El rápido crecimiento de la población, los cambios en las demandas del mercado, el agotamiento de las tierras agrícolas y los cambios significativos en los patrones climáticos, incluyendo eventos extremos mucho más frecuentes, son factores que están empujando a la agricultura fuera de sus límites tradicionales, hacia una era digital. Esta tendencia es apoyada por los gobiernos de todo el mundo.
Los conocimientos y las prácticas locales se están volviendo, en muchos casos, casi irrelevantes y muchos productores se ven obligados a adaptarse a las condiciones cambiantes. Esto podría incluso incluir el abandono de sus cultivos actuales y el cambio a otros cultivos. Para sobrevivir en su negocio, los agricultores deben ser más eficientes y producir más. Tomar decisiones basadas en una corazonada, intuición, experiencia personal o conjeturas ya no es sostenible.
La selección de variedades, las fechas de plantación, las necesidades de agua y nutrientes, y el manejo de plagas y enfermedades son sólo algunas de las decisiones que deben tomar los cultivadores. Cada una de estas decisiones está influenciada por las condiciones ambientales siempre cambiantes y la variabilidad en el campo. Las plantas que crecen en una sección de la granja pueden crecer en condiciones totalmente diferentes en otras secciones de la misma granja.
Por lo tanto, es esencial tomar decisiones basadas en datos. Sin embargo, tomar en cuenta todos los factores variables, y hacerlo en tiempo real, es una misión imposible para un ser humano.
¿Pueden las máquinas y los algoritmos tomar mejores decisiones?
La respuesta a esta pregunta es sí, pero hay que enseñarles cómo hacerlo.
Un cambio de la agricultura hacia la IA (Inteligencia Artificial) es inevitable, pero para que gane impulso, se debe recopilar y analizar una gran cantidad de datos viables. Los modelos y algoritmos estadísticos se utilizan para predecir eventos y comportamientos futuros. El análisis de datos históricos, como el rendimiento, el clima, las tendencias del suelo, los insumos de fertilizantes, etc., junto con datos en tiempo real, puede proporcionar a los agricultores herramientas poderosas para tomar decisiones informadas y gestionar los riesgos.
Hay tres preguntas principales que se deben formular: ¿cómo recopilar los datos? ¿Cómo dar sentido a los datos recopilados? ¿Y se pueden validar los datos?
Recolección de datos
A diferencia de lo que ocurre en otras industrias, la recopilación de datos en la agricultura va a la zaga. Muchas empresas de nueva creación están desarrollando herramientas de apoyo a la toma de decisiones, pero todavía están luchando con la recopilación de datos, ya que las granjas carecen de la infraestructura tecnológica para la recopilación de datos.
En los últimos años, se están desarrollando tecnologías de recolección de datos: datos espaciales, zánganos, sensores de suelo, agua y plantas, reconocimiento de imágenes y otras tecnologías. Estas tecnologías pueden recoger una gran cantidad de datos que pueden ser analizados y utilizados para una mejor toma de decisiones.
Por ejemplo, detectar una enfermedad antes de que se propague en el campo, identificar el estrés del agua y los fertilizantes en tiempo real, y más. Sin embargo, deben reconocerse las limitaciones de la tecnología actualmente disponible. Existe un límite en el número de parámetros que pueden medirse utilizando las tecnologías actualmente disponibles y el grado en que los datos representan todo el campo sigue siendo indeterminado.
Ejemplos:
¿Pueden los sensores instalados en un número relativamente pequeño de plantas proporcionar datos que representen todo el campo?
Para optimizar la nutrición de los cultivos es necesario tener en cuenta docenas e incluso cientos de parámetros, mientras que la tecnología actual permite medir sólo dos o tres parámetros (por ejemplo, el nivel de nitrógeno, NDVI). Dar sentido a los datos es otro desafío. De hecho, la vasta colección de datos impulsa la evolución de un nuevo reino científico, gobernado por el aprendizaje automático. Se deben desarrollar nuevos modelos que nunca antes han existido para que los datos sean útiles y procesables. Surgen nuevos conocimientos, y gran parte de la investigación se lleva a cabo mediante el aprendizaje automático, lo que desplaza el trabajo que realizan los investigadores.
El rápido crecimiento de la población, los cambios en las demandas del mercado, el agotamiento de las tierras agrícolas y los cambios significativos en los patrones climáticos, incluyendo eventos extremos mucho más frecuentes, son factores que están empujando a la agricultura fuera de sus límites tradicionales, hacia una era digital. Esta tendencia es apoyada por los gobiernos de todo el mundo.
Los conocimientos y las prácticas locales se están volviendo, en muchos casos, casi irrelevantes y muchos productores se ven obligados a adaptarse a las condiciones cambiantes. Esto podría incluso incluir el abandono de sus cultivos actuales y el cambio a otros cultivos. Para sobrevivir en su negocio, los agricultores deben ser más eficientes y producir más. Tomar decisiones basadas en una corazonada, intuición, experiencia personal o conjeturas ya no es sostenible.
La selección de variedades, las fechas de plantación, las necesidades de agua y nutrientes, y el manejo de plagas y enfermedades son sólo algunas de las decisiones que deben tomar los cultivadores. Cada una de estas decisiones está influenciada por las condiciones ambientales siempre cambiantes y la variabilidad en el campo. Las plantas que crecen en una sección de la granja pueden crecer en condiciones totalmente diferentes en otras secciones de la misma granja.
Por lo tanto, es esencial tomar decisiones basadas en datos. Sin embargo, tomar en cuenta todos los factores variables, y hacerlo en tiempo real, es una misión imposible para un ser humano.
¿Pueden las máquinas y los algoritmos tomar mejores decisiones?
La respuesta a esta pregunta es sí, pero hay que enseñarles cómo hacerlo.
Un cambio de la agricultura hacia la IA (Inteligencia Artificial) es inevitable, pero para que gane impulso, se debe recopilar y analizar una gran cantidad de datos viables. Los modelos y algoritmos estadísticos se utilizan para predecir eventos y comportamientos futuros. El análisis de datos históricos, como el rendimiento, el clima, las tendencias del suelo, los insumos de fertilizantes, etc., junto con datos en tiempo real, puede proporcionar a los agricultores herramientas poderosas para tomar decisiones informadas y gestionar los riesgos.
Hay tres preguntas principales que se deben formular: ¿cómo recopilar los datos? ¿Cómo dar sentido a los datos recopilados? ¿Y se pueden validar los datos?
Recolección de datos
A diferencia de lo que ocurre en otras industrias, la recopilación de datos en la agricultura va a la zaga. Muchas empresas de nueva creación están desarrollando herramientas de apoyo a la toma de decisiones, pero todavía están luchando con la recopilación de datos, ya que las granjas carecen de la infraestructura tecnológica para la recopilación de datos.
En los últimos años, se están desarrollando tecnologías de recolección de datos: datos espaciales, zánganos, sensores de suelo, agua y plantas, reconocimiento de imágenes y otras tecnologías. Estas tecnologías pueden recoger una gran cantidad de datos que pueden ser analizados y utilizados para una mejor toma de decisiones.
Por ejemplo, detectar una enfermedad antes de que se propague en el campo, identificar el estrés del agua y los fertilizantes en tiempo real, y más.
Sin embargo, deben reconocerse las limitaciones de la tecnología actualmente disponible. Existe un límite en el número de parámetros que pueden medirse utilizando las tecnologías actualmente disponibles y el grado en que los datos representan todo el campo sigue siendo indeterminado.
Ejemplos:
¿Pueden los sensores instalados en un número relativamente pequeño de plantas proporcionar datos que representen todo el campo?
Para optimizar la nutrición de los cultivos es necesario tener en cuenta docenas e incluso cientos de parámetros, mientras que la tecnología actual permite medir sólo dos o tres parámetros (por ejemplo, el nivel de nitrógeno, NDVI).
Dar sentido a los datos es otro desafío. De hecho, la vasta colección de datos impulsa la evolución de un nuevo reino científico, gobernado por el aprendizaje automático. Se deben desarrollar nuevos modelos que nunca antes han existido para que los datos sean útiles y procesables. Surgen nuevos conocimientos, y gran parte de la investigación se lleva a cabo mediante el aprendizaje automático, lo que desplaza el trabajo que realizan los investigadores.
Los procesos de adaptación y validación van a ser largos, muchas empresas y tecnologías van a subir y bajar, pero la revolución en la agricultura ha llegado para quedarse.