Un proyecto de la Universidad de los Llanos.

Colombia importa cerca de 12.000 toneladas al año de harina de pescado para alimentar tilapia, pollo y cerdo. Esta dependencia encarece los concentrados que compran los pequeños productores del país y expone al sector pecuario a la volatilidad del mercado internacional y a la presión sobre las pesquerías marinas.

La harina de grillo aparece como una alternativa concreta:

• Alto contenido proteico (meta interna 60-70% en base seca, a confirmar por análisis bromatológico).
• Perfil de aminoácidos y lípidos favorable para monogástricos y peces.
• Producción posible en pequeñas unidades familiares, con baja huella de agua y suelo.

GrillosIA se enfoca específicamente en grillos nativos del Piedemonte Llanero, un rasgo diferencial frente a proyectos que trabajan con especies exóticas. La pregunta que guía la metodología es sencilla:

¿Qué combinación de dieta y condiciones de cría le permite a un productor obtener harina con el perfil proteico que su animal necesita, manteniendo una supervivencia viable del cultivo?

Responderla exige articular biología, nutrición animal y ciencia de datos en una misma plataforma, y hacerlo con un lenguaje que un productor sin formación técnica pueda entender.

El sistema modela la cría como una función de seis variables de entrada y dos variables objetivo, más filtros de viabilidad biológica.

Entradas (features)

• tipo_dieta: código categórico (D1, D2, D3). El modelo aprende qué produce cada receta sin necesidad de análisis bromatológico previo.
• alimento_g_dia: gramos de alimento suministrado por día.
• temperatura: temperatura de cría en °C (condiciones objetivo 24-34 °C).
• humedad_ambiental: humedad relativa en % (condiciones objetivo 50-80%).
• especie: grillo nativo del Piedemonte Llanero utilizado en el ensayo.
• tiempo_desarrollo: días desde la eclosión hasta la cosecha.

Salidas objetivo

• proteina_harina (%MS): meta interna 60-70%.
• lipidos_harina (%MS): perfil secundario relevante para peces.

Filtros de viabilidad

• tasa_supervivencia (%), peso_promedio (g) y biomasa_total (g). Una recomendación con alta proteína pero baja supervivencia se descarta.

Las dietas se registran como códigos y su composición (bore, botón de oro, salvado de trigo, harina de choclo, avena en hojuelas, hidratación con manzana) queda documentada en el campo observaciones.

Estudiamos el problema con un enfoque de Random Forest multi-salida implementado en scikit-learn (MultiOutputRegressor sobre RandomForestRegressor, con OneHotEncoder para variables categóricas y StandardScaler para numéricas).

La elección responde a tres criterios:

1. Tamaño del conjunto de datos: los datos iniciales provienen de literatura (decenas a pocos cientos de registros). Los ensambles de árboles se comportan bien en este régimen, mientras que las redes neuronales profundas suelen sobreajustar. 2. Interpretabilidad: podemos exponer la importancia relativa de cada variable y explicar al productor por qué se le sugiere una dieta u otra. 3. Multi-salida nativa: predecimos simultáneamente proteína y lípidos sin entrenar dos modelos independientes.

El enfoque es de clasificación asistida: el modelo solo puede sugerir dietas que ya haya visto en los datos. No extrapola combinaciones novedosas.

Como referencia externa, Vargas-Serna et al. (2025) aplican una red neuronal a la predicción de rendimiento proteico en cría de insectos y reportan un coeficiente de regresión R = 0,9973. Ese trabajo funciona como línea base y como meta a discutir en la validación.

El informe técnico completo — con hiperparámetros, validación cruzada, métricas por objetivo y análisis de residuos — se publicará en el repositorio del proyecto a medida que avancen las fases experimentales.

La base se construye en dos fases complementarias.

Fase 1 — Literatura científica

El equipo biológico revisa artículos que reportan composición nutricional de grillos y ensayos de dieta, y extrae los registros a una plantilla CSV estandarizada (data/literature/README_DATA.md). Cada fila incluye:

• Dieta, especie, temperatura, humedad, tiempo de desarrollo, alimento diario.
• Proteína y lípidos de la harina resultante.
• Supervivencia, peso promedio, biomasa total.
• Fuente bibliográfica (autor, año, DOI) para trazabilidad.

Esta fase permite entrenar una primera versión del modelo sin depender del cronograma experimental.

Fase 2 — Datos propios de laboratorio

Los ensayos en Universidad de los Llanos generan datos con protocolo controlado sobre las tres dietas en estudio (D1 bore, D2 botón de oro, D3 salvado de trigo). Cada ensayo alimenta la misma tabla experiments a través de la API, distinguiendo el campo fuente para separar literatura de laboratorio.

Validación cruzada

Al unir ambas fuentes, comparamos predicciones sobre los datos propios usando modelos entrenados solo con literatura. Esta comparación mide el gap de generalización hacia las condiciones del Piedemonte Llanero y guía la ponderación de fuentes.

GrillosIA se encuentra en fase de MVP demostrativo. Esto significa:

• El modelo de IA está en entrenamiento. Las cifras que devuelve la plataforma son útiles para ilustrar el flujo de trabajo y validar el diseño de la interfaz, pero no constituyen recomendaciones productivas definitivas.
• Los ensayos experimentales sobre las dietas D1, D2 y D3 están en curso. Los resultados bromatológicos finales alimentarán versiones posteriores del modelo.
• Las metas de proteína por animal se presentan como objetivos NRC, no como resultados garantizados.

Qué ya se puede hacer

• Explorar la plataforma completa: chat informativo, wizard de dietas y visualización de resultados.
• Comprender el flujo de decisión que un productor seguirá cuando el modelo esté validado.
• Entregar retroalimentación temprana sobre lenguaje, usabilidad y contenido.

Qué está pendiente

• Cierre de los ensayos experimentales y análisis bromatológico.
• Reentrenamiento del modelo con datos propios y validación cruzada.
• Documentación técnica final y publicación de resultados.

Evitamos anunciar fechas específicas: las publicaremos únicamente cuando los datos experimentales lo respalden.

La metodología de GrillosIA se apoya en literatura previa sobre entomofagia, nutrición de insectos y modelos predictivos aplicados a producción animal. A continuación listamos las referencias que consideramos indispensables para quien quiera profundizar.

Cada referencia aporta a un aspecto distinto del proyecto:

• Bases nutricionales de los grillos como fuente proteica.
• Modelado estadístico de la composición de harina de insectos.
• Marco global de la FAO sobre insectos comestibles y seguridad alimentaria.
• Diseño de dietas experimentales para grillos.
• Requerimientos nutricionales por especie animal según NRC.

Le invitamos a revisar la sección de referencias que aparece a continuación. Si es evaluador o investigador y desea acceder al informe técnico ampliado, al repositorio de código o a la plantilla de datos, puede solicitarlo al equipo de la Universidad de los Llanos a través de los canales institucionales del proyecto.