Clase 06

0:00 La analogía de la Sierra y el mapa como abstracción Imaginen por un momento estar en la cima de la Sierra de los cuchumatanes. 0:05 Participante 2 Hoy, qué buen lugar para empezar. 0:06 Participante 1 Sí es que piénsenlo tienen el viento helado golpeándoles la cara, pueden oler los pinos, escuchan el crujir de las ramas, o sea, ves la niebla bajando por los barrancos la tierra húmeda. 0:19 Participante 2 ¿Es demasiada información sensorial al mismo tiempo, no? 0:22 Participante 1 Exacto, es una experiencia abrumadora por la cantidad de detalles. Y ahora imaginen que intentan navegar por esa Sierra usando sólo pues esa información sensorial. 0:34 Participante 2 Te perderías en cuestión de minutos seguramente. 0:37 Participante 1 Totalmente, pero digamos que sacan un mapa topográfico de la mochila, de repente, pues tienen una herramienta súper útil. 0:45 Participante 2 Claro. 0:46 Participante 1 Ese mapa al final del día es solo un trozo de papel plano, no tiene el olor de los pinos, ni el viento ni los animales. 0:53 Participante 2 Y fíjate, esa es precisamente su magia. 0:56 Participante 1 Ajá el acto deliberado de omitir toda esa. ¿Maravillosa complejidad natural es lo que te permite trazar una ruta segura, verdad es? 1:06 Participante 2 Que esa abstracción es el núcleo de lo que hacemos cuando intentamos comprender sistemas complejos. O sea, al eliminar el ruido visual y bueno, el físico de la realidad absoluta, logramos destilar únicamente la información crítica. 1:20 Participante 1 La que necesitamos para tomar una decisión. 1:22 Participante 2 Exactamente en el caso del mapa, pues son las curvas de nivel y las distancias en la ciencia es aislar los mecanismos fundamentales de un fenómeno. 1:30 Participante 1 Y, hoy vamos a aplicar esa idea a algo que resulta ser un súper poder analítico para quienes gestionan la naturaleza. 1:38 Participante 2 Un tema fascinante la verdad. 1:40 Modelos y modelación de sistemas para futuros agrónomos Sí en esta inmersión profunda vamos a analizar a fondo los conceptos de modelos y modelación de sistemas y este quiero dejar claro que esta exploración está diseñada específicamente pensando en la próxima generación de profesionales del agro. 2:00 Participante 2 Muy importante eso. 2:01 Participante 1 Sí, en particular para los estudiantes de la carrera de ingeniero agrónomo en sistemas de producción agrícola y de recursos naturales. De la Facultad de agronomía de la Universidad de San Carlos de Guatemala. Querida usak. 2:14 Participante 2 Un saludo para todos ellos. Es clave que dominen esto. 2:18 Participante 1 Definitivamente. Vamos a ver cómo esta idea de crear simuladores de la realidad permite a los futuros agrónomos, pues analizar comportamientos y probar escenarios sin arriesgar una cosecha real. 2:31 Participante 2 Que es el objetivo final, no, no perder dinero ni recursos. 2:34 Variables, parámetros, relaciones, supuestos y límites Exacto, pero a ver si partimos de la idea de que un modelo es una simplificación, me surge una duda enorme. 2:42 Participante 2 ¿Cuéntame cuál es la? 2:43 Participante 1 ¿Duda, pues, cómo decide un científico qué elementos quitar sin terminar arruinando la representación de un sistema? Un caótico como no sé un campo de cultivo. 2:55 Participante 2 Esa es sin exagerar la decisión más difícil en toda la ciencia de sistemas, o sea, no es un proceso de adivinar qué quitar a lo loco, sino una abstracción extremadamente rigurosa. 3:06 Participante 1 Tiene que haber un método. 3:07 Participante 2 Totalmente la literatura técnica que estamos revisando hoy establece que para construir un modelo verdaderamente funcional necesitamos definir la anatomía de ese modelo con una precisión casi quirúrgica. 3:21 Participante 1 O sea, no se construye al azar. 3:22 Participante 2 Para nada. Se ensambla identificando piezas muy muy específicas que interactúan entre sí. 3:28 Participante 1 Bueno, pues entremos a ese proceso de ensamblaje. ¿Si queremos construir este modelo, digamos, para una parcela de maíz en el altiplano guatemalteco, por dónde empezamos a diseccionar la realidad? 3:39 Participante 2 A ver el primer paso lógico es identificar las variables. 3:43 Participante 1 Las variables. 3:44 Participante 2 Sí, piensen las variables como los elementos dinámicos de tu campo, son las cosas que. Que respiran, cambian y fluctúan a lo largo del tiempo o bajo diferentes condiciones. 3:55 Participante 1 Como por ejemplo, la lluvia o algo así. 3:58 Participante 2 Exacto, la humedad del suelo después de una tormenta, la cantidad de nitrógeno disponible o incluso el tamaño de la planta de maíz. Todo eso está en constante movimiento. ¿Ajá claro, pero y esto es clave? Esas variables no flotan en el vacío, están ancladas, por lo que llamamos los parámetros. 4:15 Participante 1 Espera espera, me parece que esos 2 conceptos suelen confundirse mucho. 4:19 Participante 2 Sí es muy común. 4:20 Participante 1 O sea, si la cantidad de lluvia que cae un martes es una variable. ¿Qué vendría siendo un parámetro en esa misma parcela de maíz? Mira. 4:29 Participante 2 Un parámetro es un valor fijo, es lo que dicta las reglas del juegos para ese escenario específico, por ejemplo, la capacidad máxima de retención de agua de ese tipo de suelo Franco arcilloso en particular. 4:43 Participante 1 Ah ya entiendo. 4:44 Participante 2 Ese valor no va a cambiar durante el ciclo de crecimiento de tu maíz. El suelo tiene la capacidad que tiene. 4:50 Participante 1 ¿O sea, la lluvia varía, pero la capacidad de la tierra para retenerla no? 4:55 Participante 2 Exacto, la capacidad del contenedor, por así decirlo, es tu parámetro sirve para anclar las matemáticas del modelo a la realidad física de esa finca específica. 5:04 Participante 1 Ya veo ya veo tienes las piezas móviles que son las variables. Y tienes el tablero con sus límites físicos que son los parámetros. Así es, pero me imagino que también tienes que definir este cómo interactúa esa lluvia con el crecimiento de la planta a. 5:20 Participante 2 A eso le llamamos relaciones, es básicamente la arquitectura causal del sistema. 5:25 Participante 1 ¿Cómo afecta una cosa a la otra? 5:28 Participante 2 Exactamente cómo el aumento de una variable provoca el cambio en otra, digamos si la precipitación aumenta la humedad del suelo sube, lo que podría acelerar la tasa de crecimiento vegetal. 5:42 Participante 1 Hasta cierto punto, me imagino si llueve demasiado, se inunda. 5:46 Participante 2 Claro, hasta cierto punto. Y para que todas estas relaciones funcionen en nuestro simulador, sin que bueno, sin que colapse por falta de datos infinitos, introducimos el siguiente elemento crítico. 5:57 Participante 1 Que son los supuestos. 5:59 Participante 2 Exacto los supuestos. 6:00 Participante 1 Los supuestos me suenan a que el investigador tiene que. Hacer algunas concesiones es básicamente decir, vamos a asumir que esto es cierto para poder avanzar es. 6:12 Participante 2 Una forma muy pragmática de verlo y muy acertada en la naturaleza. O sea, no lo sabemos todo con certeza absoluta. Totalmente un supuesto operativo podría ser, digamos, asumir que la distribución de la semilla en el campo es perfectamente uniforme. 6:29 Participante 1 ¿O que la radiación solar será la misma que el promedio de los últimos 10 años? 6:34 Participante 2 Aunque sabemos que la realidad tendrá a sus pequeñas variaciones. 6:37 Participante 1 Exacto, sabemos que habrá variaciones, pero asumimos esas condiciones para que el modelo pueda procesar la información principal. Y esto se conecta directamente con el concepto de los límites, los. 6:49 Participante 2 Límites trazar la frontera me imagino que, es decir, hasta aquí llega mi problema y el resto del universo, pues no me importa en este momento. 6:58 Participante 1 Es una decisión fundamental. Los límites se establecen explícitamente. ¿Qué porción de la realidad entra en tu estudio y qué se queda fuera? 7:07 Participante 2 Claro, o sea, estás modelando solo la fisiología de una planta de maíz individual. ¿Estás modelando la parcela completa de una manzana? 7:14 Participante 1 ¿O toda la Cuenca no? 7:16 Participante 2 Exacto, o toda la Cuenca hidrográfica que alimenta esa parcela, si no trazas un límite claro, terminas intentando modelar el universo entero y el modelo se vuelve imposible de manejar. 7:28 Participante 1 Pero a ver quiero presionar un poco sobre este tema de los límites, porque me parece un arma de doble filo. 7:34 Participante 2 A ver dime. 7:35 Participante 1 Supongamos que el ingeniero agrónomo de la usac diseña su modelo para evaluar la rentabilidad del maíz y por mantener el modelo limpio y manejable. Decide que la incidencia de plagas queda fuera del límite del estudio. 7:51 Participante 2 Basándose en algún supuesto, me imagino. 7:53 Participante 1 Sí. Basándose en el supuesto de que no ha habido ataques graves en el sector en 5 años. ¿Pero qué pasa si al mes siguiente una plaga de gusano cogollero devasta la milpa? No hace esto que todo el modelo sea un ejercicio completamente inútil. 8:09 Participante 2 Es una crítica muy válida y te digo, es el terror de todo modelador. 8:14 Participante 1 Me imagino. 8:15 Participante 2 Pero la respuesta es que modelo no se vuelve inútil desde el punto de vista científico. Falla en su predicción para ese año, por supuesto. 8:24 Participante 1 Obviamente porque perdiste la cosecha. 8:25 Participante 2 Sí, pero gracias a que documentaste rigurosamente tus límites y tus supuestos. ¿Sabes exactamente por qué falló el documento del modelo? Diría esta simulación asume presión cero de plagas. 8:37 Participante 1 Ah, o sea, que no estabas a ciegas. 8:40 Participante 2 Exacto. Al ocurrir la plaga, el ingeniero identifica inmediatamente la causa de la divergencia entre lo que dijo la computadora y lo que pasó en el campo, un modelo opaco donde no sabes qué dejaste fuera, es peligrosísimo. 8:53 Participante 1 Pero un modelo con límites explícitos es en realidad una herramienta de. 8:57 Participante 2 Aprendizaje totalmente. El error te enseña algo nuevo sobre el sistema. 9:02 Resultados del modelo y bucles de retroalimentación Entiendo ahora, una vez que hemos definido todo esto, variables, parámetros, relaciones, supuestos y límites. Metemos todo esto en la licuadora del sistema. 9:13 Participante 2 No me gusta esa analogía. 9:15 Participante 1 Y la fuente muestra que de esta interacción surge las salidas, los resultados y en el contexto de Guatemala me llama la atención que. No se limitan a medir cuántos quintales por manzana se cosecharon. 9:31 Participante 2 Es que el agroecosistema moderno no puede reducirse solo a volumen de cosecha. Documento que revisamos es súper claro en que las salidas deben tener dimensiones múltiples. 9:40 Participante 1 O sea, vas más allá de la planta. 9:42 Participante 2 ¿Exacto, tienes el rendimiento físico? Sí, pero también tienes las salidas económicas. 9:47 Participante 1 Los ingresos me imagino. 9:48 Participante 2 Los ingresos proyectados la utilidad neta después de pagar la mano de obra que es un factor determinante en nuestro contexto nacional y de igual importancia, hoy en día tienes las salidas ambientales. 9:59 Participante 1 ¿Como qué por ejemplo? 10:00 Participante 2 Pues el modelo debería poder decirte cuánta escorrentía de fertilizante nitrogenado terminó en los ríos cercanos. 10:06 Participante 1 Claro. Lo que hace que el ingeniero agrónomo sea también un administrador de recursos y un gestor ambiental, no sólo un un productor que saca cosechas. 10:17 Participante 2 Exactamente. 10:18 Participante 1 Y la infografía que estamos analizando, añade un detalle que me fascina. Hay una flecha enorme que sale de los resultados y regresa al inicio del sistema etiquetada como retroalimentación. Es como si no sé como si el sistema tuviera memoria. 10:34 Participante 2 Es una forma poética de decirlo, pero muy real. Los bucles de retroalimentación son el alma de la dinámica de sistemas. Implica que el final de un ciclo agrícola dicta las condiciones del inicio del siguiente. 10:47 Participante 1 ¿Me das un ejemplo? 10:48 Participante 2 Claro, imagina que las salidas económicas de nuestro modelo indican una utilidad muy baja, porque el costo del fertilizante fue demasiado alto para el rendimiento que se obtuvo. 10:58 Participante 1 Ajá perdiste plata básicamente. 11:01 Participante 2 Esa información retroalimenta al productor y al agrónomo en el siguiente ciclo. La decisión de entrada cambiará. Quizás decidan invertir en un método de fertilización más eficiente o de plano cambien el tipo de cultivo. El sistema está en constante calibración. 11:17 Modelos físicos, conceptuales, matemáticos y computacionales Pero. Si un modelo que excluye una variable clave como la plaga que mencionamos antes, falla en predecir la realidad significa que es simplemente necesitamos usar herramientas más sofisticadas que puedan incluir absolutamente todo. 11:32 Participante 2 No cuidado ahí tratar de incluir absolutamente todo nos devuelve al problema del mapa topográfico, del tamaño de la montaña real. 11:39 Participante 1 Ah claro, te pierdes otra vez. 11:41 Participante 2 Exacto, no queremos eso. Lo que necesitamos es elegir el tipo de modelo adecuado para la pregunta que tenemos en ese momento. La fuente categoriza este espectro, empezando por los modelos físicos o icónicos. 11:54 Participante 1 ¿Que son representaciones tangibles a escala verdad? 11:57 Participante 2 Sí de la realidad. 11:58 Participante 1 ¿Y, cómo se vería un modelo físico en el trabajo diario de un agrónomo gestor ambiental? 12:05 Participante 2 ¿Pues piensa en el manejo de cuencas, podrías construir una maqueta física gigante en un laboratorio que replique, digamos, la topografía de la Cuenca del río motagua? 12:15 Participante 1 Qué interesante, sí. 12:17 Participante 2 Usando materiales que simulan diferentes tipos de suelo y virtiendo agua real sobre la maqueta, puedes observar directamente el comportamiento de las inundaciones. La erosión de las laderas y el flujo del agua es supervisual y directo. 12:30 Participante 1 Básicamente es el mapa de los cuchumatanes que mencionamos al inicio, pero en 3 dimensiones y funcional me encanta. 12:37 Participante 2 Es muy didáctico. 12:38 Participante 1 Pero me imagino que construir cuencas a escala no siempre es práctico ni mucho menos barato. El documento pasa a una segunda categoría, los modelos conceptuales, por lo que Leo aquí dejamos los materiales físicos y entramos al mundo de las ideas y la lógica pura. 12:54 Participante 2 Sí y. Sin siquiera usar números todavía. 12:58 Participante 1 ¿Cómo funciona eso? 13:00 Participante 2 Es el Reino de las hipótesis cualitativas. Los modelos conceptuales suelen tomar la forma de diagramas causales, tomas, papel y lápiz y simplemente trazas flechas que conectan conceptos. 13:11 Participante 1 Como un esquema. 13:12 Participante 2 Exacto, dices, bueno, un aumento en la precipitación lleva un aumento en la humedad del suelo y un aumento en la humedad del suelo incrementa el riesgo de hongos en la raíz. 13:22 Participante 1 Estás mapeando la lógica. 13:24 Participante 2 Exacto. El esqueleto lógico del sistema, identificando cómo las fuerzas empujan o jalan diferentes partes de tu agroecosistema. 13:32 Participante 1 Como hacer un mapa mental del problema, pero en algún momento el futuro ingeniero necesita precisión, no necesita saber exactamente cuánta humedad genera, cuánto hongo y aquí. 13:43 Participante 2 Es donde entramos al tercer tipo los modelos matemáticos. 13:47 Participante 1 Y aquí te detengo porque en las notas de la fuente me topo con una ecuación que sinceramente intimido un poco a primera vista. 13:54 Participante 2 A ver léela. 13:56 Participante 1 Dice que el diferencial de x respecto al tiempo es igual a r por x por uno menos x sobre k. ¿Antes de que alguien cierre el episodio por pánico a las matemáticas, qué nos está diciendo realmente esta ecuación sobre un campo real? 14:12 Participante 2 No hay que tenerle his pánico lejos de ser algo para asustarse, es una de las historias biológicas más elegantes que existen. 14:19 Participante 1 Historias biológicas. 14:20 Participante 2 Sí es la ecuación logística de crecimiento. Vamos a traducirla al campo para que se entienda, imagina que la variable x es una población de pulgones. Que acaba de llegar a una hoja de tu cultivo. 14:32 Participante 1 O k los pulgones son la X. 14:34 Participante 2 ¿La letra r representa su tasa de reproducción, o sea, qué tan rápido pueden multiplicarse esos insectos en condiciones ideales? Ya si solo tuvieras RYX, la población crecería hacia el infinito y cubriría el planeta entero en semanas, pero. 14:50 Participante 1 ¿Sabemos que eso no ocurre, los insectos no devoran El Mundo entero, hay algo que los frena, verdad? 14:56 Participante 2 Y ese freno es la letra k. 14:59 Participante 1 Ah la k de la ecuación. 15:00 Participante 2 Exacto, representa la capacidad de carga del ambiente, es el límite máximo de pulgones que tu parcela puede alimentar, digamos antes de que se queden sin sabia o antes de que el hacinamiento atraiga demasiados depredadores. 15:14 Participante 1 O sea que la fórmula tiene un límite integrado. 15:16 Participante 2 Así es la expresión matemática final hace que a medida que la población de pulgones se acerca a ese límite k, la tasa de crecimiento se desplome y la población se estabilice. La matemática pura nos está describiendo, pues el delicado equilibrio de la biología. 15:32 Participante 1 ¿Qué pase cuando tienes decenas de estas ecuaciones biológicas, económicas y climáticas? Todas interactuando al mismo tiempo y retroalimentándose unas a otras. 15:44 Participante 2 Ahí el cerebro humano y una calculadora simple ya no son suficientes, la verdad. 15:48 Participante 1 ¿Y, qué hacemos? 15:49 Participante 2 Cruzamos la frontera hacia la cuarta categoría. Los modelos computacionales tomamos todas esas matemáticas y dejamos que el software simule el comportamiento a lo largo del tiempo. 15:58 Participante 1 Procesando miles de iteraciones por segundo exacto y el documento traza una evolución increíble en las herramientas. No comienza con el agrónomo dibujando esos diagramas causales en un cuaderno. Luego pasa a programar fórmulas discretas en hojas de cálculo de Excel para problemas específicos. 16:16 Participante 2 Sí que es súper común. 16:17 Participante 1 Y finalmente llega a usar software de simulación dinámica como estela o benzim y en la cima de la complejidad menciona el uso de lenguajes de programación como Python o r. 16:32 Participante 2 Sí para crear ecosistemas virtuales completos, impulsados por enormes bases de datos o Big Data. 16:38 Participante 1 Es alucinante. 16:40 Participante 2 Y fíjate que esa progresión metodológica. Es análoga a cómo evoluciona, digamos, un proyecto de ingeniería estructural. 16:47 Participante 1 Definitivamente, o sea, un arquitecto siempre empieza un rascacielos con un boceto conceptual en una servilleta donde explora la forma general. 16:56 Participante 2 Ajá su modelo conceptual. 16:58 Participante 1 Exacto. Luego desarrolla planos técnicos detallados con matemáticas bidimensionales y antes de poner un solo ladrillo, introduce a esos planos en un software de simulación tridimensional para someter el edificio virtual a vientos huracanados o terremotos. 17:15 Participante 2 Y el agrónomo moderno hace exactamente lo mismo somete su campo virtual a sequías extremas o caídas de precios internacionales antes de sembrar una sola semilla. 17:25 Participante 1 Pero me imagino que para que el arquitecto o el agrónomo no terminen creando una simulación que luzca bonita en pantalla, pero que luego colapsen la realidad, necesitan una disciplina de hierro al construir el modelo. 17:39 Participante 2 Absolutamente. No puede simplemente abrir Python y empezar a escribir código a lo loco. 17:44 Proceso riguroso para construir y validar modelos La literatura es muy enfática en que todo esto se rige por un riguroso método de 7 pasos. 17:49 Participante 1 ¿7 pasos, me pregunto cómo se ve ese proceso en la vida real? ¿O sea, cómo evitas perderte entre tantas variables y tanto software? ¿Por dónde debe empezar un estudiante de agronomía? 18:01 Participante 2 Bueno, todo absolutamente todo comienza con el paso uno, definir el problema, un modelo sin una pregunta clara es solo ruido matemático. 18:09 Participante 1 ¿Como qué tipo de pregunta? 18:11 Participante 2 ¿Debes preguntar algo específico, por ejemplo, cuál será el impacto de un aumento de 2° de temperatura en el rendimiento del cultivo de frijol? En el corredor seco durante la próxima década. 18:24 Participante 1 Oye una pregunta muy específica y súper urgente para Guatemala. 18:27 Participante 2 Exactamente y una vez que tienes esa pregunta pasamos al paso 2 delimitar el sistema. 18:33 Participante 1 A los límites que mencionabas antes. 18:35 Participante 2 Así es decides si vas a estudiar la fisiología térmica de una sola planta en un invernadero cerrado o si vas a ver la dinámica hídrica de toda la región oriental del país. El enfoque lo es todo. 18:47 Participante 1 Claro y el paso 3. 18:49 Participante 2 Identificar variables y relaciones. ¿Aquí es donde seleccionas qué métricas de lluvia, qué tipo de suelo, qué variedades genéticas vas a monitorear y pues cómo crees que se afectan entre sí? 19:01 Participante 1 ¿Y solo después de hacer todo ese trabajo conceptual pesado llegas al paso cuatro, verdad que es construir el modelo? 19:09 Participante 2 Así es traducir todo ese mapa mental a la hoja de Excel o al código de programación. 19:14 Participante 1 Y el paso 5 me parece el momento de la verdad. Validar el modelo, pero aquí mira, quiero plantear un escenario un poco complejo. 19:23 Participante 2 Ver tíralo. 19:24 Participante 1 Imagina un equipo de estudiantes o investigadores de la usac que pasan meses diseñando un modelo en Python. El código es elegante, la matemática es perfecta y el modelo proyecta que con cierto régimen de riego y fertilización, la cosecha será un récord histórico. 19:42 Participante 2 O k suena ideal. 19:44 Participante 1 Sí, pero llevan el modelo al campo, aplican las recomendaciones al pie de la letra y la cosecha resulta ser un desastre total. Las plantas se mueren, la computadora decía éxito rotundo. La tierra dijo fracaso absoluto. 20:00 ¿Qué lección saca el profesional de esto? 20:02 Participante 2 Uff la lección más dolorosa, pero definitivamente la más valiosa de su carrera, descubre que el rigor matemático no compensa, digamos, la ceguera ecológica. 20:12 Participante 1 O sea, el modelo falló por otra cosa. 20:14 Participante 2 Exacto, si el modelo falla de esa manera en la validación empírica, no es porque la computadora se haya equivocado al sumar es porque el paso 3 estuvo incompleto. 20:24 Participante 1 El de las variables y relaciones. 20:25 Participante 2 De se mero tal vez ignoraron una interacción tóxica de micronutrientes en ese suelo volcánico específico, o asumieron un parámetro de infiltración de agua. Que no correspondía a la realidad de ese terreno, la validación empírica en el campo te obliga a regresar a la mesa de diseño con más humildad y corregir tus suposiciones iniciales. 20:45 Participante 1 ¿Eso hace que el modelo sea una herramienta viva? No, nunca está terminado del todo. Exacto y bueno, una vez que logras que las predicciones del modelo se alineen decentemente con la realidad del campo, pasas al paso 6 que es analizar y experimentar. 21:00 Participante 2 Aquí es donde juegas a ser Dios con el clima en tu computadora. Simula sequías prolongadas o lluvias torrenciales para ver cómo reacciona el cultivo virtual. 21:09 Participante 1 Todo esto para llegar al objetivo supremo. Me imagino que es el paso 7 tomar decisiones y actuar en El Mundo físico. 21:17 Participante 2 Totalmente. Y ese paso final es la razón de ser de todo este esfuerzo académico en la práctica profesional de los egresados agrónomos. Estos 7 pasos no son sólo teoría para pasar el examen, son el marco de trabajo para El Mundo real. 21:31 Participante 1 Para no improvisar. 21:32 Participante 2 Exacto. Sirven para estimar rendimientos antes de invertir capital. Para diseñar sistemas agroforestales que no agoten el manto freático en 10 años. Y, sobre todo para prevenir y mitigar los efectos de la variabilidad climática, como el niño o la niña. 21:47 Participante 1 Que afectan tanto la seguridad alimentaria de toda nuestra región. 21:51 Participante 2 Es un tema de vida o muerte, literalmente. 21:53 Participante 1 Sabes escuchando sobre estos fracasos en el campo y la necesidad constante de ajustar las fórmulas, parece que detrás de toda esta ciencia de datos y pues la simulación computacional. Hay una postura filosófica muy particular. 22:08 Humildad intelectual y la naturaleza cambiante de los modelos Sí la hay o. 22:09 Participante 1 Sea no suena a la arrogancia de creer que podemos controlar la naturaleza, simplemente tecleando en una laptop. 22:15 Participante 2 Para nada la sección final del documento que revisamos lo expone como un conjunto de principios rectores que exigen mucho humildad intelectual. El primer principio y te digo que es el más repetido. Entre los teóricos de sistemas es aceptar que no existe un modelo perfecto. 22:31 Participante 1 Ninguno. 22:33 Participante 2 Ninguno, todos, absolutamente todos, son aproximaciones incompletas de la realidad. 22:39 Participante 1 Hay una frase célebre en la estadística que siempre recuerdo. Dice, todos los modelos están equivocados, pero algunos son útiles y creo que eso captura perfectamente la esencia de lo que plantea la fuente. ¿La fuente, verdad? 22:51 Participante 2 Exactamente un buen simulador agronómico no es el que copia fotográficamente cada molécula de tierra del campo, porque eso al final no aportaría claridad, sólo ruido. 23:02 Participante 1 Sería el mapa tamaño montaña otra vez. 23:05 Participante 2 Ajá un buen modelo es lógicamente válido y sobre todo comprensible para el productor, el gerente agrícola o el tomador de decisiones políticas que tiene que usarlo. 23:16 Participante 1 Por eso, el documento insiste en un tercer principio, modelar es un proceso de aprender haciendo un learning by doing constante. 23:24 Participante 2 Así es construyes el modelo lo validas en el campo, ves donde falló miserablemente lo ajustas en la computadora y vuelves a intentar. Es un proceso iterativo. 23:34 Participante 1 Y la razón por la que este ciclo nunca debe detenerse, supongo que es el cuarto principio, la realidad misma cambia. 23:41 Participante 2 Y vaya si cambia no uy. 23:43 Participante 1 Especialmente en un país tropical y montañoso como Guatemala, o sea las lluvias ya no caen en los mismos meses que hace 20 años. 23:52 Participante 2 Tristemente. 23:53 Participante 1 Aparecen cepas de hongos resistentes a los fungicidas tradicionales. Los precios internacionales de los insumos como los fertilizantes se disparan por conflictos globales al otro lado del mundo. 24:05 Participante 2 Todo está conectado. 24:06 Participante 1 Si la realidad de la finca muta mes a mes, pues el modelo matemático que usas para administrarla tiene que evolucionar a la misma velocidad, de lo contrario estarías tomando decisiones para un mundo que ya no existe. 24:18 Participante 2 Lo que nos lleva al mensaje central de toda esta metodología. La máxima que. Resume la gran responsabilidad del agrónomo frente a los ecosistemas. 24:29 Participante 1 Esa máxima. 24:30 Participante 2 ¿Que modelar es explorar el futuro para tomar mejores decisiones? Hoy se modelan no para publicar un artículo complejo en una revista, sino para anticipar la crisis, proteger los recursos naturales que sustentan al país y asegurar la producción a largo plazo. 24:45 Participante 1 Es una manera muy poderosa de ver la profesión de verdad. 24:50 Integrar conocimiento tradicional en modelos de Big Data Bueno, hemos hecho un recorrido bastante amplio en esta sesión. Empezamos en la cima de los cuchumatanes entendiendo por qué simplificar la complejidad es el primer paso para no perdernos. 25:01 Participante 2 Un paso vital. 25:03 Participante 1 Desarmamos las partes que componen un simulador agrícola, analizando desde cómo las lluvias interactúan con el suelo, hasta cómo la utilidad económica de 1 año altera lo que decide sembrar el año siguiente. 25:16 Participante 2 La famosa retroalimentación. 25:18 Participante 1 Vimos también cómo pasamos de usar diagramas lógicos en un cuaderno a correr simulaciones complejas en lenguajes como Python o r. Y todo, siempre guiado por esa estricta metodología de los 7 pasos. 25:32 Participante 2 Así es paso a paso sin saltarse ninguno. 25:36 Participante 1 Y, sobre todo, resaltamos esa humildad de saber que nuestras ecuaciones siempre serán imperfectas frente a, pues la majestuosidad de la naturaleza. Pero antes de despedirnos queremos dejar una reflexión sobre la mesa, especialmente pensada para ustedes, la audiencia académica, para que la mastiquen y debatan fuera de este espacio. 25:58 Participante 2 A ver cuál es el gran debate. 25:59 Participante 1 Bueno, a lo largo de este análisis profundo quedó claro que la agronomía moderna avanza inevitablemente. Hacia una mayor dependencia de algoritmos, simulaciones, dinámicas y montaños de datos cuantitativos puros. 26:12 Participante 2 El famoso Big Data. 26:13 Participante 1 Sí, exacto. ¿Entonces el gran cuestionamiento para los futuros ingenieros agrónomos de la usac es este a medida que el Big Data y el código de computadora se convierten en los lentes principales para observar el campo, cómo se podrá cuantificar, traducir e integrar el conocimiento ecológico tradicional en estas fórmulas? 26:36 Participante 2 Esa es una pregunta fundamental. 26:38 Participante 1 ¿Sí, o sea, cómo se asegura un científico moderno de que el diseño de los límites de su software no termine excluyendo por ser, digamos, demasiado difícil de medir en números la intuición empírica y la sabiduría milenaria de los agricultores locales? 26:54 Esa gente que ha mantenido vivos estos suelos durante generaciones. 26:58 Participante 2 Es un reto gigantesco. Integrar lo numérico con lo ancestral. 27:02 Participante 1 Definitivamente es un desafío fascinante sobre qué consideramos como dato válido para explorar el futuro del agro. Luchamos en la próxima inmersión profunda.