Taligent desarrolla solución de analítica avanzada para el agro

La consultora de IT apuesta al Machine Learning y la Inteligencia Artificial para ayudar a las empresas en sus proyecciones de cosechas aplicando software predictivo basado en IBM Watson

Taligent es una empresa de servicios de implementación de soluciones tecnológicas que busca responder a los problemas de Analytics en sus clientes, focalizándose en llegar más allá de un análisis puntual, para construir en conjunto la solución que mejor se adapte a su necesidad de manejo de información.

En 2019, un importante cliente del sector del agro en Argentina les planteó la necesidad de estimar el volumen de cosecha de varias regiones de producción. Este requerimiento, según explicó a Enfasys Lautaro Acosta, CTO de Taligent, se generaba en la necesidad del área de Planeamiento de la empresa en cuestión, previo al comienzo de una campaña, “por estimar el rendimiento total que tendrá la producción del año para realizar una preventa de los productos y cumplir con sus acuerdos comerciales”.

Para lograr el objetivo, la tecnología necesita echar mano a la materia prima básica que, en este caso, es la información. Con un dataset de cosechas históricas y variables asociadas al programa de producción, como híbrido utilizado, mes de siembra, zona de cultivo, y otras variables, se logró entrenar un modelo de regresión que permite estimar la cantidad de toneladas de grano por hectárea que se obtendrían para una nueva campaña, explicó Acosta.

Para desarrollar la solución se utilizó la plataforma de IBM Watson Studio, una herramienta de software con capacidad para gestionar el ciclo de vida de un proyecto de analítica avanzada, que interconecta datos, desarrolla modelos en Python, R y otros lenguajes, e incluye la implementación automatizada de modelos, control de performance, ejecución de tareas programadas y disponibilidad de las predicciones a través de APIs.

El resultado, según describió el ejecutivo, se tradujo en un modelo que “permitió conocer de antemano el nivel de producción que se obtendría de las hectáreas contratadas, asegurar el delivery de las preventas comprometidas, o bien ampliar la contratación de productores y hectáreas adicionales para satisfacer la demanda a la cual se estaban anticipando”.

Adicionalmente, “se enriqueció el dataset con información de las predicciones de tiempo para la campaña por venir, a través de IBM Weather, que contiene fuentes de datos con distintos niveles de granularidad, que nos permiten anticiparnos y consultar información histórica del tiempo en cualquier región del mundo”, amplió el entrevistado.

Las herramientas

Eliana Giunta, Gerente de la Unidad Analítica Avanzada de Taligent, detalló: “Trabajamos con técnicas como Decision Optimization, que permite optimizar recursos en negocios complejos, donde utilizamos librerías y tecnologías de IBM, como también técnicas de machine learning. Ambas pertenecen al segmento de Inteligencia Artificial, que permite estimar valores futuros respecto a una población conocida”.

La especialista informó que, “a nivel Machine Learning, existen modelos que permiten clasificar, generar regresiones, valores estimados, procesar imágenes, textos y voz, de las cuales aplicamos algunas para soluciones que requieran mayor complejidad que un análisis tradicional de datos”.

En ese mismo sentido, Giunta destacó que Watson “permite gestionar rápida y sencillamente el ciclo de vida de cada modelo de analítica avanzada, administrar los activos de datos, los deploy de los modelos, las actualizaciones, genera una API para consumir el modelo externamente y brinda un marco de gobierno clave para que las empresas controlen la implementación.”

Enriquecimiento de los modelos

Taligent se muestra confiada en poder continuar refinando la precisión de estos modelos. “Buscamos sumarle más tecnología, que recolecte mayor cantidad de datos, con sensores de humedad, de temperatura, de medición de minerales en cultivos, con herramientas para procesar imágenes satelitales y drones para analizar la calidad y sanidad de los cultivos durante el proceso de crecimiento”, dijo Giunta.

Al ser consultado sobre el entrenamiento que recibe el cliente para sacar mejor provecho a este tipo de implementaciones, Acosta comentó: “Siempre brindamos capacitación en el uso de las herramientas y existe un feedback con el cliente, donde aportamos cómo deben utilizar estas herramientas diariamente, la gestión del cambio y cómo impacta en sus procesos normales”.

Al respecto, Giunta acotó: “Siempre se debe considerar que un modelo de marchine learning se compone de tres elementos: estadística, algoritmos y reglas de negocio. Entonces, la persona que quiera profundizar el manejo de estas soluciones debería manejar esas variables en determinado escenario donde se utilizará esta solución.”

En busca de otros mercados

Además de la implementación de herramientas con análisis del clima, Giunta anticipó: “Estamos analizando oportunidades aplicando otras soluciones. La primera, Maximo Visual Inspection, es una plataforma configurable, que procesa imágenes tomadas con distintos dispositivos, como drones, teléfonos, incluso satélites, y permiten detectar, por ejemplo, en una torre de tensión, si existiera algún daño, rotura de cableados y cualquier elemento que pueda identificarse a nivel visual.

La segunda, IBM Vegetacion Management, resulta específica para controlar el crecimiento de la vegetación sobre tendido eléctrico, sobre edificios y cualquier elemento que pueda identificarse a nivel geográfico con imágenes satelitales. Estas soluciones son adquiridas por empresas que necesitan hacer mantenimiento de elementos ubicados en una geografía abierta.

En referencia a nuevos proyectos relacionados con estas soluciones de IT, la ejecutiva informó: “Comenzamos cinco proyectos para el mismo cliente, que utilizan la herramienta Decision Optimization, justamente donde el objetivo es optimizar la gestión de almacenes, stocks, productos terminados, la logística entre plantas y sobre la distribución hacia los clientes, donde se desarrolla una campaña preventa y una venta en caliente, la recolección de la cosecha, la producción de los nuevos SKU de la campaña de materiales que después se venden. Estos proyectos buscan mejorar la precisión del proceso logístico, para optimizar recursos, como el tiempo, los contratos con los proveedores, el espacio y el delivery on time”, explicó.

Asimismo, los entrevistados dieron cuenta del trabajo realizado en otros verticales de negocio, “como el sector bancario, donde hemos hecho pruebas de concepto; en empresas de retail, las cuales piden modelos de segmentación de clientes y venta cruzada. En empresas de medios, para detectar bajas de suscripciones en su club de socios y en energéticas desarrollamos una solución para detectar fraude analizando diversas variables, como consumo de medidores y cortes de energia y, en base a esa información luego se pueden enviar las flotas de auditoría a las zonas críticas”.