Desafíos para la Inteligencia Artificial en la agricultura

Un grupo de productores de maíz están amontonados alrededor de un agrónomo y su computador a un lado de un pivote de riego en Sudáfrica central. El agrónomo hace volar un dron híbrido sobre el pivote, el cual despega y aterriza usando propulsores, y vuela manteniendo una distancia y velocidad que le permite escanear vastas hectáreas de tierra mediante el uso de sus alas fijas.

El dron es equipado con cuatro sensores de banda espectral de precisión, los que procesan la información capturada tan pronto terminado el vuelo, permitiendo a los agricultores y al personal de campo el atender prácticamente de forma inmediata a cualquier anomalía en el cultivo registrada por el sensor, haciendo de la recolección de datos verdaderamente en tiempo real.

En esta ocasión, los agricultores y el agrónomo están observando un software especializado que les proporciona un conteo preciso de la población de plantas. Han pasado diez días desde que el maíz emergió, y el agricultor quiere determinar si hay plantas que requieran de una replantación, ya sea porque no han salido, o por daños ocasionados por el viento, lo cual se puede agravar en las primeras etapas de la temporada lluviosa de verano.

En esta etapa del desarrollo de las plantas, el agricultor tiene otros diez días para llevar a cabo cualquier replantación antes de realizar la mayoría de sus aplicaciones de fertilizantes y otros químicos. Una vez que estos han sido aplicados, se vuelve económicamente inviable tomar acciones correctivas, lo que hace de cualquier dato recolectado hasta entonces, útil solamente para ser aplicado en las prácticas de la temporada siguiente.

El software completa su procesamiento en menos de 15 minutos, arrojando un mapa de conteo de plantas. Es difícil hacerse una idea de cuán impresionante es esto sin entender que tan solo hace un año atrás, tomaba de tres a cinco días el procesar el mismo conjunto de datos, lo que ilustra los avances que se han alcanzado en agricultura de precisión y sensoría remota durante los últimos años.

Ya que el software fue desarrollado en los Estados Unidos, con la misma variedad de cultivo, en condiciones aparentemente similares, el agrónomo se siente seguro de que el software le proporcionará resultados precisos.

A medida que el mapa aparece en pantalla, la cara del agrónomo comienza a desfallecer. Habiendo caminado a lo largo de las plantaciones antes del vuelo, con el fin de obtener un entendimiento físico de la situación en terreno, él se da cuenta instantáneamente al ver los datos en pantalla, que el conteo de plantas no está correcto, y también lo saben los agricultores, aun con su limitado entendimiento de cómo leer mapas de sensoría remota.

El potencial para la Inteligencia Artificial en la agricultura

Hipotéticamente, es posible que las máquinas puedan aprender a resolver cualquier problema en la tierra relacionado con la interacción física de un conjunto de cosas dentro de un entorno definido o limitado mediante el uso de inteligencia artificial y aprendizaje automático.

El principio de la inteligencia artificial consiste en que una máquina pueda percibir su entorno, y que a través de cierta capacidad de razonamiento flexible, tome acciones para afrontar una meta específica relacionada con ese entorno. El aprendizaje automático se produce cuando esta misma máquina, en concordancia con un conjunto específico de protocolos, mejora su habilidad para enfrentar problemas y metas relacionados con el entorno, a medida que la naturaleza estadística de los datos que recibe se incrementa.

Para ponerlo en términos más simples, a medida que el sistema recibe una cantidad mayor de conjuntos similares de datos que puedan ser categorizados en protocolos específicos, su habilidad para racionalizar se incrementa, permitiéndole “predecir” mejor una variedad de posibles respuestas.

El surgimiento de la agricultura digital y sus tecnologías relacionadas han abierto una enorme riqueza de datos. Los sensores remotos, satélites, y drones pueden recolectar información las 24 horas del día sobre un campo completo. Éstos pueden monitorear la salud de las plantas, la condición del suelo, temperatura, humedad, etc. La cantidad de datos que estos sensores pueden generar son abrumadores, y el significado de los números puede quedar oculto en la avalancha de datos.

La idea es permitir que los agricultores adquieran un entendimiento mejor de la situación en terreno a través de tecnología avanzada (como la sensoría remota) que pueda decirles más sobre su situación de lo que pueden ver con sus ojos. Y no sólo de forma más precisa, sino que también de forma más rápida que al hacerlo caminando o manejando un vehículo a través del campo.

Los sensores remotos permiten que unos algoritmos interpreten un entorno determinado en la forma de datos estadísticos, los que a su vez pueden ser comprendidos y ser útiles para la toma de decisiones por parte de los agricultores. Los algoritmos procesan datos, adaptándose y aprendiendo basados en los datos que reciben. Mientras más información y datos estadísticos sean recolectados, mejores predicciones podrán realizar estos algoritmos. Y el propósito de esto es que los agricultores puedan usar esta inteligencia artificial para conseguir su objetivo de lograr una mejor cosecha al tomar mejores decisiones en el campo.

En el 2011, IBM, a través de su departamento de I&D (Investigación y Desarrollo) en Haifa, Israel, lanzó un proyecto de nube de información agrícola. El proyecto, en colaboración con algunos socios especialistas en TI (Tecnologías de la Información) y agricultura, tenía una sola meta, tomar una variedad de fuentes de datos académicas y físicas de un entorno agrícola determinado, y transformarlos en soluciones de predicciones automáticas para ayudar a los agricultores a realizar decisiones en tiempo real en terreno.

En entrevistas con algunos de los miembros del equipo de IBM en aquel momento, se reveló la convicción del equipo de que crear un “algoritmo” para la agricultura era completamente posible, lo que significa que los algoritmos podrían resolver cualquier problema en el mundo. Antes, el mismo año, el sistema de aprendizaje cognitivo de IBM, Watson, competía en el programa “Jeopardy” contra los anteriores ganadores de la competencia, Brad Rutter y Ken Jennings, con resultados sorprendentes. Varios años después, Watson produjo algunos avances en el campo de la medicina, haciendo que IBM cerrara los proyectos de agricultura o bajara sus presupuestos. Finalmente, IBM cayó en cuenta de que la tarea de producir soluciones a partir de máquinas cognitivas de aprendizaje para la agricultura era mucho más difícil de lo que habían imaginado.

Entonces, ¿por qué el proyecto tuvo un gran éxito en medicina y no en agricultura?

¿Qué hace diferente a la agricultura?

La agricultura es uno de los campos más difíciles de contener con fines de cuantificación estadística. Incluso en tan sólo un campo, las condiciones cambian constantemente de una sección a otra. Además está el clima impredecible, cambios en la calidad del suelo, y la siempre presente posibilidad de que las plagas y enfermedades hagan una visita. Los agricultores pueden sentir que los prospectos son buenos para la próxima cosecha, pero hasta que aquel día llegue, el resultado será siempre incierto.

En comparación, nuestros cuerpos son un ambiente cerrado. La agricultura toma lugar en la naturaleza, en medio de ecosistemas de organismos que interactúan entre sí. Estos ecosistemas no son cerrados, sino que están sometidos a cambios climáticos que pueden impactar a hemisferios completos o continentes. Por lo tanto, manejar un entorno agrícola implica tomar en cuenta literalmente no cientos sino miles de factores.

Lo que pueda ocurrir con la misma semilla y programa de fertilización en la región central de los Estados Unidos no tiene relación alguna con lo que pueda ocurrir en Australia o Sudáfrica.  Algunos factores que podrían influir en la variabilidad de los resultados por lo general son, la cantidad de precipitaciones por unidad de cultivo plantado, tipo de suelo, patrones de degradación del suelo, horas de sol, temperatura, y así sucesivamente.

De esta forma, el problema de implementar máquinas con capacidad de aprendizaje o inteligencia artificial en la agricultura, no es que los científicos carezcan de la capacidad de desarrollar programas y protocolos para lidiar con los problemas de los agricultores, sino que el problema radica en que en la mayoría de los casos, no hay dos entornos iguales, lo que hace de la prueba, validación y despliegue de estas tecnologías mucho más laboriosas que en otro tipo de industrias.

Prácticamente, el declarar que una máquina con inteligencia artificial pueda ser desarrollada para resolver todos los problemas relacionados a nuestros entornos físicos, equivale básicamente a decir que tenemos un entendimiento completo de todos los aspectos de la actividad física o material del planeta. Después de todo, es sólo a través de nuestro entendimiento de la “naturaleza de las cosas” que los procesos y protocolos pueden ser diseñados para que las capacidades racionales de los sistemas cognitivos artificiales puedan desarrollarse. Y, aunque la inteligencia artificial y el aprendizaje automático nos enseñan muchas cosas sobre cómo entender nuestro medioambiente, aún estamos lejos de poder predecir resultados críticos en campos como la agricultura basándonos solamente en las facultades cognitivas de las máquinas.

Conclusión

Respaldada por la comunidad de inversionistas de riesgo, que está hoy en día canalizando miles de millones de dólares en el sector, la mayoría de los emprendimientos tecnológicos en la agricultura están siendo presionados a completar sus desarrollos tan pronto como sea posible e inundar el mercado con sus productos.

Esto resulta por lo general en el fallo de los productos, lo que conlleva a un escepticismo del mercado propinando un gran golpe a la integridad de la tecnología de aprendizaje automático. En la mayoría de los casos, el problema no es que la tecnología no funcione, el problema es que la industria no se ha tomado el tiempo para entender que la agricultura es uno de los entornos menos contenidos para poder manejar. Para que la tecnología pueda hacer un verdadero impacto en el campo, se requiere de más esfuerzo, habilidades y financiamiento, de manera de probar estas tecnologías en terreno.

Hay un gran potencial para que la inteligencia artificial y el aprendizaje automático revolucionen la agricultura al introducir estas tecnologías en mercados críticos a una escala global. Solo entonces podrán hacer una diferencia para el productor.