Γιατί το πρόβλημα δεδομένων της γεωργίας είναι ένα πρόβλημα της τεχνητής νοημοσύνης — και τι μπορούν να κάνουν τα φυτά γι’ αυτό

Κάθε λίγα χρόνια, ο τομέας της γεωργικής τεχνολογίας παίρνει ένα νέο ασημένιο βέλος. Το 2013, η αφήγηση ήταν η μεγάλη δεδομένων που μεταμορφώνει τη διαχείριση της γεωργίας — η απόκτηση της The Climate Corporation από τη Monsanto για 1,1 δισεκατομμύριο δολάρια ήταν υποτιθέμενο να σηματοδοτήσει μια νέα εποχή προβλέψιμης γεωργίας. Λίγα χρόνια αργότερα, οι θερμοκήπιοι που διευθύνονται από την τεχνητή νοημοσύνη θα έφερναν μια δεύτερη Πράσινη Επανάσταση. Στη συνέχεια ήρθε η υπόσχεση της ρομποτικής συγκομιδής, στη συνέχεια οι αγρονόμοι της γενετικής τεχνητής νοημοσύνης και τώρα η τεχνητή νοημοσύνη που θα λάβει αποφάσεις αυτονομamente για λογαριασμό των γεωργών παγκοσμίως.

Το μοτίβο πρέπει να είναι οικείο: κάθε κύμα υπερβολής χτίζει πάνω στο προηγούμενο, ωστόσο η επένδυση της AgTech συνεχίζει να απογοητεύει, και τα μεταμορφωτικά αποτελέσματα παραμένουν απρόσιτα. Γιατί; Όχι επειδή οι μηχανικοί δεν είναι ταλαντούχοι, ή επειδή η υποκείμενη επιστήμη της τεχνητής νοημοσύνης είναι ελαττωματική. Το πρόβλημα εκτείνεται σε βάθος στο ίδιο το δεδομένο που εξαρτώνται τα συστήματα της γεωργικής τεχνητής νοημοσύνης.

Μέχρι να ξανασκεφτούμε θεμελιωδώς τι δεδομένα συλλέγουμε και πώς τα συλλέγουμε, η επανάσταση της γεωργικής τεχνητής νοημοσύνης θα παραμείνει μια διαρκής υπόσχεση 而不是 μια παρούσα πραγματικότητα.

Τρεις λόγοι για τους οποίους η γεωργική τεχνητή νοημοσύνη συνεχίζει να αποτυγχάνει

Η γεωργία είναι ένας από τους πιο εχθρικούς περιβάλλοντες που μπορεί να φανταστεί κανείς για την ανάπτυξη της τεχνητής νοημοσύνης. Οι προκλήσεις δεν είναι ελαφρά προβλήματα μηχανικής — είναι δομικές. Εδώ είναι τι κάνει αυτό το domaine τόσο ανθεκτικό στο συνηθισμένο playbook της τεχνητής νοημοσύνης:

Βρόχοι ανατροφοδότησης που κινούνται με το ρυθμό της βιολογίας, όχι του λογισμικού.

Τα σύγχρονα συστήματα της τεχνητής νοημοσύνης σχεδιάζονται γύρω από τη γρήγορη επανάληψη. Ένα μοντέλο λογισμικού μπορεί να επαναποφθεί σε λίγες ώρες. Ένα φαρμακευτικό πείραμα διαρκεί χρόνια. Η γεωργία βρίσκεται πιο κοντά στο δεύτερο. Η καινοτομία του Νόρμαν Μπορλάουγκ, που αναγνωρίστηκε με το βραβείο Νόμπελ το 1970, ήταν εν μέρει σχετικά με τη συμπίεση των κύκλων καλλιέργειας από μία σε δύο φορές το χρόνο. Σήμερα, οι πιο προηγμένες εταιρείες σπόρων διαχειρίζονται τρεις κύκλους ετησίως. Όμως, αυτό είναι ακόμα πολύ αργό για τα standards της τεχνητής νοημοσύνης. Όταν η αλήθεια σας έρχεται με τη συγκομιδή, οι χρονοδιαγράμματα βελτίωσης του μοντέλου εκτείνεται σε χρόνια, όχι σε σπριντ.

Η γεωργική πολυπλοκότητα σπάει τις συνήθεις υποθέσεις της τεχνητής νοημοσύνης

Ρωτήστε μια φαινομενικά απλή ερώτηση — πόσο άζωτο πρέπει να λάβει αυτό το πεδίο; — και οι μεταβλητές πολλαπλασιάζονται γρήγορα: σύσταση του εδάφους, προηγούμενες περιστροφές καλλιέργειας, ιστορία παθογόνων, μικροκλίμα, ιστορία ζωικού κεφαλαίου που χρονολογείται δεκαετίες, διατήρηση νερού, πρακτικές καλλιέργειας και δεκάδες άλλων αλληλεπιδρώντων παραγόντων. Η έρευνα για τις περιορισμοί της τεχνητής νοημοσύνης δείχνει ότι η ακρίβεια του μοντέλου καταρρέει σε περιβάλλοντα υψηλής διάστασης. Η γεωργία δεν είναι μόνο υψηλής διάστασης. Είναι ένα από τα υψηλότερα περιβάλλοντα που οι άνθρωποι έχουν προσπαθήσει να μοντελοποιήσουν.

Κάθε φάρμα είναι η δική της περίπτωση.

Δεν υπάρχει σφαιρική αγελάδα στη πραγματική γεωργία. Κάθε επιχείρηση έχει τη δική της συνδυασμένη τεχνολογία, φιλοσοφία εργασίας, περιορισμούς κεφαλαίου και ανεκτικότητα κινδύνου. Ένα μοντέλο που εκπαιδεύτηκε σε μεγάλες επιχειρήσεις καλλιέργειας στο Μιντγουέστ θα αποτύχει θεαματικά όταν εφαρμοστεί σε μια μικρή ποικιλόμορφη φάρμα στο Pacific Northwest. Τίποτα δεν γενικεύεται καθαρό, και η κατασκευή για κάθε περίπτωση οδηγεί την πολυπλοκότητα ακόμα περισσότερο σε ακατάλληλο έδαφος.

Περισσότερα δεδομένα δεν είναι η απάντηση — Καλύτερα δεδομένα είναι

Η αντίδραση του Σιλικόνης Valley για τα meisten δύσκολα προβλήματα είναι να ρίχνουν περισσότερη υπολογιστική ισχύ και περισσότερα δεδομένα. Στη γεωργία, αυτή η αντίδραση έχει παράγει κάποια εκπληκτικά νούμερα: η μέση φάρμα παράγει τώρα περίπου 500.000 σημεία δεδομένων την ημέρα. Οι δορυφόροι εικόνισαν κάθε πεδίο στη γη. Οι αισθητήρες καταγράφουν τη θερμοκρασία, την υγρασία και τη δυσκολία του εδάφους με λεπτομέρεια.

Και όμως, η κοινότητα της γεωργικής τεχνητής νοημοσύνης αναγνωρίζει ευρέως ένα έλλειμμα ποιότητας δεδομένων. Το πρόβλημα δεν είναι ο όγκος. Είναι η σχετικότητα. Όλα αυτά τα δεδομένα αισθητήρων, όλες αυτές οι εικόνες δορυφόρων, όλες αυτές οι αναφορές εδάφους — καταγράφουν τι συμβαίνει γύρω από το φυτό. Κανένα από αυτά δεν καταγράφει τι συμβαίνει μέσα στο φυτό.

Σκεφτείτε την αναλογία ενός μηχανικού αγώνων Formula 1 που προσπαθεί να βελτιώσει τον χρόνο γύρου χρησιμοποιώντας μόνο δεδομένα GPS. Η ταχύτητα, η θέση και η τροχιά σας δίνουν κάτι να δουλέψετε, αλλά χωρίς τηλεμετρία του κινητήρα, αισθητήρες θερμοκρασίας ελαστικών και δεδομένα ροής καυσίμου, το μοντέλο σας θα είναι πάντα στοχαστικό σχετικά με την αιτία. Τα εξωτερικά γεωργικά δεδομένα είναι ακριβώς το ίδιο. Λένε τι συνθήκες υπάρχουν στο περιβάλλον, αλλά δεν μπορούν να πουν πώς το φυτό ανταποκρίνεται πραγματικά σε αυτές τις συνθήκες.

Αυτό εξηγεί κάποιες από τις πιο ορατές αποτυχίες της γεωργικής τεχνητής νοημοσύνης. Gro Intelligence raised πάνω από 120 εκατομμύρια δολάρια για την κατασκευή του μεγαλύτερου αποθετηρίου γεωργικών κλιματικών δεδομένων και τελικά έκλεισε. Περισσότερα εξωτερικά δεδομένα, ωστόσο ακριβώς συλλεγμένα, δεν λύνουν το υποκείμενο πρόβλημα: μετράμε το λάθος πράγμα.

Τι σημαίνει πραγματικά να ακούτε το φυτό

Νέα βιοτεχνολογίες κάνουν τώρα δυνατό, για πρώτη φορά, να λάβετε δεδομένα απευθείας από τα φυτά που καλλιεργούμε. Η βασική ιδέα είναι να κατασκευάσουμε φυτά που στέλνουν τα δικά τους εσωτερικά βιολογικά στάδια — επικοινωνώντας तनίσεις, μόλυνση ή ανάγκες πόρων μέσω μετρήσιμων εξόδων αντί να απαιτούν εικασία από εξωτερικούςproxies.

Νωρίτερα αυτό το χρόνο, μια από αυτές τις προσεγγίσεις παρήγαγε ένα πραγματικά ιστορικό αποτέλεσμα — ένα φυτό σόγιας με σήμανση φθορισμού αποκάλυψε μια μυκητιακή μόλυνση σε πραγματικό χρόνο πριν από οποιαδήποτε ορατή συμπτώματα εμφανιστούν στο φυτό. Σε 10.000 χρόνια γεωργίας, οι γεωργοί δεν είχαν ποτέ τη δυνατότητα να ανιχνεύσουν ασθένεια σε αυτό το στάδιο. Η ανοσοαπόκριση του φυτού εύθυνε το σήμα. Το φυτό ίδιο παρείχε τα δεδομένα.

Αυτό έχει σημασία για πρακτικά γεωργικά αποτελέσματα. Η πρώιμη ανίχνευση ασθένειας επιτρέπει πρώιμη παρέμβαση, μειώνοντας τις απώλειες και τις χημικές εισροές. Αλλά έχει σημασία εξίσου για τη γεωργική τεχνητή νοημοσύνη, επειδή αντιπροσωπεύει μια θεμελιωδώς νέα κατηγορία δεδομένων.

Αντί να προσπαθήσουμε να εικαστούμε τη βιολογία του φυτού από εξωτερικές συνθήκες — μια εργασία που είναι εγγενώς θορυβώδης, υψηλής διάστασης και ευάλωτη σε παραπλανητικές παραμέτρους — τα συστήματα της τεχνητής νοημοσύνης μπορούν τώρα να εκπαιδευτούν σε άμεσες μετρήσεις της φυσιολογίας του φυτού. Το πρόβλημα της διάστασης συρρικνώνεται δραματικά. Ο βρόχος ανατροφοδότησης στενεύει. Το πρόβλημα της περίπτωσης δεν εξαφανίζεται, αλλά γίνεται πιο εφικτό όταν εργάζεστε με σήματα που το φυτό ίδιο εκπέμπει αντί για μεταβλητές proxys στο περιβάλλον.

Ένας νέος παραδείγματος δεδομένων για μια νέα εποχή της γεωργικής τεχνητής νοημοσύνης

Η σύγκριση με την ανάπτυξη των αυτονομικών οχημάτων είναι εύστοχη. Εταιρείες όπως η Waymo δεν κατόρθωσαν να εκπαιδεύσουν τα μοντέλα τους με τα υπάρχοντα δημόσια δεδομένα οδών μόνο. Κτίζουν ιδιωτικά συστοιχίες αισθητήρων και παράγουν τεράστια, υψηλής ποιότητας, πρωτογενή σύνολα δεδομένων που κατέγραψαν ακριβώς τι χρειάζονταν τα μοντέλα τους να μάθουν. Η στρατηγική δεδομένων ήταν εξίσου σημαντική με την αρχιτεκτονική του μοντέλου.

Η γεωργική τεχνητή νοημοσύνη χρειάζεται μια παρόμοια ανασκόπηση. Ο δρόμος προς τα εμπρός δεν είναι καλύτερα μοντέλα που εφαρμόζονται σε υπάρχοντα γεωργικά σύνολα δεδομένων. Αυτά τα σύνολα δεδομένων είναι θεμελιωδώς περιορισμένα από το γεγονός ότι παρατηρούν μόνο το περιβάλλον του φυτού, όχι το φυτό ίδιο. Ο δρόμος προς τα εμπρός είναι η δημιουργία μιας νέας κατηγορίας δεδομένων, εδραιωμένης στην πραγματική βιολογία του φυτού, και η κατασκευή συστημάτων της τεχνητής νοημοσύνης που σχεδιάζονται για να μάθουν από αυτά.

Εκείνα τα δεδομένα — συνεχής, εποχική βιολογική τηλεμετρία από φυτά σε όλη τη γεωργική καρδιά — δεν υπάρχουν ακόμα σε κλίμακα. Αλλά οι τεχνολογίες για να τα παράγουν γίνονται πραγματικές. Όταν αυτά τα δεδομένα φτάσουν, θα κάνουν δυνατά τα είδη των μοντέλων της τεχνητής νοημοσύνης που μπορούν πραγματικά να βοηθήσουν τους γεωργούς να πλοηγηθούν σε σύνθετες αποφάσεις: όχι με το να βιαστούν μέσα από ένα θορυβώδες πέλαγος εξωτερικών μεταβλητών, αλλά με το να κατανοούν, σε κάτι κοντά στο πραγματικό χρόνο, τι χρειάζεται πραγματικά το φυτό.

Το κενό ποιότητας δεδομένων στη γεωργία έχει συζητηθεί για χρόνια. Τι έχει αλλάξει είναι ότι τώρα έχουμε μια πιστευτή απάντηση σε αυτό, και αρχίζει με τα φυτά ίδια.

Ο πραγματικός δρόμος για την επόμενη Πράσινη Επανάσταση

Η διατροφή 8 δισεκατομμυρίων ανθρώπων με βιωσιμότητα — με άλλα 2 δισεκατομμύρια αναμενόμενα μέχρι το 2050 — ενώ διαχειριζόμαστε την κλιματική διαταραχή, το κόστος εισροών και την έλλειψη νερού είναι μια από τις μεγαλύτερες προκλήσεις του αιώνα. Η γεωργική τεχνητή νοημοσύνη έχει το δυναμικό να βοηθήσει σε κάθε μέρος αυτής της πρόκλησης. Αλλά μόνο αν είναι κατασκευασμένη σε δεδομένα που πραγματικά αντανακλούν τι συμβαίνει μέσα στα φυτά που προσπαθούμε να καλλιεργήσουμε.

Για περισσότερο από μια δεκαετία, η βιομηχανία προσπαθεί να λύσει αυτό το πρόβλημα συλλέγοντας περισσότερα εξωτερικά δεδομένα και ρίχνοντας περισσότερη υπολογιστική ισχύ. Αυτή η προσέγγιση έχει παραγάγει μερικά τακτικά κέρδη, αλλά δεν έχει παραδώσει το прорывτικό που χρειάζεται ο τομέας. Δεν θα το κάνει — επειδή το θεμελιώδες πρόβλημα δεδομένων παραμένει ανα حلθέν.

Η επόμενη Πράσινη Επανάσταση δεν θα ξεκινήσει από μια άλλη υποσχόμενη αρχιτεκτονική μοντέλου ή μια άλλη καλά χρηματοδοτούμενη εταιρεία με μια καλύτερη πηγή εικόνων δορυφόρων. Θα αρχίσει όταν τα συστήματα της τεχνητής νοημοσύνης θα μπορέσουν τελικά να ακούσουν τι προσπαθεί να πει το φυτό.