Por qué un modelo pequeño encaja mejor que uno grande en una operación minera

8 min de lectura · todos los artículos

Cuando se habla de inteligencia artificial se asume que más grande es mejor. En una operación minera esa intuición falla, y entender por qué cambia bastante la conversación sobre qué se puede implementar de verdad.

Qué es un SLM

Un SLM (small language model, modelo de lenguaje pequeño) es un modelo de lenguaje con muchos menos parámetros que un LLM. La diferencia de fondo no es el tamaño sino la filosofía: un LLM intenta ser generalista y cubrir cualquier tema; un SLM renuncia a eso y se especializa en un dominio acotado.

La consecuencia práctica es la que importa: al ser más pequeño, puede ejecutarse con recursos de cómputo modestos, incluso en un servidor que una operación ya tiene, sin depender de una conexión permanente a la nube de un proveedor.

Por qué el tamaño juega en contra bajo tierra

Un modelo general sabe de literatura, de derecho y de cocina. Nada de eso sirve para leer un parte de guardia. Y ese conocimiento inútil para tu caso tiene un costo real:

• Necesita hardware que una unidad minera normalmente no tiene en sitio, así que obliga a procesar en la nube.
• Procesar en la nube significa que cada documento de producción sale de la red de la empresa, lo que en muchas operaciones no pasa el filtro de TI.
• El costo es por consulta y crece con el volumen. Doscientos reportes diarios se vuelven una factura mensual que nadie presupuestó.
• Y con todo eso, sigue sin saber que «TJ-420» es una labor concreta de tu unidad.

El problema de un modelo general no es que sea poco inteligente. Es que su inteligencia está repartida en temas que a tu operación no le sirven.

Lo que un modelo especializado sí puede aprender

El vocabulario de una operación minera no está en internet. Está en sus documentos. Un modelo ajustado sobre ese material aprende cosas que ningún modelo general puede saber:

• Que «sost.» significa sostenimiento, y que en la unidad de al lado quizás se escribe distinto.
• Los códigos de labor y de equipo propios, que no siguen ningún estándar de la industria.
• La letra del personal que llena los partes, con sus abreviaturas y sus atajos.
• Qué combinaciones de valores son imposibles —un horómetro que retrocede, un tonelaje fuera de rango para ese equipo— y por tanto deben marcarse como error.

Este último punto es el que más se subestima. Un modelo que conoce el dominio no solo lee mejor: sabe cuándo lo que leyó no tiene sentido. Un modelo general acepta cualquier número porque no tiene contra qué contrastarlo.

Cuándo sí conviene un modelo grande

No todo es especialización. Un LLM general sigue siendo la mejor herramienta cuando la tarea es abierta y no repetitiva: redactar, resumir un informe largo, explorar un tema nuevo. Si alguien en la oficina técnica necesita resumir un estudio de 200 páginas, un modelo grande lo hace mejor que cualquier SLM.

La distinción útil es esta: para tareas abiertas y ocasionales, modelo grande. Para tareas acotadas, repetitivas y con datos sensibles —que es la mayor parte del trabajo administrativo de una operación— modelo especializado.

Qué hace falta para tener uno propio

1. Documentos reales, y en cantidad. No sirven tres ejemplos limpios: hacen falta los sucios, los mal llenados y los que se salen del formato, porque son los que el modelo va a encontrar en producción.
2. Un criterio de validación: contra qué se contrasta lo que el modelo extrae. Sin esto no hay forma de saber si acierta.
3. Personal que revise las excepciones al inicio. Cada corrección humana es material de entrenamiento, y esa realimentación es lo que separa un modelo que mejora de uno que se estanca.
4. Infraestructura donde alojarlo. No hace falta un centro de datos, pero sí un servidor que TI acepte administrar.

El orden importa: los dos primeros puntos son los que definen si el proyecto es viable, y ambos se pueden evaluar antes de comprometer presupuesto.

Cómo trabajamos esto en MinerIA

Nuestro modelo, MUKI, está especializado en leer reportes operativos de mina y se entrena de forma continua con documentos reales. Sobre esa base ajustamos un modelo dedicado al dominio de cada empresa, que queda asociado a su proyecto y puede correr dentro de su propia infraestructura.

Con la aclaración honesta de siempre: no es una casilla que se marca en la primera reunión. Cada proyecto empieza ordenando los datos de la operación, porque sin ese cimiento un modelo dedicado no tiene de qué aprender.