La algoritmia como vehículo de transmisión de conocimiento en la agricultura

A menudo nos preguntamos cómo con toda la potencia computacional existente hoy en día, su bajo coste actual y la cantidad ingente de datos que a diario se producen, fruto de la actividad agrícola, todavía el paradigma Big Data no ha dado un giro de 180º a la agricultura. 

Una de las razones podríamos encontrarla en la alta dependencia de los factores climatológicos y de otras variables no manejables por el agricultor para conseguir buenas cosechas, tanto en calidad como en rendimiento. 

Precisamente apoyados en esta circunstancia, Smartup, como agencia especializada en Big Data, y Azucarera Iberia desarrollan un método por el que, apoyados en el coeficiente de correlación de Spearman identifican, en un primer momento a aquellos agricultores que mayor concentración de sacarosa obtienen de sus cosechas. 

Es en este momento donde entran en juego las variables no manejables, principalmente la climatología y la composición del suelo. Estos factores, además de haber resultado decisivos en cuanto al resultado en calidad de una cosecha, actuarán como clasificatorios puesto que serán aquellos por los que que el coeficiente de correlación haya agrupado a los agricultores anteriormente. No nos debe llevar a equívoco el nombre del algoritmo ya que éste no tiene que ver con la cercanía física sino con la cercanía en similitud de las variables que serán estudiadas. 

La lógica planteada, transmisión del conocimiento, es sencilla de explicar: si un agricultor con unas características climatológicas y de suelo similares o idénticas a otro tiene una mayor concentración de sacarosa en sus campañas que otro agricultor, la diferencia de ambos radicará en las variables manejables, es decir en aquellas prácticas agrícolas en las que sí puede actuar el propio agricultor. 

Siguiendo esta hipótesis, el reto tecnológico está en identificar cuáles son los agricultores que más se parecen en climatología y suelo y están distantes en cuanto a calidad de la cosecha. Una vez los tengamos clasificados, podremos ofrecer a los agricultores con peor rendimiento agrícola, la información de aquellos agricultores que sí obtienen un buen rendimiento con similares características. El segundo paso será identificar aquellas variables de comportamiento manejables en las que las prácticas son distintas y, una vez identificadas proponer un cambio de hábito que busque esas mejores prácticas. 

Este es un ejemplo práctico en el que la tecnología ha servido de vehículo para transferir el conocimiento de unos agricultores a otros. De hecho, no ha sido la algoritmia la protagonista. Este lugar lo ocupa el agricultor, sus buenas prácticas y su conocimiento adquirido a partir de muchos años de prueba y error. Los datos y algoritmos, en este caso, han apoyado una idea creada y promovida por el Departamento Innovación Agroambiental de AB Azucarera Iberia. En palabras de Iván Martín, responsable del Departamento “los datos y procesos tecnológicos nos ayudan a analizar patrones y comportamientos que siempre han existido pero que no podíamos describir en profundidad. Esta tecnología nos permitirá ofrecer un servicio asesor a nuestros agricultores donde el conocimiento de unos, ayudará al rendimiento de otros.” 

Es verdad que para llegar a obtener estos resultados Smartup ha tenido y tiene que bucear en cientos de miles de datos, captarlos, limpiarlos y transformarlos. También es verdad que se necesita crear una arquitectura específica para la ingesta recurrente de datos y el aprendizaje automático, conocido también como Machine Learning. Pero, el éxito de este proceso en particular no estará en la propia tecnología sino en cómo el hombre se hace uso de ella para, en este caso, ofrecer su conocimiento a sus iguales y así mejorar como comunidad. Éste sí es un buen ejemplo de la nueva economía colaborativa.

Javier Ramos Turrión

Business Developer Manager en Smartup