La industria pesquera es extremadamente impredecible. El tiempo, la temperatura del mar, los niveles de las poblaciones de peces, los patrones migratorios, el cambio climático... todos estos factores influyen en las operaciones pesqueras, provocando excedentes y escasez de suministro. La calidad también es impredecible, ya que a menudo depende de factores medioambientales, métodos de captura, estacionalidad, manipulación en el mar, cadena de frío, etc. La acuicultura también experimenta una variabilidad natural. La acuicultura también experimenta una variabilidad natural. Las condiciones ambientales incontrolables -como los problemas de calidad del agua causados por el clima o la contaminación y los brotes de enfermedades- afectan a la producción y la calidad de las piscifactorías y las camaroneras. En resumen, es un negocio arriesgado.

Por estas razones, la inteligencia artificial (IA) -descrita como "máquinas de predicción"- promete hacer más predecible y, por tanto, más rentable el sector de los productos del mar.

"La predicción es el proceso de completar la información que falta", escriben los autores de Prediction Machines: The Simple Economics of Artificial Intelligence. "La predicción toma la información que tienes, a menudo llamada 'datos', y la utiliza para generar información que no tienes. Además de generar información sobre el futuro, la predicción puede generar información sobre el presente y el pasado. Esto ocurre cuando la predicción clasifica las transacciones con tarjeta de crédito como fraudulentas, un tumor en una imagen como maligno o si una persona que sostiene un iPhone es el propietario".¹

Los autores -todos ellos profesores de negocios de la Universidad de Toronto- sostienen que la IA nos permite hacer mejores predicciones de forma más rápida y barata. Esto, en resumen, está impulsando los beneficios y la adopción de la IA en todos los sectores, incluido el marino.

En este artículo, ofrezco a los lectores, en primer lugar, una visión general de los distintos tipos de IA, su funcionamiento y sus aplicaciones. En segundo lugar, analizo cómo se utiliza actualmente la IA en las cadenas de suministro de productos del mar, basándome en un estudio de unas 365 aplicaciones informáticas. En tercer lugar, estudiaré cómo puede utilizarse la IA en el procesado de marisco, un sector que actualmente no está suficientemente atendido por la IA. También compartiré la investigación puntera que estamos llevando a cabo (ThisFish Inc.) para introducir la IA en el sector de la transformación. Por último, concluiré con algunas reflexiones sobre cómo las empresas de productos del mar pueden empezar a prepararse para la revolución de la IA, asegurándose de que no se quedarán atrás.

Qué es la IA y cómo funciona

A menudo se hace referencia a la inteligencia artificial como la Cuarta Revolución Industrial. La revolución original fue impulsada por la energía de vapor y la mecanización en la década de 1780; la segunda se centró en la electrificación y la producción en masa en la década de 1870; y la tercera comenzó en 1969 con la electrónica informática. La IA es ahora el núcleo de la cuarta Revolución Industrial, a menudo denominada Industria 4.0. Muchas de las nuevas tecnologías, como la computación en nube, el Internet de las Cosas (IoT), los sensores inteligentes y los chips informáticos, están permitiendo la IA gracias a los avances en la recopilación de datos, el almacenamiento de datos y la potencia de cálculo. La IA también está permitiendo muchas nuevas tecnologías, como los robots autónomos, los coches que se conducen solos, la realidad aumentada y la computación cognitiva.

¿Qué es exactamente la IA? En esencia, la IA consiste en simular la inteligencia humana en máquinas y entra dentro del campo general de la ciencia de datos. El aprendizaje automático es un subconjunto de la IA en el que las máquinas toman decisiones sin estar programadas. Básicamente, entrenamos a las máquinas utilizando datos. En general, más datos y de mejor calidad hacen que la IA sea más inteligente. Se puede "supervisar" el aprendizaje de la IA etiquetando los datos, lo que significa que a la entrada le corresponde una etiqueta de salida. Por ejemplo, se puede etiquetar una imagen de un pez (la entrada) con su especie correspondiente (la salida). El aprendizaje no supervisado implica un algoritmo que intenta descubrir patrones ocultos en los datos, como la detección de anomalías o errores. La Administración de Alimentos y Medicamentos de EE.UU. (FDA), por ejemplo, utiliza la IA para ver patrones en los datos de importación de marisco e identificar posibles ilegalidades. Un tercer tipo de aprendizaje es el "reforzado", que se produce cuando la IA interactúa con su entorno, recibiendo reacciones positivas o negativas. Los chatbots de atención al cliente que piden al usuario que valore sus respuestas son un ejemplo habitual de aprendizaje reforzado.

Un subconjunto del aprendizaje automático es el llamado "aprendizaje profundo", que utiliza redes neuronales inspiradas en la estructura y el funcionamiento del cerebro humano. Esta tecnología suele utilizarse para descubrir patrones ocultos en conjuntos de datos enormemente grandes, complejos o multidimensionales. Las tecnologías más comunes son la visión por ordenador y el procesamiento del lenguaje natural.

La visión por ordenador es un campo de la IA que permite a las máquinas interpretar y tomar decisiones basadas en datos visuales del mundo. A cada píxel de una imagen se le asigna un número, y luego los algoritmos encuentran patrones que, por ejemplo, diferenciarán un rabil de un patudo en una imagen. Los ordenadores pueden clasificar una imagen, detectar un objeto, segmentar una imagen en componentes y reconocer caras. Las tecnologías de visión por ordenador utilizan un tipo de red neuronal para lograr una gran precisión.

La última tecnología es la IA generativa, como el popularísimo ChatGPT o DALL-E para generar imágenes. Esta tecnología también utiliza redes neuronales para aprender patrones a partir de grandes conjuntos de datos de imágenes o textos para generar nuevos contenidos. Los grandes modelos lingüísticos se entrenan con millones de páginas de texto para que suenen humanos.

¿Cómo puede aplicarse toda esta tecnología de IA al sector de los productos del mar? Una herramienta útil es el marco P.A.C., desarrollado por el empresario y experto en IA Rob May. P.A.C. significa Predecir, Automático y Clasificar, que son las funciones básicas de la IA. May sugiere crear una tabla sencilla para ver cómo se puede aplicar la IA a tu negocio. "Para hacer tu primera tabla, haz tres columnas, una para Predecir, otra para Automatizar y otra para Clasificar. Luego, en las filas, enumera las áreas clave de tu negocio. Por ejemplo, podrías enumerar: Clientes, Producto y Operaciones. Luego, en cada casilla, puedes imaginar cómo podría aplicarse ese enfoque específico de inteligencia artificial a esa área de tu negocio", escribe May.

He creado una tabla de este tipo (Tabla 1) en la que se analizan distintos sectores de la cadena de valor de los productos del mar, como la pesca, la cría, la planificación, la producción y el control de calidad. No se trata de una lista exhaustiva, sino de una lluvia de ideas sobre cómo podría aplicarse la IA a su empresa. Como veremos en la siguiente sección, la IA se está adoptando ampliamente en el sector de los productos del mar.

Cuadro 1: Marco P.A.C. adaptado al sector de los productos del mar

El explosivo crecimiento de la IA en el marisco

La inteligencia artificial está ahora presente en nuestra vida cotidiana: en nuestros teléfonos inteligentes, asistentes virtuales, coches, recomendaciones musicales, reparto de comida, reconocimiento facial, etc. El crecimiento se ha visto impulsado por tres factores. En primer lugar, el volumen de datos digitales se ha multiplicado por 30 en los últimos 10 años. La IA necesita datos para aprender, por lo que el crecimiento de las tecnologías digitales -especialmente la computación en nube y los teléfonos inteligentes- está generando los datos para entrenar a la IA. En segundo lugar, los algoritmos de IA se han vuelto más potentes. Por ejemplo, ImageNet era un reto de reconocimiento visual a gran escala que se celebraba una vez al año durante la última década. En 2015, el mejor sistema de IA superó por primera vez el rendimiento humano. Ahora la IA puede reconocer fotos con mayor precisión que los humanos. En tercer lugar, los chips informáticos son cada vez más potentes y baratos. Son fundamentales para procesar grandes cantidades de datos con algoritmos más complejos.

En cuanto a los productos del mar, he identificado una "metatendencia" que ayuda a explicar por qué la IA está siendo ampliamente adoptada en el sector. Lo llamo el Índice Fish n' Chips. Desde 1990, el índice de precios del pescado de la FAO ha aumentado un 60%, mientras que el precio de los semiconductores o chips informáticos ha bajado más de un 50%. En la actualidad, alrededor de un tercio de los programas informáticos (más de 120 aplicaciones) que se utilizan en el sector de los productos del mar emplean IA.

De hecho, he analizado más de 365 aplicaciones de software que se utilizan en el sector de los productos del mar y las he publicado en un directorio en línea en el sitio web de ThisFish2. Se ha producido una explosión de nuevas startups tecnológicas al servicio del sector de los productos del mar, que alcanzó su punto álgido en 2018-2019. Sin embargo, la IA se está aplicando de forma desigual en la industria de los productos del mar.

Hay unas 100 aplicaciones informáticas que se utilizan en la pesca de captura salvaje y otras 100 en la acuicultura. Casi el 70% de la tecnología acuícola utiliza IA, frente a sólo el 20% en la pesca. La razón de esta divergencia es doble: los incentivos y la normativa. En la acuicultura, la IA está reduciendo dos de los mayores costes del sector: la optimización de la alimentación y la reducción de la mortalidad. Los agricultores están motivados para adoptar la IA, ya que tiene sentido desde el punto de vista empresarial. En la pesca, la mayor parte de la tecnología no está impulsada por la dinámica del mercado, sino por el cumplimiento de la normativa para controlar mejor las capturas. Los pescadores son reacios a adoptar tecnologías que aumenten la vigilancia, con la excepción, quizá, de la mejora de la seguridad en el mar. Una gran parte de la IA en la pesca se centra en el uso de la visión por ordenador para automatizar la revisión de vídeo de los sistemas electrónicos de vigilancia a bordo de los buques pesqueros.

Es probable que veamos cómo se amplía esta brecha en la adopción de la IA. Según Crunchbase, las empresas tecnológicas de acuicultura han recaudado alrededor de 632 millones de dólares en inversiones, en comparación con solo 19 millones de dólares de las empresas tecnológicas de pesca. De hecho, Crunchbase informó de que solo en 2022, 45 startups de acuicultura recaudaron 292 millones de dólares.

Casos de uso de la IA en el procesado de marisco

El sector de la transformación de productos del mar se ha quedado rezagado tanto en la transformación digital como en la adopción de la IA. El mantenimiento de registros en papel es el método predominante de recopilación de datos, lo que causa numerosos problemas, como errores humanos, ausencia de análisis en tiempo real, lentitud en la elaboración de informes y escasa trazabilidad. Existen 29 productos de software dirigidos a este sector y, sin embargo, solo cuatro cuentan con capacidades de IA. Para la comprobación y verificación de la calidad, hay 13 productos de software para productos del mar. Más del 50% utilizan IA, como visión por ordenador, pruebas de ADN y quimiometría.

A pesar de los bajos niveles de digitalización y adopción de IA, los procesadores de productos del mar son nodos críticos en las cadenas de suministro, agregando la oferta, manteniendo la seguridad alimentaria y permitiendo el comercio mundial. Se calcula que unas 23 000 empresas se dedican a la transformación de productos del mar en todo el mundo. Representan un cuello de botella entre los millones de productores primarios y los miles de millones de consumidores.

A pesar de su importancia comercial crítica, el sector de la transformación adolece de escasa rentabilidad. Planet Tracker analizó 89 empresas de transformación de productos del mar que cotizan en bolsa para determinar que su margen de beneficios antes de intereses e impuestos (EBIT) era, por término medio, de sólo el 3,4%.³ La inteligencia artificial podría mejorar potencialmente estos márgenes mediante la automatización y la optimización, cumpliendo al mismo tiempo los objetivos de sostenibilidad.

Basándose en nuestro trabajo de digitalización de plantas de procesado de marisco, ThisFish Inc. calcula que una conservera de atún media, que procesa 100 toneladas métricas de materia prima al día, genera más de cuatro gigabytes de datos digitales al año, lo que equivale a unos 2,7 millones de páginas de texto. Los procesadores de atún y salmón fresco congelado generan alrededor de un gigabyte de datos o 680 000 páginas. Este enorme volumen de datos podría resultar valioso para el sector de la transformación de productos del mar. Los datos históricos podrían utilizarse para entrenar algoritmos de aprendizaje automático que permitan predecir la calidad y los resultados de la producción. En la siguiente sección, compartiré algunas de las innovadoras investigaciones sobre IA que hemos llevado a cabo a lo largo de los años.

Aprendizaje automático

En 2021, los científicos de datos de ThisFish Inc. desarrollaron una prueba de concepto para predecir el rendimiento de una fábrica de conservas de atún en Tailandia. Los datos utilizados para el análisis procedían de aproximadamente 22 meses de producción de listado, atún blanco y rabil. Los datos consistían en 8.818 puntos de datos únicos para los que se calcularon los rendimientos. La unidad de materia prima para la que se calcularon los rendimientos fue un lote de producción. El rendimiento se calculó de la siguiente manera

Dividimos las variables en dos categorías: variables de la materia prima y variables del proceso. Las variables de la materia prima son aquellas que son propiedades inherentes, como la especie de pescado, el tamaño del pescado, el método de captura, etc. Las variables del proceso son las que se recogen como parte del proceso de enlatado, como la duración del almacenamiento en frío, el tiempo de descongelación, las temperaturas de descongelación, el tiempo de cocción, las temperaturas de cocción, etc. Estudiamos el impacto de estas variables e intentamos determinar de qué manera pueden ajustarse para aumentar potencialmente los rendimientos.

En resumen, las principales variables que influyeron en los rendimientos fueron el tamaño del pescado, la especie de pescado, el tiempo de almacenamiento en frío, la temperatura de cocción y el tiempo de cocción. Sin embargo, el hallazgo más interesante fue el impacto de la duración del almacenamiento en frío en los rendimientos, que afectó a las recuperaciones hasta en un tres por ciento. Alrededor del 85% de la variación de los rendimientos se explicaba por las variables del modelo y el nivel de confianza del IA era del 95%. Dado que la materia prima es el mayor coste de producción, un modelo de predicción del rendimiento podría ayudar a una conservera a predecir los márgenes brutos de producción.

Otro proyecto de aprendizaje automático se centró en el peso escurrido en el enlatado de atún. El peso escurrido se indica en las latas y representa la cantidad mínima de carne que queda en una lata una vez escurrido su medio líquido, normalmente aceite, salmuera o agua de manantial. Es difícil predecir el peso escurrido porque el atún de la lata absorbe parte del líquido, lo que se conoce como "pick-up". Hay muchas variables que pueden influir en la cantidad de "pick-up", como la especie, el tipo de líquido, la calidad de la carne, la densidad de envasado, el tamaño de la lata, la proporción entre escamas y trozos y otras. La mayoría de las conserveras han desarrollado tablas de peso escurrido que ayudan a los responsables de producción a determinar el peso de llenado de las latas. Sin embargo, estas tablas son simplistas y sólo tienen en cuenta un par de variables. No tienen en cuenta todas las variables relevantes ni cómo estas variables interactúan entre sí. Como resultado, las conserveras se sorprenden a menudo cuando obtienen los resultados del laboratorio de peso escurrido.

Además, existen límites reglamentarios sobre el número de latas que se permite llenar de menos, lo que se denomina error negativo tolerable. Por ejemplo, el umbral de un peso escurrido de 102 gramos significa que no puede haber más de un 2,5% de latas con un llenado insuficiente de 4,5 gramos y hay tolerancia cero para un llenado insuficiente extremo de más de 9 gramos. Dado que el proceso es impredecible, las conserveras sobrellenan a propósito las latas entre 3 y 6 gramos de media para asegurarse de no incumplir las normas de llenado insuficiente.

En 2023 y 2024, ThisFish Inc. trabajó con dos conserveras de atún en Manta, Ecuador, para desarrollar un modelo de predicción del peso escurrido. Recibimos más de 100 000 muestras de peso escurrido y variables relacionadas de Eurofish S.A. y de la conservera SEAFMAN de Tri Marine. Entrenamos dos modelos de IA distintos, uno para cada conservera, manteniendo los datos separados dados los requisitos de confidencialidad.

Los resultados preliminares fueron prometedores. En general, la IA redujo la desviación estándar en los pesos escurridos, lo que apunta a un mayor control del proceso. Los resultados también sugieren que podrían ahorrarse hasta tres gramos por lata, en función del rendimiento de referencia de la conservera. Un gramo de listado equivale a unos 500 000 USD de costes de materia prima al año para una conservera de 100 toneladas métricas al día. Hay 150 conserveras en todo el mundo con una media de 100 toneladas métricas, lo que significa que la IA podría ahorrar al sector entre 75 y 225 millones de dólares en costes de materia prima al año. Una vez mejorado el rendimiento, el modelo de IA podría volver a entrenarse con los mejores datos, lo que permitiría ahorrar aún más y reforzar el control.

Visión por ordenador

En la industria del marisco hay mucha inspección visual de materias primas, productos semiacabados y acabados. En general, si los humanos pueden ver algo, también podemos programar la IA para que lo vea.

En ThisFish Inc. hemos desarrollado varios algoritmos de visión por ordenador para contar y medir filetes de pescado, clasificar filetes de salmón basándonos en la escala de colores SalmoFan y detectar cinco tipos diferentes de defectos en filetes de salmón, entre los que se incluyen la separación, las zanjas, la blandura, las magulladuras y las cicatrices de inoculación (en peces de piscifactoría). También estamos trabajando en un algoritmo para estimar el peso de un salmón a partir de una imagen. En el futuro, los modelos también podrían entrenarse con pescado blanco o gambas.

En el sector del atún, una empresa tecnológica japonesa ha desarrollado Tuna Scope para utilizar la visión por ordenador para calificar la calidad del atún fresco. ThisFish Inc. también ha experimentado con la visión por ordenador para estimar el nivel de salinidad del listado congelado, un proyecto de investigación en curso. Otras aplicaciones son la inspección visual de las costuras de las latas o la detección de abolladuras y otros defectos en las latas. La mayoría de los procesadores de marisco también inspeccionan las etiquetas del producto acabado, una tarea que podría automatizarse con una cámara inteligente.

La visión por ordenador podría abaratar y mejorar la inspección de la calidad. En la actualidad, la mayoría de las inspecciones de calidad las realizan inspectores humanos que toman muestras aleatorias para comprobar la calidad. Con la visión por ordenador se automatizan, se reducen los costes laborales y la inspección es continua en lugar de por muestreo aleatorio. Las empresas de productos del mar generarían enormes volúmenes de datos de inspección que podrían utilizarse para tomar mejores decisiones y reducir las reclamaciones frívolas, ya que las plantas de procesado dispondrían de enormes cantidades de datos para demostrar que han cumplido los requisitos del cliente.

Conclusión

En el pasado, muchas empresas de productos del mar creían que podían conseguir un avance competitivo ocultando datos y no siendo transparentes sobre su proceso de producción o su cadena de suministro. Con la creciente demanda del mercado de transparencia y abastecimiento responsable, estas actitudes se están volviendo más anacrónicas cada día que pasa. En la era de la información, la ventaja competitiva duradera llegará a aquellas empresas que descubran perspectivas y patrones ocultos en sus datos a través de la inteligencia artificial.

Mi consejo a las empresas que quieren iniciar su andadura en la IA es sencillo: digitalizar, priorizar y aprender. En primer lugar, digitalice sus datos. Sin datos, no habrá IA. En segundo lugar, priorice centrándose en los primeros logros y en la reducción de costes mediante la automatización y la optimización. Y tercero, aprenda sobre la marcha. Adopte un enfoque gradual en la introducción de nuevas tecnologías digitales.

Aunque la IA puede hacer que el sector sea más rentable, también podría resultar valiosa para la sostenibilidad, sobre todo para ayudar a detectar y eliminar el fraude de productos del mar en las cadenas de suministro. Dado que la IA requiere datos limpios, exhaustivos y completos para realizar predicciones precisas, cada vez habrá más incentivos comerciales para recopilar datos de calidad sobre procedencia y trazabilidad.

El profesor de Stanford y experto en IA Andrew Ng ha declarado: "No gana quien tiene el mejor algoritmo. Es quien tiene más datos". También podría decirse que ganará quien tenga los mejores datos.

NOTA: Este artículo se publicó por primera vez en la revista en línea InfoFish. Haga clic aquí para leer el artículo.

NOTAS

¹ Ajay Agrawal, Avi Goldfarb y Joshua Gans Máquinas de predicción: The Simple Economics of Artificial Intelligence. Harvard Business Review Press, Boston, 2028, pp. 29-30

² https://this.fish/software-directory

³ François Mosnier, John Willis, Matt McLuckie. Retornos rastreables. Planet Tracker. Octubre de 2020.