No me convertà en agricultor hasta los 37 años. Y hasta ese momento, tengo que admitir que ni siquiera estaba muy interesado en ello. En las primeras etapas de mi carrera, pensé que querÃa llegar a lo más alto de la escala corporativa. No llegué a la cima, y ahora ya no quiero hacerlo, pero aprendà algunas cosas en el camino, algunas cosas que me hacen ver la agricultura y el AgriTech de manera un poco diferente a los demás, al parecer.
Durante muchos años trabajé en la digitalización de las industrias del petróleo y el gas, las energÃas renovables y el transporte marÃtimo. Desde 2010, dimos pequeños pasos en el análisis de big data, el aprendizaje automático, el Internet de las cosas, las plataformas de datos y la economÃa de las API. Como sucede con los nuevos ciclos de exageración tecnológica, no todo fue tan fácil de implementar como parecÃa en la etapa de ideación. Y ahora que observo que estos mismos temas aumentan en popularidad en el espacio AgriTech, no puedo escapar de la sensación de déjà vu.
Digitalización en otras industrias
Como ilustra el gráfico, la mayorÃa de las otras industrias han alcanzado un mayor nivel de digitalización y, naturalmente, la agricultura se inspira en esto. Sin embargo, inspirarse en esto es una equivocación.
La digitalización puede significar muchas cosas diferentes, pero la mayor parte de lo que veo que ocurre en el espacio AgriTech ahora es heredado de otros sectores industriales: se trata de sensores, satélites, drones y cámaras que generan flujos de datos que pueden ser analizados y utilizados para la toma de decisiones. TodavÃa no se trata de nuevos e inteligentes modelos de negocio, lo que sólo significa que el espacio AgriTech todavÃa no está muy maduro.
Asà que estamos en la misma etapa que cuando comencé a trabajar con los mismos temas en esas otras industrias. Excepto que, en aquel entonces, al menos el objetivo era bastante sencillo: querÃamos predecir y solucionar los problemas antes de que ocurrieran, evitando asà el tiempo de inactividad.
El petróleo y el gas se convierten en aprendizaje automático
Imagina un gran barco de perforación, perfora agujeros a miles de metros debajo del fondo marino, por lo que se puede producir petróleo y gas. Cuesta alrededor de 250 000 dólares al dÃa, y cualquier tiempo de inactividad significa directamente costes adicionales y retrasos. El valor de predecir un problema temprano es extremadamente grande.
Para ser muy concretos, la «digitalización» aplicada a este buque de perforación significaba lo siguiente: hay aproximadamente 10 000 sensores a bordo, siendo los tipos de sensores más destacados los de vibración, temperatura y presión. Estos sensores constituyen la principal fuente de datos para predecir fallos, y su análisis requiere 5 pasos:
- Conseguir que todos los datos sean comunes: esto es difÃcil porque hay sistemas de muchos proveedores y los datos se encuentran en silos.
- Crear matriz de correlación: esto es difÃcil porque requiere una gran capacidad de procesamiento para analizar relaciones de 10 000 por 10 000.
- Identificar modos de fallo reconocibles – esto es fácil; ya hay bases de datos para esto.
- Conectar modos de fallo con patrones de datos: esto es difÃcil porque requiere grandes conjuntos de datos de experiencia.
- Encontrar patrones de datos: esto es difÃcil porque requiere análisis «en vivo» por parte del equipo usado (no en la nube).
En otras palabras, es difÃcil hacer realidad las promesas hechas, por lo que no se está materializando a la velocidad esperada.
Aun asÃ, el AgriTech se inspira en estos otros sectores industriales y parece intentar hacer las mismas cosas. En muchos sentidos, es mucho más fácil hacer estos 5 pasos para un tractor u otra maquinaria agrÃcola que para la citada nave de perforación. No tienen diferentes proveedores, la matriz de correlación es mucho más pequeña, los modos de fallo son menos, y el cálculo por parte del equipo es un esfuerzo menor.
La redundancia inherente es mucho más fácil
Sé que a John Deere le gusta presentar sus tractores como máquinas grandes. Pero es importante observar que son lógicamente pequeños. Con esto quiero decir que la mayorÃa de los agricultores tienen varias máquinas que hacen el mismo trabajo, y su elección del tamaño y la cantidad de máquinas es el resultado de optimizar la capacidad del trabajo, la flexibilidad del trabajo y la redundancia. Si una máquina tiene tiempo de inactividad, esto rara vez se traduce directamente en una productividad agrÃcola reducida.
En comparación, dos buques de perforación pequeños nunca podrán hacer el mismo trabajo que los grandes.
Soy agricultor. Esto significa que mi principal preocupación es la productividad de mis campos, no si mi tractor funciona. Por ejemplo, quiero saber por qué un campo tiene una floración dispersa y cómo solucionarlo para poder producir más manzanas. Las lecturas de las vibraciones y el estado de los rodamientos de mis tractores nunca influirán directamente en esto.
Es entonces cuando el AgriTech sugiere que apliquemos la misma lógica a la propia finca. Instalemos más sensores, hagamos más fotos y analicemos. Esto plantea otra preocupación. ¿Cómo vamos a generar suficientes datos para conectar los modos de fallo con los modelos de datos? ¿Cómo obtener suficientes datos de la experiencia para aprender de ella?
Aprender cada segundo frente a cada año
Hagamos otro ejemplo de barcos perforadores. Hay muchas válvulas a bordo, cuyo trabajo es dejar pasar o no el fluido. Pueden abrirse y cerrarse cada segundo, cada minuto o cada dÃa, y cada vez completa un ciclo operativo del que se puede aprender. Para simplificar, una válvula especÃfica se abre y se cierra 1000 veces al año. Esta válvula tiene cien válvulas hermanas instaladas en otros lugares. En total, esto genera datos de experiencia de 100 000 ciclos operativos por año. Este es el tipo de conjunto de datos que necesitamos para crear la matriz de correlación y conectar los modelos de datos con los modos de fallo.
Mi explotación, como se ve arriba, genera un ciclo operativo por año, asà que sólo después de 100 000 años tendremos el mismo conjunto de datos de la válvula de ejemplo.
Claramente, este es un enfoque equivocado. La estacionalidad de la agricultura es un obstáculo para los intentos de digitalización en los que otras industrias están apostando.
Necesitamos encontrar una mejor manera de digitalizar la agricultura
No estoy diciendo que todas estas nuevas tecnologÃas no tengan un rol en la agricultura, pero el orden de implementación debe ser diferente. Los proveedores de tecnologÃa deben dirigir sus esfuerzos más hacia lo que los agricultores necesitan arreglar. Y los agricultores deben participar mucho más en el diálogo para obtener soluciones utilizables.
Quiero ver un futuro para la agricultura en el que la tecnologÃa ayude a automatizar los procesos agrÃcolas y respalde la toma de decisiones, pero no veo que eso suceda a través del aprendizaje automático de grandes flujos de datos y la detección remota. Creo que necesitamos desarrollar tecnologÃa que acerque a las partes interesadas de la industria y facilite el aprendizaje en partes más grandes de la industria. Al reunir los procesos de trabajo agrÃcola, el conocimiento, las observaciones y los puntos de datos, la tecnologÃa puede, con el tiempo, aprender cómo lo hacemos y luego guiarnos. Es paralelo a cómo Tesla desarrolló el piloto automático. Dejan que la tecnologÃa observe cómo conducen los humanos, luego trata de ayudar, y solo al final de eso llega la autonomÃa total. Y todavÃa no hemos llegado, ni para conducir ni para cultivar.
1: La Agricultura de Precisión no es lo que dicen que es
2: ¿Qué problemas resolverá la agricultura de precisión?
3: Reinventa la forma en que recopilas, organizas y utilizas tus datos
4: ¿Por qué calcular el retorno de inversion por campo es todavÃa un reto?
5: ¿Cuál es el mayor coste en agricultura? Mano de obra
6: ¿Cómo preparar tu explotación agrÃcola para el futuro? Comienza a automatizar la documentación.
7: La zonificación variable se traduce en más precisión en agricultura
