Saltar al contenido principal

Automatización, digitalización e inteligencia artificial en el proceso de alimentación

Contenido Patrocinado

Como parte de un mercado globalizado, la mayoría del salmón chileno se vende como commodity a mercados intermedios, muy competitivos, en los que el precio esta influenciado básicamente por oferta y demanda (Asche et al, 2018). Actualmente, la diferenciación en ese tipo de mercado es relativamente baja y encuentra fuertes desincentivos para su desarrollo (Cojocaru et al, 2020), por lo que la competitividad de cada empresa o país, tiende a estar definida principalmente por los costos de producción y los factores que los modifican. Luego de la crisis sanitaria del ISAv, los costos de producción en Chile, se han mantenido en niveles relativamente altos, a pesar de que la estructura de esos costos es similar al resto de los productores o incluso, en el caso de la mano de obra, favorable a Chile (Iversen et al, 2020). Por otro lado, aunque las pérdidas productivas se han mantenido en niveles similares en Chile y Noruega, el rendimiento por smolt (kg cosechados / smolt ingresado al mar), tanto como la tasa de conversión de alimento (FCRe), muestran un desempeño inferior a los de Noruega (Iversen et al, 2020).

Visto lo anterior, la engorda en mar que se realiza en Chile muestra una brecha con su competidor más importante, brecha que se asocia, más que a la estructura de costos, a la eficiencia de las operaciones en los sitios de cultivo (i.e. tasa de crecimiento, rendimiento por smolt y FCR). Por lo mismo, mejorar la competitividad de la engorda de salmones pasa, de manera muy importante, por mejorar la eficiencia de las operaciones que se realizan en los propios sitios de engorda. Motivados por una tendencia mundial en casi todos los rubros, un número creciente de productores han empezado a enfocar sus esfuerzos de mejora bajo conceptos como digitalización, automatización e inteligencia artificial. La aplicación exitosa de dichos conceptos pasa por una buena comprensión de la manera específica en la que ellos contribuyen a la mejora en los procesos que se llevan a cabo en los sitios de engorda.

El desempeño biológico de los peces (tasa metabólica, tasa de crecimiento, tasa de conversión de alimento, etc.) está fuertemente influenciado por variables que no están bajo el control del cultivador (i.e. temperatura, salinidad, velocidad de la corriente, luz, oxígeno disuelto, etc). Bajo un escenario como ese, la optimización basada simplemente en el control de las variables críticas de la engorda no puede operar. Alternativamente, la mejora en eficiencia puede venir de la mano de la adaptación (i.e. modificación) de las variables controlables por el cultivador (e.g. número y peso de los peces, cantidad de alimento entregado, tipo y disposición de las jaulas) al cambio espacio-temporal de variables críticas que no están bajo su control.

Esta forma de mejorar la eficiencia no es nueva y es común a casi toda la industria agroalimentaria. De hecho, es una práctica común actualmente en la industria de la engorda de salmones en Chile. Pero como hemos visto en el párrafo anterior, si se desea avanzar hacia una industria que equipare su eficiencia (i.e. sus costos, su competitividad a los de la competencia), existe la necesidad de mejorar sustantivamente el proceso de adaptación de las variables controlables a las variables incontrolables. Para hacerse cargo de esa necesidad, es que, en los últimos años, se ha querido aplicar el concepto de producción de precisión a la acuicultura de peces (Precision Fish Farming, Fore et al, 2018). Aunque se suele asociar la acuicultura de precisión con digitalización, automatización, control remoto y el uso de inteligencia artificial, el concepto no está definido por esas tecnologías, sino por la radicalización del proceso de adaptación. Esta radicalización se refiere a que los procesos que configuran el núcleo conceptual de la acuicultura de precisión; esto es, la observación, interpretación, decisión y la ejecución de las adecuaciones adaptativas (Fore et al, 2018), se debieran hacer ya no en momentos discretos (i.e. al finalizar un ciclo de engorda, en cada trimestre, cada mes o semana), sino de manera continua, en todas las jaulas, en todos los sitios. Esto pone una enorme presión sobre los procesos de monitoreo, análisis de información (incluyendo simulación y pronóstico basados en modelos físicos, químicos, biológicos, etc.), toma de decisión y ejecución.

El valor de la temperatura, salinidad, oxígeno disuelto y velocidad de la corriente en aguas interiores de la Patagonia Occidental es muchísimo más variable en espacio y tiempo que en mar abierto. La pregunta es si el conocimiento de esas variables críticas no controladas, tanto como su uso, están al nivel requerido por el proceso de radicalización del ciclo evaluación-adaptación al que apela la acuicultura de precisión. Aunque las declaraciones de impacto ambiental recogen cierta información base, en pocas concesiones se ha hecho el esfuerzo de caracterizar la evolución temporal de dichas variables, menos aún los factores que la determinan. Por ello, es común que se usen valores referenciales para áreas extensas (i.e. mucho mayores que la de una concesión) y/o se apliquen idealizaciones gruesas (estacionales) respecto de su variabilidad temporal. Bajo ese escenario, la definición del número de peces por jaula o la tasa y forma en la que se entrega alimento (por dar un ejemplo de variables críticas, controladas por el cultivador) se tornará ineficiente en la medida que las idealizaciones gruesas se distancien del valor efectivo de esas variables oceanográficas en cada concesión y periodo de tiempo. En el caso del oxígeno disuelto (por lejos la variable a la que se le presta más atención durante la operación), no se mide en todas las jaulas, y muy frecuentemente no se mide concentración, sino sólo presión parcial (i.e % saturación). Lo anterior, a pesar de que el número y peso de los peces, ingestión de alimento, actividad natatoria, posición en módulo de cultivo, etc., afectan su consumo y, por tanto, su concentración. Ello implica que no se mide el oxígeno disponible en el agua, previo al gasto o consumo, sino el resultado de la interacción entre esa variable no controlada y el nivel de gasto en el sitio de cultivo (i.e. no se mide el valor de la variable al que se deberían adaptar las variables controlables de la operación, sino el que resulta del proceso de engorda, ocurra o no adaptación). En el caso de la corriente, sus características definen buena parte del flujo de oxígeno, el gasto energético en nado y la pérdida de alimento. Aunque el flujo de agua al interior de las jaulas está influenciado por el tipo y posición de las mismas, durante el ciclo de engorda se mide la corriente en una sola posición, al interior de las jaulas y con métodos semi-cuantitativos (i.e. con un inclinómetro). Su conocimiento es de tal precariedad que sólo se lo usa para decidir, eventualmente, la suspensión de la alimentación por sospecha de pérdida excesiva, dejándola fuera de toda instancia de planificación de operaciones. Todo lo anterior, sugiere que el estado actual del conocimiento, observación y análisis de variables críticas no controladas, así como el uso que se les da en las operaciones de engorda, aún no se encuentran en el nivel que exige una estrategia de radicalización de los ciclos de evaluación-adaptación. Este mismo hecho, no obstante, hace sospechar un importante potencial de la acuicultura de precisión para mejorar la eficiencia productiva en los centros de engorda en Chile.

El rol de la automatización, digitalización e inteligencia artificial dentro del paradigma de la  acuicultura de precisión, puede entenderse mejor con un ejemplo concreto, ya en operación, que involucra el uso de la tecnología Feeding Assistant, de la empresa chilena 3SE. El sistema procesa video entregado por las cámaras submarinas para inferir, en tiempo real, el grado de apetencia de los peces. Al observar la apetencia, en lugar de la presencia de alimento sin consumir, el sistema entrega sustento objetivo para adaptar a la baja la tasa de entrega de alimento  antes de que este se empiece a perder (i.e. información para adaptar una variable crítica controlable). De modo similar, el sistema también puede entregar sustento objetivo para adaptar al alza la tasa de entrega de alimento (sustento que no se obtiene de observar sólo la presencia de pellets de alimento en el agua) o incluso adaptar el monto de la ración diaria por jaula más allá de lo indicado por la planificación diaria. Feeding Assistant emula la habilidad de observar e interpretar la conducta de los peces que tienen sólo los mejores técnicos de alimentación humanos, pero al hacerlo, permite que esa habilidad, en principio muy escasa, deje de ser una restricción para el proceso de observación continua y ubicua de una variable crítica no controlada (i.e. la apetencia), tal como lo exige la implementación práctica de la acuicultura de precisión. En este ejemplo, la digitalización (i.e. “digitization”, entendida como la acción de llevar información análoga a digital) es una precondición para que Feeding Assistant pueda siquiera empezar a operar. Ella genera el entorno en el que algoritmos específicos, pertenecientes a la gran clase llamada inteligencia artificial, pueden emular la habilidad central de los mejores alimentadores humanos. La instalación y operación adecuada de estos algoritmos automatiza las tareas de 1) observación de la conducta de los peces en la jaula, de 2) detección de patrones específicos en ella y la de 3) inferir el nivel actual de apetencia a partir de la interpretación de esos patrones. Es la automatización de estas 3 tareas la que permite la observación continua y objetiva de la apetencia.

La sofisticada automatización de la observación de la apetencia que provee Feeding Assistant, interviene en uno de los 4 procesos recursivos que se encuentran en el núcleo de la acuicultura de precisión (i.e. la observación). Su impacto sobre la eficiencia de la engorda está ligado al uso efectivo de la apetencia como insumo para los otros 3 procesos (interpretación, toma de decisión y ejecución). Esto quiere decir que la forma y la tasa a la que se alimenta a los peces en las jaulas debe responder al flujo de información entregado por Feeding Assistant. En un primer momento, esas respuestas adaptativas deberán ser imaginadas y ejecutadas por los operadores de alimentación. Eventualmente, otros aspectos relacionados con la interpretación (i.e. modelos de simulación y pronóstico de la apetencia y de los factores que la afectan), toma de decisión y ejecución podrán ser asistidas por nuevas herramientas tecnológicas. No obstante, para cada una de ellas, el aspecto clave será la forma en que específicamente se enlazan con la estrategia de radicalización de los ciclos adaptativos a los que apela la acuicultura de precisión. Bajo una óptica más general, parece conveniente considerar que la digitalización, automatización y el uso de inteligencia artificial son herramientas que, por sí mismas, no agregan valor. Sin embargo, bien aplicadas, en el contexto de una estrategia bien fundada y estructurada bajo el paradigma de acuicultura de precisión, pueden ser extremadamente poderosas en la búsqueda de incrementar la competitividad de la engorda en mar de salmones.

Asche F, Cojocaru A, Sikveland M (2018) Market shocks in salmon aquaculture: The impact of the Chilean diseases crisis. Journal of Agricultural and Applied Economics, 50(2): 255–269

Asche F, Cojocaru A, Sikveland M (2018) Market shocks in salmon aquaculture: The impact of the Chilean diseases crisis. Journal of Agricultural and Applied Economics, 50(2): 255–269

Cojocaru A, Iversen A & Tveterås R (2020): Differentiation in the Atlantic salmon industry: A synopsis, Aquaculture Economics & Management, DOI: 10.1080/13657305.2020.1840664

Iversen A, Asche F, Hermansen Ø, Nystøyl R (2020) Production cost and competitiveness in major salmon farming countries 2003–2018. Aquaculture 522: 735089. https://doi.org/10.1016/j.aquaculture.2020.735089

Fore M, Frank K, Norton T, Svendsen E, Alfredsen JO, Dempster T, Heguiraun H, Watson W, Stahl A, Sunde L, Schellewand C, Skoien K, Alver M, Berkmans D (2018) Precision fish farming: A new framework to improve production in aquaculture. Biosystems Engineering 173: 176-193. https://doi.org/10.1016/j.biosystemseng.2017.10.014

Contáctenos

Victor Valerio
Gte. General 3SE
vvalerio@3se.cl

Gonzalo Olivares
Unidad de Simulación y Pronóstico Ambiental de 3S
golivares@3se.cl