Dans le désert d'Atacama, SQM exploite l'une des plus vastes mines à ciel ouvert au monde. Chaque conduite d'irrigation, chaque arroseur et la moindre variation thermique peuvent influer sur le rendement d'extraction. Pourtant, jusqu'à récemment, ces contrôles étaient effectués manuellement : chaque jour, des techniciens parcouraient des kilomètres à pied ou en voiture pour détecter les fuites et les arroseurs débranchés.
L'équipe d'innovation souhaitait accélérer le processus. Elle avait besoin d'inspections indépendantes de la disponibilité et de l'endurance humaine. Elle recherchait des données lui permettant de savoir précisément, chaque matin, où intervenir. Ce besoin l'a conduite vers Adentu, un intégrateur chilien spécialisé dans l'autonomie des drones, et FlytBase, la plateforme d'autonomie d'entreprise conçue pour des opérations de drones sans surveillance et basées sur les données. Ensemble, ils se sont attelés à répondre à une question qui reste un défi pour la plupart des opérations industrielles : comment transformer l'autonomie, d'un simple concept, en un processus opérationnel quotidien ?
Le défi
Pendant des années, le processus d'inspection de SQM a été limité par son échelle. Les inspections à pied impliquaient des heures sous le soleil du désert, tandis que les inspections en véhicule offraient peu de précision et aucun contexte thermique. Les problèmes passaient souvent inaperçus pendant des jours.
« Chaque heure que nos ingénieurs passaient à marcher était une heure de perdue pour résoudre le problème », se souvient Rodrigo Toler, directeur adjoint de l'innovation numérique chez SQM.
Trois points ont immédiatement attiré mon attention :
1. Lacunes d'inspection - La taille même de la mine rendait impossible de repérer les fuites ou les zones sèches assez rapidement pour éviter les pertes d'efficacité.
2. Retour d'information différé - Au moment où l'arroseur débranché était découvert, certaines parties du tas pouvaient déjà être restées plusieurs jours sans irrigation.
3. Résistance au changement - Les équipes de terrain étaient expérimentées, pragmatiques et sceptiques à l’égard des nouvelles technologies qui promettaient l’efficacité mais ajoutaient de la complexité.
Pour relever ces défis, il fallait bien plus que des drones. Il fallait concevoir une autonomie capable de s'intégrer harmonieusement au rythme des opérations quotidiennes de SQM.
La solution
Les ingénieurs d'Adentu ont commencé modestement : une station d'accueil DJI, une zone, un cas d'utilisation. Leur objectif n'était pas l'expansion à grande échelle, mais la confiance. S'ils parvenaient à garantir une qualité de données constante et une fiabilité opérationnelle optimale, le système pourrait se développer naturellement.
FlytBase a servi de plateforme centrale pour la mission, planifiant les vols quotidiens, gérant la télémétrie, assurant les transferts d'images automatiques et effectuant des contrôles de santé à distance. Les drones ont capturé des images RVB et thermiques, les envoyant à FlytBase, qui les a ensuite relayées vers l'environnement Azure de SQM pour l'analyse d'apprentissage automatique.
Adentu a développé une intergiciel permettant une circulation fluide des données entre FlytBase et Azure. Le résultat n'était pas de simples images brutes, mais des informations exploitables : les cartes d'irrigation et les profils de température ont été transformés en tableaux de bord classés indiquant précisément aux équipes sur le terrain où intervenir et quelles réparations effectuer en priorité.
« La plateforme FlytBase nous a permis d'automatiser les missions quotidiennes, les contrôles sanitaires et les transferts de données, créant ainsi un flux de travail véritablement mains libres », a déclaré José Pablo Mujica, directeur commercial chez Adentu.
C'était la première fois que l'équipe d'inspection de SQM pouvait commencer sa journée avec une liste de priorités classées par ordre de priorité, générée entièrement par des systèmes autonomes.
Comment ça marche
Chaque journée commence avant le lever du soleil. FlytBase programme deux missions entièrement autonomes depuis la station d'accueil DJI : l'une à l'aube et l'autre en fin d'après-midi, lorsque le contraste thermique est maximal. Le drone capture des données visuelles et thermiques dans les zones de lixiviation qui lui sont assignées, puis retourne automatiquement se recharger.
De là, FlytBase transfère les images via une API sécurisée vers le lac de données Azure. Des modèles d'apprentissage automatique, entraînés sur les images de SQM, classent les zones comme optimales, humides ou sèches. Moins de 90 minutes après la fin du vol, les opérateurs de SQM disposent d'un tableau de bord actualisé avec des cartes en couleur mettant en évidence les anomalies et indiquant leurs coordonnées précises.
Dès 8h30, les équipes sur le terrain savent déjà où aller, ce qu'il faut inspecter et ce qu'il faut réparer, avant même que la majeure partie du site n'ait commencé à être déplacée.
Mise en œuvre
Le chemin parcouru, de l'idée à la production, a suivi un plan bien défini :
Étape 1 - Vérification de la réalité sur le terrain
Adentu et SQM ont cartographié la zone opérationnelle, en identifiant l'emplacement optimal des quais et en tenant compte de la chaleur, de la poussière et du terrain. La connectivité a été assurée par Starlink, choisi pour sa stabilité sur les sites isolés.
Étape 2 - Intégration et validation
Les API de FlytBase étaient configurées pour envoyer les données directement vers Azure, tandis que les ingénieurs de SQM validaient la synchronisation et l'intégrité des données après chaque vol.
Étape 3 - Formation de l’IA avec retour d’information humain
L'équipe a annoté des centaines d'images prises lors des premières missions, apprenant ainsi au modèle à distinguer les réflexions thermiques des véritables problèmes d'irrigation. Ce processus de rétroaction humaine a permis d'améliorer la précision de plus de 30 % dès le premier mois.
Étape 4 - Acceptation sur le terrain
Le tournant culturel s'est produit lorsque les opérateurs ont commencé à demander les données des drones avant de partir. « Ils refusaient de commencer à travailler sans le tableau de bord du matin », se souvient Rodrigo. Ce fut le moment où la technologie cessa d'être un projet pour devenir une habitude.
Étape 5 - Mise à l'échelle et optimisation
Une fois la fiabilité stabilisée au-dessus de 95 %, SQM a standardisé le flux de travail et traité le système comme n'importe quel autre actif opérationnel.
Les résultats
En moins de dix mois, SQM a réalisé une transformation mesurable.
La fréquence des inspections a doublé, passant de deux fois par semaine à deux fois par jour. La fiabilité des missions a dépassé 95 %, même dans des conditions désertiques extrêmes. Le temps de détection est passé de plusieurs jours à moins de 90 minutes. L'efficacité d'extraction a progressé de 2 %. L'investissement total dans le système s'est situé entre 70 000 et 80 000 USD, avec un retour sur investissement atteint en moins d'un an.
L'impact opérationnel a dépassé le simple cadre des indicateurs. Les déplacements manuels ont été considérablement réduits, permettant aux ingénieurs de se concentrer sur la conception de solutions plutôt que sur la détection. Grâce à l'autonomie prenant en charge les tâches répétitives, les équipes sur le terrain ont commencé à considérer les drones comme des collaborateurs, et non plus comme des concurrents.
« Passer de 0,5 % à 2 % de gain dans l’extraction d’iode, c’est énorme pour un procédé de cette envergure », a déclaré Rodrigo. « Mais le changement le plus important a été la confiance accrue de nos équipes en leur autonomie. »
La voie à suivre
Après avoir démontré son efficacité dans le domaine des inspections d'irrigation, SQM étend désormais son modèle à d'autres applications. L'entreprise a commandé des stations d'accueil DJI supplémentaires pour son service de sécurité, prévoyant ainsi d'assurer une surveillance continue des sites 24h/24 et 7j/7. Adentu teste actuellement un système de surveillance thermique des conduites en PEHD afin de détecter les premiers signes de fuite ou de contrainte structurelle.
La prochaine étape consistera à intégrer FlytBase AI-R, qui permettra d'effectuer des analyses d'IA embarquées directement depuis la station d'accueil pour un traitement des données en temps réel, même en cas de perte de connexion. Les opérations BVLOS (au-delà de la ligne de visée) sont également prévues, permettant aux drones de couvrir des zones plus vastes de manière autonome.
« Nous explorons actuellement jusqu'où l'IA en périphérie peut nous mener, en traitant les informations localement, voire hors ligne », a ajouté Rodrigo.
Ce qui n'était au départ qu'un cas d'utilisation unique est devenu un modèle pour la manière dont SQM prévoit d'étendre l'autonomie à l'ensemble de son écosystème minier.
Conclusion
Le partenariat de SQM avec Adentu et FlytBase n'a pas seulement automatisé une tâche, il a transformé en profondeur son rythme opérationnel. En moins d'un an, l'entreprise est passée d'inspections à pied à l'exploitation d'une mine autogérée fournissant des données toutes les 90 minutes. FlytBase a fourni l'infrastructure d'autonomie, Adentu l'a rendue opérationnelle sur le terrain et SQM en a fait un atout stratégique.
« FlytBase s'est occupé de l'autonomie ; Adentu a assuré son fonctionnement dans le désert. Ensemble, nous avons construit une mine autogérée », a déclaré Rodrigo Toler, directeur adjoint de l'innovation numérique chez SQM.
Ce cas démontre que l'autonomie ne remplace pas les personnes, mais les valorise. L'avenir du secteur minier n'est pas seulement automatisé ; il est intelligemment connecté, continu et mesurable.
Questions fréquemment posées
Comment SQM a-t-il utilisé FlytBase dans ce déploiement ?
FlytBase a permis la planification des missions, la gestion de la télémétrie et le transfert sécurisé des données vers Azure, permettant ainsi à SQM d'effectuer des inspections thermiques et visuelles entièrement autonomes.
Quel rôle Adentu a-t-il joué ?
Adentu a intégré FlytBase à l'environnement Azure de SQM, déployé l'infrastructure physique et personnalisé les flux de travail pour répondre aux besoins opérationnels.
Quel retour sur investissement mesurable a été obtenu ?
Fiabilité des missions à 95 %, fréquence d'inspection doublée, gain de 2 % sur le rendement d'extraction et cycle de retour sur investissement de 10 mois.
Cette solution est-elle adaptable à d'autres opérations ?
Oui. Le flux de travail est modulaire et indépendant du matériel, conçu pour s'étendre aux cas d'utilisation liés à la sécurité, à l'irrigation et à la surveillance environnementale sur des sites du monde entier.
