Daug kas priklauso nuo vieno dalyko: netvarkingų ūkio duomenų (vaizdų, jutiklių rodmenų, derliaus žemėlapių, mašinų žurnalų, orų signalų) pavertimo aiškiais veiksmais. Būtent tas „pavertimas veiksmais“ iš esmės ir yra visa mašininio mokymosi, naudojamo priimant sprendimus žemės ūkio srityje, esmė. [1]
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Kaip dirbtinis intelektas padeda aptikti pasėlių ligas
Dirbtinis intelektas analizuoja pasėlių vaizdus, kad anksti ir tiksliai nustatytų ligas.
🔗 Ką kompiuterinė rega reiškia dirbtinio intelekto srityje
Paaiškina, kaip mašinos supranta vaizdus, vaizdo įrašus ir vaizdinius duomenis.
🔗 Kaip naudoti dirbtinį intelektą įdarbinant
Praktiniai būdai, kaip dirbtinis intelektas pagerina įdarbinimą, atranką ir kandidatų suderinimą.
🔗 Kaip išmokti dirbtinio intelekto
Pradedantiesiems pritaikytas veiksmų planas, padėsiantis pradėti mokytis dirbtinio intelekto koncepcijų ir įrankių.
1) Paprasta idėja: dirbtinis intelektas stebėjimus paverčia sprendimais 🧠➡️🚜
Ūkiai generuoja neįtikėtinai daug informacijos: dirvožemio kintamumą, pasėlių streso modelius, kenkėjų spaudimą, gyvūnų elgesį, mašinų našumą ir panašiai. Dirbtinis intelektas padeda pastebėti modelius, kurių žmonės nepastebi – ypač dideliuose, netvarkinguose duomenų rinkiniuose – ir tada paskatinti priimti sprendimus, pavyzdžiui, kur ieškoti, ką apdoroti ir ko ignoruoti. [1]
Labai praktiškas būdas tai suprasti: dirbtinis intelektas yra prioritetų nustatymo variklis . Jis stebuklingai nedirba už jus – jis padeda skirti laiką ir dėmesį ten, kur jie iš tikrųjų svarbūs.
2) Kas lemia gerą dirbtinio intelekto versiją žemės ūkiui? ✅🌱
Ne visi „dirbtiniai intelektai ūkininkavimui“ yra vienodi. Kai kurie įrankiai yra išties patikimi; kiti tėra... iš esmės įmantrus grafikas su logotipu.
Štai kas realiame gyvenime dažniausiai būna svarbiausia:
-
Suderinamas su jūsų realiu darbo eiga (traktoriaus kabina, purvinos pirštinės, ribotas laikas)
-
Paaiškina „kodėl“, o ne tik rezultatą (kitaip juo nepasitikėsite)
-
Tvarko ūkio kintamumą (dirvožemį, orus, hibridus, sėjomainą – viskas keičiasi)
-
Aiški duomenų nuosavybė + leidimai (kas ką gali matyti ir kokiu tikslu) [5]
-
Puikiai veikia su kitomis sistemomis (nes duomenų silosai yra nuolatinis galvos skausmas)
-
Vis dar naudinga esant netolygiam ryšiui (kaimo infrastruktūra yra netolygi, o „tik debesijos“ naudojimas gali būti kliūtis) [2]
Būkime atviri: jei vertės gavimui reikia trijų prisijungimų ir skaičiuoklės eksporto, tai ne „išmanus ūkininkavimas“, o bausmė 😬.
3) Palyginimo lentelė: dažniausiai ūkininkai naudoja dirbtinio intelekto įrankių kategorijas 🧾✨
Kainos keičiasi, o paketai skiriasi, todėl laikykite juos „kainų intervalais“, o ne absoliučia tiesa.
| Įrankių kategorija | Geriausia (auditorijai) | Kainos vibracija | Kodėl tai veikia (paprasta anglų kalba) |
|---|---|---|---|
| Lauko ir transporto parko duomenų platformos | Lauko operacijų, žemėlapių, mašinų žurnalų tvarkymas | Prenumeratos tipo | Mažiau energijos užduodant „kur dingo tas failas?“, daugiau naudingos istorijos [1]. |
| Vaizdais pagrįsta žvalgyba (palydovas / dronas) | Greitas kintamumo ir probleminių vietų aptikimas | Plačiai svyruoja | Nurodo, kur pirmiausia reikia eiti (t. y. mažiau veltui nueitų mylių) [1] |
| Tikslinis purškimas (kompiuterinis matymas) | Nereikalingo herbicidų naudojimo mažinimas | Paprastai remiantis citata | Kameros + mašininis mokymas gali purkšti piktžoles ir praleisti švarų derlių (kai tinkamai sumontuota) [3] |
| Kintamo tarifo receptai | Sėja/derlingumas pagal zonas + investicijų grąžos (ROI) apskaičiavimas | Prenumeratos tipo | Paverčia sluoksnius planu, kurį galite vykdyti, o vėliau palyginti rezultatus [1] |
| Gyvulių stebėjimas (jutikliai / kameros) | Ankstyvieji įspėjimai + gerovės patikrinimai | Pardavėjo kainodara | Pažymi, kad „kažkas negerai“, kad pirmiausia patikrintumėte tinkamą gyvūną [4] |
Mažas formatavimo prisipažinimas: „kainos vibracija“ yra techninis terminas, kurį ką tik sugalvojau... bet jūs suprantate, ką turiu omenyje 😄.
4) Pasėlių žvalgyba: dirbtinis intelektas randa problemas greičiau nei atsitiktinis vaikščiojimas 🚶♂️🌾
Vienas didžiausių laimėjimų – prioritetų nustatymas . Užuot tolygiai žvalgęsis visur, dirbtinis intelektas naudoja vaizdus ir lauko istoriją, kad nukreiptų jus į galimas problemines vietas. Šie metodai nuolat pasitaiko mokslinių tyrimų literatūroje – ligų aptikimas, piktžolių aptikimas, pasėlių stebėjimas – nes tai yra būtent tokios struktūros atpažinimo problemos, kurias gerai sprendžia mašininis mokymasis. [1]
Įprasti dirbtinio intelekto valdomi žvalgybos įėjimai:
-
Palydovinių arba dronų vaizdai (pasėlių gyvybingumo signalai, pokyčių aptikimas) [1]
-
Išmaniojo telefono nuotraukos kenkėjų / ligų identifikavimui (naudinga, bet vis tiek reikalingos žmogaus smegenys) [1]
-
Istorinis derlius + dirvožemio sluoksniai (kad nepainiotumėte „įprastų silpnų vietų“ su naujomis problemomis)
Čia viena iš vietų, kur „ Kaip dirbtinis intelektas padeda žemės ūkiui?“ tampa labai tiesiogine prasme: jis padeda pastebėti tai, ko tuoj praleisite 👀. [1]
5) Tikslios įvesties duomenys: išmanesnis purškimas, tręšimas, laistymas 💧🌿
Įvesties duomenys yra brangūs. Klaidos skaudina. Taigi, būtent čia dirbtinis intelektas gali atrodyti kaip tikra, išmatuojama investicijų grąža – jei jūsų duomenys ir sąranka yra patikimi. [1]
Išmanesnis purškimas (įskaitant tikslinį purškimą)
Tai vienas aiškiausių „parodyk man pinigus“ pavyzdžių: kompiuterinė rega ir mašininis mokymasis gali sudaryti sąlygas purkšti piktžolėms nukreiptu būdu, o ne purkšti viską iš visų pusių. [3]
Svarbi pastaba: net šias sistemas parduodančios įmonės iš anksto praneša, kad rezultatai skiriasi priklausomai nuo piktžolių kiekio, pasėlių rūšies, nustatymų ir sąlygų, todėl laikykite tai įrankiu, o ne garantija. [3]
Kintamos normos sėja ir nurodymai
Receptiniai įrankiai gali padėti apibrėžti zonas, sujungti sluoksnius, generuoti scenarijus ir tada įvertinti, kas iš tikrųjų įvyko. Šis „įvertinkite, kas įvyko“ ciklas yra svarbus – mašininis mokymasis žemės ūkyje yra geriausias, kai galite mokytis sezonas po sezono, o ne tik sukurti gražų žemėlapį vieną kartą. [1]
Ir taip, kartais pirmoji pergalė būna tiesiog: „Pagaliau matau, kas nutiko paskutiniame važiavime.“ Ne žavinga. Nepaprastai tikra.
6) Kenkėjų ir ligų prognozavimas: ankstesni įspėjimai, mažiau netikėtumų 🐛⚠️
Prognozavimas yra keblus (biologija mėgsta chaosą), tačiau mašininio mokymosi metodai yra plačiai tiriami tokiems dalykams kaip ligų aptikimas ir su derliumi susijusi prognozavimas – dažnai derinant orų signalus, vaizdus ir lauko istoriją [1].
Realybės patikrinimas: prognozė nėra pranašystė. Elkitės su ja kaip su dūmų detektoriumi – jis naudingas net tada, kai kartais erzina 🔔.
7) Gyvuliai: DI stebi elgesį, sveikatą ir gerovę 🐄📊
Gyvulininkystės dirbtinis intelektas populiarėja, nes sprendžia paprastą realybę: neįmanoma stebėti kiekvieno gyvūno visą laiką .
Tikslusis gyvulininkystės ūkininkavimas (PLF) iš esmės pagrįstas nuolatiniu stebėjimu ir ankstyvuoju įspėjimu – sistemos užduotis yra atkreipti jūsų dėmesį į gyvūnus, kuriems to reikia dabar . [4]
Pavyzdžiai, kuriuos galite pamatyti gamtoje:
-
Nešiojamieji įrenginiai (antkakliai, ausų įsagai, kojų jutikliai)
-
Boluso tipo jutikliai
-
Kameromis pagrįstas stebėjimas (judesio / elgesio modeliai)
Taigi, jei klausiate, kaip dirbtinis intelektas padeda žemės ūkiui? – kartais tai taip paprasta: jis nurodo, kurį gyvūną pirmiausia patikrinti, kol situacija neįsibėgėjo 🧊. [4]
8) Automatizavimas ir robotika: pasikartojančių darbų atlikimas (ir jų atlikimas nuosekliai) 🤖🔁
Automatizavimas svyruoja nuo „naudingos pagalbos“ iki „visiškai autonomiško“, ir dauguma ūkių yra kažkur per vidurį. Žvelgiant plačiau, FAO visą šią sritį įvardija kaip platesnės automatizavimo bangos, apimančios viską – nuo technikos iki dirbtinio intelekto, dalį, turinčią tiek galimų privalumų, tiek nevienodo diegimo rizikos. [2]
Robotai nėra magiški, bet jie gali būti kaip antros rankos, kurios nepavargsta..., nesiskundžia... arba kurioms nereikia arbatos pertraukėlių (gerai, šiek tiek perdėta) ☕.
9) Ūkio valdymas + sprendimų palaikymas: „tylioji“ supergalia 📚🧩
Tai yra neseksuali dalis, kuri dažnai lemia didžiausią ilgalaikę vertę: geresni įrašai, geresni palyginimai, geresni sprendimai .
ML pagrįsta sprendimų parama pasireiškia atliekant pasėlių, gyvulininkystės, dirvožemio ir vandens valdymo tyrimus, nes daugelis ūkių sprendimų susiveda į klausimą: ar galima susieti taškus laikui bėgant, laukuose ir sąlygose? [1]
Jei kada nors bandėte palyginti du sezonus ir pagalvojote: „kodėl niekas nesutampa??“ – taip. Būtent todėl.
10) Tiekimo grandinė, draudimas ir tvarumas: dirbtinio intelekto užkulisiai 📦🌍
Dirbtinis intelektas žemės ūkyje naudojamas ne tik ūkiuose. FAO požiūris į „žemės ūkio maisto sistemas“ yra akivaizdžiai platesnis nei vien tik laukas – jis apima vertės grandines ir platesnę gamybos sistemą, kurioje dažniausiai pasireiškia prognozavimo ir tikrinimo įrankiai. [2]
Čia viskas tampa keistai politiška ir techninė tuo pačiu metu – ne visada smagu, bet vis labiau aktualu.
11) Spąstai: duomenų teisės, šališkumas, ryšys ir „kietos technologijos, kuriomis niekas nenaudoja“ 🧯😬
Dirbtinis intelektas gali visiškai atsigręžti prieš jus, jei ignoruosite nuobodžius dalykus:
-
Duomenų valdymas : nuosavybė, kontrolė, sutikimas, perkeliamumas ir ištrynimas turi būti aiškiai išdėstyti sutarties formuluotėje (ne paskendę teisiniame migloje) [5].
-
Ryšys + palanki infrastruktūra : diegimas netolygus, o kaimo infrastruktūros trūkumai realūs [2]
-
Šališkumas ir nevienoda nauda : įrankiai gali geriau veikti kai kuriems ūkių tipams / regionams nei kitiems, ypač jei mokymo duomenys neatitinka jūsų realybės [1].
-
„Atrodo protingai, bet nenaudinga“ : jei netinka darbo eigai, nebus naudojamas (kad ir kokia šauni būtų demonstracinė versija).
Jei dirbtinis intelektas yra traktorius, tai duomenų kokybė yra dyzelinas. Blogas kuras – bloga diena.
12) Pradžia: mažai dramatiškas veiksmų planas 🗺️✅
Jei norite išbandyti dirbtinį intelektą nepadegindami pinigų:
-
Pasirinkite vieną probleminį aspektą (piktžolės, laistymo laikas, žvalgybos laikas, bandos sveikatos įspėjimai)
-
Pradėkite nuo matomumo (žemėlapių sudarymas + stebėjimas) prieš visiškai automatizuodami [1]
-
Atlikite paprastą bandomąjį tyrimą : vienas laukas, viena bandos grupė, vienas darbo procesas
-
Stebėkite vieną jums iš tikrųjų svarbų rodiklį (purškimo kiekį, sutaupytą laiką, pakartotinius apdorojimus, derliaus stabilumą)
-
Prieš patvirtindami patikrinkite duomenų teises ir eksportavimo parinktis
-
Planuokite mokymąsi – net ir „lengviems“ įrankiams reikia įpročių, kad jie prigytų [2].
13) Baigiamosios pastabos: Kaip dirbtinis intelektas padeda žemės ūkiui? 🌾✨
Kaip dirbtinis intelektas padeda žemės ūkiui? Jis padeda ūkiams priimti geresnius sprendimus mažiau spėliojant – vaizdus, jutiklių rodmenis ir mašinų žurnalus paversdamas veiksmais, kuriuos galite atlikti realiai. [1]
TL;DR
-
Dirbtinis intelektas pagerina žvalgybą (problemas galima aptikti anksčiau) [1]
-
Tai leidžia atlikti tikslius veiksmus (ypač tikslinį purškimą) [3].
-
Tai pagerina gyvulių stebėseną (ankstyvieji įspėjimai, gerovės stebėjimas) [4]
-
Palaiko automatizavimą (su privalumais ir realiais pritaikymo trūkumais) [2]
-
Lemiamiausi veiksniai yra duomenų teisės, skaidrumas ir naudojimo paprastumas [5].
Ir taip… tai ne magija. Tačiau tai gali lemti, ar reaguosime vėlai, ar imsimės veiksmų anksti – o tai ūkininkavime iš esmės yra viskas.
Nuorodos
[1] Liakos ir kt. (2018) „Mašininis mokymasis žemės ūkyje: apžvalga“ (jutikliai)
[2] FAO (2022) „Maisto ir žemės ūkio padėtis 2022 m.: automatizavimo panaudojimas žemės ūkio maisto sistemoms transformuoti“ (straipsnis naujienų skyriuje)
[3] „ John Deere“ „See & Spray™ technologija“ (oficialus produkto puslapis)
[4] Berckmans (2017) „Bendras įvadas į tikslųjį gyvulininkystės ūkį“ („Animal Frontiers“, Oksfordo akademinis universitetas)
[5] Žemės ūkio duomenų skaidrumo „pagrindiniai principai“ (privatumas, nuosavybė / kontrolė, perkeliamumas, saugumas)