Un dron equipado con inteligencia artificial (IA) sobrevuela un árbol de anacardo, identificando hojas enfermas con gran precisión. Este sistema fue desarrollado por Bala Murugan, un científico informático del Instituto de Tecnología de Vellore en India, con el objetivo de reducir el uso indiscriminado de pesticidas. La clave de su tecnología es TinyML, una implementación de aprendizaje automático de bajo costo y consumo energético, ideal para regiones con recursos limitados y sin acceso constante a Internet.
TinyML ha ganado popularidad en el Sur Global, donde investigadores como Murugan lo utilizan para resolver problemas locales como la detección de enfermedades en cultivos. A diferencia de los grandes modelos de lenguaje (LLMs) que requieren costosos chips y un alto consumo energético, TinyML opera con microcontroladores económicos, consumiendo apenas unos milivatios. Esto permite que los dispositivos funcionen por semanas con baterías comunes y sin conexión a la nube, lo que los hace ideales para entornos rurales y aislados.
Murugan logró entrenar su modelo con 20 000 imágenes de hojas de anacardo afectadas por la enfermedad fúngica antracnosis, obteniendo una precisión del 95% al 99%. Este enfoque permite tratar plantas específicas en lugar de rociar pesticidas de manera indiscriminada, beneficiando tanto a la salud humana como al medioambiente. Su trabajo es parte de una tendencia creciente de aplicaciones prácticas de TinyML en la agricultura, desde la detección de enfermedades en cultivos hasta la identificación automática de plagas.
El potencial de TinyML va más allá de la agricultura. En Brasil, João Yamashita utilizó TinyML para ayudar a pequeños productores de café a diagnosticar enfermedades en sus plantas con una precisión del 96% al 98%. Su dispositivo, del tamaño de una baraja de cartas, no necesita Internet, es económico y fácil de usar. De manera similar, el científico Marcelo Jose Rovai ha desarrollado dispositivos para identificar mosquitos transmisores de enfermedades como el dengue con un 98% de precisión, lo que podría mejorar la respuesta a brotes epidémicos.
TinyML también tiene aplicaciones ambientales. En Argentina, se han colocado dispositivos en tortugas para rastrear sus movimientos, mientras que en Malasia se han implementado sensores para monitorear la contaminación plástica en ríos y lagos. Rosdiadee Nordin, un ingeniero de la Universidad Sunway, ha usado TinyML para clasificar desechos plásticos y evaluar la calidad del agua en el lago Tasik Chini, una fuente vital para comunidades indígenas. Sin acceso a Internet, Nordin utilizó la tecnología LoRa, que permite la transmisión de datos a larga distancia con un consumo mínimo de energía.
A pesar de sus ventajas, desarrollar dispositivos TinyML requiere conocimientos en hardware, software y aprendizaje automático, lo que dificulta su adopción masiva. Para abordar este desafío, diversas instituciones han implementado programas de formación en TinyML en países como Marruecos, Brasil, Nigeria, Sudáfrica y Malasia. La Universidad de Harvard y el Centro Internacional de Física Teórica (ICTP) han distribuido kits educativos para facilitar el acceso a esta tecnología y fomentar su uso en proyectos locales.
Si bien TinyML es más limitado que los modelos de IA a gran escala, su eficiencia y accesibilidad han llamado la atención de grandes empresas tecnológicas como Apple y Microsoft, que exploran su uso para tareas específicas. A medida que los microcontroladores se vuelven más potentes y accesibles, es probable que la presencia de TinyML siga creciendo, permitiendo el desarrollo de soluciones prácticas y sostenibles en diversas industrias.
Fuente: doi: 10.1126/science.zdwxnqg
