Tankeledere

Hvorfor landbrugets dataproblem er et AI-problem — og hvordan planterne kan hjælpe

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterLandbrugs-AI fejler, fordi den er afhængig af eksterne miljødata i stedet for direkte…
Vis mere
  • Landbrugs-AI fejler, fordi den er afhængig af eksterne miljødata i stedet for direkte plantebiologiske signaler.
  • Planter, der er designet til at signalere interne tilstande som sygdom, giver AI en ny klasse af anvendelige biologiske data.
  • Climate Corporations opkøb for 1,1 milliarder USD illustrerer et årtis overhyping af fejlbehæftede eksterne datastrategier.

Med få års mellemrum får landbrugsteknologien en ny påstået mirakelløsning. I 2013 var fortællingen, at big data ville forandre landbrugsdriften — Monsantos køb af The Climate Corporation for 1,1 milliarder dollar skulle indlede en ny æra med prædiktivt landbrug. Nogle år senere skulle AI-drevne drivhuse skabe en anden grøn revolution. Derefter kom løfterne om robothøst, generative AI-agronomer og nu agentbaseret AI, som angiveligt vil træffe selvstændige beslutninger på vegne af landmænd verden over.

Mønstret burde være velkendt: hver bølge af overdrevne forventninger bygger på den foregående, men ventureinvesteringerne i AgTech skuffer fortsat, og de gennemgribende resultater lader stadig vente på sig. Hvorfor? Ikke fordi ingeniørerne mangler talent, eller fordi videnskaben bag AI er fejlagtig. Problemet stikker dybere og ligger i selve de data, som landbrugets AI-systemer er afhængige af.

Indtil vi grundlæggende gentænker, hvilke data vi indsamler og hvordan, vil landbrugets AI-revolution forblive et evigt løfte frem for at blive virkelighed i nutiden.

Tre grunde til, at landbrugets AI bliver ved med at fejle

Landbrug er et af de mest ugunstige miljøer, man kan forestille sig for udvikling af AI. Udfordringerne er ikke små ingeniørproblemer, men strukturelle. Følgende forklarer, hvorfor de sædvanlige AI-metoder er så vanskelige at anvende på dette område:

Feedbacksløjfer følger biologiens tempo, ikke softwarens

Moderne AI-systemer er udformet til hurtige iterationer. En softwaremodel kan trænes igen på få timer, mens et lægemiddelforsøg tager år. Landbrug ligger tættere på det sidste. Norman Borlaugs innovation i 1970’erne, som blev anerkendt med Nobelprisen, handlede delvist om at forkorte planteforædlingscyklusserne fra én til to om året. De mest avancerede frøvirksomheder gennemfører i dag tre årlige cyklusser, hvilket stadig er ekstremt langsomt efter AI-målestok. Når referencedata om det faktiske resultat først kommer ved høsten, tager modelforbedringer år frem for korte udviklingssprint.

Landbrugets kompleksitet bryder med AI’s sædvanlige antagelser

Stil et tilsyneladende enkelt spørgsmål — hvor meget kvælstof skal denne mark have? — og antallet af variabler vokser hurtigt: jordens sammensætning, tidligere sædskifter, historik om sygdomsfremkaldende organismer, mikroklima, årtiers husdyrhold, evnen til at holde på vand, jordbearbejdning og snesevis af andre faktorer, der påvirker hinanden. Forskning i begrænsningerne ved AI’s ræsonnement viser, at modellernes nøjagtighed kollapser i miljøer med mange dimensioner. Landbruget er ikke blot højdimensionelt, men et af de områder med flest dimensioner, som mennesker nogensinde har forsøgt at modellere.

Hver gård er sit eget særtilfælde

I virkeligt landbrug findes der ingen sfærisk ko. Hver bedrift har sin egen kombination af teknologiadgang, syn på arbejde, kapitalbegrænsninger og risikovillighed. En model trænet på store bedrifter med rækkeafgrøder i det amerikanske Midtvesten vil fejle markant på en lille gård med alsidig produktion i det nordvestlige USA ved Stillehavet. Intet kan generaliseres problemfrit, og at udvikle til hvert særtilfælde øger antallet af dimensioner yderligere, indtil det bliver praktisk uoverkommeligt.

Svaret er bedre data, ikke flere data

Silicon Valleys instinkt over for de fleste vanskelige problemer er at tilføre mere regnekraft og flere data. I landbruget har det givet overraskende tal: en gennemsnitlig gård anslås nu at generere 500.000 datapunkter om dagen. Satellitter fotograferer hver mark på Jorden. Sensorer registrerer temperatur, luftfugtighed og jordfugtighed i detaljer.

Alligevel anerkender fagmiljøet for landbrugs-AI bredt, at der mangler data af høj kvalitet. Problemet er ikke mængden, men relevansen. Alle disse sensordata, satellitbilleder og rapporter fra jordprøver registrerer, hvad der sker omkring planten. Ingen af dem registrerer, hvad der sker inde i planten.

Forestil dig en Formel 1-ingeniør, som prøver at optimere omgangstiden udelukkende med GPS-sporingsdata. Hastighed, position og kørebane giver noget at arbejde med, men uden motortelemetri, sensorer til dækkenes temperatur og data om brændstofstrømmen vil modellen altid gætte på årsagssammenhænge. Eksterne landbrugsdata fungerer præcis sådan. De fortæller, hvilke forhold der findes i miljøet, men ikke hvordan afgrøden faktisk reagerer på dem.

Det forklarer nogle af landbrugets mest synlige AI-fiaskoer. Gro Intelligence rejste over 120 millioner dollar for at bygge verdens største lager af landbrugsklimadata, men lukkede til sidst. Flere eksterne data løser ikke det underliggende problem, uanset hvor præcist de indsamles: vi måler det forkerte.

Hvad det egentlig betyder at lytte til planten

Ny bioteknologi gør det nu for første gang muligt at få data direkte fra det indre af de planter, vi dyrker. Grundideen er at modificere afgrøder, så de signalerer deres egen indre biologiske tilstand. De formidler stress, infektion eller ressourcebehov gennem målbare signaler, frem for at tilstanden skal udledes af eksterne stedfortrædende indikatorer.

Tidligere i år gav en af disse metoder et historisk resultat: en sojaplante modificeret til fluorescerende signalering afslørede en svampeinfektion i realtid før nogen synlige symptomer opstod. Gennem landbrugets 10.000-årige historie har landmænd aldrig tidligere kunnet opdage sygdom på dette stadium. Plantens egen immunreaktion udløste signalet. Planten selv leverede dataene.

Det har betydning for landbrugets praktiske resultater. Tidligere sygdomsopdagelse gør tidligere indgriben mulig og mindsker tab og brug af kemiske indsatsmidler. Det er dog lige så vigtigt for landbrugs-AI, fordi det udgør en grundlæggende ny datakategori.

At udlede plantebiologi fra ydre forhold er en opgave, der i sig selv er støjfyldt, højdimensionel og følsom over for konfunderende faktorer. I stedet kan AI-systemer nu trænes på direkte målinger af plantefysiologi. Dimensionsproblemet bliver dramatisk mindre, og feedbacksløjfen kortere. Problemet med særtilfælde forsvinder ikke, men bliver mere håndterbart, når man arbejder med signaler fra planten selv frem for proxyvariabler i det omgivende miljø.

Et nyt dataparadigme for en ny æra med landbrugs-AI

Sammenligningen med udviklingen af selvkørende køretøjer er lærerig. Virksomheder som Waymo fik ikke succes ved at forsøge at træne deres modeller alene på eksisterende offentlige vejdata. De byggede egne sensoropstillinger og skabte enorme datamængder af høj kvalitet, som de selv indsamlede, og som registrerede præcis det, modellerne skulle lære. Datastrategien var lige så vigtig som modellens arkitektur.

Landbrugs-AI kræver en tilsvarende nytænkning. Vejen frem er ikke bedre modeller anvendt på eksisterende landbrugsdata. Disse datasæt er grundlæggende begrænset af, at de kun observerer afgrødens miljø, ikke selve afgrøden. Vejen frem er at skabe en ny datakategori med afsæt i faktisk plantebiologi og bygge AI-systemer, der er udformet til at lære af den.

Sådanne data — kontinuerlig biologisk telemetri fra afgrøder i de centrale landbrugsområder gennem hele vækstsæsonen — findes endnu ikke i stor skala. Men teknologierne til at skabe dem bliver virkelighed. Når dataene kommer, vil de muliggøre AI-modeller, som virkelig hjælper landmænd med komplekse beslutninger: ikke ved at bruge rå regnekraft på et støjfyldt hav af eksterne variabler, men ved at forstå næsten i realtid, hvad afgrøden selv har brug for.

Kvalitetskløften i landbrugets data har været diskuteret i årevis. Det nye er, at vi nu har et troværdigt svar, og det begynder med planterne selv.

Den virkelige vej til den næste grønne revolution

At brødføde 8 milliarder mennesker bæredygtigt, med yderligere 2 milliarder forventet frem mod 2050, og samtidig håndtere klimaforstyrrelser, omkostninger til indsatsmidler og vandmangel er en af dette århundredes afgørende udfordringer. Landbrugs-AI kan hjælpe med alle dele af udfordringen, men kun hvis den bygger på data, som faktisk afspejler, hvad der sker inde i de afgrøder, vi prøver at dyrke.

I mere end et årti har branchen forsøgt at løse problemet ved at samle flere eksterne data og tilføre mere regnekraft. Det har givet gradvise forbedringer, men ikke det gennembrud, sektoren har brug for. Det vil det heller ikke gøre, fordi det grundlæggende dataproblem fortsat er uløst.

Den næste grønne revolution vil ikke spire fra endnu en lovende modelarkitektur eller endnu en velfinansieret startup med en bedre kæde til behandling af satellitbilleder. Den begynder, når AI-systemer endelig kan høre, hvad afgrøden prøver at sige.

Dr. Christopher Seifert er chef for softwareproduktet i InnerPlant, hvor han leder virksomhedens data- og maskinlæringssystemer. Han kom til InnerPlant efter at have bygget produkter og platforme på næsten alle lag af landbrugsdatastakken, med erfaring fra satellitbaseret fjernmåling, geografisk analyse, landbrugssoftware og frø- og agronomidatainfrastruktur. Hans baggrund omfatter ledelsesroller i Granular og Corteva Agriscience, tidligere arbejde i Google og The Climate Corporation, samt forskningserfaring fra NASA og Stanford Program on Food Security and the Environment. Han var også medstifter og fungerede som administrerende direktør for AcreValue, en platform for vurdering af landbrugsjord, der blev opkøbt af Granular. Denne bredde giver ham en klar indsigt i, hvor landbrugs-AI har virket, hvor den har kæmpet for at levere i marken, og hvad det kræver for at køre pålidelige, produktionsklare systemer i landbrug. Han har en ph.d. i jord-systemvidenskab samt en master- og bachelorgrad i jord-systemer fra Stanford University.

Chip Franzén er softwareingeniør hos InnerPlant, hvor han designer og bygger virksomhedens data- og maskinlæringspipelines til landbrugsbaserede sensoranvendelser med fokus på IoT, computersyn og fjernmåling. Før InnerPlant brugte han flere år på at anvende maskinlæring i landbruget hos blandt andre Granular og Indigo. Han arbejdede med jordværdiansættelse, identifikation af arealdække ved hjælp af computersyn, rumlige datapipelines og MLOps til fjernmålingsbaserede agronomiske modeller og inferens-API’er. Hos InnerPlant bruger han sin full-stack-erfaring til at omsætte komplekse biologiske og geospatiale signaler til pålidelige, produktionsklare resultater, som teams kan bruge i reelle arbejdsgange. Han har en BA fra Duke University og en M.Sc. i datavidenskab fra Galvanize.