Эксперт Syngenta назвал главные вызовы для искусственного интеллекта в агросекторе

7 марта в 12:03

570

Джозеф Бирум (Joseph Byrum) отвечает в компании Syngenta за разработку продуктов и инновации. В своем материале на AgFunder он рассказал, почему искусственный интеллект и машинное обучение пока не настолько эффективны в сельском хозяйстве, как в других областях.


Группа фермеров толпятся вокруг агронома и его компьютера на стороне ирригационной опоры в центральной части Южной Африки. Агроном только что пролетел гибридным БПЛА над опорой. Дрон взлетает и приземляется с помощью пропеллеров, но летит с высокой скоростью скорость на большие расстояния с помощью своих неподвижных крыльев.

БПЛА оснащен четырьмя датчиками, которые проводят бортовую обработку сразу после полета, позволяя фермерам и его сотрудникам почти сразу же выявлять любые аномалии урожая, которые смог зарегистрировать датчик. Это делает возможным сбор данных в режиме реального времени.

В нашем случае фермеры и агрономы ищут специализированное программное обеспечение, чтобы получить точное количество популяции растений. Прошло 10 дней с момента появления кукурузы, и фермер хочет определить, есть ли какие-либо участки поля, которые требуют пересадки из-за отсутствия всходов или повреждений ветром.

На этом этапе развития растений у фермера еще есть 10 дней для любой пересадки до того, как нужно будет вносить удобрения и другие химические элементы. Как только они будут применены, экономически нецелесообразно предпринимать корректирующие действия. Это делает любые дополнительные собранные данные архивными и полезными только для того, чтобы информировать о предстоящем сезоне.

Программное обеспечение завершает свою обработку менее чем за 15 минут, производя карту подсчета численности растений. Довольно трудно понять, насколько это впечатляюще, ведь вы, скорее всего, не знаете, что год назад потребовалось бы три-пять дней для обработки одного и того же набора данных. Подобные манипуляции иллюстрируют достижения, достигнутые в точном земледелии и дистанционном зондировании в последние годы. Благодаря тому, что программное обеспечение было разработано в Соединенных Штатах на одном и том же множестве культур в схожих условиях, агрономы хотят верить, что решение будет давать почти точный результат.

TechProtonФото: TechProton

Когда же карта появляется на экране, лицо агронома перекашивается. Пройдя через посаженные ряды перед полетом, чтобы получить физическое понимание ситуации на земле, он видит, что подсчет растений неверен. Это понимают и фермеры.

Потенциал искусственного интеллекта в сельском хозяйстве

Гипотетически, машины могут научиться решать любую проблему на земле, связанную с физическим взаимодействием всех вещей в определенной или содержащейся среде с помощью искусственного интеллекта (ИИ) и машинного обучения.

Один из принципов искусственного интеллекта — это то, что машина должна воспринимать окружающую среду и с помощью определенной гибкости "разума" принимать меры для решения указанной цели, связанной с этой средой. Машинное обучение — это когда эта же машина, согласно указанному набору протоколов, улучшает свою способность решать проблемы и цели, связанные с окружающей средой, поскольку статистический характер полученных ею данных увеличивается. Проще говоря, поскольку система получает все большее количество схожих наборов данных, которые могут быть классифицированы в определенные протоколы, ее способность к рационализации увеличивается, что позволяет ей лучше "прогнозировать" по целому ряду результатов.

Рост цифрового сельского хозяйства и связанных с ним технологий открыл множество новых возможностей для данных. Удаленные датчики, спутники и БПЛА могут собирать информацию 24 часа в сутки по всему полю. Они могут контролировать состояние растений, состояние почвы, температуру, влажность и т. д. Количество данных, которые могут собирать эти датчики ошеломительна, а значение всех этих чисел скрыта в лавине данных.

Идея состоит в том, чтобы позволить фермерам лучше понять ситуацию на местах с помощью передовых технологий (таких как дистанционное зондирование), которые могут рассказать им больше об их ситуации, чем они могут видеть невооруженным глазом. И не только более точно, но и быстрее, ведь теперь не нудно самому объезжать поля.

Датчики позволяют алгоритмам интерпретировать среду поля как статистические данные, которые могут быть поняты и полезны фермерам для принятия решений. Алгоритмы обрабатывают данные, адаптируются и учатся на основе полученных данных. Чем больше входных данных и собранной статистической информации, тем лучше алгоритм будет предсказывать ряд результатов. И цель заключается в том, чтобы фермеры могли использовать этот искусственный интеллект для достижения своей — увеличения урожая путем принятия лучших решений.

В 2011 году IBM через свою штаб-квартиру R&D в Хайфе, Израиль, запустила проект облачных вычислений в сельском хозяйстве. Проект в сотрудничестве с рядом ИТ-партнеров и специалистов в сельском хозяйстве имел одну цель: принять различные научные и физические источники данных из сельскохозяйственной среды и превратить их в автоматические интеллектуальные решения для фермеров, которые помогут им принимать решения в реальном времени на местах.

Потенциал искусственного интеллекта в сельском хозяйствеФото: wespeakiot.com

Интервью с некоторыми из членов команды проекта IBM в то время показали, что команда считает вполне возможным "алгоритм" сельского хозяйства, а это означает, что алгоритмы могут решить любую проблему в мире. Ранее в этом году самообучающаяся система IBM, Watson, участвовала в телевикторине Jeopardy против бывших победителей Брэда Раттера и Кена Дженнингса с поразительными результатами. Несколько лет спустя Watson продолжал производить новаторские достижения в области медицины, что привело к закрытию или сокращению сельскохозяйственных проектов IBM. В конце концов, IBM поняла, что задача по созданию когнитивных решений для машинного обучения в сельском хозяйстве была намного сложнее, чем они могли подумать.

Итак, почему же проект имел такой успех в медицине, но не в сельском хозяйстве?

В чем особенность сельского хозяйства

Сельское хозяйство является одной из самых сложных областей для целей статистической количественной оценки.

Даже в пределах одного поля условия всегда меняются от одного участка к другому. Тут есть непредсказуемая погода, изменения в качестве почвы и постоянная возможность того, что могут появится вредители или болезни. Производители могут думать, что перспективы для предстоящего урожая хороши, но до последнего дня результат остается неопределенным.

Для сравнения, наши тела — это закрытая среда. Сельское хозяйство имеет место в природе, среди экосистем взаимодействующих организмов и активности, а растениеводство происходит в этой среде. Но эти экосистемы не закрытые. Они подвержены климатическим явлениям, таким как метеорологические системы, которые воздействуют на полушарие в целом и с континента на континент. Таким образом, понимание того, как управлять сельскохозяйственной средой, подразумевает принятие во внимание почти сотни, если не тысячи факторов.

В чем особенность сельского хозяйстваФото: Microsoft's News Center

То, что может получится из семян и программы удобрений в регионе Среднего Запада США, почти наверняка не связано с тем, что может результатами с идентичными семенами и программой удобрений в Австралии или Южной Африке. Несколько факторов, которые могут влиять на это разнообразие: измерение дождя на единицу посеянной культуры, тип почвы, деградация почвы, часы освещения, температура и т. д.

Поэтому проблема развертывания машинного обучения и искусственного интеллекта в сельском хозяйстве заключается не в том, что у ученых нет возможности разрабатывать программы и протоколы, чтобы начать решать самые большие проблемы производителей. Проблема в том, что в большинстве случаев никакие две среды не будут в точности одинаковыми, что делает тестирование, проверку и успешное внедрение таких технологий намного более трудоемким, чем в большинстве других отраслей.

То есть сказать, что ИИ и машинное обучение могут быть усовершенствованы для решения проблем, связанных с нашей физической средой, это равносильно утверждению того, что мы имеем полное представление обо всех аспектах взаимодействия физической или материальной активности на планете. Мы пока еще далеки от того, чтобы предсказать нужные результаты в таких областях, как сельское хозяйство, исключительно через способность машин к восприятию.

Технологиям нужно время

При поддержке венчурного капитала, который теперь направляет миллиарды долларов в эту отрасль, большинство начинающих решений для аграриев гораздо быстрее заканчивают разработку. Затем их поощряют как можно быстрее наводнять рынок своими продуктами.

Обычно это приводит к отказу от таких "быстрых" и недоработанных решений. Это, в свою очередь, вызывает скептицизм рынка к технологии машинного обучения. В большинстве случаев проблема заключается не в том, что технология не работает, а в том, что индустрия не уделила ей достаточное время, и до конца не поняла, что сельское хозяйство является одной из самых непредвиденных сред для управления. Для того чтобы технологии действительно влияли на работу, необходимы дополнительные усилия, навыки и финансирование для тестирования этих технологий на фермерских полях.

У искусственного интеллекта и машинного обучения есть огромный потенциал, чтобы сделать революцию в сельском хозяйстве путем интеграции этих технологий в глобальном масштабе. Только тогда это может сделать разницу с производителем, где это действительно имеет значение.

Напомним, ранее Aggeek писал, как украинский стартап создает умную аэропонную теплицу под Киевом . Здесь также будут использоваться элементы искусственного интеллекта.

По материалам AgFunder.

Заметили ошибку? Выделите ее и нажмите Ctrl+Enter, чтобы сообщить нам.


AgriGeek

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам:

bn

Вверх