Dolencias infantiles - La inteligencia artificial ya puede diagnosticar con la precisión de un pediatra

Imagen: REUTERS/Thierry Roge

El impacto de la inteligencia artificial en la sanidad crece día tras día, y la comunidad científica no para de buscar nuevos caminos para explotar todo su potencial.

Este lunes, un equipo internacional ha dado a conocer en un artículo el desarrollo de una máquina capaz de generar un amplio abanico de diagnósticos de dolencias infantiles.

El sistema ha sido entrenado con los datos de más de 500.000 pacientes atendidos en una institución sanitaria de referencia ubicada en Guangzhou (China).

Los investigadores destacan que esta tecnología puede ayudar a los médicos a entender más rápidamente qué pacientes necesitan una atención prioritaria y acertar con más precisión el diagnóstico de enfermedades raras o peligrosas.

Los autores del artículo, publicado en Nature Medicine, explican que la disponibilidad de información médica ha crecido exponencialmente en los últimos años, lo que complica la toma de decisiones por parte de los médicos.

La capacidad de la inteligencia artificial de analizar grandes cantidades de datos puede ayudar a reducir esta carga y facilitar la valoración adecuada de cada caso clínico, aseguran.

Pero conseguir que las máquinas sean capaces de interpretar correctamente los datos no es un desafío fácil de superar, recuerdan también.

El modelo que han desarrollado se basa en la explotación de técnicas de deep learning y de procesamiento del lenguaje natural.

“Eso permite extraer información clave distribuida libremente en los historiales médicos electrónicos de los pacientes”, explica Kang Zhang, investigador de la Universidad de San Diego (California, EE UU) y miembro del equipo responsable del proyecto.

Tras ser entrenada con datos anotados manualmente por unos pediatras, la máquina adquiere progresivamente la capacidad de incorporar y clasificar de forma automática la información relevante y, posteriormente, elaborar diagnósticos.

Imagen: Guangzhou Women and Children Medical Center/ China

Zhang y sus compañeros aseguran que cuanto más grande es la cantidad de datos con la que se alimenta el sistema, más aumenta su eficacia.

En este trabajo han utilizado los datos procedentes de casi 1,4 millones de citas pediátricas de más de medio millón de niños y adolescentes menores de edad.

“Nuestro sistema de inteligencia artificial puede imitar a un médico humano y utilizar toda la información sanitaria para realizar un diagnóstico”, asegura Zhang.

“Nuestro sistema de inteligencia artificial puede imitar a un médico humano y utilizar toda la información sanitaria para realizar un diagnóstico”.

Al comparar las valoraciones del estado de salud generadas por esta inteligencia artificial con las realizadas previamente por pediatras humanos, los investigadores constataron un nivel de precisión similar entre las dos para un buen número de dolencias infantiles (del resfriado y la gripe a las enfermedades de tipo neurológico).

En algunos casos, la máquina hasta llegó a ser más precisa que los médicos menos expertos entre los que habían realizado los diagnósticos.

Zhang asegura que el sistema puede potencialmente diagnosticar cualquier tipo de dolencia pediátrica, aunque no resta importancia a lo que pueden aportar los profesionales humanos.

“Con más entrenamiento, este sistema puede llegar a realizar la mayoría de los diagnósticos con una supervisión mínima de los doctores.

Pero nunca podrá sustituir por completo a un humano”, zanja.

Una tecnología misteriosa

El experto del Instituto de Física Corpuscular (CSIC y Universidad de Valencia) Francisco Albiol destaca “el alcance” del estudio, que ha implicado “un gran despliegue de diferentes perfiles y trabajadores para recolectar datos, etiquetarlos, entrenar los modelos matemáticos, y comprobar los resultados de parte de la muestra”.

Ignacio Hernández, médico del Hospital Ramón y Cajal de Madrid, cree que los aspectos más novedosos son la amplitud de diagnósticos que es capaz de abarcar y la gran cantidad de información que analiza.

“Los modelos anteriores miraban solo datos muy concretos y estructurados”, compara.

Hernández, también cofundador de las empresas Savana y Mendelian, por otro lado cree que el estudio es “excesivamente opaco” en cuanto a la descripción de cómo funciona la tecnología de machine learning utilizada.

El experto afirma que en este ámbito es normal que se den poco detalles sobre el mecanismo de los sistemas desarrollados, no tanto por secretismo sino porque muchas veces es difícil para los propios desarrolladores identificar “qué variables mira la máquina y por qué cuando opera”.

Sin embargo, en su opinión, en este caso los autores “van más allá”.

“No explican absolutamente nada de su modelo. Es inquietante y en cierto modo hasta incorrecto”, afirma.

El médico opina también que estudios como este tienen la limitación de mostrar resultados solo “sobre papel” y no en un plan real.

“La práctica clínica es muy contextual, depende de aspectos como las condiciones sociosanitarias y económicas del paciente y muchos otros elementos”, argumenta.

“Si no tenemos una demostración en vivo, en perspectiva, no podemos todavía decir que un sistema así resuelve problemas”.

José Luis Salmerón, experto en inteligencia artificial de la Universidad Pablo Olavide de Sevilla, no ve información “sorprendente” con respecto a trabajos previos, pero sí considera prometedor que “desde los ámbitos de salud empiezan a ser conscientes de lo que los especialistas en este ámbito podemos aportar en ese sector”.

Hernández está de acuerdo con este argumento.

“Al tener estas herramientas, tenemos que volver a dibujar en nuestra cabeza cómo es un sistema sanitario.

La gente va a tener acceso a ellas online, en su móvil. Muchos elementos que damos por sentado van a cambiar”, considera.

Zhang y sus compañeros creen que el modelo propuesto permitirá acelerar el diagnóstico de las enfermedades más comunes y dará la posibilidad a los médicos de centrarse en los pacientes que necesitan una atención urgente.

De esta manera, subrayan, se podrá optimizar la atención sanitaria y reducir los tiempos de espera.

El sistema podrá ayudar también a los doctores a tomar en consideración más hipótesis de valoración de las que pueden formular en base a su propia experiencia cuando se enfrentan a dolencias raras o complejas, agregan.

Las ventajas potenciales, según estos científicos, serán particularmente beneficiosas en las áreas del mundo con escasos recursos sanitarios, como las zonas rurales de China.

Escrito por
Francisco Rodella
En colaboración con EL PAÍS.
Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.

weforum.org

inngeniar

Por qué tu profesor del futuro no va a ser un robot (pero sí tendrá que utilizar uno)

La pregunta sobre cómo será la educación del futuro es, a su vez, una larga sucesión de incógnitas:

¿desaparecerán las aulas tal y como las conocemos, reconvertidas en espacios más flexibles?

¿Las pantallas desterrarán para siempre al papel?

Y los profesores… ¿acabarán sustituidos por robots?

La inteligencia artificial ha llegado ya a la educación, acompañada como es habitual de afirmaciones apocalípticas.

Hace poco más de un año, el experto británico Anthony Sheldon se aventuró a pronosticar que en 2027 las máquinas inteligentes ya habrían reemplazado a los docentes.

Pero los primeros ensayos apuntan a un escenario mucho menos radical, al menos de momento.

No, los robots no van a sustituir a los profesores.

Pero sí, las clases del futuro serán una especie de tándem entre humanos y máquinas en el que cada uno de ellos se especializará en aquello que mejor sepa hacer.

La predicción de Sheldon para 2027 dibujaba un panorama inquietante.

En su visión, la tarea de transmitir el conocimiento recaería por completo en los robots, mientras que los docentes quedarían relegados a un papel de asistente (para mantener la disciplina en el aula, ayudar a los alumnos, preparar el material necesario para las clases…).

No parece un escenario factible a tan corto plazo.

Para empezar, porque la propia inteligencia artificial está todavía lejos de ser una verdadera inteligencia.

Los expertos distinguen entre dos tipos, la débil y la general o fuerte.

La primera es la que ya convive con nosotros.

Se trata de programar a la máquina para que realice tareas concretas, en rangos limitados previamente definidos: recomendarte una canción según lo que escuchas en Spotify, tramitar tus reclamaciones en el banco… o, en el caso de la educación, resolver la duda de cuándo es la fecha de un examen.

La inteligencia artificial general, por su parte, lo que persigue es dotar a la máquina de una verdadera inteligencia que funcione como la humana, es decir, que sea capaz de resolver problemas por sí misma y no en marcos previamente definidos.

De tener incluso emociones, personalidad o, por ejemplo, de dominar el lenguaje humano para ser capaz de leer las respuestas de un examen y decidir si se merecen un 4 o un 10.

Es una posibilidad aún lejana.

“Es el escenario de ciencia ficción”, asegura Guillem García Brustenga, director de tendencias del eLearn Center de la Universitat Oberta de Catalunya (UOC).

“Hablamos de décadas… aunque también es cierto que llevamos 20 años diciendo que es una cuestión de 20 años.

Eso me hace pensar que, en realidad, nadie lo sabe”.

El futuro, por lo tanto, se perfila con la forma de un binomio entre humano y máquina, en el que el profesor seguirá asumiendo la tarea esencial de transmitir conocimiento pero podrá apoyarse en la máquina para descargarse de las tareas más repetitivas y anodinas.

Ya hay numerosos ejemplos de cómo la inteligencia artificial puede aplicarse en los centros educativos para desatascar, por ejemplo, la parte administrativa y de gestión.

En la Universidad CEU Cardenal Herrera, en Valencia, están a punto de estrenar un chatbot que se va a encargar de dar respuesta a las dudas más engorrosas de los alumnos: explicar trámites, indicar horarios de tutorías, aclarar qué papeleo hay que presentar…

“Son preguntas en las que la respuesta que puede dar la universidad o el profesor tiene un valor añadido escaso, pero que los alumnos necesitan resolver con inmediatez”, señala Iñaki Bilbao, vicerrector de Relaciones Internacionales.

Este asistente inteligente ha implicado más de un año y medio de desarrollo de la universidad junto con Microsoft y Encamina, una consultora tecnológica.

El proyecto es, sin embargo, un primer paso.

El centro quiere impulsar una combinación de inteligencia artificial y big data como receta para alcanzar ese ideal que persigue la educación del siglo XXI: el aprendizaje personalizado.

Así, buscan recoger todos los datos posibles sobre cómo aprenden sus alumnos para elaborar modelos predictivos de rendimiento académico, capaces de activar alertas tempranas (por ejemplo, si un estudiante falta a clase) que permitan al centro y a los profesores poner en marcha acciones personalizadas.

Inteligencia artificial para adaptar la educación a cada estudiante, pero también para involucrarles más. “La tecnología posibilita la participación activa del alumno en clase.

Y eso conlleva que la atención del profesor sea más exhaustiva”, apunta Lorenzo Moreno, profesor de la Universidad de La Laguna, que imparte clase en un máster especializado en acercar la tecnología a los docentes.

El ejemplo de la CEU Cardenal Herrera sirve para ilustrar cómo el próximo paso de la inteligencia artificial en la educación es traspasar el ámbito de la mera gestión para introducirse de lleno en el propio proceso de aprendizaje.

“En las cuestiones administrativas o incluso de productividad hay más experiencias por la analogía que se puede establecer con los servicios de atención al cliente de cualquier empresa.

Pero los usos con intencionalidad educativa son mucho más complicados”, explica García Brustenga.

Algoritmos para aprender más

Aquí, las posibilidades son enormes.

El eLearn Center de la UOC acaba de publicar la investigación Los chatbots en educación, en el que hace recuento de cómo los asistentes inteligentes —tan solo un ejemplo de herramientas basadas en inteligencia artificial— se pueden usar con fines educativos: para acompañar al estudiante, motivarle, ayudarle a practicar habilidades concretas (aprender un idioma), simular situaciones (una consulta a un paciente), evaluar…

La propia UOC ha creado a Botter, un prototipo de robot pensado para animar a sus alumnos con el estudio, capaz incluso de mostrar decepción si el estudiante no rinde adecuadamente. Es una idea del departamento de Psicología, que quiere así investigar si este tipo de estímulos sirven para mejorar la motivación de los alumnos.

El aprendizaje de idiomas es terreno abonado para este tipo de experiencias.

Y los sistemas de reconocimiento vocal, habituales ya por ejemplo en los smartphones, son su principal herramienta. Aunque también suponen un reto.

La plataforma Lingokids, pensada para que los niños puedan aprender inglés, recurre a algoritmos para ayudar a definir el contenido y las actividades que le ofrece a cada niño, en función de su nivel de inglés y de sus gustos.

Pero se enfrenta a la dificultad de que estos sistemas de reconocimiento de voz están pensados para adultos.

“En niños no funcionan todavía muy bien.

Con la complejidad añadida de que son niños pequeños hablando una lengua que no es la materna”, explica Carlos García Prim, su director de ingeniería móvil.

En ABA English, una academia virtual de idiomas, recurrieron al prestigioso Instituto Tecnológico de Massachusetts (MIT) y a la popular Alexa —el asistente de Amazon— en un pequeño experimento: simular una conversación entre profesor y alumno para evaluar el nivel de inglés en apenas cinco minutos.

La empresa ya emplea inteligencia artificial, por ejemplo para asignar profesores reales a cada uno de sus estudiantes.

Su responsable de aprendizaje, María Perillo, asegura que lejos de sustituir a los docentes, esta tecnología les convierte en todavía más necesarios.

“El profesor tiene ahora un papel diferente del que solíamos pensar.

Muchas veces nos limitamos a recoger datos y damos por cierto el resultado de la máquina, pero es necesario tener a los expertos detrás para analizar e interpretar esos datos.

También para hacer aquello que la máquina no puede: motivar al estudiante, darle el feedback correcto...”, enumera.

“No se trata de utilizar la inteligencia artificial para todo, sino de usarla en todo”.

Esa división de tareas, junto con la imagen del docente como una suerte de entrenador de asistentes, algoritmos, sistemas de recogida de datos…, es una constante en los proyectos educativos de inteligencia artificial.

A veces incluso en terrenos insospechados.

De los más de 15.000 aspirantes que el pasado fin de semana se enfrentaron a la temida prueba del MIR para conseguir una plaza de médico residente, algunos se habían preparado para el examen con la ayuda de un algoritmo inteligente.

Tras cuatro años de desarrollo, la Editorial Médica Panamericana ha lanzado recientemente Promir, un curso online que se basa en inteligencia artificial para preparar la prueba.

Así, la herramienta es capaz de analizar en detalle a cada alumno para trazar un camino personalizado: le indica qué estudiar cada día, selecciona las preguntas y las tareas en función de aquello que más le cuesta y le ayuda a repasar lo que ya ha asimilado.

Esa es la parte en la que la máquina es imbatible.

Pero no es suficiente.

“Aplicamos la inteligencia artificial para lo que la tecnología hace bien: conocer al alumno, hacer un diagnóstico muy detallado de su perfil y guiarle en el proceso”, explica Ignacio Ferro, su director tecnológico.

“Pero hay otras tareas para las que es más eficaz que intervenga un profesional: desarrollar los contenidos, resolver las dudas, preparar al alumno psicológicamente.

Para eso hay tutores especializados”.

Pero como en todo escenario que se mueve entre un presente comprensible y un futuro casi de ciencia ficción, surgen los interrogantes éticos.

El informe de la UOC destaca una pregunta: ¿cuál es el objetivo final de la máquina?

Si se trata de que el alumno aprenda más, señalan los investigadores, el riesgo es que la inteligencia artificial plantee retos demasiado difíciles que conduzcan al suspenso.

Si la finalidad es que apruebe, puede fijar estándares demasiado fáciles de manera que el alumno finalmente no aprenda.

Y si el objetivo es aumentar las matriculaciones, ya entra el juego el debate sobre si la tecnología es un medio para mejorar el aprendizaje o un fin en sí mismo para, por ejemplo, utilizar como herramienta de marketing.

“Tendremos que llegar a un compromiso, incluso a nivel social, sobre qué es lo que queremos de todo esto”, resume Guillem García Brustenga.

Escrito por
Bárbara Sánchez
En colaboración con EL PAÍS.
Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.

weforum.org

inngeniar

Crean una Inteligencia Artificial capaz de recrear los fragmentos perdidos de las obras arqueológicas y de arte

Imagen: REUTERS/Amir Cohen (ISRAEL - Tags: RELIGION SOCIETY) - GM1EA411NO201

Tres investigadores del Technion (el Instituto de Tecnología Israelí) han desarrollado una Inteligencia Artificial capaz de recrear y recomponer los fragmentos que faltan en un objeto arqueológico.

El algoritmo predice qué pieza debería ir al lado de la anterior y cómo debería ser, creando una imagen hipotética del objeto en cuestión.

Para ello, antes los científicos "rompen" el objeto o la pintura (digitalmente) en piezas, como si fuera un puzzle.

¿Cómo serían los frescos de la Villa de los Misterios, en Pompeya (Italia)?

¿Qué hay encima y debajo del Jesucristo del Ábside de San Clemente de Taull (Lleida)?

¿Cuántos trozos faltan en las pinturas de la iglesia de Arakos (Chipre)?

Estas preguntas quedarán pronto resueltas gracias al algoritmo desarrollado por Niv Derech, Ayellet Tal e Ilan Shimshoni, los tres israelíes inventores de la revolucionaria técnica.

No es una máquina que haga fotos y después las pegue a modo de collage, sino un nuevo método que se podrá aplicar a los algoritmos que ya existen para identificar y recomponer obras artísticas y arqueológicas.

Los primeros datan del año 1964, y aunque pueda parecer mucho tiempo, no se ha avanzado tanto en este aspecto.

Imagen: Los resultados de la IA en varios frescos del mundo

Los investigadores han publicado el trabajo en arXiv.org, un repositorio de artículos científicos en Internet.

"Demostramos que nuestro enfoque vanguardista se las arregla para montar correctamente docenas de frescos y de artefactos rotos", explican en el estudio.

Aseguran que reducirá "drásticamente" el tiempo que tardan los arqueólogos en restaurar las obras de arte y los hallazgos arqueológicos.

"Tiene numerosas áreas de aplicación, como en documentos destrozados, la edición de imágenes, biología y arqueología", explican los investigadores.

El algoritmo también puede ser aplicado a las obras de arte.

De hecho, en el estudio se detallan cómo ya se han llevado a cabo algunas pruebas con objetos pertenecientes al British Museum y con frescos bizantinos pintados en Chipre.

Mejorando los algoritmos existentes

La diferencia principal entre la IA desarrollada por los científicos del Technion y las otras técnicas ya existentes desde hace años es la imaginación: los algoritmos actuales, aunque también pueden trabajar con imágenes digitalizadas de los objetos, se fijan en otros aspectos como el color o la forma de los fragmentos.

También tienen que superar problemas como la abrasión, la decoloración y la continuidad de las piezas rotas.

Imagen: El fragmento debe poder superponerse con los otros fragmentos transformados, no con el original (check verde)

"Los artefactos arqueológicos no suelen estar limpios ni enteros.

Al contrario, están rotos, erosionados, con 'ruido', y, en última instancia, es extremadamente desafiante para los algoritmos que los analizan o reensamblan", continúan los investigadores.

La abrasión provoca agujeros en las piezas y la decoloración puede dar lugar a equívocos, dificultando la identificación de los fragmentos para los arqueólogos y restauradores.

La IA israelí viene a solucionar estos tres inconvenientes:

"Primero, para abordar la abrasión de un fragmento proponemos extrapolarlo antes de volver a ensamblarlo. Esto reduce el problema de la continuidad (predecir cómo 'continuará' el fragmento).

En segundo lugar, sugerimos un método de muestreo de transformación, el cual se basa en la noción de espacio de configuración, y que se adapta especialmente a nuestro problema", explican los israelíes.

Imagen: Los cuatro pasos que sigue la IA: 1. Inputs (piezas) 2. Extrapolación de fragmentos 3. Muestreo de las transformaciones 4. Búsqueda de buenos resultados 5. Emplazamiento

En otras palabras, donde el resto de algoritmos que ya se usan para restaurar obras de arte solo tienen en cuenta los factores antes comentados, el algoritmo de los del Technion toma en consideración multitud de elementos, como los espacios entre la piezas, la decoloración, los límites difusos, las longitudes variables de los límites correspondientes y las transformaciones imprecisas.

Tras analizar cada una de esas características, la IA coloca las piezas según considera que deberían formar parte del fresco o del elementos arqueológico en cuestión.

Como el algoritmo trabaja en cuatro fases, hemos decidido resumirlas una por una aquí debajo.

La explicación de cada paso está extraída del estudio que los investigadores israelíes han subido a arxiv.

Así funciona la IA que recrea los fragmentos perdidos

1. Extrapolación de fragmentos

La IA primero toma una foto de cada fragmento o pieza y después la extrapola, lo que produce una banda amarilla a su alrededor que predice la región erosionada y el siguiente fragmento al que iría unido.

2. Muestreo de transformaciones

El algoritmo escanea los fragmentos extrapolados del paso anterior y selecciona los que más se parecen entre sí, asegurándose de que no se superpongan unos con otros.

Si los píxeles de los fragmentos originales no se superponen pero sí lo hacen los píxeles extrapolados de los fragmentos, entonces, tienen una coincidencia.

"Más tarde, durante la fase de emplazamiento, afinaremos las transformaciones más prometedoras, mejorando la precisión", explican.

3. Búsqueda de buenos resultados

Los investigadores otorgan una puntuación a cada uno de los fragmentos, en función de lo diferentes que sean unos con otros.

Calculan una puntuación de confianza con la que se manejan y que, a su vez, indica la probabilidad de que dos fragmentos sean vecinos.

4. Emplazamiento

Tras seguir los pasos anteriores y unir los fragmentos en función de su puntuación, el algoritmo crea una pieza adyacente que muestra la visualización completa de la pieza de arte en cuestión.

 
Escrito por
David Sarabia
Con la colaboración de eldiario.es.

weforum.org/

inngeniar

Silicon Valley Forum - Por primera vez en Latinoamérica - llegó a Rosario

Granjas automatizadas, robótica y drones, Internet de las Cosas, Inteligencia Artificial, Big Data y agricultura celular son algunos de temas estratégicos para el complejo agroalimentario de las próximas décadas.

La mirada del INTA en un encuentro inédito en el país.

Durante dos días, la ciudad de Rosario es el escenario del encuentro Silicon Valley Forum que, por primera vez, llega a Latinoamérica para presentar “AgTech:

Semillas para nuestro futuro”, un programa dedicado a analizar las tecnologías disruptivas que cobran fuerza en los complejos agroalimentarios del mundo, como granjas automatizadas, robótica y drones, Internet de las Cosas, Inteligencia Artificial, Big Data y agricultura celular.

La mirada del INTA en un encuentro inédito en el país.

Con la participación de expertos internacionales y un público de 1.800 asistentes, las Jornadas de Inmersión en AgTech se realizan el 5 y 6 de noviembre en los galpones 15 y 17 del Parque Nacional a la Bandera.

Fueron organizadas por la Fundación CEDEF junto con la Municipalidad de Rosario, el gobierno provincial, el Consejo Federal de Inversiones y la Revista Chacra.

La apertura estuvo encabezada por Miguel Lifschitz, gobernador de la provincia de Santa Fe; Mariana Stegagnini, presidenta de la Fundación Centro de Estudios para el Desarrollo Federal (CEDEF) –principal impulsora de la idea del encuentro–; Denyse Cardozo, presidenta y CEO de Silicon Valley Forum; Mónica Fein, intendente de Rosario; autoridades nacionales, provinciales y municipales, y representantes de instituciones técnicas y empresarias del sector.

En las palabras de bienvenida, Lifschitz celebró el trabajo en conjunto que permitió la realización del encuentro y agregó:

“El mundo del agro nos da una gran oportunidad, esta vez vinculada con las nuevas tecnologías que se desarrollan aceleradamente en todas partes del mundo y tienen enormes posibilidades de crecimiento también en nuestro país”.

Además, aseguró que “existe una nueva generación de profesionales y de productores que miran la tecnología como parte de lo cotidiano y la van incorporando de manera acelerada”.

En este contexto, “la responsabilidad de las políticas públicas es, justamente, incentivar estos espacios, promover el desarrollo tecnológico, apoyar los vínculos entre distintos sectores y financiar a las nuevas empresas de tecnología”, amplió.

Por su parte, Fein expresó: “Deseo que este evento nos permita ampliar la proyección para seguir trabajando con nuestros productores y fortalecer producciones de calidad; nuestra ciudad tiene todo para vincular al sector público con el sector privado y a la tecnología, en virtud de una opción profundamente humana y social en coordinación con el desarrollo productivo de la región”.

En tanto, Stegagnini se refirió a la organización de las jornadas y destacó:

“Cada orador, cada charla, cada moderador técnico de los paneles, todo se ha pensado, elaborado y reelaborado hasta llegar a este programa que hoy compartimos con enorme orgullo, con el objetivo de acercar el productor a la tecnología”.

Además del conocimiento técnico, este encuentro permite socializar una “cosmovisión de los sistemas alimentarios que demandan los consumidores en el mundo y reclama el ambiente; trae la cultura de innovación inspiradora de Silicon Valley, la inspiración y la exigencia que se genera ante las prácticas que se diferencian de nuestra forma de hacer las cosas y también una puesta en valor del ecosistema propio que tienen Argentina y la región”, valoró Stegagnini.

“Sumergirse en las AgTech es una frase que busca que se empiece a incorporar no sólo la generación de tecnologías disruptivas, en este caso para el sector agropecuario, sino también el desarrollo de un sistema de innovación y de financiamiento para este tipo de proyectos”, apuntó Carlos Vidal, secretario de la Fundación CEDEF.

Para Vidal, “el sumergirse –utilizado como lema del encuentro– es un concepto global de sinergia positiva que llevaría a lograr una cadena de beneficios para todos los participantes, desde productores, empresarios y emprendedores hasta los propios consumidores”.

En esta línea, destacó la acción de las universidades y de las instituciones de Ciencia y Técnica en la consolidación de una cosmovisión innovadora.

“El desafío es sumamente importante para el sistema de universidades y de Ciencia y Técnica y requiere fortalecer el trabajo conjunto que ya se realiza en el país, así como la creación de líneas de financiamiento innovadoras para apoyar el surgimiento de nuevas empresas”, sostuvo Vidal.

Gabriel Delgado, economista del INTA, aseguró que “la Argentina está en una situación de poder aprovechar esas tecnologías y también de generarlas”.

La mirada del INTA

Gabriel Delgado, economista del INTA, disertó en el panel “Revolución 4.0 en el agro, tendencias y desafíos” –el primero luego de la apertura– y aseguró que “la Argentina está en una situación de poder aprovechar esas tecnologías y también de generarlas”.

“En los emprendimientos del mundo, siempre es posible encontrar un argentino y esa presencia debería manifestarse en el país”, indicó.

Delgado señaló la necesidad de repensar el complejo agroalimentario, tanto desde la mirada de los productores como desde la concepción de las instituciones del Estado.

El objetivo: promover el desarrollo de emprendimientos de mayor valor agregado y de nichos especializados que generen recursos económicos y desarrollo para el país.

“En pocos años, estaremos frente a cambios tecnológicos muy profundos, principalmente asociados con la automatización de la maquinaria agrícola y la aplicación de tecnologías de inteligencia artificial”.

De igual modo, apuntó que se espera la continuidad de “los sistemas extensivos de producción, pero en convivencia con esquemas de menor carga de agroquímicos y de agricultura orgánica”.

“Respecto de la agricultura celular y de otras estrategias más complejas de producción, los horizontes están más lejos en el tiempo, porque hay una regulatoria y cuestiones culturales que impactan, pero también son tecnologías que introducirán desafíos y cambios de paradigma en la búsqueda de fuentes alternativas de proteína”, explicó.

Asimismo, remarcó que “el nuevo contexto tecnológico mundial obliga a los institutos públicos de investigación de toda la región a repensarse desde un ángulo más relacionado con el lugar que hoy tiene la Ciencia y Técnica en las cadenas de valor”.

Crédito de la foto:  Gustavo Abbate para Silicon Valley Argentina

INTA

inngeniar

El presidente Macri recibió a la académica Kate Crawford

El presidente Mauricio Macri recibió en su despacho de la Casa Rosada a la académica Kate Crawford, cofundadora del “AI Now Reserach Institute” de la Universidad de Nueva York, centro que estudia los impactos sociales de la inteligencia artificial (IA).

Especialista en temas como los sesgos en los sistemas de datos, análisis predictivos, responsabilidad y transparencia algorítmica, Crawford es también investigadora principal de Microsoft y miembro del Consejo de la Agenda Global del Foro Económico Mundial.

Durante la audiencia, el Jefe de Estado estuvo acompañado por el secretario de Planeamiento y Políticas en Ciencia, Tecnología e Innovación Productiva, Jorge Aguado, y el director del Programa Argentina 2030, Iván Petrella.

casarosada

inngeniar

Aplican “deep learning” para detectar HLB en cítricos

Investigadores del INTA Misiones utilizan técnicas de inteligencia artificial para identificar síntomas de la enfermedad y carencias nutricionales en hojas de plantas.

Trabajan en el desarrollo de una aplicación móvil para celulares destinada a monitoreadores y productores.

Huanglongbing (HLB) o enfermedad del brote amarillo es la enfermedad más importante de la citricultura mundial. Una vez infectadas, las plantas no se recuperan y se tornan comercialmente improductivas. Para identificar el vector y diferenciar los síntomas de la enfermedad en ramas, hojas y frutos de árboles es necesario un entrenamiento visual de citricultores y monitoreadores.

Para contribuir a la identificación temprana, investigadores del INTA Misiones desarrollaron un software –basado en Deep learning– que probaron con éxito en especies de naranja, mandarina, limón y pomelo.

“Con soporte en técnicas de inteligencia artificial (IA), como sistemas de visión artificial que integran diferentes técnicas de procesamiento digital de imágenes y métodos de clasificación, creamos un sistema para dispositivos móviles”, señaló Javier Berger, ingeniero en informática y becario de investigación del Comité Ejecutivo de Desarrollo e Innovación Tecnológica (CEDIT) en el INTA Montecarlo –Misiones–.

Pensado para teléfonos con sistema Android, esta aplicación “permite reconocer síntomas de HLB y deficiencias nutriciones mediante la captura de fotografías de hojas en tiempo real”, explicó el investigador, creador de la aplicación junto con César Preussler y Juan Pedro Agostini, de la Estación Experimental Agropecuaria Montecarlo del INTA.

“En las diferentes pruebas de clasificación de imágenes de hojas de árboles cítricos con síntomas de HLB, carencia de magnesio, deficiencia de zinc y asintomáticas, demostró reconocer los síntomas vinculados con HLB con un 89 % de aciertos”, destacó Berger.

Aplican “deep learning” para detectar HLB en cítricos

Y si bien “el porcentaje de aciertos fue entre 3 % y 9 % menor frente a otros trabajos que utilizan imágenes hiperespectrales –que requieren dispositivos de captura costosos–, resultó superior al promedio de clasificaciones obtenidas por los monitoreadores”, indicó Berger.

Creada bajo distintas técnicas de IA que hoy se aplican de manera exitosa en la selección automatizada de granos de café, clasificación de flores, de gajos de mandarina, maduración de cítricos y, específicamente, la clasificación de hojas, la aplicación desarrolla por técnicos del INTA emplea métodos de aprendizaje profundo –deep learning– que definen automáticamente características como color, forma y textura de las hojas.

“Mediante la fotografías de hojas en tiempo real, este desarrollo permite reconocer síntomas y deficiencias nutricionales, identificar de síntomas de HLB y diferenciar los indicios de carencias nutricionales”, aseguró el técnico del INTA.

La aplicación emplea sistemas de visión artificial y permite automatizar tareas que requieren de personas entrenadas para la identificación, adquisición, procesamiento y clasificación de imágenes. Obtenidas mediante cámaras digitales o escáneres, las imágenes se procesan digitalmente con el objetivo de segmentar las regiones de interés y extraer los descriptores visuales que definen los objetos a clasificar.

Aplican “deep learning” para detectar HLB en cítricos

Frente a las dificultades que implica la identificación de síntomas de HLB, Berger afirmó: “La app resulta una alternativa de bajo costo, de fácil instalación y uso para productores y organismos de control”.

El deep learning, o aprendizaje profundo, adquiere mayor relevancia en el campo de la IA por ser una subcategoría del aprendizaje automático, ya que trata sobre el uso de redes neuronales para mejorar, por ejemplo, la visión por ordenador y el procesamiento del lenguaje natural.

Para entender qué es el aprendizaje profundo, lo primero que hay que hacer es distinguirlo de otras disciplinas que pertenecen al campo de la IA.

La aplicación móvil permitirá a los monitoreadores del Programa Nacional de Prevención del HLB (PNPHLB) y a los productores tener información en tiempo real para la toma de decisiones en relación a la extracción de muestras sin necesidad de conexión a Internet para funcionar.

Aplican “deep learning” para detectar HLB en cítricos

En el monitoreo de lotes se buscan síntomas relevantes asociados a la enfermedad, como podrían ser el moteado asimétrico difuso en el haz o cara superior de la hoja, engrosamiento y aclaración de las nervaduras.

Pero también desestimar indicios como consecuencia de deficiencias nutricionales y enfermedades como la gomosis y clorosis variegada de los cítricos.

INTA

inngeniar

Descarga estudio - ¿Cómo usan los emprendedores la Inteligencia Artificial en América Latina? Descubrilo en este estudio de everis y Endeavor

¿Cómo usan los emprendedores la Inteligencia Artificial en América Latina? 

Descubrilo en este estudio de everis y Endeavor

Más de 240 compañías de Argentina, Brasil, Chile, Colombia, México y Perú participaron de “El impacto de la Inteligencia Artificial (IA) en el emprendimiento de Latinoamérica”, un informe realizado por Everis y Endeavor.

El estudio resume el estado actual del desarrollo de la IA en la región, así como las oportunidades y desafíos a futuro.

Descargalo sin cargo acá. 

Endeavor Argentina

inngeniar