[ad_1]

بخشی از دلایلی که این شرکت تلاش های اولیه خود را بر کانادا متمرکز کرد این است که این کشور دارای مقادیر زیادی داده از بررسی های فضای عمومی است ، از جمله گزارش های میدانی ، نقشه های زمین شناسی فرسوده ، داده های ژئوشیمیایی از نمونه های حفره ، بررسی های مغناطیسی و الکترومغناطیسی هوایی. و تصاویر ماهواره ای که چندین دهه تحقیق را شامل می شود.

گلدمن می گوید: “ما سیستمی داریم که در آن می توانیم تمام این داده ها را جذب کرده و در قالب های استاندارد ذخیره کنیم ، کیفیت همه داده ها را کنترل کنیم ، آنها را قابل جستجو کنیم و به صورت برنامه نویسی به آنها دسترسی داشته باشیم.”

انگیزه با تکنولوژی بالا

پس از جمع آوری تمام اطلاعات موجود در مورد یک سایت ، تیم KoBold با استفاده از یادگیری ماشین به بررسی داده ها می پردازد. به عنوان مثال ، این شرکت می تواند مدلی را برای پیش بینی اینکه کدام قسمت از کانسارها دارای بیشترین غلظت کبالت هستند بسازد یا نقشه زمین شناسی جدیدی از یک منطقه ایجاد کند که انواع مختلف سنگ ها و ساختارهای گسلی را نشان می دهد. گلدمن گفت ، این می تواند هنگام جمع آوری داده های جدیدی به این مدل ها اضافه کند و به KoBold اجازه دهد تا استراتژی کاوش خود را در زمان واقعی تغییر دهد.

کانادا مجموعه داده ها و سایر اطلاعات را در دسترس عموم قرار می دهد ، مانند تصویر ایجاد شده از رهبران ساسکاچوان.

دولت کانادا

KoBold در حال حاضر از بینش های مدلهای یادگیری ماشین برای به دست آوردن ادعاهای معدن کانادایی خود و توسعه برنامه های میدانی خود استفاده می کند. مشارکت وی با مرکز پیش بینی منابع زمین استانفورد ، که از ماه فوریه ادامه داشته است ، یک لایه تجزیه و تحلیل اضافی به ترکیب “تصمیم گیرنده” هوش مصنوعی اضافه می کند که می تواند یک طرح کلی را ترسیم کند.

جف کیرز ، زمین شناس استنفورد ، که همکاری را زیر نظر دارد ، توضیح می دهد که این رهبر دیجیتال عدم قطعیت نتایج مدل KoBold را تعیین می کند و سپس یک برنامه جمع آوری داده ها را طراحی می کند تا به طور مداوم این عدم قطعیت را کاهش دهد. مانند یک بازیکن شطرنج که سعی می کند با کمترین حرکات ممکن در یک بازی برنده شود ، هوش مصنوعی به دنبال این خواهد بود که به KoBold کمک کند تا با حداقل تلاش از دست رفته تصمیم بگیرد – خواه برای شکستن یا دور شدن.

[ad_2]

منبع: unbox-khabar.ir

ایندکسر