El proceso investigativo
Cada etapa del proyecto es, en el fondo, una pregunta de investigación. Se cierra solo cuando esa pregunta tiene respuesta — y esa respuesta, no una fecha, es la que autoriza avanzar. Se invierte sobre lo aprendido, nunca a ciegas.
El principio
El método no es construir todo y luego probar. Es aislar la incógnita más riesgosa de cada fase, diseñarla como un experimento acotado, y no avanzar hasta responderla.
Las dos primeras fases son de baja inversión y alta información: validan lo esencial —¿el productor adopta?, ¿el dato llega limpio?— antes de comprometer recursos mayores. La incógnita central no es tecnológica: es humana. Por eso se prueba en campo, con productores reales, desde el primer prototipo.
El riesgo número uno no es que la tecnología falle. Es que no quepa en las manos del campesino.
El corazón del método
| Fase | Pregunta de investigación | Método de validación | Criterio de éxito |
|---|---|---|---|
| 01 · Prototipo | ¿Se puede bajar la fricción a un nivel en que el productor registre solo? | Prueba de campo con un productor real, sin acompañamiento; transcripción de voz campesina con ruido de fondo. | Registra sin ayuda y el dato llega limpio y estructurado. |
| 02 · Piloto | ¿El sistema aguanta la operación real y genera datos suficientes para entrenar modelos? | Operar el hato completo del SENA (120 animales); medir adopción orgánica y calidad de los datos acumulados. | Hato en uso y alertas que el productor efectivamente sigue. |
| 03 · Inteligencia | ¿Los modelos son lo bastante confiables para decidir sobre ellos? | Validación contra la realidad: el celo detectado que termina en preñez; el peso estimado frente a la báscula; la alerta de salud frente al diagnóstico. | Precisión demostrada y decisiones reales tomadas con la plataforma. |
| 04 · Escala | ¿El modelo se sostiene económicamente y escala por sí solo? | Medir el costo por productor contra su margen, la retención, y si los modelos mejoran a medida que llegan más datos. | Economía unitaria positiva y retención sólida. |
Rigor
Un modelo no se da por bueno porque «parezca» acertar. Cada predicción se contrasta con un hecho observable en el hato — el estándar de oro del proyecto.
El celo que el modelo detecta se valida contra la preñez confirmada. Sin ese cierre, la ventana de monta es solo una hipótesis.
La estimación de peso por foto se contrasta con la báscula real, hasta que el error cabe dentro de lo útil para decidir.
Las alertas tempranas de salud se comparan con el diagnóstico veterinario para separar la señal del ruido.
La estrategia de datos
La consigna que atraviesa la investigación: acumular datos pronto, aunque los primeros modelos sean simples. Se empieza por reglas y por la voz para eventos sencillos; la visión por computador —condición corporal, conteo— se deja para cuando el propio piloto haya generado los datos de entrenamiento que la hacen posible.
El activo que se construye no es un algoritmo, sino un cuerpo de datos ovino-caprino de la región: comparativos por raza y forraje locales que hoy no existen. Ese cuerpo de datos es lo que permite que los modelos mejoren con el tiempo y lo que ninguna solución importada trae consigo — un bien de investigación con valor propio para las instituciones del sector.
Ética y gobernanza del dato
La captura y el uso de la información se hacen con consentimiento y gobierno claro, conforme a la Ley 1581 de 2012 (habeas data). El productor es dueño de su dato; se comparte solo con su autorización.
La investigación parte sin dispositivos aversivos, en línea con la Ley 1774 de 2016. La captura es por voz, foto y sensores pasivos — nunca a costa del bienestar del animal.
La validación se hace con quienes menos acceso han tenido —mujeres, jóvenes y comunidades indígenas— porque si la herramienta funciona para ellos, funciona para todos.
La investigación en trazabilidad se hace de la mano de los sistemas oficiales (SINIGAN en Colombia; SINIIGA y Agrocalidad en la región), no en paralelo a ellos.
Ciencia en alianza
La ciencia de razas, forrajes y reproducción se resuelve por alianza con universidades, AGROSAVIA y el propio SENA — el mismo tejido institucional que la cooperación exige, y que garantiza que los hallazgos queden anclados en el conocimiento local y perduren más allá del financiamiento.
Cada peso se invierte sobre una pregunta ya respondida. Así se construye una solución en la que un fondo —y una comunidad— pueden confiar.
El plan de desarrollo detallado está en su pestaña, con clave de acceso