El manejo de un gran volumen de datos ya está teniendo un fuerte impacto en el agro y su aplicación será cada vez más amigable
Con la inteligencia artificial se aceleran los tiempos de la investigación en cultivos (Tyler Jones/UF/IFAS via AP)
Lo cierto es que la IA ya forma parte del panorama agrícola. Sobre todo, en explotaciones altamente tecnificadas que llevan registros detallados y operan con fuertes inversiones en tecnología.
Allí, es evidente la adopción de ensayos virtuales y la interpretación de datos agronómicos usando modelos computacionales. Sin embargo, existen todavía amplias zonas y productores que se están incorporando de manera gradual.
Entre la urgencia de adaptarse al cambio climático y la búsqueda de mayor competitividad, la adopción de herramientas basadas en la IA se está acelerando.
En la actualidad, la inteligencia artificial está cumpliendo un papel decisivo en la integración y el procesamiento de grandes volúmenes de datos agroclimáticos y genómicos.
Esto se traduce en la capacidad de predecir rendimientos, detectar plagas de manera temprana y determinar con mayor precisión la necesidad de insumos como fertilizantes y agua.
Además, métodos de aprendizaje automático analizan información generada en diferentes entornos de cultivo, relacionándola con factores climáticos, de suelo y de manejo, para ofrecer recomendaciones mucho más personalizadas que las disponibles hasta hace unos años.
Información
En lo concreto, la IA aplica enfoques de mejoramiento computacional para anticipar qué variedades o híbridos tienen más probabilidades de adaptarse a un entorno particular, usando datos fenotípicos y genotípicos (entre otros) en combinación con información ambiental detallada, como temperatura, precipitación, radiación solar y tipo de suelo, entre otros datos.
A esto se suma el análisis de “Enviromics”, mediante el cual se estudian los rasgos de una variedad en interacción con factores específicos de cada zona productiva, lo que permite determinar la estabilidad y el potencial de cada genotipo en escenarios muy diversos.
La IA, también, mediante herramientas de simulación y ensayos virtuales, ayuda a las empresas agroalimentarias a ensayar distintas prácticas de manejo, calcular la eficiencia en el uso de insumos y proyectar la calidad de la cosecha en función de metas industriales particulares. Por ejemplo, nivel de proteína para maltería, en la industria cervecera.
Este tipo de aplicaciones no solo acorta los ciclos de prueba en campo, sino que además hace posible identificar oportunidades de reducción de costos y optimización de la cadena de valor.
El beneficio principal surge al realizar ensayos virtuales (virtual trials) que complementan, e incluso reemplazan en parte, muchos de los ensayos en campo (field trials) requeridos para descartar variedades o híbridos de bajo potencial.
Por ejemplo, si una empresa quiere probar 50 líneas de maíz, los algoritmos pueden examinar previamente cuáles de esas líneas tendrán altas probabilidades de éxito en determinada zona, reduciendo el número de ensayos físicos que deben hacerse.
A futuro, se busca que la inteligencia artificial deje de ser vista como una herramienta compleja y se convierta en un aliado cercano a usuarios de todo perfil, ya sean gerentes de I+D, breeders o productores a pequeña escala.
En esa línea, ya se está trabajando en la posibilidad de interacción con “agentes” de IA, que podrían discutir sobre situaciones puntuales con personas, y de esa manera, entre ambas entidades (agente de IA y persona) llegar a buenas decisiones conjuntas, basadas en datos.
Así, lo que antes requería una consulta exhaustiva de bases de datos o modelos complicados, en el mediano plazo podrá resolverse con un diálogo sencillo, impulsado por algoritmos de aprendizaje automático altamente especializados.
Es cierto, por todo esto, que la IA modificará completamente el panorama agrícola, pero también lo es que dicha revolución productiva ya está comenzando a implementarse. Ese futuro, entonces, ya empieza a ser parte del hoy.
El autor es cofundador y CSO en Calice
