Más datos no bastan: la IA redefine cómo la salmonicultura anticipa riesgos y toma decisiones

La inteligencia artificial comienza a avanzar desde las conversaciones sobre su potencial hacia aplicaciones concretas en industrias que operan en el océano. Pero a medida que los algoritmos adquieren la capacidad de ordenar información, detectar patrones, generar alertas e incluso ejecutar tareas de manera autónoma, surge una pregunta todavía más importante: ¿qué decisiones debemos seguir reservando a las personas? Ese fue uno de los ejes que atravesó el seminario “AI for Ocean: From Data to Decisions”, realizado este 7 de septiembre y organizado por Tekna Big Data y Formal Women in AI global association, bajo la pregunta “How can we use AI to protect and work with our oceans responsibly?”. La actividad reunió experiencias vinculadas a las industrias marítima, acuícola y offshore, con presentaciones de Jo Øvstaas, director de Ocean Innovation de HUB Ocean; Anna With Rødstøl, de ÅKP Strategylab; Samaneh Mousavi, de Manolin; y Aurelia Paraschiv, de Save Ocean. Más que mostrar herramientas o modelos específicos, las exposiciones terminaron apuntando hacia un mismo desafío: el océano no necesariamente sufre una falta de datos, sino una dificultad para convertir esos datos en conocimiento útil y, finalmente, en mejores decisiones. El problema ya no es solamente obtener datos Jo Øvstaas, director de Ocean Innovation de HUB Ocean, planteó precisamente esa diferencia. Cuando comenzó a trabajar con información oceánica, explicó, pensaba que el principal desafío estaba en capturar y disponer de más datos. Con el tiempo, su diagnóstico cambió. El problema, sostuvo, está en la brecha que existe entre los datos y la decisión. La información puede provenir de sensores, sonares, observaciones humanas, investigación científica, industrias o ciencia ciudadana y, al mismo tiempo, encontrarse distribuida entre repositorios, formatos y sistemas que no siempre pueden comunicarse entre sí. Buena parte del esfuerzo termina entonces concentrándose en localizar, ordenar, limpiar e interpretar esa información antes de poder utilizarla. Es precisamente en ese espacio donde Øvstaas observa uno de los mayores potenciales de los agentes de inteligencia artificial y los llamados agentic workflows: sistemas capaces de realizar distintas tareas coordinadas para descubrir información, acceder a ella, combinarla, analizarla y acercarla más rápidamente hacia una interpretación. La aspiración es invertir la proporción del trabajo: dedicar menos tiempo humano a buscar y preparar información y más tiempo al análisis, el criterio y la toma de decisiones. Pero para que eso ocurra, advirtió, la IA debe trabajar sobre datos confiables, trazables y correctamente descritos. La posibilidad de seguir una respuesta hasta el dato original —conocer su procedencia, cómo fue generado y qué transformaciones recibió— aparece así como una condición fundamental para confiar en los resultados. “Siempre hay que comenzar por el problema que se quiere resolver”, resumió Øvstaas, agregando que la inteligencia artificial debe sustentarse en datos confiables y que, aun cuando parte de los procesos pueda automatizarse, la responsabilidad sobre el juicio y las decisiones continúa siendo humana. Aurelia Paraschiv de Save Ocean; Anna With Rødstøl de ÅKP Strategylab; Samaneh Mousavi de Manolin y Jo Øvstaas, Director of Ocean Innovation en HUB Ocean, fueron los encargados de compartir sus experiencias. Del entusiasmo por la IA a resolver un problema real Una conclusión similar surgió desde una perspectiva más industrial. Anna With Rødstøl, de ÅKP Strategylab, presentó la experiencia acumulada mediante los denominados AI Sprints, procesos desarrollados junto a compañías principalmente vinculadas al sector marítimo noruego para transformar una idea sobre inteligencia artificial en un prototipo concreto. Su punto de partida resulta especialmente relevante: muchas empresas llegan señalando que quieren incorporar IA, pero todavía no saben para qué. Por ello, el proceso comienza antes de seleccionar una tecnología. Primero se identifica un problema que tenga suficiente importancia para justificar recursos; luego se analiza si existen datos capaces de responderlo y, finalmente, se evalúa cómo incorporar la eventual solución dentro de la organización. Rødstøl sintetizó tres obstáculos recurrentes: encontrar un problema que realmente valga la pena resolver; acceder y comprender los datos necesarios; y lograr que la organización adopte una forma de trabajo que permita implementar posteriormente los resultados. Y dejó otra idea relevante para industrias altamente técnicas: comenzar pequeño no significa comenzar con algo irrelevante. Una compañía marítima podría iniciarse en inteligencia artificial mediante generación de textos o aplicaciones de bajo riesgo, pero también puede escoger un problema acotado directamente conectado con su negocio: aprovechar mejor información de equipos, procesos productivos, mantenimiento o postventa. El aprendizaje va más allá de la tecnología. Para que un prototipo tenga futuro se requiere combinar especialistas en IA con personas que comprendan el proceso industrial, responsables de los datos y usuarios que finalmente tendrán que trabajar con la solución. Una “Wikipedia de enfermedades de peces” Fue precisamente desde la acuicultura donde el seminario presentó uno de los ejemplos más directamente relacionados con los desafíos actuales de la salmonicultura. Samaneh Mousavi, veterinaria de peces, doctoranda de UiT – The Arctic University of Norway y parte del equipo de Manolin, presentó la Fish Disease Library, una plataforma abierta desarrollada para reunir y estructurar conocimiento sobre enfermedades de peces que actualmente se encuentra disperso entre artículos científicos, informes institucionales y bases de datos. El punto de partida vuelve a ser similar al observado en los datos oceánicos: conocimiento existe; el desafío es encontrarlo, organizarlo, comprenderlo y utilizarlo oportunamente. La primera versión de esta biblioteca fue construida con apoyo de inteligencia artificial. Sin embargo, ocurrió algo que terminó modificando la forma en que debía desarrollarse. Pocos meses después de estar disponible, asistentes de búsqueda y chatbots basados en IA comenzaron a utilizarla como fuente. El problema era que el contenido todavía no había pasado por un proceso sistemático de revisión por especialistas. La experiencia dejó una advertencia particularmente relevante en un contexto donde profesionales comienzan a consultar crecientemente herramientas de IA para obtener información técnica: que una fuente sea fácilmente encontrada o citada por un modelo no significa que sea confiable. A partir de ello, el proyecto avanzó hacia un sistema que incorpora contribuciones de especialistas, revisión y estandarización de perfiles de enfermedades, moderación de nuevos contenidos y control de versiones que permite seguir las modificaciones realizadas en el tiempo. Según explicó Mousavi, una publicación científica puede contener información válida, pero sus resultados no necesariamente son trasladables automáticamente a otra especie, un centro de cultivo distinto o un sistema productivo diferente. Los resúmenes generados por inteligencia artificial tampoco siempre dejan esas limitaciones suficientemente claras. Ahí aparece nuevamente el especialista. Durante la ronda de preguntas, Mousavi contó que una de sus tareas consiste precisamente en revisar las páginas y comprobar sus fuentes. Y ha encontrado casos donde la referencia utilizada por la IA es legítima, pero no sustenta exactamente la conclusión que el sistema obtuvo de ella. Por eso, enfatizó, la revisión experta continúa siendo indispensable. IA para anticipar riesgos sanitarios, no para reemplazar al veterinario La Fish Disease Library se conecta, además, con otra aplicación que muestra hacia dónde puede evolucionar esta tecnología dentro de la producción acuícola. Manolin trabaja con modelos predictivos impulsados por IA para evaluar el riesgo de enfermedades en centros de cultivo. Durante la presentación se mostró, a modo de ejemplo, una alerta asociada a un mayor riesgo de inflamación del músculo esquelético y cardíaco —HSMI, por sus siglas en inglés—. Mousavi fue enfática respecto de su alcance: la alerta no constituye un diagnóstico ni reemplaza el juicio veterinario. El sistema apunta a indicar dónde conviene mirar con mayor atención. A partir de esa señal, la biblioteca puede entregar información revisada sobre signos clínicos, diagnóstico, prevención y alternativas de manejo conocidas para esa enfermedad. En otras palabras, una herramienta detecta una señal y la otra ayuda a contextualizarla. La decisión sanitaria continúa dependiendo del profesional y de las condiciones particulares del centro. El mensaje es especialmente significativo para una salmonicultura que genera cantidades crecientes de información productiva, ambiental y sanitaria. Como sintetizó Mousavi durante su exposición, “los datos por sí solos no mejoran la salud de los peces”. También se necesita conocimiento confiable, contexto experto y herramientas que apoyen decisiones prácticas. Convertir observaciones ambientales en evidencia El cuarto caso presentado durante la jornada llevó esta misma discusión hacia el monitoreo ambiental y la sostenibilidad. Aurelia Paraschiv, fundadora de Save Ocean, mostró OceanQuest, una plataforma que busca integrar observaciones ciudadanas, información ambiental y datos provenientes de distintas fuentes para convertirlos en evidencia verificable. Una fotografía tomada en una costa, por ejemplo, no adquiere automáticamente valor científico o regulatorio. La propuesta considera registrar ubicación y hora, comprobar duplicidades, analizar plausibilidad y taxonomía, utilizar reconocimiento de imágenes y posteriormente asignar niveles de confianza a las observaciones. Dependiendo del resultado, la información puede ser agregada, descartada o enviada a revisión experta. La apuesta es posteriormente combinar múltiples observaciones con otras fuentes —como satélites, información histórica o plataformas de datos oceánicos— para identificar cambios, tendencias o áreas donde podría ser necesario actuar. El concepto vuelve a ser el mismo: la IA permite escalar la capacidad de revisar información, pero la confiabilidad depende de cómo se obtiene el dato, cómo se valida y quién interviene cuando existe incertidumbre. Paraschiv también reconoció otro dilema: no toda información ambiental debería ser necesariamente abierta para cualquier usuario. La ubicación de determinadas especies o zonas de alta concentración biológica, por ejemplo, puede convertirse en información sensible dependiendo de quién tenga acceso a ella. El factor humano Al finalizar el seminario, los organizadores identificaron precisamente ese elemento como el denominador común entre las cuatro presentaciones: el factor humano. Detrás de los agentes de HUB Ocean permanece una persona responsable de interpretar y decidir. En los AI Sprints de ÅKP Strategylab, especialistas tecnológicos deben trabajar junto a quienes conocen la operación. En la Fish Disease Library, veterinarios y expertos validan la información generada o estructurada mediante IA. Y en Save Ocean, determinadas observaciones deben escalar hacia revisión humana antes de convertirse en evidencia. “En cada paso habrá intervenciones humanas y decisiones humanas”, resumieron desde la organización durante el cierre. La conclusión que deja la jornada resulta particularmente pertinente para la salmonicultura. La inteligencia artificial puede acelerar el análisis de enormes volúmenes de información ambiental, productiva y sanitaria; encontrar relaciones que serían difíciles de detectar manualmente; anticipar riesgos y disminuir el tiempo que especialistas destinan a buscar y ordenar datos. Pero su valor no parece estar en retirar al experto de la ecuación. Al contrario: cuanto mayor sea la capacidad de la IA para transformar datos en recomendaciones y acciones, mayor será también la necesidad de contar con trazabilidad, conocimiento del dominio y criterio humano para decidir qué hacer con ellas.