Esta es una rama de la inteligencia artificial donde una máquina aprende a partir de datos obtenidos anteriormente, y así predice y recomienda acciones, ayuda a prevenir la aparición de plagas, a mejorar los sistemas de riego e incluso a adaptar los sistemas de riegos a las cambiantes condiciones de acceso al recurso hídrico.
Revuelo generó ChatGPT, el chatbot creado con inteligencia artificial por la empresa OpenAI, por ser capaz de aprobar diversos test de admisión en universidades, redactar textos que pasaban por elaborados por humanos. El mismo puede ser entrenado para reconocer condiciones de suelo y clima particulares de un determinado predio.
Todo lo anterior lo logra gracias al Machine Learning (ML) o aprendizaje automático. ¿Qué significa? 'El Machine Learning es un método donde las computadoras aprenden a partir de los datos entregados, sin haber sido programadas explícitamente para ellos. Es una forma para que los computadores aprendan automáticamente a mejorar su rendimiento a partir de su propia experiencia, en vez de ser programadas para cada tarea', explica Atif Merghad, ingeniero de datos de InDataLabs, empresa con base en Estados Unidos que desarrolla diversas aplicaciones y servicios con inteligencia artificial.
Por ejemplo, si lo que se necesita es que una máquina pueda identificar manzanas, se le entregan datos etiquetados (labeled data) de la manzana, por ejemplo, que es roja, redonda y que tiene una hoja verde. Así, cuando el sistema vea la fruta, comparará los datos entregados con lo que está viendo y será capaz de determinar cuál es dicha fruta.
De esta forma, explica Merghad, el Machine Learning permite que la computadora se alimente de gran cantidad de datos (llamados 'datos de entrenamiento'), los que servirán para crear un modelo. Una vez que ese modelo ha sido entrenado, puede ser utilizado para predecir o tomar acciones basado en los datos que llegarán a futuro y que la máquina aún no ha visto.
El ML, entonces, permite a la máquina buscar patrones y predecir qué sucederá en función de lo que sucedió antes.
Así, por ejemplo, también es posible entrenar un dron para que pronostique en qué áreas de un campo podrían aparecer determinadas plagas y malezas. Para ello, se hace volar al dron sobre el predio y repetir este proceso durante un tiempo y en distintas fechas recolectando información.
Tales datos, etiquetados por fecha y hora en la que se realizó la medición, son incorporados a un programa de inteligencia artificial que podrá luego hacer la predicción de en qué áreas podría aparecer nuevamente la plaga y la maleza. Con ello, se pueden tomar decisiones tempranas para eliminar estas amenazas antes de que representen un daño mayor.
'El aprendizaje automático permite que un sistema continúe aprendiendo y mejorando por sí mismo, basado en la experiencia (…) este término describe los sistemas informáticos que tienen un comportamiento cognitivo similar al humano', dice Petr Kudlacek, especialista en desarrollo de productos ligados a la inteligencia artificial, así como aplicaciones para móviles y web y fundador de Apro Software, empresa de Países Bajos que trabaja con modelos de Machine Learning.
Identificando al cogollero del maíz
En Nueva Zelandia, uno de los proyectos que se lleva a cabo con Machine Learning involucra identificar la presencia o ausencia de la plaga denominada 'cogollero del maíz' o fall armyworm en inglés (su nombre científico es Spodoptera frugiperda).
Este lepidóptero, detectado por primera vez en febrero de 2022 en dicho país, ha sido catalogado de preocupación por el Ministerio de Industrias Primarias en Nueva Zelandia y se ha alentado a los productores a reportar su aparición.
Por ello, ya se está trabajando en un sensor remoto que, gracias al Machine Learning, puede detectar rápidamente si esta plaga está o no presente en el predio. Para ello se están recolectando datos que permitan identificar a esta plaga, cómo luce, qué daños genera, dónde suele estar presente y qué etapas de desarrollo alcanza en determinados períodos de tiempo, entre otros datos.
'(Este desarrollo) también permite modificar las expectativas de daño que puede generar a los cultivos de maíz a un nivel macro en lugar de solo detectar las plantas que hospedan a esta plaga. Esto podría ayudar al gobierno y a la industria a asignar recursos de vigilancia a tales ubicaciones, así como a la búsqueda de tratamientos más apropiados durante futuros programas de erradicación', dice Axel Heiser, investigador científico en jefe de AgResearch, instituto de investigación neozelandés que trabaja con soluciones basadas en inteligencia artificial.
Imágenes y la salud de los cultivos
En 2010, Google lanzó una herramienta que buscaba monitorear en términos medioambientales la Tierra a escala planetaria. Esta idea, bautizada como Google Earth Engine, acumula 37 años de imágenes satelitales, lo que permite identificar cómo ha cambiado la salud de los cultivos a lo largo de los años e incluso detectar la presencia de plagas y maleza.
'(Google EarthEngine) puede usarse para detectar cambios en la cubierta vegetal y los niveles de clorofila, lo que puede indicar la presencia de plagas o enfermedades, además de generar mapas y visualizaciones para ayudar a los agricultores a identificar áreas problemáticas y planificar estrategias', dice Atif Merghad.
Actualmente, esta herramienta —que solo está disponible para uso comercial, aunque es gratis para académicos e investigadores— posee conjuntos de datos sobre la evolución de la evapotranspiración en los últimos años (cuánta agua pierden los cultivos), superficie de suelos orgánicos drenados para actividades agrícolas, entre otros.
Sistemas de riego inteligente
En el escenario de sequía por el que está atravesando Chile y que tiene tintes de ser permanente, el ML puede ser una potente herramienta para ayudar a los agricultores a adaptar sus sistemas de riego a los constantes cambios en el clima.
Para ello se pueden utilizar modelos predictivos de ML que sean entrenados con diversos datos
'Los modelos de Machine Learning pueden ser entrenados con datos históricos del clima, suelo, niveles de humedad y patrones de crecimiento de cultivo para predecir cuándo se requerirá ejecutar el riego y cuánta agua debería ser aplicada', explica Atif Merghad, de InDataLabs.
Además, un modelo de ML puede ser integrado a un sistema de riego inteligente, el que puede automáticamente ajustar la cantidad de agua a entregar basado en los datos en tiempo real obtenidos de sensores meteorológicos, de humedad, entre otras fuentes.
Por ROLANDO ARAOS
Fuente: El Mercurio - Revista del Campo
