El fenotipado de plantas, que explora la interacción entre los genotipos de las plantas y su entorno, ha avanzado con la detección automatizada de alto rendimiento en invernaderos. Sin embargo, gestionar… La entrada Compartir datos agrícolas: tecnología de contabilidad distribuida para mejorar el aprendizaje automático en el fenotipado de plantas se publicó primero en Mundo Agropecuario BET.

El fenotipado de plantas, que explora la interacción entre los genotipos de las plantas y su entorno, ha avanzado con la detección automatizada de alto rendimiento en invernaderos. Sin embargo, gestionar los extensos conjuntos de datos resultantes es complejo y compartir dichos datos está restringido debido a su naturaleza costosa y técnica.

por la Universidad Agrícola de NanJing

A pesar de los estándares de gestión de datos existentes como MIAPPE y FAIR, persisten los desafíos en las aplicaciones de aprendizaje automático (ML), principalmente debido a la necesidad de grandes volúmenes de datos etiquetados de alta calidad. La renuencia de las partes interesadas a compartir datos, impulsada por preocupaciones sobre los derechos de propiedad, obstaculiza el progreso.

En julio de 2023, Plant Phenomics publicó un artículo en perspectiva titulado » ¿Pueden los libros de contabilidad distribuidos ayudar a superar la necesidad de datos etiquetados para tareas de aprendizaje automático agrícola? «. Este artículo promueve un enfoque colaborativo en el manejo de datos y el entrenamiento de modelos de IA para el fenotipado de plantas y sugiere el uso de tecnología de contabilidad distribuida con contratos inteligentes para superar las limitaciones actuales.

El sistema actual enfrenta desafíos importantes, incluida la adquisición y el procesamiento de datos no estandarizados, riesgos de erosionar los reclamos de propiedad, posible uso indebido de datos y falta de armonización de los datos. Aunque estándares como MIAPPE o ISA-TAB pueden abordar algunos de estos problemas, persisten las preocupaciones sobre la privacidad de los datos, el uso indebido y la ausencia de incentivos suficientes para compartirlos.

El ecosistema propuesto tiene como objetivo resolver estos problemas aprovechando la tecnología de contabilidad distribuida, conocida por el intercambio de datos seguro y responsable, junto con estructuras de incentivos para fomentar la participación. Este sistema distribuido basado en libro mayor no solo ofrece beneficios financieros sino que también fomenta la colaboración y la gobernanza electrónica dentro de una red dinámica, interoperable y descentralizada. Prevé un entorno colaborativo en el que participan activamente partes interesadas como usuarios de datos, proveedores, curadores y creadores de modelos de IA/ML.

Para evitar monopolios y fomentar la diversidad, la propuesta sugiere múltiples mercados interoperables, que permitan a las partes interesadas elegir mientras acceden a todo el ecosistema. Este enfoque también incluye mecanismos de gobernanza electrónica, reduciendo la dependencia de intermediarios y creando una plataforma neutral para todos los participantes. Sin embargo, se reconocen desafíos como las preocupaciones por la privacidad , la integración con sistemas heredados, el cumplimiento legal y la necesidad de un mecanismo de liquidación entre tokens y monedas fiduciarias.

En el contexto de la agricultura, este ecosistema tiene el potencial de revolucionar la recopilación y utilización de datos, particularmente en la predicción de enfermedades y el pronóstico de rendimiento. Los agricultores podrían desempeñar una doble función como proveedores y consumidores de datos, contribuyendo y beneficiándose de modelos de aprendizaje automático más precisos. Esto mejoraría la confiabilidad de los pronósticos y la toma de decisiones agrícolas, lo que conduciría a una mejor gestión y productividad de los cultivos.

En conclusión, este enfoque presenta una solución integral a los desafíos actuales del intercambio de datos en el fenotipado de plantas. Al conectar diversos conjuntos de datos con metadatos e incentivar a las partes interesadas, su objetivo es mejorar la precisión y utilidad de los modelos de aprendizaje automático en la diversidad, transformando potencialmente las prácticas agrícolas modernas.

Más información: Stefan Paulus et al, ¿Pueden los libros de contabilidad distribuidos ayudar a superar la necesidad de datos etiquetados para tareas de aprendizaje automático agrícola?, Plant Phenomics (2023). DOI: 10.34133/plantfenómica.0070

La entrada Compartir datos agrícolas: tecnología de contabilidad distribuida para mejorar el aprendizaje automático en el fenotipado de plantas se publicó primero en Mundo Agropecuario BET.