Въздействието на изкуствения интелект върху земеделието

14 февруари 2020
Агротехника
7236
1 2 3 4 5
 

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.

Още от Агротехника
0

Drone Ag обяви, че приложението им за дронове Skippy Scout вече може да интерпретира почти всяка форма на карта. Стопаните могат да импортират карта или дори да направят снимка на разпечатана такава

0

През 2019 г. SDF успя да увеличи както печалбата преди данъци, така и нетната печалба, въпреки намалението на пазара на селскостопанска техника и намаляване на оборота

0

Подходящ за трактори John Deere до 150 к.с., новите четири модела товарачи от серия M са насочени към онези, които не се нуждаят от всички функции на по-високите spec R товарачи

0

Въпреки кризата в световната и вътрешната икономика модернизацията и актуализацията на машинно-тракторните паркове на селскостопанските предприятия остава една от най-важните задачи

0

Практиката е доказала, че най-подходяща за сенажа е рулонната средна балировачка, която формира бали в размери от 120 до 150 см Любомир Коралов Гергьовден не е само благословеното агне

Последни новини
0

Атмосферното налягане е близко до средното - слабо ще се понижи. До полунощ все още на места, главно в планинските райони от Южна България, ще има превалявания

0

Залейте я с шоколад! Лятото наближава. Днес ви предлагаме да си направите сладоледена торта само с три съставки. Приготвя се лесно, но се получава уникално вкусно

0

И какво трябва да постигнем с тях, отговаряме на Верка Колева от Карлово Скъпа редакция, аз съм хоби фермер, запален ваш читател, който има и розова градина

0

Вашата градина е красива, но донякъде хаотична? Опитайте се да структурирате пространството и тогава тя ще придобие хармоничен и завършен вид. За да направите това

0

В края на месец май прогнозите на Министерството на земеделието на САЩ /USDA/ за добра реколта и увеличение на преходните запаси от зърно в глобален мащаб оказаха известен негативен натиск върху

Коментари

*Име:
* E-Mail:
* Код:
Въведете кода от картинката
* Коментар:
Отговор:Ако почерняват, трудно ще ги спасите. Късните мразове са опасни за картофите. Ако са само оклюмали, опитайте бързо да ги подхраните с листен тор.
ПОСЛЕДНО ОТ последно от 24 Часа

Британският принц Хари в продължение на няколко години e поддържал тайна страница във Фейсбук, използвайки псевдонима Спайк Уелс, пише в. "Мирър", цитиран от БТА.  В акаунта му били намерени снимки на бившата му приятелка Челси Дейви. Прозвището си Спайк кралската особа дължи на щръкналите си коси и то тръгнало от семейството и приятелите на внука

Съперникът на Благой Иванов - Аугусто Сакай, призна след мача, че е нарушил правилата на ММА. Според бразилеца обаче това не било решаващо за крайния изход. Във втори пореден сблъсък от тежката категория на UFC съдиите дадоха победата на противника на Багата, но не единодушно, а с 2:1 гласа. Резултатът след битката във Вегас бе 27-30, 29-28

ИВАН ЙОЧЕВ в предизвикателството на Българската асоциация на спортните журналисти "Моят любим спортен момент".  Аз съм фоторепортер - при това спортен и вече с почти 30-годишен стаж, затова от мен се очаква да разказвам не с думи, а с образи. Отговаряйки на предизвикателството на БАСЖ (глобално) и на Едуард Папазян (персонално) ви представям