Agroindustria 4.0
Inteligencia Artificial aplicada a la Agroindustria en Colombia implica entender cómo pueden coadyuvar y generar sinergias con los conocimientos tradicionales para afrontar los retos que desde las actividades de investigación, desarrollo tecnológico e innovación se consideran prioritarias.
Este marco de retos y oportunidades conlleva a la premisa que la incorporación de las dinámicas de la 4IR debe llevarnos a una Agricultura 4.0 verde para una producción sostenible y basada en I+D+i, orientada a las necesidades del consumidor, que dinamice las cadenas productivas agroalimentarias y genere una reingeniería sectorial.
La granja tradicional debe migrar a una granja moderna respetando el conocimiento tradicional de los productores, e incorporándolo a tecnologías que van desde sensores remotos y en tiempo real de las variables del cultivo, imágenes aéreas y monitoreo satelital, hasta la automatización inteligente en las diferentes fases de la producción primaria, gestión avanzada de insumos agrícolas, aprovechamiento de subproductos y residuos, bioeconomía circular, entre otros.
Retos Agroindustria
Tendencias de la Inteligencia Artificial aplicada a la Agroindustria en Colombia
En la Agroindustria busca generar un punto conceptual en el que la inteligencia artificial, se entienda como un incremento sostenido en la vinculación de las tecnologías de la información y las comunicaciones, lo que conlleva al desarrollo de sistemas inteligentes interconectados, que combinan, analizan y generan datos a partir de diferentes fuentes, con el objetivo de incrementar la productividad y competitividad (Luque, Peralta, de las Heras & Córdoba, 2017).
Lo anterior acorde con Luque, et al (2017) comprende el uso de herramientas y dispositivos portables, tanto para la medición in situ como ex situ, a lo largo de la cadena de valor, lo que conlleva a la necesidad de contar con plataformas digitales robustas para el acceso, almacenamiento y posterior uso de la información recolectada para una toma de decisiones más acertada y eficiente.
En este sentido las tecnologías más importantes de la Inteligencia Artificial que impactan al sector agropecuario y lo llevan a un estadio de Agroindustria 4.0; específicamente: manufactura aditiva, realidad aumentada, automatización inteligente, robótica y drones, ciberseguridad, computación en la nube, sistemas ciber-físicos, Big data y analítica de datos. Esta integración de tecnologías en las cadenas de valor agropecuarias genera una convergencia hacia una producción sustentable, incremento en la productividad, innovación en producto, proceso, servicios y nuevos arreglos organizacionales.
En la Figura se presenta los estadios evolutivos de la inmersión de tecnologías clave en el sector agropecuario.
Este tipo de análisis se basa en la categorización de los tópicos clave en cuatro tipologías de análisis, teniendo en cuenta dos variables, centralidad (importancia del tópico en todo el campo de investigación o análisis) y densidad (medición de que tan desarrollado está el tema):
i) Cuadrante superior derecho, temas motor con un alto desarrollo y una importancia alta;
ii) Cuadrante inferior derecho, temas básicos y transversales, temas de alta importancia y un desarrollo básico;
iii) Cuadrante inferior izquierdo, temas emergentes y en declive, con importancia y desarrollo básico; y,
iv) Cuadrante superior izquierdo, temas altamente desarrollados y aislados, con un alto desarrollo pero importancia básica
Pasos para implementar Agricultura de Precisión
Colombia se caracteriza por tener una gran diversidad de pisos térmicos y una capacidad a nivel mundial para la aprovechamiento sin igual de la tierra, pero desafortunadamente con los TLC y el sistema productivo como sus cadenas de suministro hace que sea solo rentable para el intermediario y/o industrial y no para el agricultor colombiano, por lo cual produce pocos incentivos para que seamos una potencia agrícola mundial y perder competitividad versus otros países como Nueva Zelanda.
Para tener una competitividad, se necesita ser más productivo a un menor costo de ahí la necesidad de la agricultura de precisión. Para lograr esto realizamos los siguientes pasos:
1. Integración de Variables
Para lo cual vamos a modelar la integración todos los factores y variables que afectan a los cultivos que impactan la productividad y el costo que de manera general hemos identificado:
- Clima: El historial de temperatura, precipitación, radiación.
- Tipo de Suelo: De los diferentes lotes de cultivo mediante el análisis de suelo se definieron los tipos de suelos
- Fertilización: Los fertilizantes mayores para los diferentes lotes-tipo de suelo.
- Control de plagas : Todos aquellos insumos que se utilizan para el control de plagas de los cultivos
- Tipo de Semillas: Las diferentes tipos de semilla utilizados.
En este puntos se revisan los drivers del costo para identificar cual va hacer el foco en el cual va determinar el modelamiento, es decir cual va hacer la variable objetivo, que para este caso va hacer la productividad y que hace más rentable o no el ejercicio, por ejemplo:
Productividad (Kgs/Ha) = f(Clima, Tipos suelo, Fertilización, Control Plagas, Tipo Semillas)
Costo ($/Ha) = f(Fertilización*Costo + Preparación Suelo* Costo + Control plagas*Costo + Otros*Costo)
3. Estructuración de la Información y Modelamiento
Este paso consiste en recopilar la información que esta disgregada en diferentes fuentes, como el clima, la semillas, fertilización, etc, y los costos asociados a este cultivo en los diferentes años como se comportó la productividad. En este punto es muy desafiante ya que por lo general es una información que no se tiene muy fielmente, pero se puede trabajar y lograrlo. Al tener la información se procede a la estructuración del modelo el cual me va a permitir predecir con las variables definidas como va hacer la productividad y el costo que me implica para maximizar la rentabilidad.
4. Prototipos y Escalamiento
En este punto se revisa si es necesario algún dispositivo que habría que implementar en el cultivo por ejemplo obtener datos de humedad del suelo, pH o no, se hace la definición en situ sobre el lote y tamaño del mismo y se controlan las variables las cuales al final del ciclo del cultivo se valida la productividad que el modelo predice. Se hacen los ajustes pertinentes y se escala de acuerdo a los resultados obtenidos.
5. Desarrollo de la aplicación
Como parte esencial de este punto es como se vuelve amigable al usuario el modelo para que pueda ser versátil y le pueda sacar el máximo provecho, que sea intuitivo y lo pueda usar inclusive desde su equipo móvil.
Aplicación Cultivo de Arroz
1. Integración de Variables
2. Análisis de Problema
3. Modelamiento
4. Prototipo
5. Aplicación
