Optimiza aspectos como cuaja, rendimiento, calibre y calidad en cultivos de cereza. En el ámbito pesquero permitiría una actividad extractiva sustentable y en el forestal bajar riesgos, subir ganancias y evitar daños por millones de dólares.
Un caso concreto de cómo mejorar la eficiencia y los costos de producción a través de modelos predictivos basados en Bigdata presentó ayer Fedefruta ante sus asociados.
En particular, se expuso sobre el caso de las cerezas, sin embargo, se trata de una oportunidad no solo para la industria de la fruta, sino que también para el ámbito forestal y pesquero de la Región del Biobío, entre otros.
Si se considera la actual escasez de mano obra y la lenta recuperación del empleo tras la pandemia, aprovechar la ciencia y las nuevas tecnologías se vuelve casi un imperativo para los actuales sistemas de producción con miras a mejorar las actuales expectativas económicas.
Cedida.
El caso de las cerezas
De acuerdo con José Miguel Figueroa, ingeniero agrónomo de la PUC, consejero de Fedefruta y gerente de nuevos proyectos de CER Analytics, el uso de modelos predictivos basados en Bigdata “buscan ser una herramienta técnica y táctica para una buena toma de decisiones en el cultivo del cerezo”.
Además, explicó que la propuesta que desarrolla CER Analytics nació hace tres años en el centro de Investivación donde se vio la posibilidad de ocupar herramientas de Bigdata para modelar ciertas variables productivas de interés.
Otro punto relevante para Figueroa es que se busca entregar una nueva mirada que supere la monofocal y bajo criterios inciertos y mejorar una baja o casi nula fiscalización de los datos.
Jorge Valenzuela, presidente de Fedefruta, también destacó la importancia de ir incorporando modelos predictivos basados en Bigdata en la industria, como una manera de optimizar las proyecciones de desarrollo de su sector e ir expandiendo las exportaciones.
Entre los beneficios que oferta el proyecto, según Figueroa, hay que considerar acceso a una plataforma especializada, protocolos para la toma de muestras, recomendaciones de muestreo según datos satelitales, acceso de apps de conteos, fiscalización de datos y reportes actualizados de datos y labores.
Sector Pesca y Forestal
Tras ser consultada por este medio, Marcela Varas, directora del Departamento de Ingeniería Informática y Ciencias de la Computación de la Universidad de Concepción, comenta otras aplicaciones de los modelos predictivos y uso de Bigdata en el ámbito regional.
En términos generales, plantea que explotar la gran cantidad de datos disponibles es una forma obvia de rentabilizar este capital.
“Los modelos predictivos pueden apoyar distintos objetivos de las áreas industriales, por ejemplo, sin conocer bien la industria pesquera, considero que estos análisis permitirían anticiparse a contextos climáticos para prevenir o manejar la sobreexplotación de recursos pesqueros, de modo de mantener una actividad extractiva sustentable, predecir el movimiento de cardúmenes, corrientes y vientos. Además de manejar el comportamiento de las poblaciones para determinar cuotas adecuadas de pesca y no agotar el recurso”, señala la directora.
En el caso de la industria forestal, expresa que tenemos ejemplos concretos en el caso de la gestión del patrimonio a través del análisis de datos de imágenes aéreas y satelitales, que permiten predecir el volumen de fibra en los distintos predios forestales.
También, a través del análisis de imágenes y modelos predictivos, se detectan focos de incendios forestales que facilitan su oportuno control, apoyando el trabajo permanente de los distintos actores en ese tema. Datos metereológicos, datos gps de los movimientos de brigadas forestales (de faenas y combates de incendio), de transporte, de interacción con los sistemas informáticos, etc., permiten tener un adecuado control de gestión por un lado, y predecir oportunidades y riesgos, de modo de tomar acciones para aumentar las ganancias o minimizar los riesgos.
Agrega que los modelos predictivos permiten anticipar daños patrimoniales de millones de dólares, y detectar acciones fraudulentas, como el robo de madera. “Muchos fraudes son detectados por modelos de aprendizaje automático que detectan comportamientos anómalos”, concluye.