso, como la alimentación a molienda, con la meta de tener una foto futura de toda la planta en las próximas horas. Valderrama advierte que muchos proyectos de transformación digital mueren cuando se va el gerente que los impulsaba, y valora que las mineras trabajen con programas de ecosistema para que la innovación no sea un espasmo. ## Por qué importa La variabilidad del mineral afecta recuperación, consumo de energía y estabilidad de todo el proceso aguas abajo. Pasar de reportes de laboratorio retrospectivos a decisiones anticipadas es una de las aplicaciones de IA con valor más directo en minería. El caso de Bruna muestra además que el valor no está en el modelo aislado, sino en integrarlo a la operación, mantenerlo vigente y acompañarlo de personas que lo usen.