¿Qué pueden tener en común una investigación sobre agujeros negros, el análisis de imágenes satelitales, la ciencia de datos y un ensayo de híbridos de maíz? A primera vista, bastante poco. Pero todas esas disciplinas terminan cruzándose dentro de Dymaxion Labs, una compañía argentina que se propuso utilizar inteligencia artificial y grandes volúmenes de información para resolver problemas concretos de la agricultura. La historia de la empresa, de hecho, tampoco comenzó de la manera habitual para una agtech.
Federico Bayle, hoy encargado del equipo de operaciones de Dymaxion Labs, venía trabajando con Damián Silvani en tecnología para analizar imágenes satelitales. Uno de los primeros antecedentes surgió a partir de un trabajo académico de Bayle que buscaba detectar asentamientos urbanos mediante ese tipo de imágenes. En ese entonces, el agro todavía no estaba necesariamente en el centro de la escena.
Pero esa capacidad para mirar enormes superficies desde arriba, procesar información y encontrar patrones comenzó a mostrar aplicaciones posibles en agricultura, a tal punto que comenzaron a trabajar con GDM, el grupo de origen argentino especializado en genética vegetal.
“Empezamos a trabajar juntos resolviendo problemas complejos y cada vez más cerca”, recordó Nicolás García Dutriez, CEO de Dymaxion Labs. En 2022 GDM adquirió la compañía y aquel equipo de perfil predominantemente tecnológico comenzó a mezclarse con el mundo de los agrónomos, la genética, ensayos, lotes y decisiones comerciales.
Según García Dutriez, de ese cruce salió la Dymaxion actual, empresa que conserva “la esencia científica, pero con una capa súper agronómica”.
Este miércoles 14 de octubre, durante un encuentro con periodistas, García Dutriez compartió la presentación de la compañía con Tobías R. Moreno, responsable de Producto de Dymaxion Labs, y Federico Bayle, encargado del equipo de Operaciones. Los tres intentaron explicar algo que, detrás de palabras como inteligencia artificial, machine learning o computer vision, es bastante más terrenal: qué hacer con la enorme cantidad de información que hoy genera la agricultura. Para Dymaxion el problema ya no parece ser la falta de datos.
Un ensayo genera información. Una sembradora también. Lo mismo una cosechadora, una estación meteorológica, un drone o una imagen tomada por un satélite. Las empresas acumularon durante años registros de productos, ambientes, rindes y campañas. El desafío es lograr que todo eso pueda hablar entre sí y, fundamentalmente, sirva para tomar una decisión.
“Lo que buscamos es procesar y entender toda esa información con un objetivo claro, súper tangible y muy directo al negocio: lograr que estas inversiones generen un resultado positivo a nivel productivo y a nivel de negocio”, explicó García Dutriez.
Es allí donde entra la inteligencia artificial. No tanto como una especie de cerebro que reemplazará al ingeniero agrónomo, sino como una herramienta capaz de encontrar relaciones dentro de volúmenes de información que serían muy difíciles de analizar manualmente.
“Estamos convencidos de que la inteligencia artificial es una herramienta que nos acelera, nos ayuda y nos impulsa a lograr mejores resultados que antes nos llevaban mucho más tiempo o tal vez eran imposibles de alcanzar”, señaló el CEO.
Pero quizás una de las características más llamativas de Dymaxion no esté en sus algoritmos sino en las personas que los construyen. Dentro de un mismo equipo conviven agrónomos, especialistas en software, científicos de datos y perfiles provenientes de la economía y las ciencias duras. Hay trayectorias vinculadas con física de partículas y experiencias de investigación relacionadas con ATLAS, en el CERN; otras que estudiaron fenómenos astrofísicos como los agujeros negros; especialistas en machine learning e información geoespacial; y agrónomos que dedicaron buena parte de su carrera a estudiar la interacción entre genotipos y ambientes.
Puede parecer una colección bastante heterogénea de currículums para una empresa agrícola. Pero detrás de esa diversidad existe un denominador común: buena parte de esas disciplinas se dedican, en definitiva, a lo mismo. Buscar patrones dentro de cantidades enormes de información para entender fenómenos complejos.
Lo que cambia ahora es el objeto de estudio, pues en lugar de una partícula, una galaxia o una mancha urbana observada desde el espacio, la pregunta puede ser cuál de veinte híbridos tiene mejor comportamiento en determinado ambiente; qué práctica agronómica produjo una diferencia de rendimiento; cuánto valor generó una tecnología incorporada a una máquina; o qué está ocurriendo con un cultivo a escala de una región.
Para ordenar esas preguntas, Dymaxion desarrolló Optimus, su plataforma integrada de datos e inteligencia artificial. La lógica es acompañar a la información agrícola en diferentes escalas.
Optimus Notes trabaja principalmente sobre investigación, desarrollo y posicionamiento de productos. Permite centralizar información de ensayos, incorporar datos obtenidos en recorridas, imágenes o drones y comparar cómo se comportan diferentes productos y tratamientos en distintos ambientes.
Optimus Farm lleva ese análisis a la escala productiva. Allí entran mapas de siembra y cosecha, información generada por la maquinaria y datos de agricultura de precisión para analizar qué ocurrió dentro del lote y qué impacto tuvieron diferentes decisiones de manejo.
Y Optimus Radar amplía nuevamente la lupa: integra imágenes satelitales, información climática y datos agronómicos para analizar regiones productivas completas y encontrar información útil para decisiones comerciales, productivas o de mercado.
“Estamos yendo desde el nivel de microparcela hasta una región, un país o incluso un continente, juntando información con diferentes grados de precisión”, resumió García Dutriez.
Ese recorrido explica también por qué Dymaxion trabaja principalmente con empresas de semillas, protección de cultivos, fertilizantes y maquinaria agrícola. No busca reemplazar el conocimiento agronómico sino darle otra capacidad de procesamiento.
Un ejemplo sencillo sería una compañía semillera con cientos o miles de ensayos distribuidos en distintas regiones. La pregunta ya no es solamente cuál híbrido rindió más. Puede ser en qué ambientes tuvo mejor desempeño, qué variables explican ese comportamiento, dónde convendría posicionarlo comercialmente y qué evidencia existe para sostener esa recomendación.
Y cuanto más crece la escala, más difícil resulta hacerlo solamente con planillas, observaciones individuales o bases de datos aisladas.
Ahí aparece, quizás, la principal tesis que Dymaxion quiso poner sobre la mesa durante el encuentro: el agro ya generó una enorme infraestructura de información. El próximo salto no necesariamente será producir muchos más datos, sino aprender a conectarlos y utilizarlos mejor.
Para eso eligieron un camino bastante particular: sentar alrededor de una misma mesa a personas que aprendieron a mirar un lote, otras que aprendieron a mirar imágenes desde cientos de kilómetros de altura y algunas que alguna vez estuvieron tratando de comprender fenómenos bastante más lejanos.
Al final, todas parecen estar buscando lo mismo: encontrar en los datos algo que hasta ese momento no era evidente.
