Donde ocurre la magia: combinación de datos y ciencia de las plantas

Dado que esta práctica es bastante nueva, observo que existen muchos conceptos erróneos y suposiciones sobre la combinación de la ciencia de las plantas con la ciencia de los datos y la introducción de nuevas tecnologías en el invernadero. A continuación comparto algunos de los principales conceptos erróneos (y las verdades) que me encuentro con frecuencia.

1. Concepto erróneo: "Mi intuición es acertada. No necesito utilizar nuevas tecnologías ni aplicar la ciencia de datos en mi empresa".
   
   Verdad: No hay duda de que los datos y la IA pueden ser muy útiles para una empresa: los algoritmos inteligentes pueden identificar correlaciones de forma eficaz y la tecnología de datos tiene la capacidad de registrar datos históricos. Sin embargo, se necesita una buena combinación de ciencia de plantas y de datos. Esto significa que hay que tener en cuenta la experiencia de los agricultores. Las predicciones, sugerencias y recomendaciones no son más que un apoyo basado en datos. Me gusta utilizar la metáfora de un piloto en un avión. Actualmente, gran parte del trabajo del piloto lo hace un ordenador. Sin embargo, el piloto sigue siendo esencial para tomar las decisiones reales y con conocimiento de causa. Incluso los productores con más éxito pueden recurrir de vez en cuando a la información, los datos y las predicciones. Cada vez vemos con más frecuencia que distintas empresas de invernaderos aplican la ciencia de datos para mejorar la estrategia de cultivo.
   
   
2. Concepto erróneo: "Los modelos genéricos de plantas y ciencia de datos son válidos para todos los productores".
   
   Verdad Cada agricultor es diferente y hay que tener en cuenta su información específica y sus condiciones de cultivo. Cada ubicación y tipo del invernadero (iluminado o no) y tipo de sustrato, etc. es único. Esta variedad afecta directamente al crecimiento y al rendimiento. Es esencial modelar los datos de forma personalizada y trabajar con el programa adecuado. un vistazo a nuestra propia plataforma de datos e-Gro, que puede ayudarle a analizar y personalizar sus datos en tiempo real.
   
   
3. Idea errónea: "En cuanto empiece a trabajar con ciencia de datos e IA, veré resultados inmediatamente".
   
   Verdad: la suposición de que se te presenta una solución una vez que los datos se han introducido en el modelo. Como puede imaginar, no es tan sencillo. Aunque se pueden realizar análisis descriptivos inmediatamente, los análisis predictivos (el uso de datos para hacer previsiones) y los análisis prescriptivos (el uso de datos para tomar mejores decisiones) llevan más tiempo. Por lo general, es necesario recopilar datos durante al menos una temporada de cultivo y se requieren muchos conocimientos, experiencia y habilidades en ciencia de datos. Los datos necesitan mucha preparación, procesamiento, selección de las características existentes y adición de otras nuevas (ingeniería de características). Lo más valioso no son los datos en bruto, sino la información refinada. Aquí es donde también entran en juego los macrodatos y la importancia de trabajar con las personas adecuadas. Más información en mi próximo artículo sobre consejos para el éxito.

Realidad: El comportamiento de las plantas en la "vida real" podría diferir considerablemente de los modelos teóricos de fisiología vegetal, ya que en el cultivo intervienen muchos factores externos e inesperados, como condiciones climáticas extremas, fluctuaciones de precios, plagas y enfermedades, cuestiones laborales, etc. Lo que puede ser válido en un entorno de tipo laboratorio no funcionará directamente en la vida real (una talla no sirve para todos). Esto también funciona a la inversa. No se puede dar por sentado que los modelos y recetas genéricos conocidos de la ciencia de datos funcionarán directamente en las plantas. Estos modelos predictivos deben personalizarse en función del conocimiento de las plantas y de las prácticas específicas de la horticultura.

5. Concepto erróneo: "Basta con contratar a un científico de datos y a un desarrollador para hacer el trabajo".

Verdad: Como se ha mencionado, es muy importante trabajar con las personas adecuadas, ya sean subcontratadas o internas. Un equipo para desarrollar un producto de ciencia de datos valioso debe contener científicos de datos adecuados, desarrolladores, expertos en dominios (múltiples), gestores de productos y diseñadores de experiencia de usuario, con el fin de asegurarse de que es capaz de desarrollar buenos algoritmos. Sugiero encontrar una plataforma establecida que te proporcione un equipo completo con el que trabajar. Además de esto, se necesitan muchos datos buenos del Invernadero para construir algoritmos impactantes, por favor lee mi próximo artículo sobre cómo obtener lo mejor de tus datos del Invernadero.

¿No sabe por dónde empezar? Mi consejo sería que primero aprendiera los fundamentos de la ciencia de datos y consultara a las personas adecuadas. Para ello es necesario leer libros y artículos relevantes, manejar datos de forma práctica y probar por ensayo y error. Yo recomendaría seguir el mayor número posible de grupos relacionados con la ciencia de datos, el aprendizaje automático, la IA, la ciencia de las plantas y la horticultura. Grodan es también un gran recurso de información e inspiración. No dude ponerse en contacto conmigo preguntas, comentarios, ideas o sugerencias. ¿Quiere saber más? Lea más consejos prácticos en mi próximo blog.

Más información

E-Gro: La plataforma de software de Grodan, que ofrece información en tiempo real y recomendaciones inteligentes basadas en la zona radicular, el clima, el cultivo y los datos de la cosecha. IoT en la agricultura: Una ventaja para todas sus actividades agrícolas