La agricultura adopta la inteligencia artificial

Nov 03, 2023

La inteligencia artificial utiliza grandes cantidades de datos para impulsar la eficiencia.

Los de barba gris tal vez recuerden la emoción que sintieron cuando los cálculos matemáticos cargados de lápiz avanzaron a gran velocidad hacia la era de las calculadoras.

Hoy en día, la inteligencia artificial (IA) promete aportar a la agricultura la misma intensidad que a las clases de matemáticas hace décadas. La inteligencia artificial es una tecnología que incluye varios subconjuntos, como el aprendizaje automático, dice Rania Khalaf, directora de información y datos de Inari.

"El aprendizaje automático permite a las computadoras predecir matemáticamente resultados o hacer clasificaciones encontrando patrones en grandes cantidades de datos", dice. "Luego aprende a actualizar estos patrones o clasificaciones con el tiempo a medida que ve nuevos datos".

"La mayor ventaja de la inteligencia artificial es la capacidad de realizar cálculos complejos a alta velocidad que antes requerían un ser humano para realizarlos", añade Kent Klemme, director general de See & Spray de Blue River Technology. "Las recientes mejoras en las GPU [unidades de procesamiento de gráficos] han proporcionado la potencia informática para hacer esto posible. Se necesitan muchos datos para abordar problemas específicos".

La tecnología See & Spray Ultimate, impulsada por el aprendizaje automático, permite a los pulverizadores apuntar solo a las malas hierbas mientras pulverizan entre cultivos. "Hemos tomado miles y miles de imágenes de diferentes malezas en diferentes cultivos en diferentes situaciones, como cielos despejados, cielos nublados, cielos oscuros, diferentes suelos y diferentes niveles de residuos", dice Klemme.

Luego, los científicos de datos de Blue River y John Deere entrenan el sistema See & Spray Ultimate para reconocer plantas en innumerables condiciones. Estas imágenes se clasifican mediante algoritmos, que implican la repetición de una o más operaciones matemáticas. Los algoritmos suelen implementarse y resolverse en computadoras.

Los pulverizadores Patriot serie 50 de Case IH utilizan una forma de aprendizaje automático llamada guía visual.

"Es una solución de guiado por hileras que emite un comando de dirección en función de la ubicación de la planta", afirma Chris Dempsey, director global de tecnología de precisión de Case IH.

La guía visual utiliza una cámara a bordo que transmite la ubicación de la planta de maíz al pulverizador para que permanezca en la hilera en lugar de pasar por encima de las plantas de cultivo, añade.

La inteligencia artificial es un área amplia que incluye muchos subconjuntos, como el aprendizaje automático. Básicamente, sin embargo, utiliza una gran cantidad de datos para impulsar la eficiencia, dice Dempsey.

"El mayor obstáculo al que se enfrenta toda la industria agrícola en la agricultura digital es tomar conjuntos de datos grandes y complejos y convertirlos en conocimientos significativos", afirma Ashwin Madgavkar, fundador de Ceres Imaging. "La IA realmente puede ayudar a cerrar esa brecha al sintetizar todos estos datos en acciones que un productor puede tomar".

Su uso está aumentando en el mejoramiento de cultivos.

"Estamos investigando todo tipo de nuevas tecnologías diferentes, ya sea aprendizaje automático o modelos analíticos avanzados para predecir el rendimiento híbrido", dice Mike Popelka, gerente de mejoramiento de productos híbridos de AgReliant Genetics. "La industria [de mejoramiento de cultivos] se está inclinando más hacia estos modelos".

El uso de la IA también se utiliza habitualmente en muchas líneas de maquinaria. Case IH utiliza el aprendizaje automático a través de 16 sensores que ajustan su sistema AFS Harvest Command.

"Aumentar el rendimiento y al mismo tiempo disminuir las pérdidas [de grano] ahora se hace automáticamente", dice Dempsey. "Históricamente, los operadores de cosechadoras tenían que hacer ajustes en los tamices si tenían demasiada mazorca o material extraño en una muestra de grano".

El aprendizaje automático ahora hace esto automáticamente.

"Los sensores le indican a la cosechadora que necesita cerrar un tamiz inferior o aumentar la velocidad del ventilador o del rotor", dice. "Esos ajustes se basan en saber cómo se ve el material extraño o la mala calidad del grano en una base de datos conocida de un tipo de cultivo determinado. Es básicamente una base de datos de imágenes que muestran buena [grano de calidad] y mala".

John Deere también utiliza el aprendizaje automático en su función de mantenimiento automático en las cosechadoras de las series S700 y X9 para mantener la pérdida de grano específica y el rendimiento de la calidad del grano.

"El operador establecerá un objetivo sobre cómo debe funcionar la cosechadora en términos de niveles de pérdida y muestra del tanque de grano", dice Nick Howerton, gerente de marketing de productos de John Deere Harvester Works. "Las cámaras ActiveVision toman fotografías del grano limpio y de los elevadores de relaves cada dos segundos. Estos datos se introducen en un algoritmo que se utiliza para comparar los niveles de material extraño y grano dañado con el objetivo. Si los niveles exceden el objetivo, se realizan ajustes automáticamente".

Ceres Imaging utiliza una forma de inteligencia artificial llamada visión por computadora que detecta problemas en los cultivos durante la temporada, dice Madgavkar. Imágenes aéreas y datos de sensores que detectan diferentes longitudes de onda de luz se introducen en un algoritmo que ayuda a revelar enfermedades propias de la temporada, como las deficiencias de nutrientes.

"También analizamos el riesgo de enfermedades y dónde se podría rociar de manera óptima un fungicida", dice Madgavkar.

Aún así, los datos obtenidos mediante el aprendizaje automático son tan buenos como los datos que se ingresan, dice Madgavkar. "Basura entra, basura sale" todavía se aplica, por lo que es importante ingresar la calidad adecuada de los datos, agrega.

"La IA por sí sola no es una solución milagrosa", afirma. "Sigue siendo importante combinar datos derivados de la visión por computadora con el aporte de un agrónomo local o de un agricultor para hacer una recomendación. Sin embargo, la tecnología de inteligencia artificial puede ayudar a un agrónomo a hacer un mejor uso de su tiempo para seleccionar los campos con mayor probabilidad de beneficiarse en -Tratamientos de temporada."

La tecnología de inteligencia artificial también facilita la reparación del riego. Lindsay está colaborando con Microsoft Azure en el uso del aprendizaje automático para predecir fallas en los componentes de riego antes de que ocurran a través de la tecnología Smart Pivot.

"Si podemos predecir fallas en los componentes, como una caja de cambios o un motor central, podemos notificar a los clientes antes de que ocurran. Esto evita que ocurran problemas [de reparación] aún mayores durante la temporada de crecimiento", dice Kurtis Charling, vicepresidente de productos digitales. gerencia en Lindsay. "Estar inactivo de uno a tres días durante el pico de la temporada de crecimiento podría ser perjudicial para la producción. Predecir fallas en los componentes puede ayudar al agricultor a evitar dolores de cabeza por tiempos de inactividad y hacerlos más eficientes".

Lindsay utiliza una gran cantidad de datos sobre sistemas de riego recopilados durante décadas para crear un sistema predictivo.

"Por ejemplo, una máquina que fallaba porque una caja de cambios fallaba era una situación de entrenamiento para el modelo de inteligencia artificial", dice Charling. "Si tenemos acceso a los datos de los sensores que recopilamos desde el momento de la falla, podemos dárselos al modelo de IA y básicamente decirle: 'Si esto vuelve a suceder, así es como se verá una falla en la caja de cambios'. "

Sin embargo, la IA tiene sus límites.

"Hay situaciones en las que algo que predecimos no es cierto en el campo, como un problema con la caja de cambios", dice Charling. "Sigue siendo importante contar con un usuario final o distribuidor que pueda decir sí o no. Esto, a su vez, retroalimenta nuestros modelos de capacitación para hacerlos más precisos".

En el modelo See & Spray Ultimate, diferenciar la soja joven de la hoja de terciopelo joven es un desafío porque tienen un aspecto similar.

"A medida que tomamos más imágenes y volvemos a entrenar el modelo, mejora", dice Klemme. "No es diferente al tiempo que le tomaría a un explorador humano distinguir entre la soja de hoja aterciopelada y la soja joven. Se entrena el modelo [de aprendizaje automático] de la misma manera".

Es de esperar que la IA y sus subconjuntos estimulen la velocidad de las futuras innovaciones agrícolas, dice Dempsey.

"Creo que apenas hemos arañado la superficie de lo que pueden hacer el aprendizaje automático y la inteligencia artificial", añade.

Si aún no lo han hecho, los agricultores que quieran aprovechar al máximo dicha tecnología deberían recopilar la mayor cantidad de datos posible sobre sus granjas, dice Charling.

"Cuantos más datos tienen acceso estos modelos de IA, más inteligentes se vuelven, especialmente en lo que se refiere a las operaciones de un agricultor", señala.