Saad Ansari y Yasir Khokhar, que después de trabajar por 12 años en Microsoft, decidieron fundar Connecterra, una start-up, con sede en los Países Bajos, que utiliza machine learning, internet de las cosas y big data para aumentar la productividad en el mundo agrícola.
Su primer producto es un collar inteligente para vacas: un dispositivo que funciona como un sensor capaz de monitorear el comportamiento del animal —lo que come y cuándo, por cuánto tiempo camina, si está rumiando, cuando duerme, etcétera— e identificar posibles problemas de salud. Toda la información llega al granjero a través de una app, que envía alertas caso la vaca se encuentre en mal estado. "Nuestro objetivo es mejorar la calidad de vida del animal y a la vez la rentabilidad del negocio para el ganadero", cuenta Ansari. Jorge Sáez, responsable por el procesamiento de datos de la empresa, afirma que la diferencia entre una vaca sana y bien cuidada y otra que no lo esté supone hasta 30 litros de leche diarios. "El dispositivo permite identificar el mejor momento para inseminar al animal, que, a partir de ahí, empieza a producir la leche", detalla. Ambos están en Madrid para asistir a un evento que celebra hoy Google, centrado en esta nueva capacidad de las máquinas para aprender.
Emprendimientos como este son posibles gracias a la combinación entre el aprendizaje automático y el deep learning (aprendizaje con profundidad), una tecnología que simula las capacidades del cerebro humano, según explica Jeremiah Harmsen, líder del equipo de Google Research en Zúrich. El gigante tecnológico lleva años trabajando en proyectos para impulsar la inteligencia artificial y una de sus herramientas, el TensorFlow, un sistema de datos abiertos desde 2015, ha sido especialmente útil para algunos proyectos. Además de Connecterra, el hijo de los dueños de una huerta de pepinos en Japón utilizó esa herramienta para desarrollar un sistema capaz de seleccionar las mejores calidades del producto y así librar a sus padres de gastar horas separando las frutas que tenían desperfectos. "La verdad es que, por muy creativos que seamos, no nos imaginábamos ese tipo de aplicación del machine learning", dice Harmsen entre risas. "Parte de la gracia de hacer el sistema accesible a todos es ver de qué manera la gente lo utilizará para solucionar diferentes problemas".
|
