Por: Stephen Newman*
La inteligencia artificial es un concepto simple a primera vista. Aprendizaje por máquinas. ¿Podemos enseñar a una máquina a aprender? La respuesta es un sí rotundo.
La mayoría estaría de acuerdo en la idea de que tener un enfoque consistente y estructurado de la producción es un elemento clave de la sostenibilidad. ¿Por qué pienso esto? Durante los últimos 43 años he trabajado con la comunidad acuícola internacional en una gran variedad de áreas.
Mis primeros trabajos después de graduarme se centraron en el desarrollo de vacunas y la inmunización de peces de cultivo. Para saber si una vacuna funcionaba en el campo, había que saber qué pasaba en la población. Usualmente, era fácil porque los organismos sobrevivían cuando antes no lo hacían.
“El alcance del beneficio se determinaba en la cosecha, aunque a menudo había pistas previas. El consumo de alimentos era una de las pistas, aunque requiriera monitoreo, que para los organismos que no eran visibles durante gran parte de su ciclo de vida, podría ser un desafío en el mejor de los casos.”
Por lo general, el acuicultor calcularía la biomasa en la cosecha y, luego, determinaría qué tan eficientemente se estaba usando el alimento al calcular el factor de conversión alimenticia (FCR, por sus siglas en inglés), una medida de la cantidad promedio de alimento consumido por la población sobreviviente.

Este valor era una pista de lo que podría estar pasando en la población, pero no había forma de saber qué estaba pasando en un individuo determinado.
Desde 1991 he estado trabajando principalmente con camarones de cultivo. He viajado mucho y he pasado muchos meses en distintos países observando, aprendiendo y enseñando acerca de diversos aspectos de la sostenibilidad, entre otras cosas.
Lo que noté es que había poca, si es que había alguna, consistencia en el enfoque para criar camarones entre países e incluso entre productores vecinos. Caos sería una palabra apta para describirlo. A inicios de 1990, con algo de dinero de capital de riesgo, desarrollé y probé en el campo lo que en aquel tiempo esperamos se convirtiera en la primera vacuna comercial para camarones.
“¿Cómo podríamos medir el éxito? Usualmente, como en el ejemplo anterior de FCR, uno observaba la población tratada y la comparaba con la población nativa. Los camarones se crían por millones. Esto hace que todo tipo de comparaciones esté cercano a errores de diferentes aspectos del proceso.”
Al igual que con los salmónidos en rediles para camarones en estanques, la presencia de problemas subyacentes de salud animal generalmente no es evidente. Me di cuenta de que debía haber alguna forma de recopilar datos de población que permitiera una toma de decisiones realista.
Uno de los grupos de granjas con los que trabajé en Ecuador, desarrolló un programa de computadora (AP1) que fue un paso positivo en la dirección correcta.
Permitía la entrada de datos y, a través de estadística correlativa, arrojaba una curva de regresión cuya pendiente definía la rentabilidad al momento de las observaciones. A medida que aumentaba la pendiente, también aumentaban los beneficios.
Cuando la pendiente se mantenía estable, no había incremento en las ganancias y cuando la pendiente disminuía las ganancias declinaban. Esto se centró en gran medida en las estimaciones de supervivencia y FCR basadas en el muestreo de la población.
“Sorprendentemente preciso, el programa demostró que, mantener y registrar la mayor variedad de datos posible y usar estadística correlativa, era una herramienta poderosa.”
Sin embargo, cuando uno trataba de explicar esto a muchos acuicultores fuera de este pequeño círculo, caía en oídos sordos. Muchos argumentaron que la cría de camarones era rara vez un arte y las herramientas de la ciencia no eran apropiadas.
Esta era la vieja escuela y, aunque todavía hay muchos aferrados a este enfoque anticuado, la realidad es que la cría de camarones no es diferente de otros paradigmas agrícolas, a excepción de estar trabajando con invertebrados y ambientes acuáticos.
Se ha demostrado, una y otra vez, que el uso de herramientas basadas en la ciencia y enfoques analíticos es importante para una producción consistente. Esto es esencial para la verdadera sostenibilidad, no solo lo que hoy pasa por ella.
La inteligencia artificial (AI, por sus siglas en inglés) es un concepto simple a primera vista. Aprendizaje por máquinas. ¿Podemos enseñar a una máquina a aprender? La respuesta es un sí rotundo. Hay muchas cosas diferentes que suceden en la típica granja camaronera.
¿Qué pasaría si se pudiera usar una combinación de tecnologías para diseñar un programa capaz de ver al camarón en tiempo real (esto se está haciendo con sistemas de alimentación automática basados en sonido y acústica y, en algunos casos, cámaras) y que pueda aprender sobre lo que está sucediendo con la población, con base en la correlación de observaciones con la salud animal y los resultados finales de rentabilidad, la biomasa final en la cosecha (supervivencia y peso promedio) y FCR?

Un programa intuitivo permitiría ver las conexiones entre cualquier número de prácticas, incluyendo naturaleza fisicoquímica del entorno de producción, tamaño, estructura y diseño de los tanques y estanques, composición genética de los organismos, naturaleza de los alimentos y cualquier aditivo que pueda ser añadido en la alimentación, uso de aireación, uso de alimentadores automáticos, uso de biorremediación, uso de probióticos, salud de la población basada en muestreo, análisis en tiempo real del comportamiento animal, presencia de patógenos oportunistas y/u obligados, estructura del microbioma, entre otras.
Este programa necesitará el acceso a todos estos datos y poder observar la población en tiempo real. De aquí, se generarían conclusiones sobre patrones de comportamiento que no se pueden ver ni correlacionar estadísticamente de varios elementos de producción.
¿Qué podríamos aprender? Tendríamos una comprensión mucho más detallada sobre el impacto de la tecnología en los resultados. También, veríamos problemas apareciendo mucho antes de lo que permiten los métodos actuales lo que llevaría a implementar medidas reactivas y proactivas en etapas tempranas para alterar el resultado.
“El impacto de una amplia diversidad de variables sobre el resultado deseado y la máxima rentabilidad, sería evidente. Esta información estaría en un formato en la nube accesible para todos. Mi primer pensamiento mientras reflexionaba sobre esto fue que en muchos criaderos y granjas elegirían no ser parte de este sistema.”
Es probable que los productores de reproductores y de maduración también opten por no participar. La razón es simple. Cuando los datos muestren la existencia de algún problema con ciertos organismos de un sistema de producción específico, esto podría perjudicar la capacidad de los dueños de ganar dinero.
En un mundo ideal, esto obligaría a los propietarios a modificar sus prácticas para mejorar. En el mundo real, asumir la responsabilidad es una gran idea, pero arriesgada. Esto básicamente significa que se requiere establecer regulaciones para forzar a una industria que preferiría no ser tan visible.
En la actualidad, este tipo de programa de AI no existe. Pienso que esto cambiará… Cuando todos los elementos de la cadena de suministro se den cuenta del poder de esta herramienta para garantizar que la producción sea rentable de forma constante, es de esperar todo encaje en su lugar.
“Quienes no implementen la estructura requerida, continuarán fallando, al menos de manera intermitente. Es posible que todos estos datos se almacenen en la nube. Las especificaciones de una operación determinada solo estarían disponibles para quienes los cargaron allí.”
Lo que estaría disponible para la industria, en conjunto, sería las conclusiones que la AI extrae de los datos. Esto permitiría a quienes comprenden el poder de estos datos, realizar cambios en la forma como ejecutan sus operaciones. Se transformarían en Procedimientos Estándares de Operación (SOP, por sus siglas en inglés).
Las empresas e individuos que opten por no seguir este camino, deberán justificarlo ante los clientes que decidan que seguir estas prácticas es esencial para la sostenibilidad general de sus operaciones. A la larga, llevaría a la industria a una verdadera sostenibilidad al reducir aquellas prácticas que la AI demuestra no son sostenibles.
El término sostenibilidad se ha convertido en un elemento de marketing, con poco consenso sobre sus implicaciones. Esto se asemeja a otros términos como ecológico, verde, probiótico, etc. La industria global de cultivo de camarones, como existe ahora, no es universalmente sostenible.
Algunos sectores pueden considerarse tales, pero el espectro de enfermedades continúa rondando en las cabezas de los productores.
“La sostenibilidad en su significado más simple, puede definirse como poder cultivar camarones en el futuro con los mismos enfoques tomados hoy.”
Muchos camaronicultores no forman parte de grandes corporaciones y muchos podrían considerarse productores de subsistencia. Tienen pequeñas granjas y viven de cultivo a cultivo. Fallas extendidas de sus siembras acaban con sus sueños y terminan retornando a paradigmas de cultivo menos riesgosos.
Incluso si la AI estuviera ampliamente disponible, no se beneficiarían en la misma medida que lo harían las granjas corporativas más grandes. Muchas empresas están analizando o desarrollando activamente la AI, si no para un uso generalizado, al menos para sus propias operaciones.
Reconocen el valor a largo plazo. Predecir el futuro es con frecuencia un trabajo de conjeturas. Creo que en un futuro próximo veremos como la AI se convierte en una parte cada vez más importante de las prácticas culturales estándar y sus beneficios se extenderán ampliamente, marcando el camino hacia la verdadera sostenibilidad… Elementos de esta tecnología ya se están utilizando.

Stephen Newman es doctor en Microbiología Marina con más de 30 años de experiencia.
Es experto en calidad del agua, salud animal, bioseguridad y sostenibilidad con especial enfoque en camarón, salmónidos y otras especies.
Actualmente es CEO de Aqua In Tech y consultor para Gerson Lehrman Group, Zintro y Coleman Research Group.
Contacto: sgnewm@aqua-in-tech.com
www.aqua-in-tech.com
www.bioremediationaquaculture.com
www.sustainablegreenaquaculture.com