Ajatusjohtajat

Miksi maatalouden dataongelma on tekoälyongelma — ja mitä kasvit voivat tehdä sen ratkaisemiseksi

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatMaanviljelyn tekoäly epäonnistuu, koska se nojaa ulkoiseen ympäristötietoon suorien…
Näytä lisää
  • Maanviljelyn tekoäly epäonnistuu, koska se nojaa ulkoiseen ympäristötietoon suorien kasvien biologisten signaalien sijaan.
  • Kasveja muunnellaan niin, että ne signaloivat sisäisiä tilojaan, kuten sairastumista, tarjoten tekoälylle uudenlaisen toiminnallisen biologisen datan.
  • Climate Corporationin 1,1 miljardin dollarin yrityskauppa osoittaa vuosikymmenen kestäneen hype-villityksen viallisista ulkoisen datan strategioista.

Maatalousteknologian alalle ilmestyy muutaman vuoden välein uusi ihmelääke. Vuonna 2013 puhuttiin siitä, miten massadata mullistaa maatilojen johtamisen — Monsanton 1,1 miljardin dollarin yrityskaupan, jossa se osti The Climate Corporationin, piti aloittaa ennakoivan maatalouden uusi aikakausi. Muutamaa vuotta myöhemmin tekoälyohjattujen kasvihuoneiden piti tuoda toinen vihreä vallankumous. Sitten luvattiin robottien hoitavan sadonkorjuun, sen jälkeen generatiivisen tekoälyn toimivan agronomina ja nyt tekoälyagenttien tekevän muka itsenäisiä päätöksiä viljelijöiden puolesta kaikkialla maailmassa.

Kaavan pitäisi olla tuttu: jokainen hypen aalto rakentuu edellisen päälle, mutta maatalousteknologian pääomasijoitukset tuottavat yhä pettymyksiä, ja mullistavia tuloksia saadaan edelleen odottaa. Miksi? Ei siksi, että insinööreiltä puuttuisi osaamista tai tekoälyn taustalla oleva tiede olisi virheellistä. Ongelma ulottuu syvemmälle, itse dataan, josta maatalouden tekoälyjärjestelmät ovat riippuvaisia.

Ellemme ajattele perusteellisesti uudelleen, mitä dataa keräämme ja miten sitä keräämme, maatalouden tekoälyvallankumous jää ikuiseksi lupaukseksi sen sijaan, että se toteutuisi nyt.

Kolme syytä maatalouden tekoälyn jatkuviin epäonnistumisiin

Maatalous on tekoälyn kehittämiselle yksi vaikeimmista kuviteltavissa olevista ympäristöistä. Haasteet eivät ole vähäpätöisiä teknisiä pulmia, vaan rakenteellisia ongelmia. Seuraavat tekijät selittävät, miksi tekoälyn tavanomaiset toimintatavat sopivat alalle niin huonosti:

Palautesyklit etenevät biologian, eivät ohjelmistojen tahdissa.

Nykyaikaiset tekoälyjärjestelmät perustuvat nopeisiin kehityskierroksiin. Ohjelmistomallin voi kouluttaa uudelleen tunneissa, kun taas lääketutkimus kestää vuosia. Maatalous on lähempänä jälkimmäistä. Norman Borlaugin Nobel-palkinnolla tunnustetussa 1970-luvun innovaatiossa oli osittain kyse siitä, että kasvinjalostuksen kierroksia saatiin yhden sijasta kaksi vuodessa. Nykyiset edistyneimmät siemenyritykset yltävät kolmeen kierrokseen vuodessa, mikä on tekoälyn mittapuulla edelleen äärimmäisen hidasta. Kun mallin ennusteiden todentamiseen tarvittava havaintotieto saadaan vasta sadonkorjuussa, mallien parantaminen vie vuosia eikä lyhyitä kehityssprinttejä.

Maatalouden monimutkaisuus rikkoo tekoälyn tavanomaiset oletukset

Esitä näennäisen yksinkertainen kysymys — kuinka paljon typpeä tälle pellolle pitäisi antaa? — ja muuttujien määrä kasvaa nopeasti: maaperän koostumus, aiemmat viljelykierrot, taudinaiheuttajien esiintymishistoria, pienilmasto, vuosikymmenten taakse ulottuva karjatalouden historia, vedenpidätyskyky, maanmuokkauskäytännöt ja kymmenet muut toisiinsa vaikuttavat tekijät. Tekoälyn päättelyn rajoituksia käsittelevä tutkimus osoittaa, että mallien tarkkuus romahtaa moniulotteisissa ympäristöissä. Maatalous ei ole vain moniulotteinen ala, vaan yksi moniulotteisimmista kokonaisuuksista, joita ihminen on koskaan yrittänyt mallintaa.

Jokainen maatila on oma poikkeustapauksensa.

Todellisessa maataloudessa ei ole pallomaista lehmää. Jokaisella tilalla on oma yhdistelmänsä teknologian saatavuutta, työntekoa koskevia periaatteita, pääomarajoitteita ja riskinsietokykyä. Yhdysvaltain Keskilännen suurten riviviljelytilojen aineistolla koulutettu malli epäonnistuu pahasti, kun sitä sovelletaan pieneen, monipuolista tuotantoa harjoittavaan tilaan Tyynenmeren luoteisrannikolla. Mikään ei yleisty ongelmitta, ja jokaisen poikkeustapauksen huomioiminen kasvattaa ulottuvuuksien määrää entistä vaikeammin hallittavaksi.

Ratkaisu on parempi data, ei suurempi datamäärä

Piilaaksossa useimpia vaikeita ongelmia pyritään vaistonvaraisesti ratkaisemaan lisäämällä laskentatehoa ja dataa. Maataloudessa tämä on tuottanut hämmästyttäviä lukuja: keskimääräisen maatilan arvioidaan tuottavan nykyisin 500 000 datapistettä päivässä. Satelliitit kuvaavat maapallon jokaista peltoa. Anturit tallentavat lämpötilaa, ilmankosteutta ja maaperän kosteutta hyvin yksityiskohtaisesti.

Silti maatalouden tekoäly-yhteisössä tunnustetaan laajasti laadukkaan datan puute. Ongelma ei ole datan määrä vaan sen merkityksellisyys. Kaikki anturidata, satelliittikuvat ja maaperäanalyysien raportit kertovat siitä, mitä tapahtuu kasvin ympärillä. Mikään niistä ei kerro siitä, mitä tapahtuu kasvin sisällä.

Ajatellaan Formula 1 -kilpainsinööriä, joka yrittää optimoida kierrosaikaa pelkän GPS-seurantadatan avulla. Nopeus, sijainti ja ajolinja antavat jotakin työstettävää, mutta ilman moottorin telemetriaa, renkaiden lämpötila-antureita ja polttoaineen virtausdataa malli joutuu aina arvailemaan syy-seuraussuhteita. Ulkoinen maatalousdata toimii aivan samoin. Se kertoo ympäristön olosuhteista, mutta ei siitä, miten viljelykasvit niihin todellisuudessa reagoivat.

Tämä selittää joitakin maatalouden näkyvimmistä tekoälyepäonnistumisista. Gro Intelligence keräsi yli 120 miljoonaa dollaria rakentaakseen maailman suurimman maatalouden ilmastodatan tietovarannon, mutta lopulta lopetti toimintansa. Ulkoisen datan lisääminen ei ratkaise perusongelmaa, vaikka data kerättäisiin kuinka tarkasti: mittaamme väärää asiaa.

Mitä kasvin kuunteleminen todella tarkoittaa

Uudet bioteknologiat mahdollistavat nyt ensimmäistä kertaa datan saamisen suoraan viljelemiemme kasvien sisältä. Perusajatuksena on muokata kasveja niin, että ne ilmaisevat sisäisen biologisen tilansa. Ne viestivät stressistä, tartunnasta tai resurssitarpeista mitattavilla signaaleilla sen sijaan, että niiden tilaa pitäisi päätellä ulkoisten sijaismuuttujien perusteella.

Aiemmin tänä vuonna yksi näistä lähestymistavoista tuotti historiallisen tuloksen: fluoresoivaa signalointia varten muokattu soijakasvi paljasti sienitartunnan reaaliajassa ennen kuin kasvissa näkyi mitään oireita. Maatalouden 10 000-vuotisen historian aikana viljelijät eivät ole aiemmin voineet havaita tautia tässä vaiheessa. Kasvin oma immuunivaste laukaisi signaalin. Kasvi itse tuotti datan.

Tällä on merkitystä viljelyn käytännön tuloksille. Taudin varhaisempi havaitseminen mahdollistaa varhaisemman puuttumisen, mikä vähentää satotappioita ja kemiallisten tuotantopanosten käyttöä. Se on kuitenkin yhtä tärkeää maatalouden tekoälylle, sillä kyseessä on perustavanlaatuisesti uudenlainen data.

Kasvibiologian päättelemisen ulkoisista olosuhteista sijaan tekoälyjärjestelmiä voidaan nyt kouluttaa kasvien fysiologian suorilla mittauksilla. Ulkoisiin olosuhteisiin perustuva päättely sisältää väistämättä paljon kohinaa ja muuttujia sekä on altis sekoittaville tekijöille. Ulottuvuuksien määrän aiheuttama ongelma pienenee huomattavasti ja palautesykli lyhenee. Poikkeustapausten ongelma ei katoa, mutta sitä on helpompi käsitellä, kun käytössä ovat kasvin itsensä lähettämät signaalit ympäristön sijaismuuttujien sijaan.

Uusi dataparadigma maatalouden tekoälyn uudelle aikakaudelle

Vertaus autonomisten ajoneuvojen kehitykseen on valaiseva. Esimerkiksi Waymo ei menestynyt yrittämällä kouluttaa mallejaan pelkästään olemassa olevalla julkisella tieliikennedatalla. Tällaiset yritykset rakensivat omat anturikokonaisuutensa ja tuottivat valtavia, laadukkaita, itse kerättyjä aineistoja, jotka sisälsivät juuri sen, mitä mallien piti oppia. Datastrategia oli yhtä tärkeä kuin mallin arkkitehtuuri.

Maatalouden tekoäly tarvitsee samanlaista uudelleenajattelua. Tie eteenpäin ei ole parempien mallien soveltaminen nykyisiin maatalousaineistoihin. Näitä aineistoja rajoittaa perustavanlaatuisesti se, että ne havainnoivat vain kasvin ympäristöä, eivät itse kasvia. Eteenpäin päästään tuottamalla uudenlaista, todelliseen kasvibiologiaan perustuvaa dataa ja rakentamalla tekoälyjärjestelmiä, jotka on suunniteltu oppimaan siitä.

Tällaista dataa — jatkuvaa, koko kasvukauden kattavaa biologista telemetriaa laajojen maatalousalueiden viljelykasveista — ei vielä ole saatavilla suuressa mittakaavassa. Sen tuottamiseen tarvittavat teknologiat ovat kuitenkin muuttumassa todellisuudeksi. Kun tätä dataa saadaan, voidaan rakentaa tekoälymalleja, jotka todella auttavat viljelijöitä monimutkaisissa päätöksissä. Apu ei perustu ulkoisten muuttujien kohinaisen meren läpikäymiseen raa’alla laskentavoimalla, vaan sen ymmärtämiseen lähes reaaliajassa, mitä kasvi itse tarvitsee.

Maatalouden datan laatuvajeesta on keskusteltu vuosia. Muuttunut on se, että meillä on nyt uskottava vastaus ongelmaan, ja se alkaa kasveista itsestään.

Todellinen tie seuraavaan vihreään vallankumoukseen

Kahdeksan miljardin ihmisen sekä vuoteen 2050 mennessä odotettavien kahden miljardin lisäihmisen ruokkiminen kestävästi samalla kun hallitaan ilmaston häiriöitä, tuotantopanosten kustannuksia ja veden niukkuutta, on yksi tämän vuosisadan keskeisistä haasteista. Maatalouden tekoäly voi auttaa tämän haasteen jokaisessa osassa, mutta vain, jos se perustuu dataan, joka todella kuvaa viljelemiemme kasvien sisäisiä tapahtumia.

Ala on yli vuosikymmenen ajan yrittänyt ratkaista ongelmaa keräämällä lisää ulkoista dataa ja lisäämällä laskentatehoa. Tämä lähestymistapa on tuottanut vähittäisiä parannuksia, mutta ei alan tarvitsemaa läpimurtoa. Eikä se sitä tuotakaan, sillä datan perusongelma on yhä ratkaisematta.

Seuraava vihreä vallankumous ei saa alkuaan uudesta lupaavasta malliarkkitehtuurista tai hyvin rahoitetusta startupista, jolla on entistä parempi satelliittikuvien käsittelyketju. Se alkaa, kun tekoälyjärjestelmät viimein kuulevat, mitä kasvi yrittää sanoa.

Tohtori Christopher Seifert on InnerPlantin ohjelmistotuotepäällikkö ja johtaa yhtiön data- ja koneoppimisjärjestelmiä. Hän liittyi InnerPlantiin rakennettuaan tuotteita ja alustoja lähes jokaisella kerroksella maatalousdatan pinossa, ja saatuaan kokemusta satelliittikaukokartoituksesta, paikkatietoanalytiikasta, maatilojen hallintaohjelmistoista sekä siemen- ja agronomiadatan infrastruktuurista. Hänen taustaansa kuuluvat johtotehtävät Granularissa ja Corteva Agrisciencessä, aikaisemmat työt Googlella ja The Climate Corporationissa sekä tutkimuskokemus NASAssa ja Stanfordin yliopiston ruokaturvan ja ympäristön ohjelmassa. Hän oli myös AcreValuen yhteisperustaja ja toimitusjohtaja. AcreValue on maatalousmaan arvonmääritysalusta, jonka Granular osti. Tämä laajuus antaa hänelle selkeän näkymän siihen, missä maatalous-AI on toiminut, missä sillä on ollut vaikeuksia saavuttaa tuloksia maatalouden käytännön työssä ja mitä se vaatii luotettavien, tuotantokäyttöön tarkoitettujen järjestelmien pyörittämiseen maataloudessa. Hänellä on maapallon järjestelmätieteen tohtorin tutkinto sekä maapallon järjestelmien MS- ja BS-tutkinnot Stanfordin yliopistosta.

Chip Franzén on ohjelmistoinsinööri InnerPlant:ssä, jossa hän suunnittelee ja rakentaa yrityksen data- ja koneoppimisputkia maatalouden mittaussovelluksiin. Hänen painopisteitään ovat IoT, konenäkö ja kaukokartoitus. Ennen InnerPlantia hän sovelsi vuosien ajan koneoppimista maatalouteen esimerkiksi Granularilla ja Indigossa. Hän työskenteli maan arvonmäärityksen, konenäköön perustuvan maanpeitteen tunnistamisen, paikkatietoputkien sekä kaukokartoituspohjaisten agronomisten mallien ja päättelyrajapintojen MLOps-toimintojen parissa. InnerPlantissä hän hyödyntää full-stack-kokemustaan muuttaakseen monimutkaiset biologiset ja paikkatietosignaalit luotettaviksi, tuotantovalmiiksi tuloksiksi, joita tiimit voivat käyttää todellisissa työnkuluissa. Hänellä on BA-tutkinto Duken yliopistosta ja datatieteen M.Sc.-tutkinto Galvanizesta.