لمَ يبقى مشكلة البيانات في الزراعة مشكلة لذكاء الأعمال — وما الذي يمكن أن تفعله النباتات حيال ذلك

كل بضع سنوات، يحصل قطاع تكنولوجيا الزراعة على رصاصة فضية جديدة. في عام 2013، كان السرد حول بيانات كبيرة تحول إدارة المزرعة — كان من المفترض أن تكون استحواذ مونسانتو البالغ 1.1 مليار دولار على شركة 气候 الشركات يعلن عن عصر جديد من الزراعة التنبؤية. بعد بضع سنوات، البيوت الخضراء التي تعمل بالذكاء الاصطناعي كانت ستسلم ثورة خضراء ثانية. ثم جاء وعد الحصاد الروبوتي، ثم المزارعين الذين يعملون بالذكاء الاصطناعي التوليدي، والآن الذكاء الاصطناعي العامل الذي من المفترض أن يتخذ قرارات بشكل مستقل من behalf المزارعين في جميع أنحاء العالم.

النمط يجب أن يكون مألوفًا: كل موجة من الهوس تبني على السابقة، ومع ذلك استثمار رأس المال الاستثماري في AgTech لا يزال يخيب آمال ، والنتائج التحويلية لا تزال غير واضحة. لماذا؟ ليس لأن المهندسين غير موهوبين، أو لأن العلوم الأساسية للذكاء الاصطناعي معيبة. المشكلة أكثر عمقا إلى البيانات التي تعتمد عليها أنظمة الذكاء الاصطناعي الزراعية.

حتى نغير بشكل جذري ما نجمعه من البيانات وكيف نجمعه، ثورة الذكاء الاصطناعي الزراعي ستبقى وعدًا دائمًا وليس حقيقة موجودة.

ثلاثة أسباب لفشل الذكاء الاصطناعي الزراعي

الزراعة هي واحدة من أكثر البيئات غير المضيافة يمكن تخيلها لتطوير الذكاء الاصطناعي. التحديات ليست مشاكل هندسية طفيفة — إنها هيكلية. هنا ما يجعل هذا المجال مقاومًا للعبة الذكاء الاصطناعي المعتادة:

دورات التغذية الراجعة التي تتحرك بسرعة الأحياء، وليس البرمجيات.

تم تصميم أنظمة الذكاء الاصطناعي الحديثة حول التكرار السريع. يمكن إعادة تدريب نموذج البرمجيات في ساعات؛ تجربة دوائية تستغرق سنوات. الزراعة تقع أقرب إلى الأخير. كان جزء من الابتكار الذي حصل عليه نورمان بورلاج على جائزة نوبل في السبعينيات يتعلق بضغط دورات التكاثر النباتي من مرة إلى مرتين في السنة. اليوم، تدير الشركات الرائدة في بذور ثلاث دورات سنوية؛ لا تزال بطيئة بشكل جلدي بالمعايير الذكاء الاصطناعي. عندما تأتي الحقيقة الأرضية مع الحصاد، تمتد جداول تحسين النموذج عبر السنوات، وليس السباقات.

تعقيد الزراعة يكسر افتراضات الذكاء الاصطناعي المعتادة

اسأل سؤالًا يبدو بسيطًا — كم من النيتروجين يجب أن تستلمه هذه الحقل؟ — وتنمو المتغيرات بسرعة: تركيبة التربة، وتدوير المحاصيل السابقة، وتاريخ الممرض، والميكرومناخ، وتاريخ الماشية الذي يعود إلى عقود، والاحتفاظ بالماء، وممارسات الحراثة، والعديد من العوامل التفاعلية الأخرى. البحث على قيود التفكير بالذكاء الاصطناعي يظهر أن دقة النموذج تنهار في البيئات ذات الأبعاد العالية. الزراعة ليست فقط بيئة ذات أبعاد عالية؛ إنها واحدة من أعلى البيئات التي حاول البشر نمذجتها.

كل مزرعة هي حالة حافة خاصة بها.

لا توجد بقرة كروية في الزراعة الحقيقية. كل عملية لها مزيجها الخاص من الوصول إلى التكنولوجيا، وفلسفة العمل، والقيود الرأسمالية، وتحمل المخاطر. نموذج مدرب على عمليات زراعة المحاصيل الكبيرة في الغرب الأوسط سوف يفشل بشكل مذهل عند تطبيقه على مزرعة صغيرة متنوعة في الشمال الغربي الهادئ. لا شيء ي일반 بسهولة، وبناء كل حالة حافة يدفع الأبعاد إلى منطقة غير قابلة للعمل.

المزيد من البيانات ليس الجواب — البيانات الأفضل هي الجواب

الانطباع في وادي السيليكون لمعظم المشاكل الصعبة هو رمي المزيد من الحوسبة والمزيد من البيانات في الموضوع. في الزراعة، هذا الانطباع أنتج بعض الأرقام المذهلة: يُقدر الآن أن تنتج المزرعة المتوسطة 500,000 نقطة بيانات في اليوم. تتصوير الأقمار الصناعية كل حقل على الأرض. تسجل الحساسات درجة الحرارة والرطوبة والرطوبة في التربة بالتفاصيل الدقيقة.

ومع ذلك، يقر مجتمع الذكاء الاصطناعي الزراعي على نطاق واسع بفجوة في جودة البيانات. المشكلة ليست في الحجم. إنها في الصلة. كل هذه بيانات الحساسات، وكل هذه الصور بالأقمار الصناعية، وكل هذه تقارير اختبار التربة — كلها تلتقط ما يحدث حول النبات. لا تلتقط أي منها ما يحدث داخل النبات.

فكر في التشبيه بمهندس سباق فورمولا 1 يحاول تحسين وقت اللفة باستخدام بيانات تتبع نظام تحديد المواقع العالمي فقط. السرعة، والموقع، والمسار تعطيك شيئًا للعمل معه، ولكن بدون بيانات عن عدادات محرك، ودرجة حرارة الإطارات، وتدفق الوقود، نموذجك سوف يكون دائمًا في التخمين حول السبب. بيانات الزراعة الخارجية هي نفس الشيء. إنه يخبرك بالظروف الموجودة في البيئة، ولكن لا يمكنه أن يخبرك كيف يستجيب المحصول فعليًا لتلك الظروف.

هذا يفسر بعض فشل الذكاء الاصطناعي الزراعي الأكثر وضوحًا. Gro Intelligence جمعت أكثر من 120 مليون دولار لبناء أكبر مخزن لبيانات المناخ الزراعي وأغلقت في النهاية. المزيد من البيانات الخارجية، مهما كانت دقيقة، لا تحل المشكلة الكامنة: نحن نقيس الشيء الخطأ.

ما يعنيه بالفعل الاستماع إلى النبات

تكنولوجيا حيوية جديدة تجعل من الممكن الآن، لأول مرة، الحصول على بيانات مباشرة من داخل المحاصيل التي نزرعها. الفكرة الأساسية هي هندسة المحاصيل التي تعبر عن حالاتها البيولوجية الداخلية — الاتصال بالتوتر، أو العدوى، أو احتياجات الموارد من خلال مخرجات قابلة للقياس بدلاً من الحاجة إلى الاستدلال من البروكسيات الخارجية.

في وقت سابق من هذا العام، أنتجت واحدة من هذه المناهج نتيجة تاريخية حقيقية — فول الصويا مع إشارات التألق الهندسي كشفت عن عدوى فطرية في الوقت الفعلي قبل ظهور أي أعراض مرئية على النبات. في 10,000 عام من الزراعة، لم يتمكن المزارعون من كشف العدوى في تلك المرحلة. أطلق النبات نفسه الإشارة. النبات نفسه قدم البيانات.

هذا يهم لنتائج الزراعة العملية. الكشف المبكر عن الأمراض يسمح بالتدخل المبكر، ويتقلص الخسائر والمدخلات الكيميائية. ولكنها تهم أيضًا لذكاء الأعمال الزراعي، لأنها تمثل فئة جديدة من البيانات.

بدلاً من محاولة استنتاج بيولوجيا النبات من الظروف الخارجية — مهمة تكون فيها الضوضاء، والأبعاد العالية، والعوامل المربكة — يمكن الآن تدريب أنظمة الذكاء الاصطناعي على قياسات مباشرة لphysiology النبات. مشكلة الأبعاد تقل بشكل كبير. حلقة التغذية الراجعة تضيق. مشكلة الحالة الحافة لا تختفي، ولكنها تصبح أكثر قابلية للتعامل عندما تعمل مع إشارات النبات نفسه بدلاً من متغيرات البروكسي في البيئة المحيطة.

مفاهيم بيانات جديدة لera جديدة من الذكاء الاصطناعي الزراعي

التناظر مع تطوير السيارات المستقلة مفيد. لم تنجح شركات مثل Waymo من خلال محاولة تدريب نماذجها على بيانات الطرق العامة الحالية فقط. بنوا مصفوفات حساسية مملوكة وانتجوا مجموعات بيانات ضخمة عالية الجودة، أولية، التي ألتقطت بالضبط ما تحتاج إليه نماذجها للتعلم. استراتيجية البيانات كانت مهمة مثل هندسة النموذج.

الذكاء الاصطناعي الزراعي يحتاج إلى إعادة التفكير المماثلة. الطريق الأمامي ليس أفضل نماذج تطبيقها على مجموعات بيانات زراعية موجودة. تلك المجموعات من البيانات محدودة بشكل أساسي بسبب حقيقة أنها تلاحظ فقط بيئة المحصول، وليس المحصول نفسه. الطريق الأمامي هو إنشاء فئة جديدة من البيانات، ومشتقة من بيولوجيا النبات الفعلية، وبناء أنظمة ذكاء اصطناعي مصممة للتعلم منها.

ذلك النوع من البيانات — تيليمетري بيولوجي مستمر، على مدار الموسم، من المحاصيل عبر القلب الزراعي — لا يزال غير موجود في النطاق الكبير. ولكن التكنولوجيا لتوليدها تصبح حقيقية. عندما تصل تلك البيانات، ستمكن من إنشاء أنواع من نماذج الذكاء الاصطناعي التي يمكن أن تساعد المزارعين حقًا على التنقل في القرارات المعقدة: لا من خلال القوة الغاشمة من خلال بحر ضوضاء من المتغيرات الخارجية، ولكن من خلال فهم ما تحتاجه المحاصيل نفسها، في وقت قريب من الوقت الفعلي.

فجوة جودة البيانات في الزراعة تمت مناقشتها لسنوات. ما تغير هو أننا لدينا الآن إجابة موثوقة لها، وتبدأ بالنباتات نفسها.

الطريق الفعلي إلى الثورة الخضراء القادمة

إطعام 8 مليارات شخص بشكل مستدام — مع 2 مليار آخرين متوقعين بحلول عام 2050 — مع إدارة الاضطراب المناخي، وتكلفة المدخلات، وندرة المياه، هو واحد من التحديات الرئيسية في هذا القرن. الذكاء الاصطناعي الزراعي لديه الإمكانية لمساعدة كل جزء من هذا التحدي. ولكن فقط إذا تم بناؤه على بيانات تعكس ما يحدث داخل المحاصيل التي نحاول زراعتها.

لمزيد من عشر سنوات، حاولت الصناعة حل هذه المشكلة من خلال تجميع المزيد من البيانات الخارجية ورمي المزيد من الحوسبة عليها. هذا النهج أنتج فوزات متفرقة، ولكن لم يسلم الثورة التي يحتاجها القطاع. لن يفعل — لأن المشكلة الأساسية للبيانات لا تزال غير محلولة.

الثورة الخضراء القادمة لن تتم بذرة أخرى من الهندسة المعمارية للنموذج الواعد أو شركة ابدأ أخرى ممولة جيدًا مع خط أنابيب تصوير بالأقمار الصناعية أفضل. ستبدأ عندما يمكن لأنظمة الذكاء الاصطناعي أخيرًا سماع ما يحاول المحصول قوله.