Si te perdiste la Agriculture SIG de la semana pasada en la Conferencia de Usuarios 2025 de Esri, aquí tienes un breve resumen: La sesión, dirigida por Mark Dann, el Dr. Elvis Takow y yo mismo de Esri, presentó exposiciones sobre ArcGIS como una Plataforma de Inteligencia Artificial (AI) y cómo reenfocar la AI en Agriculture Intelligence. Después, una mesa redonda incluyó representantes de AC Foods, Land O'Lakes y Texas A&M.
La Plataforma ArcGIS AI por el Dr. Takow
Como resumen de muchas sesiones en la conferencia, el Dr. Takow presentó ArcGIS como una plataforma geoespacial AI que utiliza inteligencia artificial para aumentar la productividad, apoyar la toma de decisiones y fomentar la innovación. Sus tres componentes principales son:
- Análisis GeoAI para creación, extracción y análisis automatizado de datos,
- Asistentes AI con interfaces conversacionales para optimizar flujos de trabajo,
- Un marco AI subyacente que soporta ambas características.
Para cumplir esta visión tecnológica, Esri está actualizando sus funciones AI para incluir Asistentes, Skills, Agents y modelos preentrenados. La plataforma está diseñada para permanecer extensible y personalizable para diferentes industrias y necesidades. El marco también permite la integración de AI, aprendizaje profundo y grandes modelos de lenguaje, además de apoyar a los desarrolladores en la creación de servicios e integraciones AI personalizadas.
El desafío para la comunidad GIS de Agricultura será introducir cuidadosamente una amplia gama de capacidades en una industria que debe tener éxito dada la constante presión de producir un suministro alimentario para una población creciente. Para eso, necesitamos Agriculture Intelligence, como se discute en la siguiente sección.
Agriculture Intelligence por Nick Short
Mientras hemos escuchado que ArcGIS es una plataforma clave Geospatial AI para innovación, ¿cómo puede eso ayudar a la agricultura? Esta presentación explicó brevemente cómo abordar la AI apropiadamente y de manera relevante, por qué ahora es el momento adecuado, cómo podemos evitar errores pasados y cómo la experiencia y longevidad de Esri benefician a la industria agrícola.
Al considerar la integración de inteligencia artificial (AI) dentro del sector agrícola, es pertinente plantear la pregunta: 1¿Qué define AI para Agriculture? Esta consulta sirve como invitación a un diálogo continuo sobre el papel evolutivo de AI en la práctica agrícola, tanto ahora como en los años venideros.
Un concepto central debe permanecer al frente de esta discusión: confianza.
Para la industria agrícola, la confianza es primordial, particularmente en el contexto de tecnologías emergentes como AI. Los productores y partes interesadas a menudo reciben la innovación tecnológica con escepticismo, expresando preocupaciones sobre privacidad de datos, seguridad y la complejidad o usabilidad de nuevos sistemas. Además, las persistentes presiones económicas del sector amplifican la necesidad de fiabilidad y garantía antes de que pueda ocurrir una adopción generalizada.
El desafío principal, por lo tanto, es determinar cómo el sector agrícola navegará la adopción de tecnologías AI de manera que fomente y mantenga la confianza dentro de la comunidad.
Examinar la historia de AI ofrece perspectivas sobre sus patrones de confianza y adopción dentro de la industria.
Desafortunadamente, el desarrollo de AI está marcado por períodos alternos de crecimiento y declive—frecuentemente referidos como < A href= "https://en.wikipedia.org/wiki/AI_winter " target= "_blank " rel= "noopener nofollow noreferrer">AI Winters—donde las expectativas no se cumplieron, conduciendo a fases de desilusión.
En los años 80, AI disfrutó un auge popular, con grandes organizaciones gubernamentales invirtiendo en inteligencia artificial para capturar conocimiento humano en forma de sistemas expertos. AI fue vista como una herramienta prometedora para enfrentar desafíos a gran escala, incluyendo investigación sobre cambio climático y agricultura de precisión. Este período estuvo marcado por optimismo y altas expectativas respecto al potencial revolucionario de AI en análisis de datos y toma de decisiones, llevando a investigaciones significativas y aplicaciones prácticas en industrias clave.
A finales de los 90s, desafortunadamente, muchas organizaciones discontinuaron sus programas AI, ya que la industria se orientó hacia la web y se alejó del sueño AI. Durante ese período, el término "AI" a veces se evitaba debido a promesas incumplidas anteriores, donde frecuentemente se llamaba Almost Implemented. De estas experiencias surgieron varias lecciones:
1. Limitaciones en Escalabilidad
Un desafío significativo fue gestionar y almacenar conjuntos muy grandes de datos, específicamente respecto a variedad y velocidad. Los sistemas gestores de bases de datos en ese tiempo no abordaban adecuadamente estas necesidades, destacando la importancia de infraestructuras robustas y adaptables para gestión de datos—particularmente relevante en sectores como agricultura.
2. Demasiada Dependencia en Herramientas Open Source
Debido al número limitado de soluciones comerciales, hubo una fuerte dependencia en herramientas desarrolladas internamente y software open source, lo que generó preocupaciones sobre mantenimiento y seguridad tras cambios en el personal.
3. La Importancia de Datos de Entrenamiento Alta Calidad
Desarrollar modelos efectivos de machine learning dependía de conjuntos precisos e informados localmente para entrenamiento. Se hicieron esfuerzos para recolectar datos satelitales directos mundialmente para mejorar desempeño predictivo, incluyendo aplicaciones exitosas como mejor pronóstico huracanes.
Actualmente, los avances tecnológicos han resuelto muchos problemas relacionados con escalabilidad e infraestructura, y numerosas empresas establecidas proveen soluciones confiables AI. Sin embargo, el desafío continuo sigue siendo disponibilidad y calidad del dato entrenamiento, especialmente en campos como agricultura donde confianza y calidad del dato son difíciles. En un entorno donde desinformación puede afectar resultados, mantener sistemas AI confiables, precisos y relevantes es crítico para asegurar progreso continuo y evitar retrocesos futuros.
La respuesta larga para agricultura es enfocarse en insertar cuidadosamente AI dentro flujos existentes en cadena valor Ag.
Tomemos algodón como ejemplo. El algodón genera aproximadamente $7.1B en ingresos monetarios US$, con un tercio producido en Texas propenso a sequías que depende fuertemente del riego desde fuentes como el acuífero Ogallala—esperado secarse dentro 50 a 100 años. En 2022 aproximadamente 74% agricultores abandonaron cultivos optando por pagos seguros. Los rendimientos del campo influyen dónde procesadores ubican desmotadoras para reducir costos transporte afectando cadena suministro más amplia y ventas.
AI puede aplicarse en muchas áreas Industria Algodón: Ciencia Datos Espaciales ayuda análisis mercado variedad cultivares; Knowledge Graphs ayudan configurar trazabilidad fardos cadenas suministro; Digital twins simulan operaciones desmotadora; Large Language Models pueden aprovechar knowledge graphs proceso algodón estado general producción.
Sin embargo invertir en AI para pronóstico rendimiento es particularmente valioso ya que predicciones precisas son críticas para toda cadena suministro. Examinemos esto más a fondo.
Aquí está una Ejemplo sencillo de estimar el rendimiento del algodón en el norte de Texas combinando datos de temperatura y vegetación basados en días de crecimiento (ver presentación en Raster Analytics).<\/P>
Para pronosticar el rendimiento a nivel de campo para decisiones agrícolas informadas, el sistema debe reconocer las ubicaciones de los campos. Esta tarea utiliza deep learning, y Esri proporciona modelos geoespaciales pretrained que simplifican la integración en los flujos de trabajo. Con pronósticos predictivos, los agricultores pueden identificar áreas con bajo rendimiento y considerar prácticas de conservación u otras prácticas de gestión agrícola para mejorar los resultados.<\/P>
Mientras que la orientación de expertos apoya este enfoque, validar los resultados requiere aportes locales estructurados de los agricultores a nivel de campo—los datos del USDA a nivel condado no son suficientes. El conocimiento local es crucial para construir conjuntos avanzados de entrenamiento más allá de lo que ofrecen los modelos pretrained.<\/P>
Por eso la colaboración con empresas como Land O’ Lakes y AC Foods, y la comunidad Ag GIS es vital—ellos tienen las relaciones confiables necesarias para verificar estos modelos. Esri suministra las herramientas, pero extender las soluciones AI depende de los datos y la experiencia de los socios en cooperación con los servicios de extensión (por ejemplo, Texas A&M AgriLife Extension Service).<\/P>
<\/span><\/P> En resumen, la agricultura es un campo cauteloso donde los errores pueden causar pérdidas significativas. Nuestro papel es asegurar que AI esté completamente implementada, con sistemas confiables y seguros de gestión de datos y análisis, mientras se involucra la experiencia agrícola local para mantener el conocimiento confiable. Este enfoque garantizará que AI realmente signifique Inteligencia Agrícola<\/STRONG>.<\/P>La Discusión del Panel<\/U><\/STRONG><\/FONT><\/P>Para discutir el papel de Agriculture Intelligence, el Ag SIG cuenta con representantes tanto de la industria como del mundo académico, donde los panelistas incluyeron (como se muestra abajo, de izquierda a derecha):<\/P>Nick Short<\/STRONG>, Gerente de Soluciones para la Industria Agrícola, Esri<\/LI>Sanaz Havaei<\/STRONG>, Analista de Aplicaciones Empresariales, AC Foods<\/LI>Kirk Wythers<\/STRONG>, Líder de Valor Comercial, Land O’ Lakes<\/LI>Mike Buser<\/STRONG>, Profesor, Cátedra Dotada en Ingeniería del Algodón, Desmotado y Mecanización, Texas A&M AgriLife<\/LI>Mark Dann<\/STRONG>, Gerente Senior de Cuentas, Esri<\/LI><\/UL>El panel discutió las siguientes preguntas:<\/P>19Qué oportunidades ves para aprovechar ML para el Pronóstico Predictivo del Rendimiento, y qué impacto podría tener en el negocio?<\/EM><\/P>19Cuáles son algunas formas en que estás usando AI - Advanced Geospatial Analytics en tus diversos negocios y aplicaciones de I+D? <\/EM><\/P>El consenso general entre el grupo fue que AI confiable, al igual que Data Science, depende de una infraestructura sólida de gestión de datos para asegurar que los algoritmos reciban datos de calidad.<\/P>
<\/span><\/P>
