Que las máquinas aprendan y sean capaces de resolver problemas co- mo los seres humanos es un desafío. Esto es posible y, según el tipo de problema y el dominio de aplicación, hay modelos computacionales de inteligencia artificial que tienen altas tasas de éxito.
Georgina Stegmayer, investigadora del CONICET y la Universidad Nacional del Litoral, describió los proyectos cercanos al sector productivo que desde la investigación realizó en la provincia de Santa Fe, en colaboración con INTA.
Ella trabajó en la mejora del tomate, que permitió integrar en una webdemo, disponible "on line", una muy variada cantidad de información en relación al cultivo. En el caso de los cítricos, un trabajo para la detección de enfermedades como sarna, mancha negra y cancrosis, usando un modelo neuronal, permitió altísimas tasas de reconocimiento de las enfermedades.
Por su parte, Miku Jha, fundadora y CEO de "AgShift", describió las tareas de su empresa fundada en el año 2016: "Nos enfocamos en la evaluación de calidad de los alimentos, con el fin de aportar todas las innovaciones a la solución de los desafíos y brindar respuestas a los problemas de la vida real". Específicamente, AgShift atiende la calificación y la evaluación de los alimentos y hace frente de forma realista al desperdicio de alimentos, para tres categorías específicas: frutos rojos, nueces comestibles y frutos de mar.
Jha afirmó: "Hoy estamos en condiciones. Ya no es una idea, un concepto; es algo que está en aplicación comercial".
¿Cómo evaluar un camión lleno de frutillas con una cosecha de muy buena calidad? ¿Y los arándanos, en donde deben hasta contarse la cantidad por caja? "En la postcosecha de la fruta, la frutilla va a una planta de procesamiento y atraviesa una evaluación de calidad porque el transportador debe aceptar o rechazar ese envío y definir un precio justo", explicó Miku.
Esa evaluación de calidad está en manos de personas que verifican cientos de frutillas por cada inspección diaria: "Consume mucho esfuerzo, tiempo, es proclive a errores ya que dependemos del ojo humano y de la pericia de quien esté a cargo del trabajo. Nuestra idea es aumentar la interpretación humana con el uso de cámaras especiales".
Internamente, el analizador de la herramienta tiene cámaras poderosas que toman imágenes desde múltiples ángulos. Eso se procesa en algoritmos informáticos, se cargan las muestras al analizador, una pantalla táctil da la opción de iniciar la inspección, se generan resultados e indica cuestiones como hongos, color, abolladuras. Esto permite automatizar por completo el proceso de evaluación, logrando una evaluación de calidad en California o en Rosario, ya que dará exactamente el mismo resultado.
Las empresas de su organización procesan 700.000 toneladas de castañas de Cajú cada año. "Imaginen al inspector que debe hacer esto cada vez, para 23 defectos que debe examinar", advirtió la directiva.
Se reduce el tiempo general de la evaluación, se elimina el recuento manual y se bajan los costos. Pero, sobre todo, las organizaciones pueden afirmar que lograrán resultados coherentes para el origen de la calidad de los alimentos.
En relación al desperdicio, Jha comentó: "Si logran detectar el primer punto en el que se produce el daño en la fruta, ya no tendremos la frutilla podrida que hará que se rechace todo el envío; tal vez se deberá vender en los mercados secundarios, pero no se desperdiciará".
