Cepio
Cepio
El club

Club Cepio

Cepio hoy

  • 5 años de pruebas sobre el terreno
  • 130 aficionados se conectan cada día
  • 120 recolectores han elegido Cepio+ como aliado para sus salidas a por setas
En las redes

¿Quiénes somos?

Thierry V.

Hola, soy biomatemático y llevo más de 20 años creando herramientas digitales para nuestros agricultores. Mi especialidad es modelizar los parámetros agronómicos y climáticos con la mayor precisión posible.

Hugues L.

Hola, soy ingeniero agrónomo y un apasionado de las nuevas tecnologías. Trabajo en herramientas digitales para mejorar el día a día de los agricultores y, ahora, de los recolectores.

¿Cómo se puede predecir el crecimiento de las setas?

1Modelizar el crecimiento de las setas

  • Frente a los gigantes tecnológicos y su enfoque de «datos masivos», hemos preferido apoyarnos en el conocimiento científico para predecir la aparición de setas (lo que se suele llamar un modelo «experto»).
  • Todo el mundo cree que hacen falta millones de datos para crear una IA. En la recolección de setas no existe un histórico de cosechas fiable. La realidad del campo son datos dispersos, subjetivos e incompletos.
  • A la salida de nuestro modelo proponemos un indicador: el índice de crecimiento. Este índice se lee así:
    • EscasoEscaso: poca probabilidad — mejor esperar
    • LimitadoLimitado: algunos rincones activos — salida posible pero selectiva
    • ModeradoModerado: buen potencial — apunta a las zonas propicias
    • AbundanteAbundante: condiciones ideales — ¡saca la cesta!

2Existen dos métodos para modelizar el crecimiento de las setas

Método 1

El enfoque guiado por los datos («Data-Driven»)

Principio

«Dame un millón de ejemplos y encontraré lo que sirve para predecir el futuro»

Fuentes
Tus datos personales y otros
Ventajas
Descubre correlaciones invisibles
Inconvenientes
Necesita grandes volúmenes de datos de calidad
Visualización

Montaña de datos → Caja negra de IA → Predicciones

Método 2 · nuestra elección

El enfoque guiado por el conocimiento («Knowledge-Driven»)

Principio

«Conozco los mecanismos, así que los modelizo»

Fuentes
Publicaciones científicas, experiencia de campo
Ventajas
Funciona con pocos datos y es explicable
Inconvenientes
Limitado por nuestros conocimientos actuales
Visualización

Conocimientos científicos → Modelo explícito → Predicciones

3Por qué elegimos el enfoque guiado por el conocimiento («Knowledge-driven»)

  • Las setas siguen siendo un reto: su crecimiento es complejo e incierto. Esa complejidad es justo lo que interesa a nuestros científicos: tenemos a mano más de 50 años de investigación micológica y de literatura científica.
  • Los mecanismos biológicos de desarrollo y de crecimiento de las setas están bien documentados.
  • Los estudios controlados en campo y en laboratorio dan una buena visión de la cinética (la velocidad) de crecimiento de nuestras setas.
  • Datos que faltan: no existe ningún «Netflix de los boletus» con millones de observaciones, fotos y anotaciones de calidad
  • Variabilidad humana: cada recolector tiene sus rincones secretos
  • Sesgo de observación: ¡solo se cuentan los éxitos, nunca los fracasos!
Entender mejor qué es un modelo «Knowledge-driven»:
  • Analogía: se aprende con un manual de vuelo, no estrellando aviones
  • Ejemplo concreto: nuestros modelos meteorológicos (física de la atmósfera) frente a la IA pura

4Construcción del modelo de crecimiento de Cepio

1

Paso 1: desmenuzamos la biología de las setas (boletus)

  • Los ciclos de vida de las setas: Micelio → Estimulación → Fructificación
  • Los factores desencadenantes identificados en la literatura:
    • Choque térmico (estrés por frío)
    • Rehidratación (señal química)
    • Estrés hídrico (urgencia reproductiva)
  • Nuestro modelo evalúa los episodios de choque térmico. Hace falta un cierto número de horas de frío para desencadenar la fructificación de los esporóforos. Lo ideal es que a eso se sume un episodio de lluvia abundante y después un periodo seco: ahí está la clave.
2

Paso 2: traducimos los fenómenos biológicos a ecuaciones matemáticas sencillas

  • Umbrales térmicos: basados en estudios fisiológicos
  • Ventanas temporales: extraídas de observaciones controladas
  • Interacciones: modelización de las sinergias
Ejemplo concreto:
SI       (Temperatura < 12°C durante 72 h)
Y        (Lluvia > 15 mm en los 5 días siguientes)
Y        (Sin lluvia durante 5-8 días después)
ENTONCES Probabilidad de fructificación = 80 %
3

Paso 3: calibramos con los datos disponibles hoy

  • Datos meteorológicos: 30 años de histórico disponibles en toda Europa
  • Observaciones de campo: casos documentados en la literatura científica (cámaras agrarias, grandes organismos europeos de investigación)
  • Ajuste regional: nos adaptamos a las particularidades locales
4

Paso 4: ponemos el modelo en marcha

  • Gran ventaja: podemos explicar por qué funciona y justificar nuestro resultado, el índice de crecimiento. Un modelo predictivo basado en IA no podría hacerlo.
  • Confianza: podemos entender sus límites
  • Mejora: podemos orientar con facilidad las investigaciones futuras para ganar precisión
5

Paso 5: validamos el modelo pateando el campo con un grupo de prueba

  • Validamos sin Big Data, con pruebas de validación cruzada (probar el modelo en regiones distintas)
  • Contrastamos el modelo con micólogos experimentados y con grupos especializados
6

Paso 6: lanzamos cepio.fr, el tiempo de las setas

  • Publicamos en línea un primer modelo adaptado a los boletus: es gratuito el fin de semana y cuesta 12,99 euros para las previsiones con una semana de antelación (para cubrir nuestros gastos).
7

Paso 7: analizamos las opiniones y las necesidades, y seguimos trabajando

  • Analizamos lo que nos llega del campo: tiempo de prospección, experiencia del recolector, fotos de las setas recogidas, peso de la cosecha.
  • Nos contrastamos con micólogos experimentados y con grupos especializados
  • Seguimos invirtiendo en investigación y desarrollo para sortear los límites de nuestro modelo actual:
    • Factores no modelizados: salud de los árboles huésped, competencia entre especies, microvariaciones del suelo
    • Precisión: 70-80 % frente al 95 % de los modelos Big Data punteros
    • Generalización: hace falta más adaptación local
    • Transparencia científica: código abierto y verificable por la comunidad, sin magia oculta

5El futuro de Cepio

Con un enfoque híbrido entre los modelos guiados por el conocimiento y los modelos guiados por los datos, podremos combinar lo mejor de ambos mundos.

  • Nuestros próximos modelos se reforzarán con datos: serán modelos híbridos.
  • El enfoque híbrido podría dar lugar a la plataforma ideal para cualquier buscador de setas al que no le asuste usar la tecnología de vez en cuando, para:
    • Buscar el mejor momento para salir a prospectar
    • Buscar un lugar de prospección
    • Buscar una especie de seta
  • Acompañaremos tanto a los recolectores aficionados como a los veteranos:
    • Preguntarse y formarse sobre el tiempo, los biotopos y los ciclos biológicos necesarios para el crecimiento de las setas
    • Compartir su saber dando consejos de recolección a escala local

Elige tu acceso

Cuenta gratuita

  • Directorio de los grandes bosques europeos
  • Predicciones sobre una dirección personalizada
  • Previsiones para el fin de semana que viene
Gratis y lo seguirá siendo

Cepio+

  • Guardado de tus sitios favoritos
  • Predicciones sobre una dirección personalizada
  • Previsiones con 7 días de antelación para preparar tus salidas
12,99 € solo para los 500 primeros
sin suscripción