O que é hype e o que realmente é útil para a Fazenda 4.0
Sabem aquele xarope que promete curar todos os males, desde a calvície no homem até em deixar a pele das senhoritas mais radiante? Evidentemente é muita responsabilidade para uma emulsão de alguns extratos naturais e te garanto que não deve resolver nada do que lhe é atribuído. Eu tenho a mesma sensação quando me deparo com outro milagre cantado em verso e prosa: A super badalada inteligência artificial (IA). Neste momento o leitor de InteliAgro deve estar se perguntando o porquê desta comparação. Explico.
O termo inteligência artificial que tanto vemos por aí é completamente desconectado com a sua definição acadêmica e assim é feito para “soar sexy”, impressionar investidores na hora de alavancar capital e, claro, para atrair clientes. O que é vendido atualmente como IA é, na verdade, a aplicação de algoritmos de aprendizado de máquina (machine learning), que é apenas capaz de resolver problemas muito específicos, bem longe do que sonhamos um dia conquistar com a inteligência artificial.
Finalmente entrando no assunto deste artigo, a ciência de dados (data science) é o processo de obter, transformar e analisar dados para responder uma questão. Existem apenas 5 tipos de questões que ela pode responder:
1) É isto A ou B? (algoritmos de classificação);
2) Isto é estranho? (algoritmos de detecção de anomalias);
3) Quanto? (algoritmos de regressão);
4) Como isto está organizado? (algoritmos de clusterização);
5) O que deve ser feito a seguir? (algoritmos de aprendizado por reforço)
É necessário que a pergunta que será feita possa ser respondida com dados. Diante disso, para colher os benefícios da ciência de dados, não basta apenas ter a disposição bons algoritmos, mas também que os dados sejam de qualidade. Para tanto é necessário que estes dados sejam relevantes, conectados entre si, acurados e, finalmente, que sejam suficientes para a tarefa.
Enquanto aguardamos a convergência do mercado de IoT em uma plataforma padronizada, podemos trabalhar com os dados que há décadas coletamos exaustivamente de clima, solo, desempenho e respostas de cultivares, genoma, comportamento de pragas e pestes, entre outros. Estes dados estão aguardando que a aplicação de data science com ferramentas de machine learning resultem na descoberta de conhecimento que possa otimizar o processo produtivo de toda a cadeia agropecuária.
Este ano devemos ajustar nossas expectativas de como, realmente, a ciência de dados estará sendo aplicado na agricultura: na cadeia de insumos agrícolas (pré-porteira), como auxiliar do desenvolvimento de produtos e; no monitoramento remoto das lavouras e pastagens, usando mais dados de plataformas orbitais do que de sensores in loco. Com os anos que virão, testemunharemos o impacto da real Inteligência Artificial no campo, todavia , quem sabe, seja nosso tema para 2020.
