REVISTA BIMESTRAL
FEBRERO - MARZO 2019 I NUMERO 160
AG TECH EN SILICON VALLEY FORUM
» Capacitaciones

 

Sumando pensamiento neuronal
a la empresa agropecuaria



 
.
   
Georgina Stegmayer
Investigadora. CONICET. UNL
 
   

Se enfocó en el tema de Inteligencia Artificial vinculada con el sistema productivo y con el reconocimiento de enfermedades en cultivos. La robótica es una de las tantas ramas de la Inteligencia Artificial.
Es un área de desarrollo, que hace que una máquina pueda emular, pensar, razonar o aprender como un ser humano.

Al momento de resolver problemas lo que nos diferencia a los seres humanos reales de una computadora y las capacidades por ejemplo aprendizaje, generalización, adaptabilidad, experiencia, razonamiento, la captura de datos, se analizan como se pueden combinar y que capacidades se pueden usar para una inteligencia artificial.

 
 

Estamos todavía lejos de los autos auto tripulados pero hay otras tareas en las que los modelos computacionales particularmente los de inteligencia artificial están muy cerca de resolver. Uno de sus proyectos de trabajo fue en colaboración entre investigadores del Instituto de Investigación en Señales e Inteligencia Computacional de Santa Fe y el INTA para distintos tipos de mediciones en tomates, tanto agronómicas como de tamaño, contenido y calidad. Un tema importante es el abordaje de la Big data que existe; los modelos de Inteligencia artificial y de machine learning resuelven este tipo de problemas.
Había que integrar un montón de mediciones de diferente tipo y se desarrollaron modelos computacionales que son capaces de integrar información para poder extraer conclusiones o hacer hipótesis -en el caso de este proyecto biológicas-, que llevaran a experimentos que podrían verificar o no cuestiones que tenían que ver con el posible mejoramiento del fruto del tomate.

Diseñaron un modelo neuronal en redes neuronales artificiales que tratan de imitar la forma humana de usar las neuronas humanas reales y entonces desarrollaron un modelo basado en redes neuronales artificiales para el descubrimiento de relaciones ocultas en una gran cantidad de información muy heterogénea que eran datos finos genómicos y fenotípicos de calidad de tomate con el objetivo de poder encontrar relaciones ocultas en una gran cantidad de información muy diferente y que pudiera llevar a largo plazo eventualmente a un mejoramiento del fruto del tomate para descubrir qué es lo que hace que pueda durar más mientras es transportado hasta que llega al supermercado y que siga fresco mientras está en góndola, etc.

A partir de ese modelo se hizo una herramienta web que está disponible online porque todas estas investigaciones son públicas para que tuvieran acceso las empresas que quisieran hacer futuras colaboraciones como los otros investigadores que trabajaban con este tipo de modelos.
Es un modelo computacional por el que corre software, se agrupan y relacionan los datos en el caso de este proyecto con características fenotípicas del producto que se está analizando.

Mostró otro ejemplo vinculado a la detección de enfermedades en cítricos en colaboración con investigadores del Inta para detectar inicialmente sarna, mancha negra y cancrosis a partir de imágenes de frutos de estos cítricos, para prevenir problemas en las inspecciones para las exportaciones.
Es un gran desafío que puede resolverse desde la inteligencia artificial particularmente desde los modelos neuronales basados en neuronas artificiales que tratan de imitar la forma de razonamiento de las neuronas humanas.

En este caso no se trabajó con imágenes sino desde planillas que tenían descripciones de las características que se veían en ese momento en la inspección de un lote: coloración, relieve, contorno, textura del fruto, etc. Con este modelo lograron tasas de reconocimiento muy altas en relación a otros y se llegó hasta lograr una herramienta web.



 
.
   
Miku Jha
Fundadora y CEO de AgShift
 
   

Es socia fundadora y CEO de una compañía que se centra en la tecnología destinada a la evaluación de calidad de los alimentos con el fin de aportar todas las innovaciones que se dan en el Silicon Valley para resolver los desafíos más complejos que se encuentran en el ecosistema de los alimentos.

Fundó la empresa en 2016 teniendo como visión que toda la tecnología e innovación que se produce en Silicon Valley pudiera adaptarse a resolver algunos problemas de la vida real como la calificación y la evaluación de los alimentos para que sean mejor para toda la cadena de abastecimiento y el segundo problema es cómo usar la tecnología para hacer frente de forma realista a la reducción del desperdicio de alimentos.

 
 

Hoy estamos en condiciones de reunir muchos componentes tecnológicos de los que ya se ha hablado en sesiones precedentes como la informática, inteligencia artificial, aprendizaje; han reunido varios componentes con miras a solucionar problemas de la vida real y ya no es una idea o un concepto, es algo que está en desarrollo como una aplicación comercial. Trabajan con tres categorías específicas de alimentos: frutos rojos frescos, nueces comestibles y comenzaron también con frutos de mar como calamar fresco. Se les aplica la innovación a estos productos básicos o commodities y se realiza la evaluación de los alimentos. Por ejemplo para el caso de un camión de frutillas que se transporta a una planta de procesamiento el primer paso que se atraviesa es una evaluación de calidad porque el transportador debe determinar si va a aceptar o rechazar ese envío y cuál es el precio justo para el envío que debe pagarle al productor.

El proceso de evaluación de los alimentos está en manos de personas que tienen que verificar cientos de frutillas por cada inspección por día y es una tarea que consume mucho tiempo, mucho esfuerzo y es proclive a errores y a otros problemas porque depende de dos cuestiones: del ojo humano y también de la pericia humana que según sea la persona encargada del trabajo hay mucha variación con respecto a los resultados. La idea es aumentar a través de la cámara y de las visiones poderosas la interpretación humana a través de la inteligencia artificial. Consiste en redes neuronales de aprendizaje profunda y cuando se vincula y combina se logra el analizador que consiste en Internet de las cosas más inteligencia artificial para evaluación de la calidad, todo integrado en una sola unidad. El sistema es un dispositivo de Internet de las cosas con lo cual internamente tiene cámaras poderosas de aprendizaje profundo que toman imágenes desde múltiples ángulos, se procesa en algoritmos informáticos y las imágenes pasan a la nube donde se las alimenta a módulos de aprendizaje profundo que están preparados para realizar la evaluación de calidad o de defectos.

Las muestras se cargan al analizador y hay una pantalla táctil donde está la opción de iniciar la inspección. Se toman imágenes que se cargan al módulo de aprendizaje profundo, generan resultados como para el ejemplo mencionado que se han identificado problemas de hongos, o que las frutillas no están en perfecto estado y ésto permite automatizar por completo el proceso de evaluación.

En primer lugar el proceso se ha vuelto mucho más objetivo de esta forma que la práctica actual porque si evaluamos en una caja de frutillas el tamaño promedio de la fruta o la distribución del color de esa muestra tendríamos tantos resultados como personas que la realizan, en cambio ahora son los ojos de la red neuronal que es un sistema informático muy poderoso y el resultado es el mismo sin depender quien o donde se realiza y esta posibilidad conlleva mucho poder para una organización cuando se trata de las evaluaciones de la calidad de los alimentos. Trabajan con las Castañas de Cajú y están usando la evaluación automatizada como categoría de las nueces comestibles, con modelos de inteligencia artificial. Trabajan con procesamientos de 700 mil toneladas de castañas de cajú anuales y evaluando 23 defectos que en el caso de las frutillas son cuatro o cinco solamente. Aquí se puede mezclar la visión informática, la analítica, la inteligencia artificial y la internet de las cosas para que esta evaluación sea más eficiente y más coherente.
Mencionó otros ejemplos como los arándanos y los calamares señalando la eficiencia y reducción del tiempo general de la evaluación.

En comparación a las prácticas actuales, ahorra a las organizaciones una cantidad de horas de trabajo enorme, además de lograr resultados coherentes para determinar el origen y la calidad de los alimentos. Es muy importante para las empresas evitar estos defectos para proteger a los consumidores y a la marca y evitar el desperdicio identificando la muestra con problemas.
Si hay un problema en la cadena de abastecimiento entre la granja y el consumidor los productos atraviesan transportadores, distribuidores y envasadores y si existe un problema en el primer punto de la cadena, después se va a rechazar todo el envío. Con el analizador se puede reducir el riesgo del alimento simplemente porque se cambia el proceso de la inspección propiamente dicho.

Para el caso de los calamares, si pasamos por alto una posibilidad de enfermedad podemos llegar a pensar en una intoxicación, es mucho más importante aplicar estas soluciones entonces por ejemplo a frutos de mar. Señaló que la tecnología es la misma que se emplea en autos autónomos. En lugar de vender autos autónomos, pueden lograr frutillas autónomas es decir, automatizar a las frutillas para que vayan solas de la misma manera que se puede automatizar un auto para que funcione solo. Así como han tenido socios y aliados como IBM y Google, quiere explorar la posibilidad de alianzas y asociaciones con Universidades en Argentina y trabajar en conjunto para hacer muchas más cosas desde la perspectiva de la solución.

Actualmente son una startup en la etapa de “semillero”. Todavía la inteligencia artificial y en particular el aprendizaje profundo han logrado muchas cosas pero estamos en una etapa muy incipiente de inteligencia artificial. Gracias a la IA hemos podido tener autos autónomos pero todavía en la calle no estamos listos para funcionen solos.

Esta etapa incipiente requiere mucha colaboración de científicos en la búsqueda de datos y que mucha gente de distintas disciplinas se reúna para poder trabajar en conjunto y lograr los resultados buscados.