CARLOS FERNÁNDEZ
Catedrático de la Universidad Politecnica de Valencia, España.
Esta presentación describe, de forma sencilla, los conceptos básicos para el modelado clásico o tradicional y las bases del modelado matemático actual.
Los modelos matemáticos son conceptualizaciones mentales, cuyo propósito es traducir situaciones de la vida real en expresiones matemáticas o representaciones visuales que describen patrones o pronostiquen comportamientos futuros en situaciones de la vida real.
El desarrollo de los modelos matemáticos fue paralelo a la evolución de la tecnología informática digital. Ese desarrollo de modelos matemáticos por la comunidad científica se plasmó en sistemas como el NRC, INRA, AFRC, CSIRO, etc. para rumiantes, por ejemplo.
Dichos modelos, creados por los científicos, están basados en el desarrollo de la investigación experimental y el diseño de experimentos, siendo estos modelos estáticos y empíricos.
Con los avances en la informática, las nuevas revisiones de los sistemas de alimentación más conocidos de rumiantes (NRC, INRA, AFRC, CSIRO, etc.) han tenido que incorporar algunos aspectos dinámicos y mecanicistas desarrollados en diversas instituciones para poder dar respuesta no lineal en el tiempo a diversos problemas predictivos. Es decir:
hemos pasado de modelos causa-efecto: por ejemplo, “cuanto más come el animal más engorda”, sin saber “cómo sucede en el animal”…
a modelos que integran información sobre los mecanismos y funcionamiento del organismo: por ejemplo, integrando el funcionamiento de tejidos y órganos del animal.
Estos modelos se denominan mecanicistas y se consideran modelos de “caja blanca” porque explican lo que sucede en el interior del modelo ya que está basado en principios biológicos, y esos principios biológicos los representamos mediante expresiones matemáticas conocidas.
Sin embargo, a pesar de estos notables avances, aún no se han desarrollado habilidades suficientes en científicos de nuestro sector respecto al pensamiento sistémico, donde se comprende el comportamiento global sin diseccionarlo en partes;
“el todo no es la suma de cada parte”.
Por tanto, los avances científicos en la nutrición de rumiantes han sido tangibles pero rudimentarios porque aún estamos aprendiendo a conectar datos y conceptos de investigación experimental a través de modelos matemáticos.
Un proceso que aún es oscuro para muchos científicos.
Nuestra incapacidad para hacer las preguntas correctas, y definir los límites de nuestro problema cuando desarrollamos modelos podría limitar la amplitud y profundidad de los modelos matemáticos en la ganadería.
A esto se suma la llegada de nuevos conceptos e ideas para el análisis de datos como es la inteligencia artificial. La inteligencia artificial ha sido desarrollada para analizar grandes cantidades de información utilizando computación de alto rendimiento.
Con la inteligencia artificial resolvemos problemas sin que los tengamos programados explícitamente.
pero no “lo que sucede en el interior”, es decir, no hay un conocimiento biológico subyacente.
Por tanto, llegamos a una predicción, pero no existe una explicación causal o una justificación para dicha predicción.
Es posible que sea necesario volver a evaluar los supuestos estadísticos existentes en nuestros sistemas de alimentación clásicos, para proporcionar una ventaja competitiva más completa.
La aportación de los técnicos del sector es clave, ya que ellos son capaces de generar y recopilar importante cantidad de información a nivel de campo que debe analizarse y volver a la explotación con la finalidad de resolver problemas prácticos y aplicados en tiempo real.
Surge también la llegada de la nutrición de precisión, donde se generan grandes volúmenes de datos a partir de dispositivos electrónicos de control (imágenes de vídeo, podómetros, pesaje, balanzas, cantidad y calidad leche, etc.).
Quizás el futuro pase por la asociación de la inteligencia artificial con modelos mecanicistas y empíricos, creando lo que se denominan modelos híbridos o de “caja gris”.
La comunidad científica (conocedores de herramientas matemáticas para el modelaje; clásica y/o inteligencia artificial) y los técnicos del sector (poseedores de grandes bases de datos con información actual y eminentemente práctica) deberían de aunar esfuerzos para poder dar respuesta en tiempo real y hacer predicciones de futuro que incluya la sostenibilidad, el medio ambiente, la economía circular, pero sin olvidar el retorno económico hacia el productor.
