Цифровизация захватывает отрасль за отраслью, невзирая на сложность производственных и бизнес-процессов и уровень рентабельности. Пока рано говорить об отраслевом управлении с помощью «цифры», так как, несмотря на бурное развитие в решении некоторых задач, IT-технологии не в состоянии справиться с такими очевидными экономическими проблемами, как голод и перепроизводство.
Тем не менее многие эксперты, в основном из IT-отрасли, считают, что сытое будущее человечества будет обеспечено синтезом сельского хозяйства, машинного обучения и технологии блокчейн.
Приведем цитату из ставшего классическим документа под названием «Машинное обучение, которое имеет значение» ученого НАСА Кири Вагстаффа:
«Большая часть текущих разработок в области машинного обучения (ML) потеряла связь с насущными проблемами большого мира науки и общества».
Обычные люди, не знакомые с ИИ и ML, могут рассматривать их как плод человеческого воображения, но приложения, основанные на их технологиях, выходят за рамки науки для решения реальных проблем.
По данным Продовольственной и сельскохозяйственной организации ООН (FAO), к 2050 году население мира увеличится до 10 млрд человек. Однако к тому времени обрабатываться будут только 4% дополнительных земель, не говоря уже о неопределенных угрозах, связанных с изменением климата и повышением уровня моря. Традиционных методов ведения сельского хозяйства недостаточно для решения этих сложных проблем. ИИ неуклонно превращается в один из инновационных подходов в аграрной отрасли. Решения на основе искусственного интеллекта должны не только позволить фермерам производить больше продукции с меньшими ресурсами, но также улучшать качество продуктов питания и их безопасность на потребительском рынке.
Миру угрожает глобальный продовольственный кризис
Ожидается, что мировой объем рынка ИИ в сельском хозяйстве будет расти в среднем на 24,8% в период с 2020 по 2030 год. При таких темпах объем рынка вырастет с $852,2 млн в 2019 году до $8379,5 млн в 2030 году. В настоящее время ИИ в сельском хозяйстве широко используется для точного земледелия, мониторинга урожая, управления почвой, сельскохозяйственных роботов и т. д.
Возьмем в качестве примера точное земледелие — комплексное применение технологий ИИ, таких как машинное обучение, компьютерное зрение и инструменты прогнозной аналитики. Он включает сбор и анализ данных о фермах, чтобы помочь фермерам принимать правильные решения и повышать продуктивность сельскохозяйственных угодий.
Доктор Яннис Ампатзидис, доцент кафедры точного земледелия и машинного обучения в Университете Флориды, отмечает, что ML-приложения уже используются в сельском хозяйстве, включая визуализацию, робототехнику и анализ больших данных.
«В точном земледелии ИИ используется для обнаружения болезней и вредителей растений, питания растений и управления водными ресурсами», — говорит Ампатзидис. Он и его команда в Университете Флориды разработали облачную технологию AgroView, которая использует алгоритмы ИИ для обработки, анализа и визуализации данных, собираемых с воздушных и наземных платформ.
«Объем этих данных огромен, и человеческому мозгу очень трудно их обрабатывать и анализировать, — продолжает он. — Алгоритмы ИИ могут обнаруживать закономерности в этих данных, которые могут помочь фермерам принимать «разумные» решения. Например, Agroview может обнаруживать и подсчитывать цитрусовые деревья, оценивать высоту деревьев и измерять уровни питательных веществ в растениях».
Ампатзидис считает, что ИИ обладает огромным потенциалом для анализа больших данных в сельском хозяйстве. ИИ — это ключ к раскрытию потенциала огромных объемов данных, генерируемых фермами и сельскохозяйственными исследованиями.
Робот для прополки принимает решения в режиме реального времени для идентификации сельскохозяйственных культур и сорняков благодаря тесному взаимодействию встроенных камер, компьютерного зрения, машинного обучения и робототехники. Когда машина проезжает по полю, камеры высокого разрешения собирают изображения с высокой частотой кадров. Нейронная сеть анализирует каждый кадр и создает карту с точностью до пикселей, где находятся посевы и сорняки. После того как растения идентифицированы, каждый сорняк и урожай наносятся на карту на полях и робот срывает только сорняки. Весь процесс происходит за миллисекунды.
Обучать модели нейронной сети сложно, поскольку многие сорняки похожи на сельскохозяйственные культуры. Традиционно миллионы полевых снимков маркируют агрономы и специалисты по сорнякам. Однако маркировка данных трудоемка и требует много времени. В модели машинного обучения необходимо вводить размеченные данные высокого качества и в большом количестве, чтобы им можно было обучать в автоматическом и постоянном режиме.
Высокая стоимость сбора маркированных данных сдерживает применение ИИ в сельском хозяйстве. Осознавая такую дилемму, некоторые компании, предоставляющие услуги передачи данных, например ByteBridge. io, предоставляют также услуги сбора и маркировки данных, чтобы расширить возможности приложений ИИ для практических отраслей, таких как сельское хозяйство.
ByteBridge.io совершил прорыв, создав платформу автоматического сбора и маркировки данных, где исследователи в области сельского хозяйства могут сами создавать проекты маркировки и сбора данных. Поскольку большая часть обработки данных выполняется на платформе, исследователи могут отслеживать ход проекта, его скорость, проблемы с качеством и даже необходимые затраты в режиме реального времени, тем самым повышая эффективность работы. Они могут загружать необработанные данные и загружать обработанные результаты через панель управления ByteBridge. Мало того, ByteBridge. io использовал технологию блокчейн, чтобы гарантировать рентабельность и продуктивность маркированных данных.
Данные — это мощный инструмент, но только маркировка данных делает их полезными. Помеченные данные можно использовать для эффективного обучения моделей машинного обучения. Кроме того, автоматизированные платформы маркировки на основе ИИ, могут помочь ускорить процесс маркировки данных и ускорить развитие индустрии ИИ, которая направлена на решение реальных проблем, таких как повышение продуктивности и качества в сельском хозяйстве.
