Inteligencia artificial para tomar mejores decisiones

Si bien Argentina está atrasada en inversión, hay caminos y oportunidades para aprovechar.

Los expertos en inteligencia artificial y manejo de datos Guillermo Adrián Divito (Aapresid), Juan Edwards (INTA) y María Vanina Martínez (Fundación Dr. Manuel Sadosky - CONICET) compartieron un panel en el 29° Congreso Aapresid “Siempre Vivo, Siempre Diverso”.

Desde Aapresid, y tal como lo expuso Divito, se viene trabajando en el manejo de datos surgidos de los análisis de campaña. “Se trata de actividades que hacemos con las distintas regionales de Aapresid, en las que juntamos todos los datos que surgen de los lotes de producción, con información sobre fecha de siembra, variedad de los híbridos y fertilización. Todo eso lo analizamos y hacemos una presentación, en general para precampaña, y abrimos debate sobre qué tecnología estamos usando o qué vimos de interesante respecto a algunos manejos”, señaló.

Sobre el trabajo que se está desarrollando actualmente, el profesional puntualizó que “ya tenemos cuatro campañas sobre soja en el noroeste cordobés, con cerca de 350 mil hectáreas bajo análisis, casi 4 mil lotes, y en cada uno de esos lotes analizamos 45 varietales, fertilización, si tuvo cultivo de servicio, cultivo antecesor, entre otros parámetros”.

A partir de esta gran base de datos en Aapresid, se realiza “un análisis descriptivo sobre qué tecnologías estamos utilizando, con qué frecuencia, alguna relación de causa-efecto sobre fecha de siembra o uso de fertilizantes, entre otros. Sin embargo, sentimos que debemos dar un paso más y pasar de estos datos que tenemos a generar información. El desafío es transformar estos datos en información, poder empezar a modelar y a tomar decisiones a partir de estos datos”, aseguró Divito.

El INTA y su aporte

En representación del INTA, Juan Edwards, realizó un repaso sobre la evolución histórica del trabajo de recopilación de datos, su utilización y experimentación.

“Hoy en día, con la masa de información que se genera en campos en producción vemos la necesidad de actualizar nuestras técnicas de análisis, porque lo veníamos haciendo con técnicas tradicionales, pero ahora debemos aggiornarnos a estas grandes masas de datos que se nos presentan año tras año y que debemos transformar en información y conocimiento”, alegó Edwards.

El analista destacó la necesidad de “aprovechar esta información que va casi a la misma dinámica que la necesidad de responder a preguntas que se generan año tras año”. En este punto reconoció que el gran salto que queda por dar es “ver cómo transformar todos estos datos en conocimientos”.

Perspectivas del sector

“La inteligencia artificial es cualquier proceso de automatización que nos lleva desde los datos hasta el conocimiento para poder tomar mejores decisiones”, describió María Vaninia Martínez.

Al mismo tiempo consideró que “la inteligencia artificial toca todos los aspectos del sector productivo”, y en lo que se refiere al agro puntualizó: “Desde un punto de vista teórico, el análisis y la exploración de datos y de información nos permitirá tomar mejores decisiones. El análisis predictivo es una de las cuestiones más fuertes, porque es poder mirar hacia adelante y tomar decisiones que nos lleven a una mejor situación para producir más y mejor, con menores costos y tratando de la mejor manera al medioambiente”.

En la misma línea consideró que la recopilación y procesamiento de datos puede ayudar a automatizar pequeñas decisiones que antes se tomaban de manera “manual o casera y limitadas en el tiempo, y completamente condicionadas por la situación que se está viviendo”.

Según explicó Martínez, “las oportunidades son infinitas, sobre todo en nuestra región donde recién se está encarando este proceso de digitalización y transformación tecnológica en pos de poder mejorar nuestra posición en el mercado mundial”.

Incorporación de tecnología

La profesional consideró que es difícil que estas nuevas tecnologías de acopio de datos sean incorporadas por los productores en forma individual. En tal sentido opinó que “el modelo al que apuntamos es de un agricultor que terceriza ese tipo de servicios a cambio de datos. Hay una industria creciente de Agtech, con tecnología aplicada a la agricultura, que ofrece un montón de servicios, desde reportes básicos que nos informan cuál es la situación hasta servicios que generan planes de acción sobre los cultivos y campañas, con predicciones a corto y largo plazo”.

Si bien reconoció que Argentina está atrasada en este tema y por debajo de los 20 países que más invierten en dicha tecnología, consideró que “esto lo tenemos que ver como una oportunidad porque hay tecnologías que están madurando. Ya tenemos tecnologías en un estado que pueden transferirse sin tanta complicación a nuestros negocios”.

La mala noticia o el desafío, es que “la transformación digital lleva tiempo, esfuerzo, inversión y tiene que estar acompañada por un impulso propio, planteando metas de manera razonable”.

Martínez detalló que en este camino hay cinco pasos básicos que se deben ir dando: “La automatización de reportes es el primero y donde podemos empezar a ver los resultados, después se puede empezar a aplicar técnicas de analítica avanzada donde podemos tener un poco de predicción, y luego se pueden empezar a aplicar técnicas de inteligencia artificial que tengan que ver con reconocimiento de patrones o correlaciones en los datos, o técnicas más sofisticadas que nos permitan hacer transferencia de resultados de una región a otra”.

Los otros dos pasos son el gobierno de datos que “es la base de cualquier proceso de automatización, porque si no prestamos atención a nuestros datos, la forma, lo que significan y su manejo, a medida que esos datos van creciendo, si no tenemos una estructura donde ubicarlos y almacenarlos de manera ordenada, nos vamos a quedar en la automatización sin poder avanzar”.

El futuro

A pesar del atraso de Argentina en esta tecnología, la profesional opinó que “esto nos permite ver las experiencias ajenas y darnos cuenta de que podemos hacer un proceso interactivo, plantear pequeños modelos de datos que nos permitan hacer una extracción de información, ir creciendo de manera ordenada y comenzar a construir esas estructuras de datos para después poder aplicar las técnicas que nos van a dar mayores réditos”.