Как AI и технологиите за машинно обучение помагат на фермерите и селскостопанските работници по целия свят

Земеделието е много визуална индустрия. На всеки етап от хранителната верига работници с различно образователно ниво, опит и възраст изпълняват хиляди задачи и вземат решения, главно на базата на визуална проверка.

Качеството и точността на тези действия и решения може да варира значително и да има реални икономически последици.

Иновационните индустрии отговориха с подход в стил “повече е по-добре” - повече сензори, повече автоматизация, повече дронове или сателитни изображения.

Резултатът е наличието на повече

селскостопански данни от всякога  

досега. Как изкуственият интелект, машинното обучение, задълбоченото обучение и наборите от данни помагат на селскостопанската индустрия?

Изкуственият интелект обхваща няколко техники и области на изучаване, които бързо се развиват, включително машинно обучение и задълбочено обучение.

Джон Маккарти въвежда термина “изкуствен интелект” на конференцията за изкуствен интелект (AI) в Дартмут през 1956 г., широко считана за раждането на AI като формализирано поле за изучаване.

Днес изкуственият интелект се отнася до “теорията и развитието на компютърните системи, способни да изпълняват задачи, които обикновено изискват човешкия интелект, като визуално възприятие, разпознаване на реч, вземане на решения и превод между езици”.

Специално за селското стопанство AI е създаден да взима решения за това кога и как да се прилагат способности, надвишаващи тези на хората при бързината, точността, анализа или организацията на работа. Тези решения трябва да бъдат взети, като се имат предвид множество точки от данни, получени от сензори, както и човешки опит и информация.

Машинното обучение

е подгрупа на AI, която обхваща различни алгоритми, предназначени да имитират човешки решения. Задълбоченото обучение е една от многото техники за моделиране, използвани в алгоритмите за машинно обучение. Целта на съвременните алгоритми за задълбочено обучение е да научат изкуствените интелекти как да идентифицират обекти, така че да могат да приближават човешкото поведение на учене.

Моделът на задълбочено обучение първо трябва да научи за своята среда, преди да може да започне да обработва данни. След като научи данните, моделът може да започне да взема решения и да коригира поведението си въз основа на обратна връзка за решенията, които взема.

Например, ако за откриване на ябълка се използва задълбочено обучение, алгоритъмът първо трябва да се научи как да “гледа”, което става върху изображение. След като AI веднъж обработи изображението, тогава ще трябва да разбере формите, за да определи как изглежда ябълката.

Какво би се случило, ако AI, обучен само на зелени ябълки Грени Смит, срещне червена ябълка Хъникрисп? Резултатите ще варират в зависимост от начина, по който алгоритъмът за задълбочено обучение е бил трениран по време на фазата на обратна връзка.

Ако човек е бил научен да идентифицира ябълки, като многократно са му показвали зелени ябълки Грени Смит, но след това е видял червена ябълка Хъникрисп, би било разумно този човек или да предполага, че това също е ябълка (въз основа на формата), или да отговори, че не знае.

Моделите на задълбочено обучение показват едно и също поведение и биха реагирали по много сходен начин. От друга страна, ако целта е да се идентифицира вида на ябълката, човекът (или AI) няма да може да идентифицира точно, че ябълката е червена Хъникрисп.

Изкуственият интелект трябва да получи обратна връзка, че е необходимо да разбере и цвета на ябълката, за да направи разлика между зелена ябълка Грени Смит и червена ябълка Хъникрисп. Подобно на първия пример, изискващ AI първо да научи визията преди формата, AI ще се нуждае от обратна връзка, за да определи как да разбере цвета, преди да свърже цвета на ябълката с вида ѝ.

Набори от данни и AI

Сега, когато разгледахме AI, машинното обучение и задълбоченото обучение, нека се обърнем към “храната”, която изкуственият интелект трябва да погълне, за да се научи - набори от данни. Те се използват за обучение на AI, предоставяне на инструкции за интерпретация и друга информация по конкретна тема.

Разработването на AI за селскостопанския отрасъл е особено предизвикателно, тъй като последиците от неправилното му прилагане са толкова драстични - неправилни решения, взети по непълни масиви от данни, могат да съсипят целогодишна реколта. И все пак много комерсиални AI решения базират своите технологии на отворени източници на данни, които са обществено достъпни.

Има множество причини, поради които една организация може да е готова да включи тези видове набори от данни в своята технология: постигане на предимство за първи инициатор, бързо печелене на пазарен дял или просто разграничаване от конкуренцията. Тези източници обаче са меч с две остриета. Поради присъщата им отворена природа, те са податливи на отклонения.

Източници без строга проверка също могат да доведат до много неточни резултати. За разлика от това, разработването на модели на данни, които са изградени по поръчка за специфични дейности по оценка на добива като изчисляване на реколтата царевица или анализ на загубите при соя, може да доведе до много точни резултати.

Докато изграждат рамки и платформи, предприятията трябва постоянно да се съсредоточават върху резултатите, които могат да бъдат измерени, да покажат стойност и да се свържат с жизнеспособен бизнес модел.

Опитът от индустрията доказа, че този неуморен фокус е пътят напред, не само за комерсиализиране на продукт или модел, използващ AI, но и за добавяне на стойност и засилване на конкуренцията на пазара.