Investigadores realizan compendio sobre uso de 'machine learning' en ganadería

Como parte de su doctorado en la Universidad Eafit, Rodrigo Jr. García Hoyos y su equipo lideraron una investigación donde concluyeron que a pesar de los avances en el uso de inteligencia artificial y machine learning en el sector agropecuario, todavía hace falta profundizar en otros aspectos, como la producción de carne.

El también ingeniero de sistemas y docente de la Universidad del Sinú explicó que la publicación de este estudio es el primer logro dentro de una investigación mucho más grande para su doctorado de Ingeniería que incluye estas herramientas.

“Vamos a utilizar inteligencia artificial y técnicas avanzadas en estadísticas, entre muchas otras, para mejorar la productividad en ganadería de levante y ceba”, precisó. (Lea: ¿Qué es el Machine learning y cómo se ha empleado en investigaciones en ganadería?)

El trabajo lleva el título “A systematic literature review on the use of machine learning in precision livestock farming” (“Una revisión sistemática de la literatura sobre el uso del aprendizaje automático en la ganadería de precisión”).

Fue realizado en conjunto con José Aguilar, Mauricio Toro, Ángel Pinto y Paul Rodríguez, que trabajan en diferentes centros educativos como la Universidad Eafit, la Universidad del Sinú y la Universidad de Los Andes en Mérida (Venezuela).

De acuerdo con García, esta primera aproximación consistió en consultar en diferentes portales académicos los trabajos que se han adelantado en la aplicación de machine learning (ML) en el sector agropecuario, pero específicamente en relación con ganadería de precisión.

En esta revisión bibliográfica de numerosas investigaciones realizadas a nivel mundial, centradas en las áreas de pastoreo y salud animal, comprobaron que no hay tanta información sobre ganadería de ceba y levante. (Lea: Vacas conectadas, la ganadería 4.0 llega a granjas españolas)

“No han trabajado tanto en la ceba y levante. Además de eso, no toman en cuenta variables que son importantes como el forraje o el suelo, ni existe un trabajo en conjunto de la salud animal. Nosotros pretendemos hacer un sistema holístico que refleje que todo está conectado”, dijo.

De este modo, el trabajo destaca las oportunidades para el ML en el sector ganadero, hace un compendio de los sensores, software y técnicas actuales para el análisis de datos, al igual que detalla la creciente apertura de las fuentes de datos.

El uso de ML se encuentra en una etapa de desarrollo y tiene varios desafíos de investigación, como el desarrollo de modelos híbridos de diagnóstico y prescripción como herramienta para la prevención y control de enfermedades animales o aunar los temas de pastoreo y salud animal.

Otros desafíos incluyen dar autonomía a la ganadería de precisión mediante ciclos autónomos de tareas de análisis de datos y metaaprendizaje. (Lea: Así contribuyen las herramientas tecnológicas al desarrollo del agro 4.0)

Finalmente, los autores evidenciaron que se deben agrupar las variables de suelo, pasto, condiciones climáticas, entre muchas otras, porque, tanto para la salud animal como para el pastoreo, las variables utilizadas son solo de comportamiento y ambientales.

“Todo este conjunto de variables reunidas en un sistema permitirá tomar las mejores decisiones. Por ejemplo, cuál es el punto óptimo para hacer una rotación dependiendo de la cantidad de forraje o si es mejor trasladar un animal de un hato a otro porque no está respondiendo como debería”, señaló.

Como lo mencionó más arriba, este es un primer logro en su igualmente primer año de doctorado, pero sin duda es uno muy importante. El artículo fue admitido en la revista “Computers and Electronics in Agriculture” del editorial Elsevier, la mayor editorial de libros de medicina y literatura científica del mundo.

La tasa de aceptación es de 24 % (apenas 1 de cuatro trabajos son publicados), lo que da cuenta de la aceptación que podría generar en el ámbito académico y científico. Por ahora, a García aún le restan otros cuatro años en los que adelantará una investigación aun más amplia para elaborar el sistema que pretende entregar.