RETO 1: IA para la Optimización de la producción
Reto o necesidad que resuelve
El proceso de producción del sector agroalimentario por lo general es un proceso largo, que puede durar varios meses. Esto provoca que se disponga de una gran capacidad para tomar decisiones que resultan clave para determinar tanto la cantidad como la calidad producida. Un ejemplo de esto es el riego, el abono, la fumigación etc. Sin embargo, estas acciones que se pueden realizar están completamente determinadas por variables que no se pueden controlar, como la climatología o la existencia de plagas, lo que provoca que no se pueda realizar siempre una actuación predeterminada. Por ello, es clave saber cómo se debe de actuar frente a todas las variables que no se pueden controlar y que afectan al proceso productivo.
Solución
La solución desarrollada por DVM es una aplicación que, basándose en datos históricos sobre la cantidad o calidad de las producciones, y otros como la climatología, plaga, actuaciones de las personas, etc. permiten determinar cual es la producción esperada, así como su calidad, determinando a su vez cuales son las variables que determinan ese nivel de producción. Para lograr esto se han combinado dos soluciones:
1. Para la predicción de la cantidad y de la calidad de la producción se utilizan algoritmos con un alto poder predictivo, como modelos de Ensemble o Redes Neuronales, que en base a los datos estimados de las variables antes citadas permiten predecir la cantidad y la calidad esperada de las producciones que se están desarrollando en el momento actual. Dicho sistema se va actualizando a medida que más variables del proceso quedan fijadas, de forma que cuando se acerca el momento de la recolección se tenga información completamente fiable sobre la cantidad y la calidad del producto.
2. Para lograr determinar cuáles son las variables más relevantes que afectan a la cantidad y a la calidad de la producción, se utilizan modelos de la denominada como “Inteligencia Artificial Explicativa”, lo que permite determinar cuáles son las variables clave. El identificar las variables clave junto con sus niveles críticos permite optimizar la producción y generar una serie de recomendaciones para maximizar la cantidad y la calidad de estas producciones. Además, estas recomendaciones se van actualizando a medida que el proceso productivo se va desarrollando, es decir, no genera unas recomendaciones genéricas de manera constante, sino que estas se adecuan a las características y evolución de cada una de las producciones
En resumen, gracias a esta herramienta se logra predecir la cantidad y la calidad esperadas, permitiendo así tomar las decisiones adecuadas, cuando estas vienen condicionadas por estas variables. Por último, el sistema permite optimizar ambas variables, lo que se traduce en una mejora del producto. Esta solución cuenta con una interface de usuario, que se adapta a las necesidades y preferencias del cliente y que le permite interactuar con los sistemas a golpe de click. Junto a ello, al estar basada en software libre, permite su despliegue en el servidor que determine el cliente, sin ningún coste de licencia añadido.
Tecnologías involucradas
Inteligencia Artificial, Machine Learning, Sistemas Predictivos.
RETO 2: IA para la Reducción de Mermas
Reto o necesidad que resuelve
La existencia de mermas es un problema que afecta a todas las empresas que comercializan productos. Sin embargo, esta problemática afecta especialmente a las compañías del sector agroalimentario ya que, por norma general, resulta prácticamente imposible controlar todos los parámetros de producción. En esta industria se trabaja con un producto que ha estado vivo y que se ha visto afectado por numerosas variables (clima, plagas, etc.) que no pueden ser controlados por los productores. Además, es un producto muy sensible a los sistemas de recolección, conservación, envasado, etc. Por ello es clave conocer cuales son las variables que más afectan a estos productos para lograr una reducción de dichas mermas.
Solución
La solución desarrollada por DVM se basa en dos elementos que convergen para minimizar la cantidad de mermas producidas y el impacto que generen estas:
1. Para la reducción de estas mermas se han desarrollado un conjunto de algoritmos, tanto de clasificación como de regresión, que permiten la identificación de las variables claves en la generación de estas mermas. Gracias a este análisis se muestran de una manera sencilla las variables que tienen un mayor impacto en la generación de mermas, así como sus niveles críticos. Además de ello, gracias a esta herramienta se podrá cuantificar el impacto esperado de las medidas a realizar. Es decir, esta herramienta muestra las mermas esperadas bajo una serie de circunstancias y la reducción que se obtendría si se lograra evitar esas circunstancias, permitiendo a las empresas optimizar su toma de decisiones y maximizar el impacto de las acciones que realicen para reducir sus mermas.
2. Para reducir el impacto que generan las mermas que no son evitables (por no poder controlar las variables que las provocan o por la falta de detección mediante el uso de algoritmos con mayor poder explicativo) se ha desarrollado un segundo sistema que permite predecir con la máxima predicción la aparición de mermas. Esto pese a que no permite evitarlas permite descartar esos productos evitando numerosas consecuencias:
- En primer lugar, una detección temprana de un producto que va a ser defectuoso permite que, en el caso de que sea posible realizar alguna acción correctiva, se evite esta merma optimizando los recursos. En el caso de que esta merma no sea evitable, se logrará descartar ese producto y no continuar gastando recursos en un producto que no va a ser apto para su comercialización.
- En segundo lugar, se logrará identificar con la máxima precisión, y de una manera automatizada la existencia de productos defectuosos, lo que provoca que estos productos no lleguen al mercado, además de lograr evitar este problema quede solventando con una menor cantidad de recursos humanos.
En resumen, gracias a esta herramienta se logra determinar cuáles son las causas raíz que provocan un mayor número de mermas, además de anticipar la ocurrencia de estas, minimizando el impacto de aquellas que no puedan ser evitadas. Esta solución cuneta con una interface de usuario, que se adapta a las necesidades y preferencias del cliente y que le permite interactuar con los sistemas a golpe de click. Junto a ello, al estar basada en software libre, permite su despliegue en el servidor que determine el cliente, sin ningún coste de licencia añadido.
Tecnologías involucradas
Inteligencia Artificial, Machine Learning, Sistemas Predictivos.