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 hechos 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 aprender 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, Data Engineer de InData Labs, 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 (ver infografía interactiva).

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 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 sobre lo que hay.

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.

Aunque el sistema también es capaz de aprender automáticamente cuando tales sucesos no son válidos o los datos cambian (ver recuadro).

De hecho esta herramienta ya está siendo aplicada en distintas partes para apoyar en diversos problemas agrícolas.

Identificando al cogollero del maíz

En Nueva Zelanda, 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 Zelanda 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.

También identifican enfermedades en ovejas y evalúan el sueño en vacas

Una de las afecciones que pueden alterar neuromuscularmente a bovinos, ovinos e incluso caballos, entre otros animales, es el síndrome del temblor de las ballicas (en inglés, denominado Ryegrass staggers) y que se produce cuando el animal consume ballica contaminada con el hongo Neotyphodium lolii —no está presente en Chile, pero se han realizado experimentos con él— y que pueden provocar la muerte del animal.

Por ello, en Nueva Zelanda, están desarrollando modelos de Machine Learning y de inteligencia artificial para detectar precozmente aquellas ovejas que puedan estar enfermas.

Para ello, se han creado collares con acelerómetros (detectan cuando el animal se mueve, qué distancia recorre, a qué velocidad, si camina recto o si se agacha, entre otros) los que entregan diversos datos tanto de las ovejas enfermas como de las sanas, lo que permitirá crear un modelo capaz de detectar con anticipación aquellos ejemplares enfermos.

“Se aplicarán análisis de Machine Learning para mostrar los diferentes niveles de actividad de aquellas ovejas que sufren del temblor de las ballicas”, dice Axel Heiser.

Además, dice Heiser, también se encuentran trabajando en un modelo que busca evaluar la calidad de sueño de las vacas lecheras. Para ello, están recabando datos sobre los movimientos musculares y el ritmo cardiaco que tienen los bovinos dependiendo de la etapa de sueño en la que se encuentran.

“Esta investigación apunta a una nueva forma de obtener información sobre el bienestar del ganado. Es ir más allá”, dice Heiser.

Imágenes satelitales para determinar cambios en la salud de los cultivos

En 2010 Google lanzó una herramienta que buscaba monitorear en términos medioambientales a la Tierra a escala planetaria. Esta idea, bautizada como Google Earth Engine, acumula 37 años de imágenes satelitales y contando lo que permite contar con conjuntos de datos muy valiosos para 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 Earth Engine) 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.

Esta herramienta permite que los datos sean clasificados de tres formas:

Generar sistemas de riego inteligente para lidiar con el cambio climático

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 el Data Engineer de InData Labs.

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.

“Pueden ser utilizados para analizar los datos de los sensors de riego para identificar fugas de agua, obstrucciones en el sistema y otros problemas que pueden generar un riego ineficiente”, ejemplifica Merghad.

“En general, el ML puede ser una herramienta poderosa para ayudar a los agricultores a optimizar el riego y adaptarse a las condiciones climáticas cambiantes, mediante el análisis de datos y la adopción de medidas en tiempo real”, dice Merghad.

Distintos tipos de aprendizaje automático

Existen diferentes formas de aprendizaje automático o ML. En este nota se ha hecho énfasis en el modelo más conocido que es el aprendizaje supervisado.

“En el aprendizaje supervisado un modelo es entrenado usando etiquetas para cada dato. Por ejemplo, una imagen de una zanahoria tiene como etiqueta “zanahoria”. Así, a una imagen de una zanahoria, la máquina la reconoce como tal y lo aprende”, explica Greg Peyroux, cofundador y Managing Director de Iris Data Science, empresa neozelandesa que utiliza la ciencia de datos para realizar análisis predictivos.

Otro tipo de aprendizaje automático —no confundir con Deep Learning (ver infografía más abajo)— es el aprendizaje no supervisado, donde al sistema se le entregan los datos, pero sin una etiqueta, por lo que es el propio sistema el que debe encontrar los patrones y estructura dentro de los datos.

El tercer tipo de aprendizaje automático es el aprendizaje con refuerzo.

“En el aprendizaje con refuerzo, el computador interactúa con el ambiente y aprende a través de gratificaciones o penalizaciones dependiendo de las acciones que vaya tomando”, dice Atif Merghad.