IA en el agro: aprender a mirar antes de decidir

La calidad de una aplicación depende de múltiples variables y no existe una cobertura única ideal para todas las situaciones. La cantidad de impactos necesaria varía según el blanco, el modo de acción del producto y la adversidad a tratar. Por eso, además de definir una estrategia de aplicación, es necesario verificar qué ocurrió efectivamente en el lote y hacer un diagnóstico preciso.

Las tarjetas hidrosensibles son una de las herramientas más difundidas para evaluar la cobertura, medir el tamaño de gota y controlar la deriva en aplicaciones de fitosanitarios. Se trata de papeles amarillos que se tiñen de azul al recibir las gotas y que ubicados en distintos estratos del canopeo o a lo ancho del botalón, permiten estimar la cantidad de impactos por unidad de superficie y su tamaño.

El desafío aparece al momento de leerlas. El conteo visual con lupa, en cuatro o cinco sectores de cada tarjeta, puede resultar laborioso y depende de la interpretación de quien analiza la tarjeta. A esto se suma que una mancha grande no necesariamente representa una única gota, puede ser el resultado de varios impactos que se tocaron.

La aplicación HydroReader, de Cuthill SA, propone automatizar esta lectura mediante inteligencia artificial. Pero el desarrollo no comenzó con la elección de un algoritmo, sino con una pregunta aparentemente sencilla: ¿qué debe reconocer el modelo como una gota?

Los métodos tradicionales, basados en diferencias de color y detección de contornos, resuelven bien los impactos aislados, pero encuentran dificultades frente a agrupaciones de varias gotas pequeñas (Fig. 1). Si el sistema las interpreta como una sola, subestima el número de impactos y modifica la distribución de tamaños.

Para responder a la pregunta, especialistas delimitaron los impactos sobre imágenes de tarjetas hidrosensibles y señalaron también las zonas en las que varias gotas se superponían. Esas anotaciones conformaron la “verdad de referencia” utilizada para entrenar y evaluar el modelo.

Cada anotación indica dónde termina un impacto, dónde comienza otro y cuándo la evidencia permite separarlos. La tarea requirió establecer criterios comunes, revisar desacuerdos y depurar los ejemplos. Es que la calidad de los datos es tan importante como su cantidad; una separación incorrecta puede transmitir al modelo un criterio equivocado.

La inteligencia artificial utilizada en este caso funciona, entonces, a partir de ejemplos. En lugar de programar una regla rígida para definir qué es una gota, el modelo aprende patrones presentes en las imágenes y ajusta sus parámetros para reproducir las delimitaciones realizadas por los especialistas.

Un modelo puede obtener buenos resultados sobre las imágenes que utilizó durante su entrenamiento y, sin embargo, tener dificultades frente a tarjetas nuevas. Por eso, una parte del conjunto de imágenes de prueba de imágenes debe reservarse para evaluar su capacidad de generalización y detectar el sobreajuste, es decir, el riesgo de que el modelo se haya “aprendido las respuestas de memoria”.

Además de comparar las predicciones con las referencias, se analizaron errores importantes para el uso agronómico: impactos pequeños que no fueron detectados, gotas diferentes que quedaron unidas o una misma mancha que fue dividida en varios “gajos”. Es por ello que, además de medir la coincidencia con la referencia, se compararon el conteo, la distribución de tamaños y los errores visibles mediante revisión humana. Esos casos permiten identificar problemas, incorporar nuevos ejemplos y volver a entrenar el modelo. Así, el desarrollo se convierte en un proceso iterativo de evaluación y mejora.

El paso siguiente fue integrar el modelo en un flujo de trabajo desde el teléfono. Con HydroReader, el usuario fotografía la tarjeta, ajusta el encuadre y selecciona regiones representativas para el análisis. La calidad de la captura sigue siendo determinante. Una imagen borrosa, una iluminación deficiente o una selección poco representativa pueden limitar los resultados.

La productivización también implicó optimizar y traducir las predicciones del modelo en resultados agronómicos interpretables. La aplicación transforma el procesamiento de la imagen en información agronómica como número de impactos por centímetro cuadrado, un histograma de tamaños y parámetros como los diámetros volumétricos -DV0.1, DV0.5 y DV0.9-, junto con la imagen procesada para que el usuario pueda inspeccionar las detecciones (Fig. 2).

El desarrollo no terminó en una única versión. En un ciclo de mejora continua, las observaciones de uso, los errores detectados y la incorporación de nuevos ejemplos, tarjetas y condiciones de captura diferentes van dando lugar a sucesivas iteraciones del modelo.

La inteligencia artificial puede facilitar el análisis de grandes cantidades de información y automatizar tareas que demandan tiempo. En este caso, permite procesar imágenes de tarjetas hidrosensibles y convertirlas en indicadores que ayudan a evaluar una aplicación.

Pero automatizar una lectura no significa eliminar la necesidad de interpretación. Como cualquier modelo, su desempeño depende de los datos con los que fue entrenado, de las condiciones en las que se utiliza y de la calidad de la información que recibe.

Un caso reciente mostró las posibles consecuencias de la confianza en la IA. Un productor consultó a una aplicación de IA sobre cómo controlar malezas y plagas en un cultivo de sésamo. El sistema propuso una estrategía que incluía un herbicida no apto para ese cultivo. La recomendación se llevó a cabo, con negativas consecuencias. Este caso refleja el llamado “sesgo de automatización”, o la tendencia a aceptar una recomendación por el solo hecho de provenir de un sistema tecnológico.

Una regla práctica es aumentar el control junto con la escala, el costo y la irreversibilidad de la decisión. La IA puede ayudar a organizar información o señalar un caso para revisar, pero una recomendación que involucra fitosanitarios o una intervención generalizada exige validación técnica y contextual.

El desafío no es elegir entre inteligencia artificial o conocimiento humano, sino construir sistemas en los que cada uno aporte aquello que puede hacer mejor. Una herramienta no se vuelve confiable porque nunca se equivoque, sino porque sus errores pueden ser detectados, comprendidos y corregidos antes de transformarse en una decisión costosa.

La clave está, entonces, en combinar las capacidades de la tecnología con el conocimiento agronómico. Usar la IA para mirar más y mejor, sin reemplazar el criterio necesario para decidir.