La inteligencia artificial (IA) en la agricultura promete mejorar los rendimientos y optimizar los cultivos. Analiza imágenes, datos climáticos y características del suelo. Estas informaciones ayudan a los agricultores a tomar decisiones. Sin embargo, en el terreno, su rendimiento varía ampliamente según las regiones. Los resultados a menudo son decepcionantes fuera de las zonas donde se han diseñado estas herramientas. Por lo tanto, esta situación revela un problema fundamental. Los modelos no siempre tienen en cuenta la diversidad de las realidades agrícolas.
La IA en la agricultura a menudo se basa en el aprendizaje automático. Esta técnica permite a un programa identificar patrones en grandes bases de datos. Luego aprende a reconocer una planta, un suelo o una enfermedad. En teoría, esta lógica parece muy efectiva. En la práctica, depende completamente de la calidad de los datos utilizados al principio.
Una buena parte de estos datos provienen de Europa o América del Norte. Por lo tanto, los modelos aprenden a reconocer cultivos, paisajes y ritmos agrícolas muy específicos. Cuando se utilizan en otros lugares, los errores se multiplican rápidamente. Una planta local puede ser mal identificada. Un campo de cultivo mixto puede ser mal interpretado. Además, una parcela cultivada según otros usos puede resultar difícil de analizar para el algoritmo.
Esta debilidad se pone de manifiesto cuando se sale de los contextos occidentales. En algunas regiones de África o Asia, las explotaciones son más pequeñas y diversas. Los cultivos a menudo coexisten en la misma parcela. Las prácticas también varían según la lluvia, la altitud o el acceso al mercado. Como informa el medio Rest of World, algunos sistemas fallan en reconocer cultivos comunes. Por lo tanto, equipos locales han recopilado millones de imágenes para corregir estas deficiencias. Sin este trabajo de adaptación, la IA sigue siendo poco fiable y puede exacerbar las disparidades entre territorios.
