Casos de uso de AgrospAI
Casos de uso en marcha sobre el demostrador AgrospAI, en diferentes grados de madurez y siguiendo las buenas prácticas de nuestra guía Desarrollo de casos de uso en espacios de datos agroalimentarios.
Monitorización y certificación de la sostenibilidad ambiental en la ganadería porcina
Este es un caso de uso que se centra en la monitorización y certificación de la sostenibilidad ambiental en el sector porcino. NetPig tiene como objetivo principal facilitar el proceso de obtención de certificaciones de sostenibilidad para los ganaderos del sector porcino, abordando los principales desafíos que enfrentan actualmente en este ámbito. Paralelamente, NetPig pone especial énfasis en preservar el control total que los ganaderos tienen sobre sus datos en todo momento. El sistema garantiza la soberanía de datos, asegurando que los productores mantengan la propiedad y el control completo sobre la información generada en sus explotaciones.
Visión por Computador para el bienestar animal en el sector porcino
Este caso de uso se centra en la evaluación del bienestar animal en granjas porcinas mediante el análisis de vídeos de corrales, garantizando la soberanía de los datos a través de AgrospAI. Las imágenes de videovigilancia, proporcionadas por el Centro de Estudios Porcinos (CEP), no son accesibles directamente por los consumidores de datos; en su lugar, se procesan mediante servicios de Visión por Computadora en entornos seguros de computación a datos. El servicio realiza segmentación y seguimiento de los cerdos para generar métricas como el tiempo que pasan en zonas de alimentación o su nivel de actividad. Solo estas métricas derivadas se comparten, asegurando que los datos originales permanezcan bajo el control del CEP.
Compartición, integración y explotación de datos de ganadería de precisión
Muestra cómo compartir e integrar datos de ganadería de precisión en un espacio de datos puede fomentar la innovación manteniendo la soberanía del originador. El CEP comparte datos generados en su granja experimental, incluidos los provenientes de máquinas de alimentación de precisión de terceros, sin imponer esquemas predeterminados, lo que reduce barreras de entrada. La integración semántica de datos y su posterior explotación se realiza garantizando que permanecen bajo control del CEP. Servicios como el mapeo semántico con RML y algoritmos de entrenamiento de modelos IA están disponibles a través del espacio de datos.
Integración y compartición de datos de análisis de suelo mediante IA Generativa
Este caso de uso muestra cómo cooperativas agrícolas, como Fruits de Ponent, pueden aprovechar los análisis de suelo acumulados en informes PDF de distintos formatos para generar nuevo valor. Utilizando servicios basados en Inteligencia Artificial Generativa (GenAI) ejecutados localmente, se extraen e integran datos de esos informes, garantizando que la información personal y sensible permanezca bajo el control de la cooperativa.
Informes integrados de protección de plantas
Este caso de uso muestra cómo las Agrupaciones de Defensa Vegetal (ADVs) de Cataluña, que brindan asesoramiento técnico en sanidad vegetal a más de 22.000 agricultores, pueden compartir los datos que recopilan sobre plagas mediante AgrospAI sin perder el control sobre ellos. Por ejemplo, gracias a las capacidades de computación a datos de AgrospAI, es posible que empresas entrenen modelos de plagas sin acceder a los datos en bruto, preservando así la soberanía de la información generada por las ADVs.
Orquestación del acceso a datos de sensores agroalimentarios
En colaboración con la Universidad de Córdoba (UCO) y su Aula de Transformación Digital FIWARE, este caso de uso explora cómo orquestar el acceso a conjuntos de datos de sensores del sector agroalimentario y estaciones meteorológicas, que son recopilados e integrados utilizando FIWARE.
Validación de modelos de visión por computador aplicados a cosechas
Este caso de uso proporciona un servicio de validación de algoritmos de detección de fruta a partir de imágenes agrícolas. Utiliza datasets con anotaciones reales para comparar las predicciones generadas por los modelos con la verdad de campo. El objetivo es ofrecer a empresas del sector una herramienta fiable para evaluar la precisión de sus algoritmos sin conflictos de interés.