Complejidad, Inteligencia Artificial y el futuro de los alimentos: hacia la era de los agrobots
En un futuro no muy lejano, los agrónomos compartirán su trabajo con robots agronómicos que entenderán el lenguaje de la ciencia agrícola, pero también el lenguaje de los entornos complejos en los que están entrenados para ayudar en el cultivo.Joseph Byrum – San Francisco, EEUU – AFN* – TodoElCampo – Los agrónomos comparten mucho en común con los naturalistas.
Bien versado en biología vegetal, fisiología vegetal y estructura del suelo, un científico de campo que trabaja con cultivos examina cómo la estructura biológica de una planta interactúa con los elementos naturales de su entorno de producción. Los científicos de cultivos no sólo deben aprender el lenguaje de la ciencia, sino también cómo determinar el lenguaje de la tierra.
En un futuro no muy lejano, pero todavía imaginable, los agricultores y científicos agrícolas estarán acompañados de ayudas en forma de robots agronómicos. Estos robots de campo, o agrobots, no sólo entenderán el lenguaje de la ciencia agrícola, sino también el lenguaje de los entornos complejos en los que están entrenados para ayudar en el cultivo. Evaluarán tierras de cultivo específicas basadas en datos de monitores de cosecha, estadísticas meteorológicas históricas, datos satelitales y datos de producción suministrados por los agrónomos humanos de la granja. A través del uso del lenguaje, los agrobots proporcionarán a los agricultores escenarios de varios niveles que trazan cómo es el estado de producción si se toman ciertas acciones – hoy, mañana o al día siguiente.
Los sistemas de IA más limitados ya están avanzando hacia la agricultura. Los agronomistas pueden utilizar dispositivos activados por voz como AgVoice para capturar datos. O trabajan con máquinas inteligentes como el robot de ver y pulverizar de Blue Riverque puede identificar anomalías y responder en consecuencia.
La pregunta principal, sin embargo, es si estas capacidades existentes pueden integrarse en un agrobot que pueda identificar la situación creciente y formular recomendaciones agronómicas por sí solas.
Si la premisa fundamental de la IA asume una capacidad de toma de decisiones independiente, ¿cómo será el mundo cotidiano del agricultor, cuando la IA no sólo esté diseñada para recopilar y analizar datos de alto valor, sino también para actuar sobre esos datos? ¿Se tomarán decisiones basadas en un lenguaje que aprende continuamente?
Tal producto combinaría varios desafíos de IA de vanguardia, que requieren comprensión natural del lenguaje, generación de lenguaje natural e inteligencia colectiva computacional. Dentro del campo de la IA, la comprensión del lenguaje natural es una subcategoría del procesamiento del lenguaje natural, que se ocupa de la comprensión de la lectura de la máquina. Es la creación de una tarea de procesamiento de lenguaje natural para generar lenguaje natural a partir de un sistema de representación de máquinas que alberga una base de conocimiento.
La idea es tomar una base sofisticada de conocimiento de dominio y comunicar el análisis de la misma manera conversacional que los seres humanos utilizan para explicar sus pensamientos. Esta tecnología es lo que hace que los datos sean útiles, porque si no puedes entender qué hacer con él, no va a ayudar.
El papel del futuro agrobot tendría que ser más complejo que el reconocimiento de voz o la llamada y respuesta para comunicarse eficazmente con los agricultores. Tendría que encarnar el lenguaje natural de la ciencia agrícola como disciplina. Tendría que entender interacciones ambientales complejas. La generación de lenguaje natural de un agrobot imitaría no sólo la inteligencia humana, sino también la inteligencia ambiental y vegetal. Aquí es donde entra en acción la inteligencia colectiva computacional.
Como dijo el neurobiólogo Stefano Mancuso: “la inteligencia es la capacidad de resolver problemas y las plantas son increíblemente buenas en la resolución de sus problemas (...) Cada elección que hace un centro se basa en este tipo de cálculo: ¿cuál es la menor cantidad de recursos que servirán para resolver el problema?”
Desde los albores de la mecanización, tecnólogos y científicos han valorado la inteligencia del ser humano - ya sea agricultor o ag scientist - por encima de la “inteligencia” que se encuentra en el mundo biológico de la granja y sus plantas. A medida que la agricultura se enfrenta a desafíos cada vez más complejos, ha habido una creciente apreciación de la inteligencia del mundo natural.
“El cálculo colectivo es sobre cómo los sistemas adaptativos resuelven los problemas", dijo la bióloga evolutiva Jessica Flack a la revista Quanta en 2017. “Los componentes de los sistemas adaptativos miran hacia el mundo, y tratan de descubrir las regularidades”.
Otra forma de definir la inteligencia del cálculo colectivo es una inteligencia que surge de la competencia y colaboración de múltiples individuos. En el caso de Flack y otros como ella, el objetivo es entender mejor "cómo las reglas fenomenológicas en biología, que parecen funcionar en conjunto, surgen de verdades terrestres microscópicas". En otras palabras, llegar a una comprensión compleja de cómo las plantas y su entorno biológico resuelven los problemas, como sugiere Mancuso.
En cierto modo, el objetivo del cálculo colectivo es determinar la red de lógica detrás de sistemas o eventos complejos, porque la definición de un sistema complejo es que su comportamiento general no está necesariamente relacionado en comprensión con los mecanismos de bajo nivel que causan el propio comportamiento.
No encontrará mucho trabajo en el cálculo colectivo en los programas tradicionales de ciencias agrícolas. Pero si se analiza el trabajo de quienes estudian el mundo biológico, se pueden deducir fácilmente los beneficios que este enfoque podría tener para avanzar en el futuro agrícola de la IA.
La inteligencia computacional colectiva puede ayudar a los científicos a aprender el lenguaje biológico de la tierra, a comprender mejor la interacción entre la fisiología vegetal, la biología vegetal, la estructura del suelo y otros factores ambientales como la precipitación y la radiación. Teóricamente, esto podría ser la base de la base de conocimiento para los sistemas de generación de lenguaje natural de nuestro agrobot.
Si bien los agricultores de los países desarrollados tienen acceso a asesoramiento agronómico de primer orden, las naciones en desarrollo son las que podrían ver enormes aumentos en la productividad sostenible por el uso de esos agrobots. Podrían ayudar a estos agricultores a mejorar la eficiencia, impulsando la seguridad alimentaria mundial en las regiones más necesitadas de ayuda.
NOTA.
Artículo de Ag Funder News (AFN). Este es el cuarto de una serie de artículos que el exejecutivo de Ag Joseph Byrum ha escrito sobre el impacto de la inteligencia artificial (IA) en la seguridad alimentaria.
Para leer más artículos de Byrum: ver aqui