Ηγέτες σκέψης
Γιατί το πρόβλημα δεδομένων της γεωργίας είναι πρόβλημα ΤΝ — και πώς μπορούν να βοηθήσουν τα φυτά

Βασικά σημείαΗ γεωργική Τεχνητή Νοημοσύνη αποτυγχάνει επειδή βασίζεται σε εξωτερικά περιβαλλοντικά…
Δείτε περισσότερα
- Η γεωργική Τεχνητή Νοημοσύνη αποτυγχάνει επειδή βασίζεται σε εξωτερικά περιβαλλοντικά δεδομένα αντί για άμεσα βιολογικά σήματα των φυτών.
- Τα φυτά που μηχανικούνται ώστε να εκπέμπουν σήματα για εσωτερικές καταστάσεις, όπως ασθένειες, προσφέρουν στην ΤΝ μια νέα κατηγορία δράσιμων βιολογικών δεδομένων.
- Η εξαγορά της Climate Corporation αξίας 1,1 δισεκατομμυρίου δολαρίων αποτελεί χαρακτηριστικό παράδειγμα μιας δεκαετίας υπερβολικής προβολής για ελαττωματικές στρατηγικές εξωτερικών δεδομένων.
Κάθε λίγα χρόνια, στον κλάδο της γεωργικής τεχνολογίας εμφανίζεται μια νέα υποτιθέμενη πανάκεια. Το 2013, η κυρίαρχη αφήγηση ήταν ότι τα μεγάλα δεδομένα θα μεταμόρφωναν τη διαχείριση των αγροκτημάτων — η εξαγορά της The Climate Corporation από τη Monsanto έναντι 1,1 δισ. δολαρίων υποτίθεται ότι θα εγκαινίαζε μια νέα εποχή προγνωστικής γεωργίας. Λίγα χρόνια αργότερα, τα θερμοκήπια με τεχνητή νοημοσύνη θα έφερναν μια δεύτερη Πράσινη Επανάσταση. Ακολούθησαν οι υποσχέσεις για ρομποτική συγκομιδή, για γεωπόνους βασισμένους σε παραγωγική ΤΝ και, τώρα, για ΤΝ με αυτόνομους πράκτορες που υποτίθεται ότι θα αποφασίζουν ανεξάρτητα για λογαριασμό των αγροτών παγκοσμίως.
Το μοτίβο θα έπρεπε να είναι γνώριμο: κάθε κύμα υπερβολικού ενθουσιασμού στηρίζεται στο προηγούμενο, αλλά οι επενδύσεις επιχειρηματικών κεφαλαίων στην AgTech συνεχίζουν να απογοητεύουν, ενώ τα μετασχηματιστικά αποτελέσματα παραμένουν άπιαστα. Γιατί; Όχι επειδή οι μηχανικοί στερούνται ταλέντου ή επειδή η επιστήμη πίσω από την ΤΝ είναι ελαττωματική. Το πρόβλημα βρίσκεται βαθύτερα, στα ίδια τα δεδομένα από τα οποία εξαρτώνται τα συστήματα γεωργικής ΤΝ.
Αν δεν επανεξετάσουμε ριζικά ποια δεδομένα συλλέγουμε και πώς, η επανάσταση της γεωργικής ΤΝ θα παραμένει μια διαρκής υπόσχεση αντί για σημερινή πραγματικότητα.
Τρεις λόγοι για τους οποίους η γεωργική ΤΝ συνεχίζει να αποτυγχάνει
Η γεωργία είναι ένα από τα πιο αφιλόξενα περιβάλλοντα που μπορεί να φανταστεί κανείς για την ανάπτυξη ΤΝ. Οι προκλήσεις δεν είναι ασήμαντα προβλήματα μηχανικής, αλλά διαρθρωτικές. Ακολουθούν οι λόγοι για τους οποίους οι συνήθεις μέθοδοι της ΤΝ εφαρμόζονται τόσο δύσκολα σε αυτόν τον τομέα:
Βρόχοι ανατροφοδότησης στον ρυθμό της βιολογίας, όχι του λογισμικού
Τα σύγχρονα συστήματα ΤΝ σχεδιάζονται για ταχείες επαναλήψεις. Ένα μοντέλο λογισμικού μπορεί να επανεκπαιδευτεί σε ώρες, ενώ μια δοκιμή φαρμάκου διαρκεί χρόνια. Η γεωργία βρίσκεται πιο κοντά στη δεύτερη περίπτωση. Η καινοτομία του Νόρμαν Μπόρλαουγκ τη δεκαετία του 1970, που αναγνωρίστηκε με το Νόμπελ, αφορούσε εν μέρει τη συντόμευση των κύκλων βελτίωσης φυτικών ποικιλιών από έναν σε δύο ετησίως. Σήμερα, οι πιο προηγμένες εταιρείες σπόρων επιτυγχάνουν τρεις κύκλους τον χρόνο, ρυθμός ακόμη εξαιρετικά αργός για τα δεδομένα της ΤΝ. Όταν τα πραγματικά δεδομένα αναφοράς γίνονται διαθέσιμα μόνο στη συγκομιδή, η βελτίωση των μοντέλων απαιτεί χρόνια και όχι σύντομους κύκλους ανάπτυξης.
Η πολυπλοκότητα της γεωργίας ανατρέπει τις συνήθεις παραδοχές της ΤΝ
Αρκεί μια φαινομενικά απλή ερώτηση — πόσο άζωτο πρέπει να δοθεί σε αυτό το χωράφι; — και οι μεταβλητές πολλαπλασιάζονται γρήγορα: σύσταση εδάφους, προηγούμενες αμειψισπορές, ιστορικό παθογόνων, μικροκλίμα, ιστορικό κτηνοτροφίας δεκαετιών, συγκράτηση νερού, πρακτικές κατεργασίας του εδάφους και δεκάδες άλλοι παράγοντες που αλληλεπιδρούν. Η έρευνα για τους περιορισμούς της συλλογιστικής της ΤΝ δείχνει ότι η ακρίβεια των μοντέλων καταρρέει σε περιβάλλοντα υψηλής διαστατικότητας. Η γεωργία δεν είναι απλώς πολυδιάστατη: είναι ένας από τους τομείς με τις περισσότερες διαστάσεις που προσπάθησε ποτέ να μοντελοποιήσει ο άνθρωπος.
Κάθε αγρόκτημα αποτελεί ξεχωριστή οριακή περίπτωση
Στην πραγματική γεωργία δεν υπάρχει σφαιρική αγελάδα. Κάθε εκμετάλλευση έχει τον δικό της συνδυασμό πρόσβασης στην τεχνολογία, φιλοσοφίας εργασίας, κεφαλαιακών περιορισμών και ανοχής στον κίνδυνο. Ένα μοντέλο εκπαιδευμένο σε μεγάλες εκμεταλλεύσεις με καλλιέργειες σε σειρές στις Μεσοδυτικές ΗΠΑ θα αποτύχει παταγωδώς σε ένα μικρό αγρόκτημα διαφοροποιημένης παραγωγής στις βορειοδυτικές ΗΠΑ, στην ακτή του Ειρηνικού. Τίποτε δεν γενικεύεται χωρίς δυσκολίες, ενώ η κάλυψη κάθε οριακής περίπτωσης αυξάνει ακόμη περισσότερο τη διαστατικότητα, μέχρι να καταστεί πρακτικά ανεφάρμοστη.
Η απάντηση είναι καλύτερα δεδομένα, όχι περισσότερα
Η ενστικτώδης αντίδραση της Silicon Valley στα περισσότερα δύσκολα προβλήματα είναι να προσθέτει υπολογιστική ισχύ και δεδομένα. Στη γεωργία, αυτή η προσέγγιση έχει δώσει εντυπωσιακούς αριθμούς: εκτιμάται ότι το μέσο αγρόκτημα παράγει πλέον 500.000 σημεία δεδομένων την ημέρα. Οι δορυφόροι φωτογραφίζουν κάθε χωράφι στη Γη. Οι αισθητήρες καταγράφουν λεπτομερώς τη θερμοκρασία, την υγρασία του αέρα και την υγρασία του εδάφους.
Και όμως, η κοινότητα της γεωργικής ΤΝ αναγνωρίζει ευρέως την έλλειψη ποιοτικών δεδομένων. Το πρόβλημα δεν είναι ο όγκος, αλλά η συνάφεια. Όλα αυτά τα δεδομένα αισθητήρων, οι δορυφορικές εικόνες και οι αναφορές αναλύσεων του εδάφους καταγράφουν όσα συμβαίνουν γύρω από το φυτό. Κανένα δεν καταγράφει όσα συμβαίνουν μέσα στο φυτό.
Σκεφτείτε έναν μηχανικό αγώνων Formula 1 που προσπαθεί να βελτιστοποιήσει τον χρόνο γύρου χρησιμοποιώντας μόνο δεδομένα εντοπισμού GPS. Η ταχύτητα, η θέση και η τροχιά προσφέρουν μια βάση εργασίας, αλλά χωρίς τηλεμετρία κινητήρα, αισθητήρες θερμοκρασίας ελαστικών και δεδομένα ροής καυσίμου, το μοντέλο θα κάνει διαρκώς εικασίες για τις σχέσεις αιτίου και αποτελέσματος. Το ίδιο ακριβώς ισχύει για τα εξωτερικά γεωργικά δεδομένα. Μας λένε ποιες συνθήκες επικρατούν στο περιβάλλον, αλλά όχι πώς ανταποκρίνεται πραγματικά η καλλιέργεια σε αυτές.
Αυτό εξηγεί ορισμένες από τις πιο εμφανείς αποτυχίες της ΤΝ στη γεωργία. Η Gro Intelligence συγκέντρωσε πάνω από 120 εκατ. δολάρια για να δημιουργήσει το μεγαλύτερο αποθετήριο γεωργικών κλιματικών δεδομένων στον κόσμο και τελικά έκλεισε. Περισσότερα εξωτερικά δεδομένα, όσο ακριβώς κι αν συλλέγονται, δεν λύνουν το θεμελιώδες πρόβλημα: μετράμε το λάθος πράγμα.
Τι σημαίνει πραγματικά να ακούμε το φυτό
Νέες βιοτεχνολογίες επιτρέπουν τώρα, για πρώτη φορά, τη λήψη δεδομένων απευθείας από το εσωτερικό των φυτών που καλλιεργούμε. Η βασική ιδέα είναι η τροποποίηση των φυτών ώστε να σηματοδοτούν τις δικές τους εσωτερικές βιολογικές καταστάσεις. Έτσι, επικοινωνούν καταπόνηση, μόλυνση ή ανάγκες πόρων μέσω μετρήσιμων σημάτων, αντί να απαιτούνται συμπεράσματα από εξωτερικούς υποκατάστατους δείκτες.
Νωρίτερα φέτος, μία από αυτές τις προσεγγίσεις έδωσε ένα ιστορικό αποτέλεσμα: ένα φυτό σόγιας τροποποιημένο ώστε να εκπέμπει φθορίζοντα σήματα αποκάλυψε μυκητιακή μόλυνση σε πραγματικό χρόνο πριν εμφανιστεί οποιοδήποτε ορατό σύμπτωμα. Σε 10.000 χρόνια γεωργίας, οι αγρότες δεν είχαν ποτέ τη δυνατότητα να εντοπίσουν ασθένεια σε αυτό το στάδιο. Η ανοσολογική απόκριση του ίδιου του φυτού ενεργοποίησε το σήμα. Το ίδιο το φυτό παρείχε τα δεδομένα.
Αυτό έχει σημασία για τα πρακτικά αποτελέσματα της καλλιέργειας. Η πρωιμότερη ανίχνευση ασθενειών επιτρέπει πρωιμότερη παρέμβαση, μειώνοντας τις απώλειες και τις χημικές εισροές. Είναι όμως εξίσου σημαντικό για τη γεωργική ΤΝ, επειδή αποτελεί μια θεμελιωδώς νέα κατηγορία δεδομένων.
Η συναγωγή συμπερασμάτων για τη βιολογία του φυτού από εξωτερικές συνθήκες είναι μια εγγενώς θορυβώδης εργασία, υψηλής διαστατικότητας και ευάλωτη σε συγχυτικούς παράγοντες. Αντί γι’ αυτό, τα συστήματα ΤΝ μπορούν τώρα να εκπαιδεύονται σε άμεσες μετρήσεις της φυτικής φυσιολογίας. Το πρόβλημα της διαστατικότητας περιορίζεται δραστικά και ο βρόχος ανατροφοδότησης συντομεύει. Οι οριακές περιπτώσεις δεν εξαφανίζονται, αλλά γίνονται πιο διαχειρίσιμες όταν χρησιμοποιούμε σήματα που εκπέμπει το ίδιο το φυτό, αντί για υποκατάστατες μεταβλητές του περιβάλλοντος.
Ένα νέο παράδειγμα δεδομένων για μια νέα εποχή γεωργικής ΤΝ
Η σύγκριση με την ανάπτυξη αυτόνομων οχημάτων είναι διδακτική. Εταιρείες όπως η Waymo δεν πέτυχαν προσπαθώντας να εκπαιδεύσουν τα μοντέλα τους μόνο στα υπάρχοντα δημόσια δεδομένα δρόμων. Κατασκεύασαν δικές τους συστοιχίες αισθητήρων και παρήγαγαν τεράστια, ποιοτικά σύνολα δεδομένων που συνέλεξαν οι ίδιες, αποτυπώνοντας ακριβώς όσα έπρεπε να μάθουν τα μοντέλα τους. Η στρατηγική δεδομένων ήταν εξίσου σημαντική με την αρχιτεκτονική του μοντέλου.
Η γεωργική ΤΝ χρειάζεται παρόμοια επανεξέταση. Η λύση δεν είναι καλύτερα μοντέλα πάνω στα υπάρχοντα γεωργικά δεδομένα. Αυτά τα σύνολα περιορίζονται θεμελιωδώς επειδή παρατηρούν μόνο το περιβάλλον της καλλιέργειας, όχι την ίδια την καλλιέργεια. Χρειάζεται μια νέα κατηγορία δεδομένων, βασισμένη στην πραγματική βιολογία των φυτών, και συστήματα ΤΝ σχεδιασμένα να μαθαίνουν από αυτήν.
Τέτοια δεδομένα — συνεχής βιολογική τηλεμετρία από καλλιέργειες στις βασικές γεωργικές περιοχές, σε ολόκληρη την καλλιεργητική περίοδο — δεν υπάρχουν ακόμη σε μεγάλη κλίμακα. Οι τεχνολογίες για την παραγωγή τους, όμως, γίνονται πραγματικότητα. Όταν αυτά τα δεδομένα είναι διαθέσιμα, θα επιτρέψουν μοντέλα ΤΝ που πράγματι βοηθούν τους αγρότες σε σύνθετες αποφάσεις: όχι επεξεργαζόμενα με ωμή υπολογιστική ισχύ μια θορυβώδη θάλασσα εξωτερικών μεταβλητών, αλλά κατανοώντας σχεδόν σε πραγματικό χρόνο τι χρειάζεται η ίδια η καλλιέργεια.
Το χάσμα ποιότητας δεδομένων στη γεωργία συζητείται εδώ και χρόνια. Αυτό που άλλαξε είναι ότι πλέον έχουμε μια αξιόπιστη απάντηση, η οποία ξεκινά από τα ίδια τα φυτά.
Ο πραγματικός δρόμος προς την επόμενη Πράσινη Επανάσταση
Η βιώσιμη σίτιση 8 δισεκατομμυρίων ανθρώπων, με ακόμη 2 δισεκατομμύρια να αναμένονται έως το 2050, παράλληλα με τη διαχείριση των κλιματικών διαταραχών, του κόστους εισροών και της λειψυδρίας, είναι μια από τις καθοριστικές προκλήσεις του αιώνα. Η γεωργική ΤΝ μπορεί να βοηθήσει σε κάθε πλευρά της, αλλά μόνο αν βασίζεται σε δεδομένα που αντανακλούν πραγματικά όσα συμβαίνουν μέσα στα φυτά που προσπαθούμε να καλλιεργήσουμε.
Για πάνω από μία δεκαετία, ο κλάδος επιχειρεί να λύσει το πρόβλημα συσσωρεύοντας εξωτερικά δεδομένα και προσθέτοντας υπολογιστική ισχύ. Η προσέγγιση αυτή απέφερε σταδιακά οφέλη, όχι όμως την τομή που χρειάζεται ο τομέας. Ούτε θα την επιφέρει, επειδή το θεμελιώδες πρόβλημα δεδομένων παραμένει άλυτο.
Η επόμενη Πράσινη Επανάσταση δεν θα γεννηθεί από ακόμη μία υποσχόμενη αρχιτεκτονική μοντέλου ή μια ακόμη καλά χρηματοδοτούμενη νεοφυή επιχείρηση με καλύτερη αλυσίδα επεξεργασίας δορυφορικών εικόνων. Θα αρχίσει όταν τα συστήματα ΤΝ μπορέσουν επιτέλους να ακούσουν τι προσπαθεί να πει η καλλιέργεια.













