Agrointeligencia

machine learning en agricultura p

El Machine Learning en Agricultura, la disciplina que en el ámbito de la Inteligencia Artificial desarrolla sistemas que aprenden automáticamente, continúa su desarrollo y ya tenemos ejemplos prácticos multisectoriales en los que verla en acción.

A nosotros nos llama la atención porque nos apasiona la tecnología y lo que el ser humano es capaz de crear con ella. Y cuando esa pasión se mezcla con nuestro campo de actuación, la Agricultura, nos gusta aún más.

La consultora McKinsey publicó uno de sus conocidos «reports» donde analizaba el impacto y del Machine Learning en 12 sectores, incluido el agrícola y captó poderosamente nuestro interés.

A lo largo de la informe se detallan aquellas disciplinas, tareas, tendencias y usos donde el Machine Learning está actuando ya (o lo hará en breve) de manera disruptiva. Hemos estudiado las conclusiones y te detallamos algunas de las relativas al Machine Learning y la Agricultura a continuación (en orden de mayor a menor importancia)

Personalización de técnicas de cultivo basadas en datos recibidos en tiempo real.

Esta es la disciplina que más impacto está generando ahora mismo. Y la que nos da desde Hispatec mucha alegría ya que uno de nuestros productos explota esta actividad: Hortisys.

Se trata de monitorizar en tiempo real el estado de un cultivo y el manejo que el agricultor tiene sobre el mismo, medir a través de sensores los KPIs claves, procesar los datos en conjunción con los obtenidos de estaciones meteorológicas y ofrecer la conclusiones gracias a un sistema de Ayuda a la Toma de Decisión o (DSS). Para abreviar lo llamamos Hortisys.

Los resultados son espectaculares y no porque lo digamos nosotros, lo dicen aquellos que lo están usando para tener mejores cosechas.

Según el informe de McKinsey este punto, unido al que indica como el tercero en importancia: «Uso de la IoT y otros datos relevantes para la predicción de producción» son los que más rendimiento están generando ya a la industria.

Optimización de precios basados en datos de Mercado, Clima y predicciones.

Analítica Big Data, para entendernos. Cada vez más gestores agroalimentarios están utilizando sistemas de analítica avanzada donde combinar datos que provienen de su desempeño y de fuentes externas para extraer inteligencia, conclusiones y tendencias de ellas a la hora de fijar precios, por ejemplo.

Optimización de la producción en tiempo real

Otro de los grandes saltos en Machine Learning en Agricultura, esta vez cuantitativos. Se trata de analizar la actividad tanto productiva como de manipulado y confección en comercializadoras agroalimentarias para ajustar más las ratios de eficiencia y precisión en las operaciones.

Un ejemplo cercano lo tenemos con soluciones como el Módulo de Confección en Tiempo Real, donde un gestor accede instantáneamente a la información que genera la activad de confección y puede hacer los ajustes necesarios en el momento para que cada operador realice su tarea de manera más eficiente.

Estos son algunos de los ejemplos más destacados pero veamos la tabla completa:

Nota: El «Impacto» sobre las prácticas anteriores se mide en una escala de 0 a 3. «Riqueza de datos» mide la mejora en la gestión y la obtención sobre los sistemas utilizados (si existían) anteriormente. Este indicador combina el volumen de datos obtenidos y la variedad de los mismos.

 

Imprimir

 

Machine Learning en Agricultura

Las posibilidades que se abren a la hora de desarrollar tecnología Machine Learning en Agricultura son enormes en un campo en el que todo acaba de empezar. Integrar el Tsunami de datos que todo proceso agrícola aporta y extraer información que mejore las decisiones y sus efectos es el gran teatro de operaciones de este final de década.