¿Sabías que la inteligencia artificial (IA) puede aportar a mejorar la productividad agrícola en América Latina y el Caribe (ALC)?
En el Banco Interamericano de Desarrollo, junto al Juno Evidence Alliance, iniciamos el año pasado un innovador estudio que utiliza machine learning para apoyar la revisión sistemática de la literatura académica sobre la productividad agrícola en la región.
La idea detrás de este proyecto nació de Avanzar2030, liderado por IFPRI, Notre Dame University e IICA, con la participación del BID y otros socios clave en la región.
Juno Evidence Alliance se especializa en metodologías de síntesis de evidencia y meta-análisis que emplean herramientas avanzadas de IA, con el fin de apoyar la toma de decisiones basadas en evidencia en el sector agroalimentario y climático. Profesionales de IFPRI, Juno y BID aunaron esfuerzos para identificar las intervenciones más efectivas que inciden en el aumento de la productividad agrícola en ALC, constituyendo nuestro análisis en la revisión más exhaustiva sobre este tema a la fecha.
El estudio examinará de manera sistemática todas las investigaciones cuantitativas sobre políticas y determinantes de la productividad agrícola en la región, considerando aquellos publicados en la última década. La investigación se centra en estudios que emplean metodologías para cuantificar el aporte de los diferentes determinantes de la productividad agropecuaria y en análisis rigurosos que miden el efecto de diversas intervenciones. Al sintetizar la evidencia de la literatura académica y gris, nuestro objetivo es proporcionar recomendaciones de políticas e intervenciones accionables para el sector agropecuario, así como identificar posibles brechas de conocimiento donde los diferentes actores de la región pueden generar valor agregado con análisis rigurosos.
Esta revisión sistemática representa un enorme esfuerzo, ya que se abarcan todas las clases de intervenciones agropecuarias implementadas por el sector público, incluyendo programas de titulación, intervenciones fitosanitarias y servicios de extensión, infraestructura rural, entre muchas otras.
El rol de la IA en nuestra revisión sistemática
Tradicionalmente, realizar una revisión sistemática implica examinar manualmente cientos o miles de estudios, un proceso que puede tomar mucho tiempo. Para nuestro estudio, la búsqueda inicial utilizando una lista de palabras clave arrojó aproximadamente 40.000 artículos. Revisar este volumen de literatura de forma manual habría sido una tarea impensable. Pues bien, es aquí donde entra en juego la IA. El equipo de Juno diseña y entrena un large language model (LLM) para agilizar el proceso. El LLM analiza rápidamente los resúmenes de los 40.000 estudios y, según los criterios que hemos definido, determina si los artículos deberían incluirse o excluirse del análisis.
Para cumplir con los criterios de inclusión de nuestro estudio, cada artículo debe cumplir con los siguientes requisitos:
- Estar basado en un país miembro del BID en ALC
- Contener una medida de productividad
- Evaluar una intervención o determinante de la productividad agropecuaria en el sector agrícola, pecuario o forestal
- Utilizar una metodología cuantitativa
- Haber sido publicado en los últimos 10 años
La incorporación de la IA para clasificar los resúmenes según estos criterios acelera significativamente nuestra revisión.
Transparencia y acompañamiento humano: Claves para el uso responsable de la IA
El uso responsable de la IA requiere transparencia y participación humana. Confiar en un algoritmo para tomar decisiones sobre la selección de estudios podría sesgar una revisión sistemática, ya que las herramientas de IA pueden funcionar como “cajas negras” donde la lógica detrás de la toma de decisiones no es clara. Sin embargo, una metodología transparente, especializada, y supervisada previene estos problemas.
El proceso comenzó con la revisión manual de más de 2.600 artículos por parte del equipo del BID con el fin de establecer una línea base de decisiones de inclusión. Estas decisiones se utilizaron para entrenar al algoritmo de aprendizaje automático desarrollado por Juno. Para garantizar la precisión del algoritmo, revisamos una muestra de 400 artículos clasificados por el modelo y proporcionamos retroalimentación para refinarlo. Este proceso iterativo se repitió hasta que logramos un modelo de alta confianza que minimizara inclusiones y exclusiones erróneas.
Hoy tenemos 8.000 estudios que deberán ser analizados. De éstos, nuestro equipo leerá una muestra de al menos 400 para crear un mapa sistemático de la literatura. Este mapa nos permitirá identificar las tendencias y brechas dentro del corpus literario, proporcionando respuestas a preguntas clave, como cuáles han sido las intervenciones más investigadas y qué países han recibido menos atención. Además, este mapa servirá como una guía para orientar la siguiente etapa de nuestra investigación, que requerirá un análisis minucioso de cada estudio.
Si bien la experiencia humana sigue siendo central en el estudio, el uso de la IA reduce el tiempo requerido para la revisión de años a meses. Esta eficiencia es crucial para abordar los retos urgentes que enfrenta la agricultura en nuestra región.
Flagship de Productividad: Abordando los desafíos urgentes del sector agropecuario en ALC
El crecimiento de la productividad agrícola en ALC se está estancando, mientras que la inseguridad alimentaria está aumentando y las comunidades rurales — quienes dependen en mayor medida de la agricultura— enfrentan niveles cada vez más altos de pobreza extrema. El cambio climático agrava esta situación al amenazar la producción mediante temperaturas variables, patrones de lluvia cada vez más impredecibles y la incidencia más frecuente de eventos climatológicos extremos.
Estos desafíos impulsaron el Estudio Flagship sobre la Productividad Agrícola en ALC, desarrollado por la División de Agricultura y Desarrollo Rural (PTI/ARD) del BID. La revisión sistemática constituye una pieza clave del Flagship, que utiliza los datos y metodologías más recientes para explorar tendencias y soluciones de productividad en nuestra región.
La publicación del Flagship, junto con la revisión sistemática, está programada para finales de este año. Mientras tanto, puedes acceder al protocolo detallado que describe la metodología de nuestra revisión sistemática aquí.
Al combinar el poder de la IA con investigaciones rigurosas, estamos allanando el camino para desarrollar políticas basadas en evidencia que puedan impulsar una productividad agrícola sostenible e inclusiva, mejorar la seguridad alimentaria y garantizar la resiliencia climática para los agricultores de la región.
—
¿Te interesó este contenido? Suscríbete a nuestra base de Agricultura y Seguridad Alimentaria para recibir información sobre nuevas publicaciones y los próximos eventos.
—
Contenido relacionado:
Video: Productividad agrícola en América Latina y el Caribe
Publicación: Desarrollo sostenible de la agricultura en América Latina y el Caribe: desafíos y oportunidades
Publicación: Agricultural Productivity in the Latin America and Caribbean Region (1961-2021)
—
Créditos de imagen: Shutterstock
Leave a Reply