Aplicación en la agricultura de técnicas de explicabilidad del aprendizaje de máquinas: Aclarando la caja negra

El maíz es esencial para la seguridad alimentaria en Guatemala, pero su producción enfrenta desafíos como la sequía y prácticas agronómicas inadecuadas. Para mejorar la producción ante la variabilidad climática, es crucial optimizar las prácticas agronómicas. Sin embargo, hay un conocimiento limitado sobre los factores que influyen en la producción de maíz. Los procesos analíticos de grandes volúmenes de datos pueden identificar patrones de rendimiento en relación con el clima y el manejo agronómico, mejorando así la toma de decisiones de los productores.
Los algoritmos de aprendizaje automático tienen un gran potencial, pero su naturaleza de "caja negra" limita su aplicabilidad práctica. La explicabilidad de estos modelos es necesaria, especialmente en la agricultura de pequeña escala, donde múltiples factores climáticos y de manejo interactúan afectando el rendimiento del maíz. Este estudio propone un enfoque para abordar la explicabilidad de los algoritmos de aprendizaje automático, que incluye la extracción, transformación y carga de datos (ETL), selección y ajuste de algoritmos, y técnicas para profundizar en la interpretabilidad. el abordaje busca explicar el efecto de las variables independientes-predictoras y sus interacciones en el rendimiento del maíz. El caso de estudio en Guatemala utiliza datos de 4264 observaciones a nivel de parcelas para un período de 4 años (2016–2018), abarcando rendimiento, manejo, terreno y clima.
El informe se estructura en secciones que abordan el enfoque general, proceso ETL y técnicas de explicabilidad. Los resultados ofrecen hallazgos y recomendaciones basados en los modelos y datos, mientras que en conclusiones resumen los puntos clave, las implicaciones prácticas del análisis tratando de hacer más transparente los modelos de aprendizaje automático en la agronomía, mejorando de esta forma la confianza y la aplicabilidad de las recomendaciones basados en datos.