Rawpixel - Fotolia

Los desafíos de aplicar inteligencia artificial a la agroindustria en Argentina

La IA permitiría predecir rendimiento, calidad, curva de demanda, curvas de cosechas, necesidades de logística, dinámicas de plagas y recomendaciones de manejo de cultivos, entre otras cosas.

Procesar la información agropecuaria que genera la Argentina –país de casi 3 millones de kilómetros cuadrados de superficie que, a su vez, cosecha millones de toneladas de granos– no parece tarea sencilla.

En este contexto, la innovación tecnológica es un instrumento necesario para lograr mediciones que otorguen datos que puedan transformarse en información de calidad. Esa información, a su vez, se puede integrar a otros modelos que faciliten la toma de decisiones efectivas en una industria atravesada por la incertidumbre.

Pablo Ogallar, asociado de b2b-agri explica que la inteligencia artificial (IA) puede –a través de la incorporación de información histórica de calidad e información actual– generar modelos predictivos basados en temas objetivos e incorporando miles de datos. “Por lo tanto, esta herramienta es un aporte de alto valor en pos  de una mejor toma de  decisiones. La IA permitiría predecir rendimientos, calidades, curva de demanda, curvas de cosechas, necesidades de logística, predicción y dinámicas de plagas y recomendaciones de manejo de cultivos entre otros usos”, comentó.

Por su parte, Eduardo Martínez, CIO de San Miguel, coincide en que en la cuestión productiva, la IA puede ayudar a mejorar significativamente la agricultura de precisión. “Es posible tratar diversos lotes de diversas maneras con mucha más precisión en base a datos de contexto. En lo comercial, depende de la regulación de los mercados, pero sin duda lotes mejor tratados darán productos de mejor calidad y por ende de mejor valor”, detalló Martínez.

Para poner en contexto, en Estados Unidos y Europa la aplicación de IA ayuda a la predicción de plagas en los cultivos intensivos que permiten aumentar el rendimiento y calidad de producto, estimar el rendimiento y fecha de cosecha, a manera de poder organizar la logística y comercialización en forma anticipada y estimar la curva de ventas y cobranzas en distintos mercados agroindustriales. “Asimismo –explica Ogallar– es posible predecir la evolución de precios en el corto plazo de los commodities en los mercados locales, así como realizar estimaciones del rendimiento y la calidad a nivel de región o país”.

En estos mercados, la implementación de estas tecnologías está mucho más diseminada y profesionalizada. “Pueden, además, invertir más capital en tecnologías que todavía son algo experimentales. En Europa, hay ejemplos en España e Israel donde, por ejemplo, a pesar del clima desértico han logrado cultivar cítricos, apalancados en la tecnología apropiada para eso”, apunta Martínez.

En el caso de Argentina y Brasil, ambos países tienen un alto nivel tecnológico en aspectos como siembra directa, adopción de biotecnología, edición génica, entre otros. 

Pablo Ogallar

Ogallar comentó que en cuanto al manejo de datos se puede destacar la agricultura de precisión por ambientes y maquinaria acorde a la tecnología. “Los productores de punta cuentan con muy buena información histórica acumulada en la nube en muchos casos, big data, y están iniciando la explotación de esta información en tecnologías como agricultura de precisión e  IA”, afirma.

Predicción inteligente

En la visión del CIO de San Miguel, Eduardo Martínez, la incorporación de IA en la agricultura depende del tipo de cultivo. “En los más extensivos, como la soja, estas tecnologías están más diseminadas. En cultivos intensivos como las frutas todavía le falta más tiempo para su implementación masiva y en gran escala. Pero, sin dudas, el uso de tecnologías e IA predictivas va a crecer pronto”.

Por ejemplo, enfrentar el cambio climático es una preocupación real para Argentina. De acuerdo con el INTA (Institución Nacional de Tecnología Agropecuaria) en la agenda de los próximos 20 años está el proyecto de mejorar los sistemas de innovación para abastecer mercados que serán cada vez más exigentes. Para tal motivo, es necesario entender el clima con el objetivo de aumentar la producción en una población creciente.

Según fuentes del INTA la entidad cuenta con 50 años de registros ininterrumpidos de estadísticas agroclimáticas georreferenciadas, variables que son ventajosas para entender la variabilidad climática. Al integrarla en distintos tipos de modelos (matemáticos, estadísticos o espaciales) resultan útiles porque permiten simular o predecir una condición real.

En este camino, INTA se asoció con Microsoft para sumar esfuerzos en lo que refiere a minería de datos climáticos e históricos para cálculos de riesgo agroclimático, o bien la ingeniería de datos satélites para el seguimiento y análisis de cultivos y los recursos naturales.

El INTA explica que mediante el aprendizaje automático (machine learning) pueden avanzar en aspectos asociados a los pronósticos meteorológicos y con la analítica de big data profundizan en la modelización de ciertos sistemas de producción. 

¿Cuáles, entonces, son los obstáculos para avanzar con la tecnificación o con la introducción de IA en la agroindustria en Argentina?

La primera barrera es la información disponible en un formato acorde a las necesidades para generar los modelos. “Ha habido muchos progresos en esta área pero aún no estamos en un nivel para hacer crecer exponencialmente las últimas tecnologías”, cuenta Ogallar.

Por otro lado, los expertos señalan que la IA requiere de un cambio cultural en el direccionamiento de las empresas para un mayor entendimiento del potencial del valor aplicado. “Las nuevas tecnologías requieren de un espíritu de colaboración permanente con jugadores de distintas áreas, aprendiendo a la par y aceptando algunos fracasos iniciales hasta encontrar el valor buscado.

Finalmente, a pesar de que los productores en Sudamérica son vanguardistas, necesitan casos de éxito para involucrarse de lleno en la curva de aprendizaje en forma colaborativa con los proveedores de machine learning y otros actores de la cadena”, resume Martínez.

Desde San Miguel agregan también el factor de la infraestructura país, sobre todo para lo que es conectividad para registros remotos. “El tema de empezar a dejar a las máquinas aplicar inteligencia bruta y a los humanos el discernimiento está todavía en cuestión; también la falta de historia digital. Lleva tiempo y dinero alimentar a la IA con la información histórica no digitalizada que sea la base de sus procesos de aprendizaje”, concluye Martínez.

Investigue más sobre Análisis de negocios y BI

ComputerWeekly.com.br
Close