En un mundo cada vez más poblado, con todo lo que esto supone de cara al cambio climático y los desastres que este puede provocar, intentar ser cada vez más eficientes en términos de productividad y recursos es una obligación. Hay campos donde esta premisa adquiere una importancia capital. Uno de ellos es la agricultura, donde modernizarse no solo es contribuir a la sostenibilidad ambiental, es actualizarse de acuerdo a los tiempos que corren.
Un ejemplo de ello es la reciente constitución de la Asociación Española para la Digitalización de la Agricultura, el Agroalimentario, la Ganadería, la Pesca y las Zonas Rurales. O lo que es lo mismo, AgroTech España, que nace con el objetivo de conectar a empresas agrícolas con empresas tecnológicas para conseguir la transformación digital del sector.
En esta serie de artículos os hablaremos de los métodos y avances que se están implantando en el mundo agrícola y que tienen y tendrán un papel fundamental a corto y medio plazo. En Slow Philosophy apostamos decididamente por muchos de ellos para nuestros proyectos y los consideramos básicos para nuestro presente y nuestro futuro.
¿Qué es el Machine Learning?
Se trata de una rama de la inteligencia artificial que pretende aprovechar la capacidad que las máquinas tienen de aprender de los datos para adecuarse a las necesidades humanas.
Aunque su uso haya explotado hace relativamente poco tiempo, los comienzos de esta disciplina se remontan a varias décadas atrás. Para muestra un botón: cuando en 1997, el ordenador Deep Blue derrotó a la leyenda del ajedrez Garry Kasparov, lo hizo gracias al Machine Learning. La victoria del supercomputador fue posible gracias al estudio de las múltiples variables del juego para buscar posibles puntos débiles en el ruso.
Para que te quede un poco más claro (que no a todo el mundo le gusta el ajedrez), el ‘Aprendizaje automático’ permite que Siri busque tu receta de bizcocho favorita, que Alexa reproduzca la canción de moda o que Netflix te recomiende series que, con un alto porcentaje de probabilidad, te van a gustar. Esto es posible por la capacidad del Machine Learning para reconocer patrones y recoger muestras masivas de datos que analizan para ofrecer los resultados más óptimos a un caso determinado.
Agricultura inteligente
El uso del Machine Learning en la agricultura es una realidad y su desarrollo cada vez es mayor. Gracias a los patrones de datos se pueden optimizar todos los procesos involucrados en los cultivos: el estudio para determinar qué cultivo es el idóneo para el terreno en concreto, cómo mejorar los nutrientes de la tierra y prepararla de la mejor manera para la siembra, qué cantidad de riego es la adecuada para alimentar las semillas de una manera responsable, qué días exactos son los mejores para la recogida y qué grado de calidad tiene el cultivo una vez cosechado.
Pero los algoritmos de aprendizaje automático no solo se centran en el ‘antes’ y el ‘durante’ del campo. También en el después. Por ejemplo utilizando los datos para rastrear las enfermedades que pueden acechar a los cultivos y poner los medios para evitarlas. Algo que antes solo podía hacerse mediante el estudio de dicha enfermedad sobre la planta afectada. O para adelantarse a posibles cambios drásticos en el clima que puedan echar a perder las cosechas.
Todo esto no solo repercute en beneficios para lxs productorxs, si no que además reduce drásticamente el consumo de recursos. Esto se traduce en ahorro económico para ellxs y en sostenibilidad para el planeta, gracias a la creación de una conciencia de trabajo cada vez más responsable. Se utilizan los recursos estrictamente necesarios en cada lugar.