El HDG Survey Group prevé que la inteligencia artificial (IA) acabará desempeñando un papel importante en los controles de calidad, sin embargo, muchos usuarios no están aún preparados para dar ese paso. La calidad de la IA tampoco está aún a la altura. "Hemos observado que las aplicaciones disponibles no son capaces de controlar la calidad de manera adecuada y correcta. Además, la digitalización no está tan avanzada en todo el mundo como en Europa. Para lograr una mayor sensibilización en otros países, a veces es necesario dar un paso intermedio en el proceso de digitalización de sus productores", argumenta Bas Lok, director de innovaciones y análisis en HDG Survey Group.
Por eso, esta empresa con sede en Europa se centra en planificar correctamente el primer paso: la recopilación de datos. Aquí, la calidad de los datos es vital. "La recopilación de datos es crucial. Si no se hace correctamente, los datos pierden valor, lo cual, a su vez, reduce el valor de una predicción realizada por una aplicación de IA. Así que hay que asegurarse de que el software se utilice correctamente".
HDG Survey Group, por lo tanto, parte de análisis básicos como base para el desarrollo de soluciones más avanzadas. "La recopilación, visualización y análisis de datos es cada vez más importante para que los productores conozcan la evolución de un producto a lo largo del tiempo. Sin embargo, no todos los agricultores tienen dinero para adquirir el software de análisis más caro", matiza Bas.
"Ofreciendo análisis básicos —que se pueden desglosar por aspectos como la puntuación de calidad, la variedad, el productor o el origen—, esperamos que los productores se animen a adoptar soluciones tecnológicas más avanzadas. Es el primer paso hacia análisis mucho más amplios y una mejor base para mejorar la calidad y la seguridad alimentaria".
Recopilación de fotos
Bas explica que la empresa también está preparándose para introducir tecnología de IA. "Tomemos, por ejemplo, la capacidad de evaluar si una banana es verde o amarilla. Se necesitan muchas fotos para enseñarle al sistema de IA a determinar el color exacto basándose en una foto. En este momento, estamos catalogando todas esas fotos por observación. Una vez que dispongamos de la tecnología adecuada, podremos cargar miles de fotos directamente al sistema y este no tardará en ponerse en marcha. Nuestros inspectores tienen más de 40 años de experiencia, por lo que contamos con los expertos adecuados para entrenar a la IA sin errores", afirma.
Al entrenar a una IA, evitar errores es fundamental, porque el margen de error está directamente relacionado con la confianza en la IA, señala Bas. "La IA está aún en pañales, así que todavía no se puede confiar en ella. En la actualidad, apenas existen herramientas orientadas a manejar condiciones variables y a predecir siempre correctamente con una certeza del 80 al 90%. Por eso se hacen las cosas de forma que se puedan hacer correcciones para que el informe siga siendo correcto. Aunque lo ideal sería que los informes fueran siempre correctos al 100%".
Intervenir con los conocimientos adecuados
Bas Lok señala que modificar un sistema de IA es arriesgado. "Se necesitan personas con los conocimientos adecuados. Si se hacen correcciones erróneas, y eso pasa demasiado a menudo, el sistema de IA hará suposiciones incorrectas, y eso no hará sino empeorarlo", explica. Por tanto, para entrenar o corregir a un sistema de IA se necesitan conocimientos especializados. "Si no se dispone de conocimientos adecuados, se corre el riesgo de que los informes generados por el sistema sean cada vez menos fiables. Y que los informes de IA dejen de ser fiables porque son incorrectos con demasiada frecuencia, lo cual supone un riesgo para toda la cadena de suministro de frutas y hortalizas".
"Eso es de lo que carece todavía la IA: de suficientes conocimientos integrados en funcionalidades que la gente pueda usar directamente. Si una herramienta produce un informe negativo, la gente podría decir: 'No confío en la IA'. Lo más importante ahora mismo es lograr que este tipo de tecnología y los proveedores de software que la ofrecen (u ofrecerán) sean de fiar", considera Bas.
Coordinación en la cadena interna
Por eso Bas ve sobre todo a las empresas que controlan varios eslabones de la cadena de suministro como potenciales usuarias de la IA para el control de calidad, al menos a corto plazo. "Una empresa que, por ejemplo, cultiva e importa, puede implementar esta tecnología mucho más rápidamente. Utilizar la IA para controles de calidad a nivel interno ayuda a generar confianza. Creo que este tipo de uso despegará en los próximos dos años, pero seguramente se tarde mucho más tiempo para el resto del mercado. Creo que pasarán más bien cinco años, o incluso más, antes de que productores, importadores y el retail adopten la IA de forma generalizada".
Bas cree que va a hacer falta más y mejor comunicación en toda la cadena, aunque matiza que esta necesidad es independiente de la IA, ya que puede hacer falta también para, por ejemplo, gestionar las consecuencias de la creciente pérdida de productos fitosanitarios, así como para garantizar la calidad y la seguridad de los alimentos a largo plazo. Los márgenes financieros deberían tenerse en cuenta en ese debate.
"Puede que unos márgenes reducidos no tengan un impacto inmediato a corto plazo, pero sí puede significar que los agricultores no puedan realizar las inversiones necesarias dentro de 5 años, y eso podría repercutir en la calidad y seguridad alimentaria. En última instancia, se necesita mucha más comunicación en toda la cadena para garantizar que la calidad y la seguridad alimentaria puedan mantenerse al nivel que todos deseamos a largo plazo", concluye Bas.
HDG Survey Group
Marconistraat 33
3029 AG Róterdam (Países Bajos)
Tel.: +31 10 2441414
lok@hdg-surveygroup.com
www.hdg-surveygroup.com