En la nota anterior quedó pendiente una pregunta: si un operador puede anticipar una caída de oxígeno mirando la pendiente y las señales de la tarde, ¿qué le agrega realmente un modelo de inteligencia artificial? La respuesta corta es horas de margen y menos falsas alarmas; la respuesta completa incluye también los límites reales de esa tecnología, que casi nunca se explican con la misma claridad con la que se venden. Ya cubrimos cómo se lee la pendiente y las señales de alerta temprana y por qué baja el oxígeno de madrugada; esta nota cierra la trilogía explicando, sin marketing de por medio, qué predice bien un modelo de este tipo y dónde el criterio del técnico de campo sigue siendo insustituible.
Qué es, técnicamente, “predecir” oxígeno disuelto
Predecir oxígeno disuelto es un problema de pronóstico de series temporales: a partir de cómo se comportó la curva en las últimas horas, proyectar hacia dónde va en las próximas. Un modelo típico para esto —el enfoque que usa Oxígeno Inteligente de Yubox— combina dos arquitecturas de red neuronal que se complementan: una capa convolucional (CNN) que reconoce patrones de forma en la ventana reciente de datos (pendientes, velocidad de caída, picos de encendido/apagado de aireadores), y una capa recurrente LSTM (Long Short-Term Memory) que aprende dependencias temporales largas, como el hecho de que el mínimo de oxígeno siempre llega justo antes del amanecer.
Las variables de entrada no son solo el oxígeno disuelto histórico: incluyen la temperatura del agua (que determina cuánto oxígeno puede retener físicamente el agua) y la hora del día, porque el ciclo de fotosíntesis diurna y respiración nocturna es la señal más fuerte de todas. Con esas entradas, el modelo típico de este tipo trabaja con un horizonte de pronóstico de hasta 10 horas, suficiente para cubrir buena parte de una noche completa desde el atardecer.
Lo que sí predice bien
Un modelo bien entrenado con el histórico propio de una piscina es consistentemente bueno en tres cosas:
- El ciclo diario normal, incluso cuando se desvía un poco de lo habitual. Detecta que un pico de tarde más bajo de lo normal, combinado con una temperatura más alta, va a producir una noche más exigente que el promedio —el mismo tipo de señales que un técnico entrenado buscaría a ojo, pero evaluadas de forma simultánea sobre docenas de variables en vez de cuatro o cinco reglas manuales.
- Reducir falsas alarmas frente a un umbral fijo. Un umbral estático (“avisa si baja de 3 mg/L”) no distingue una piscina que cae lento de una que cae rápido; el modelo sí, porque aprende la forma completa de la curva, no un punto de corte. Esto se traduce en menos aireación innecesaria y menos “fatiga de alarma” en el equipo de turno.
- Mejorar con cada temporada. A diferencia de una regla fija, el modelo se reentrena con datos reales de producción, así que la precisión de sus alertas para una piscina específica tiende a subir con el tiempo, capturando peculiaridades que nunca se escribirían en un manual (por ejemplo, cómo responde esa piscina en particular a un recambio de agua parcial).
En estudios académicos sobre predicción de oxígeno disuelto en acuicultura con arquitecturas LSTM y hibridas (CNN-LSTM, extreme learning machines), la precisión reportada para horizontes cortos suele superar el 90%, con errores de pocas décimas de mg/L —un desempeño consistente con lo que reportan implementaciones comerciales en camaroneras ecuatorianas: alertas con horas de anticipación en vez de minutos.
Lo que no predice (y por qué)
Aquí es donde conviene ser honesto, porque es la parte que ninguna ficha comercial menciona:
- Fallas mecánicas súbitas. Si un aireador se apaga por un corte de energía, un motor se quema o una bomba se traba, el modelo no lo sabe hasta que el efecto ya aparece en la curva de oxígeno —y para entonces el margen de reacción es el mismo que sin IA. Un modelo de series temporales predice la física del agua, no el estado del equipo eléctrico. Por eso la predicción de oxígeno nunca reemplaza el monitoreo directo del estado de los aireadores: son dos capas de alerta distintas, no una sustituta de la otra.
- Eventos que no están en los datos de entrenamiento. Un colapso repentino de una floración de algas por un cambio químico inusual, una descarga de agua contaminada de una piscina vecina, o un volteo térmico atípico después de una tormenta fuerte son, por definición, eventos poco frecuentes. Si el histórico de entrenamiento no contiene algo parecido, el modelo no tiene de dónde aprender el patrón y su pronóstico para esas horas puede fallar tanto como un umbral fijo, o peor, porque genera una falsa sensación de cobertura.
- Piscinas nuevas o con poco histórico. El modelo aprende del comportamiento propio de cada piscina; una piscina recién sembrada, o una donde el sensor lleva pocas semanas instalado, no tiene suficiente historia para que el modelo distinga su normalidad de una anomalía real. En la práctica, toma varias semanas a meses de datos continuos antes de que las predicciones para una piscina específica sean tan confiables como las de una piscina con temporadas de histórico acumulado.
- Datos de sensor de mala calidad. Un sensor óptico de oxígeno con biofouling —la capa orgánica que se forma sobre la membrana en aguas ricas en nutrientes, típica de una piscina camaronera— puede empezar a reportar valores ligeramente desviados días antes de que alguien lo note. El modelo no distingue “el agua cambió” de “el sensor se ensució”: entrena y predice igual sobre datos degradados, lo que produce alertas erróneas o, peor, pronósticos optimistas basados en una lectura de sensor que ya no refleja el agua real. Esta es una razón adicional, más allá de la precisión, para mantener un calendario de limpieza y calibración del sensor.
- Decisiones que dependen de contexto fuera del agua. El modelo no sabe si hay una cosecha programada para esa semana, si el generador de respaldo está en mantenimiento, o si el equipo de turno está reducido por un feriado. Esas variables operativas siguen siendo criterio humano, y son justamente las que determinan si una alerta de “precaución” se convierte en una decisión de aireación completa o se espera un poco más.
Cómo se complementan el modelo y el protocolo
La conclusión práctica no es “confiar en la IA” ni “desconfiar de la IA”: es usarla como una capa adicional dentro del protocolo escalonado de tres niveles que ya cubrimos, no como reemplazo de él. Un esquema razonable:
- La predicción del modelo adelanta la alerta temprana, muchas veces antes incluso de que la pendiente manual sea visible a ojo, dando margen para revisar aireadores y ajustar el encendido preventivo.
- El umbral y la pendiente en tiempo real siguen operando como respaldo directo sobre el dato del sensor, sin depender de que el modelo haya visto algo parecido antes.
- El criterio del técnico de turno decide qué hacer con fallas de equipo, eventos atípicos y contexto operativo que ningún modelo tiene forma de conocer.
Cuando las tres capas trabajan juntas —predicción, umbral/pendiente y criterio humano—, cada una cubre exactamente lo que la otra no puede, y la caída de oxígeno deja de depender de que una sola señal funcione perfecto.
En resumen
Un modelo de IA para oxígeno disuelto, entrenado con datos propios de cada piscina, predice bien el ciclo diario y sus desviaciones típicas hasta con 10 horas de anticipación, y reduce falsas alarmas frente a un umbral fijo. Lo que no puede hacer es anticipar fallas mecánicas, eventos fuera de su histórico de entrenamiento, ni compensar un sensor sucio o una piscina sin suficiente historia de datos. Tratarlo como una capa más de un protocolo —no como el protocolo completo— es lo que convierte la predicción en valor real y no en una falsa sensación de seguridad.
¿Quiere evaluar si su operación tiene el histórico de datos necesario para aprovechar predicción por IA? Escríbanos y revisamos juntos su caso, o calcule primero el ahorro potencial en aireación con nuestra Calculadora de Aireación para Camaroneras.