Blog

Jul 09, 2023

Cómo Freeport lidera la IA en la minería

Freeport-McMoRan (Freeport) tiene reputación de ser un operador experto en la industria minera. La compañía opera una flota de minas de cobre de gran escala y relativamente maduras en América. Su rendimiento es

Freeport-McMoRan (Freeport) tiene reputación de ser un operador experto en la industria minera. La compañía opera una flota de minas de cobre de gran escala y relativamente maduras en América. Su desempeño está estrechamente relacionado con los precios mundiales del cobre: ​​en un entorno de precios altos, las minas generan una cantidad significativa de efectivo, pero en la parte más baja del ciclo de precios, algunas minas luchan por alcanzar el punto de equilibrio. Las expectativas de crecimiento de la empresa requirieron un capital significativo y largos esfuerzos en materia de permisos y construcción. Buscando otro camino, Freeport recurrió a la IA para ver si era posible sacar más provecho de sus activos existentes.

A lo largo de un viaje de cinco años con IA, la compañía diseñó y ejecutó con éxito lo que llamó el programa "Concentrador de las Américas", con el objetivo de desbloquear el equivalente a la producción incremental anual de cobre de una nueva instalación de procesamiento mediante el uso de big data, IA. y métodos de trabajo ágiles. No fue necesario ningún nuevo despliegue de capital.

Un programa tan ambicioso requería un compromiso total por parte del equipo directivo. El jefe de operaciones de Freeport en Norteamérica estaba convencido de que la empresa necesitaría evolucionar para sobrevivir y prosperar y quería aprender de las prácticas de vanguardia utilizadas en otras industrias. Este líder de “mejora continua” impulsó al equipo a ser lo más ambicioso posible. El director de información e innovación tuvo la previsión de establecer una infraestructura y arquitectura de datos comunes para respaldar todas las operaciones de procesamiento, así como para permitir una implementación rápida de herramientas de inteligencia artificial en todos los sitios con una adaptación modesta. Esto permitió que gran parte del enfoque a nivel del sitio se centrara en prácticas ágiles, capacitación, desarrollo de capacidades y gestión de cambios. Y el CEO y el CFO defendieron el programa ante audiencias externas, energizando y animando al equipo a medida que avanzaba con el esfuerzo.

Para comenzar, Freeport seleccionó una mina madura, con un gerente general entusiasta y emprendedor, como caso de prueba para el programa de transformación de la IA. Al demostrar el valor de la IA en Bagdad, Arizona, la empresa buscó aprender cómo el aprendizaje automático (ML)/IA podría mejorar sus sistemas existentes.

En el transcurso de aproximadamente seis meses, un pequeño equipo de metalúrgicos, operadores de sitio e ingenieros trabajaron para desarrollar y entrenar un modelo de IA para recomendar cambios en la configuración para aumentar de manera segura la tasa de procesamiento del molino. Después de suficientes pruebas y desarrollo, los operadores ejecutaron el modelo e implementaron las recomendaciones generadas por IA. Durante los meses siguientes, la producción de cobre aumentó un 5 por ciento. En un trimestre, el rendimiento del sitio de Bagdad superó las 85.000 toneladas métricas de mineral por día (10 por ciento más que el trimestre anterior), mientras que su tasa de recuperación de cobre aumentó en un punto porcentual y sus operaciones se volvieron más estables. Mejorar el rendimiento y la recuperación es un objetivo difícil de alcanzar en el procesamiento metalúrgico, y Freeport lo logró en un activo que había estado en funcionamiento durante más de 50 años. Las ganancias permitieron a los líderes de Freeport recortar a la mitad el capital que habían planeado gastar en una serie de mejoras.

En un trimestre, el rendimiento del sitio de Bagdad superó las 85.000 toneladas métricas de mineral por día, un 10 por ciento más que el trimestre anterior.

El liderazgo de la compañía reconoció que ampliar el potencial de ML/AI en sus minas en las Américas podría desbloquear un aumento de producción en todo el sistema de 125.000 toneladas métricas por día, lo que podría producir 200 millones de libras de cobre por año, lo que representa entre $350 millones y $500 millones en EBITDA. .1Basado en un precio de cobre de $4 por libra y costos unitarios inferiores a $2 por libra. Esto sería comparable a poner en funcionamiento una nueva concentradora (una concentradora muele rocas que contienen alrededor de 0,4 por ciento de cobre en una mezcla fina de 25 por ciento de cobre y 75 por ciento de roca), pero sin gastar 2.000 millones de dólares ni esperar los ocho a diez años que dura esa operación. Los grandes proyectos de capital suelen requerir.

Con el liderazgo alineado con la oportunidad, Freeport lanzó el programa Concentrador de las Américas para implementar la capacidad de IA en sus minas. El desafío clave en este esfuerzo fue industrializar las capacidades desarrolladas en el sitio de Bagdad para que pudieran ampliarse. Freeport sabía perfectamente dónde centrarse, basándose en un punto de referencia de rendimiento operativo completado recientemente. La empresa también tenía una ventaja en materia de datos; Anteriormente había estandarizado datos sobre medición e informes del desempeño de la mina. Había enriquecido los datos instalando equipos de red adicionales y sensores de rendimiento en los camiones, palas y máquinas estacionarias de la empresa. La empresa también construyó un almacén de datos central para almacenar los datos, lo que le permite capturar y correlacionar lecturas de rendimiento segundo a segundo en tiempo real.

Desarrollar modelos de IA a buen ritmo requirió un cambio en la forma de trabajar de la empresa. Una cultura de planificación y desarrollo basada en un conjunto de salvaguardas había sido útil para la empresa, pero tenía sus inconvenientes, principalmente en el ritmo. Para el piloto de IA de Bagdad, la mina cambió a un modelo operativo que enfatizaba la agilidad, la mejora continua y pruebas rápidas y de bajo riesgo sin comprometer la seguridad. La clave para el éxito de este cambio fue reunir una combinación multifuncional de expertos de la mina y un grupo central de ciencia de datos que pudiera evaluar y ejecutar iniciativas de cambio.

Los líderes de la empresa tomaron la decisión crucial de agregar metalúrgicos y operadores de planta al equipo de desarrollo en cada sitio. Cuando surgía cada nuevo conjunto de recomendaciones durante la fase de prueba, los desarrolladores, operadores y metalúrgicos de IA del equipo evaluaban las recomendaciones: ¿Por qué se hicieron? ¿Tenían sentido? ¿Funcionarían? De esta manera, los equipos descubrieron fallas que los desarrolladores de IA luego solucionaron rápidamente, lo que a su vez ayudó al equipo ágil a aprender más rápidamente. El equipo entrenó la herramienta de IA y, al hacerlo, aumentó la confianza de los metalúrgicos y operadores en ella. Cuando la nueva herramienta estuvo completamente lista, estaban mucho más dispuestos a utilizarla.

El nuevo modelo de IA y las interacciones facilitaron un diálogo y una comprensión más profunda del proceso entre operadores y metalúrgicos. El equipo inicial había desarrollado un modelo de ML al que llamaron "TROI" (rendimiento, recuperación, optimización e inteligencia). Este producto ayudó a predecir cómo se comportaría la planta de procesamiento y cuánto cobre podría recuperarse en cualquier conjunto de condiciones. El algoritmo de optimización desarrolló configuraciones que producirían la mayor cantidad de cobre dado un tipo particular de mineral y emitió recomendaciones cada una a tres horas, dependiendo de la operación.

Sin embargo, para que la TROI funcionara en otros sitios, Freeport tuvo que “valorizar” los modelos. Básicamente, eso significó refactorizarlos y reenvasarlos para facilitar su adopción en otras plantas. La forma modular en que se construyó la herramienta permitió que el 60 por ciento de su código central se reutilizara fácilmente, mientras que el 40 por ciento restante se personalizaría para el nuevo sitio. Para simplificar aún más estos esfuerzos de localización, la empresa invirtió en el desarrollo de una base de código centralizada a la que los módulos específicos del sitio pudieran recurrir en lugar de tener que volver a crear el código necesario para cada módulo específico.

Ejecutar y escalar estos modelos de manera eficiente fue posible gracias a que Freeport había migrado su arquitectura de datos a la nube. La empresa pudo aprovechar aún más la nube al automatizar muchos procesos, como el desarrollo de la canalización de datos, que anteriormente había sido un proceso laborioso de extraer datos de docenas de hojas de cálculo actualizadas manualmente.

A medida que proliferaban los equipos ágiles de la empresa, la gestión del proceso general tuvo que evolucionar. Con varios equipos ágiles funcionando en paralelo, por ejemplo, obtener recursos se volvió difícil. Freeport resolvió este problema poniendo a cargo de un gerente de producto senior para ayudar a coordinar los equipos y mejorar las asignaciones. Asignó un director de finanzas para gestionar el seguimiento y la presentación de informes del impacto y para ayudar a los sitios a gestionar sus solicitudes de financiación y la medición del progreso. Y finalmente, instituyó un sistema de planificación trimestral (similar a las revisiones comerciales trimestrales) en el que los principales líderes de la empresa se reunían para establecer objetivos y resultados clave y centrar recursos en áreas de alta prioridad.

Con una receta de transformación probada en la cocina y la mayor parte de la visión del programa Concentrator de las Américas alcanzada, Freeport luego recurrió a otras áreas de su negocio donde se podrían aplicar estas capacidades de IA. En múltiples dominios, incluida la ejecución de proyectos de capital, el mantenimiento y las operaciones de lixiviación, la compañía ahora está utilizando nuevas versiones del manual que hizo que el programa Concentrator de las Américas fuera un éxito.

Sean Buckleyes socio de la oficina de McKinsey en Dallas,Harry Robinsones socio principal de la oficina del sur de California yRichard Sellschopes socio principal de la oficina de Stamford, Connecticut.

Este artículo fue editado por Barr Seitz, director editorial de la oficina de Nueva York.