Miksi maatalouden data-ongelma on tekoälyongelma — ja mitä kasvit voivat siihen tehdä

Jokaisen vuosikymmenen aikana maatalousalan teknologia saa uuden hopealuoden. Vuonna 2013 tarina oli suuren datan muuttaminen maatalousjohtamiseksi — Monsanto:n 1,1 miljardin dollarin ostaminen The Climate Corporationilta oli tarkoitus merkitä uuden aikakauden alkua ennustettavalle maataloudelle. Muutamia vuosia myöhemmin tekoälykäytössä olevat kasvihuoneet olisivat toimittaneet toisen vihreän vallankumouksen. Sitten tuli lupaavaa uutta robottiavustusta, sitten generatiivista tekoälyä maataloudelle ja nyt agenteille tekoälylle, joka tekee päätöksiä itsenäisesti maanviljelijöiden puolesta ympäri maailmaa.

Malli pitäisi olla tuttu: jokainen aalto hypeä rakentuu edellisen päälle, mutta AgTech-venture-rahastus jatkaa pettymystä, ja muuntuvat tulokset ovat edelleen häviäviä. Miksi? Ei siksi, että insinöörit eivät ole lahjakkaita, tai siksi, että perustavanlaatuinen tekoälytiede on viallinen. Ongelma on syvempi kuin se, mihin maatalousjärjestelmien tekoäly perustuu.

Kunnes me perustavasti mietimme, mitä dataa keräämme ja miten keräämme sen, maatalousalan tekoälyvallankumous pysyy lupaavana lupauksena eikä nykyisyyden todellisuutena.

Kolme syytä, miksi maatalouden tekoäly epäonnistuu

Maatalous on yksi inhottavimmista ympäristöistä, jotka voidaan kuvitella tekoälykehityksestä. Haasteet eivät ole vähäisiä tekniikkahaasteita — ne ovat rakenteellisia. Tässä on, mitä tekee tämän alueen niin vastustuskykyiseksi tavalliselle tekoälyohjelmalle:

Palautusilmat, jotka liikkuvat biologian nopeudella, ei ohjelmistolla.

Modernit tekoälyjärjestelmät on suunniteltu nopean iteroinnin ympärille. Ohjelmistomalli voidaan kouluttaa uudelleen muutamassa tunnissa; lääkekoekäynti kestää vuosia. Maatalous on lähempänä jälkimmäistä. Norman Borlaugin Nobel-palkittu innovaatio 1970-luvulla oli osittain viljelyn kasvukausien tiivistämistä kerran kahdesti vuodessa. Nykyään kehittyneimmät siemenyhtiöt hallitsevat kolme kierrosta vuodessa; edelleen hitaasti tekoälystandardien mukaan. Kun perusTotuus saapuu sadonkorjuun kanssa, mallin parantamisajat venyvät vuosien yli, ei sprinteissä.

Maatalouden monimutkaisuus rikkoaa tekoälyn tavalliset oletukset

Kysy yksinkertainen kysymys — kuinka paljon typpeä tämän kentän pitäisi saada? — ja muuttujat lisääntyvät nopeasti: maan koostumus, edelliset viljelykierrät, patogeenihistoria, mikroilmasto, karjan historia kymmenien vuosien takaa, veden pidätys, kylvötekniikat ja kymmenet muut vuorovaikutuksessa olevat tekijät. Tutkimus tekoälyllisistä rajoituksista osoittaa, että mallin tarkkuus romahtaa korkean ulottuvuuden ympäristössä. Maatalous ei ole vain korkean ulottuvuuden; se on yksi korkeimmista ulottuvuuksista, joita ihmiset ovat koskaan yrittäneet mallintaa.

Jokainen maatila on oma reunatapaus.

Ei ole spherical cow oikeassa maataloudessa. Jokaisella toiminnalla on oma yhdistelmänsä teknologian saatavuudesta, työfilosofiasta, pääomarajoituksista ja riskin toleranssista. Malli, joka on koulutettu suurten Midwestin riviviljelyoperaatioiden kanssa, epäonnistuu spektakulaaristi, kun sitä sovelletaan pienelle monipuoliseen maatilalle Tyynenmeren luoteisrannikolla. Mitään ei yleisty puhdasti, ja reunatapauksen rakentaminen työntää ulottuvuutta entistä vaikeampaan alueeseen.

Enemmän dataa ei ole vastaus — parempi data on

Piilaakson vaisto kaikkeen vaikeaan ongelmaan on heittää enemmän laskentaa ja enemmän dataa niihin. Maataloudessa tuo vaisto on tuottanut joitakin hämmästyttäviä lukuja: keskivertomaatila tuottaa nyt arviolta 500 000 dataa päivässä. Satelliitit kuvaavat jokaista kenttää maapallolla. Anturit kirjaavat lämpötilaa, kosteutta ja maan kosteutta yksityiskohtaisesti.

Ja silti, maatalousalan tekoäly-yhteisö tunnustaa laajasti datan laadun puutteen. Ongelma ei ole määrä. Se on merkitys. Kaikki se anturidata, kaikki satelliittikuvat, kaikki maaperäntutkimusraportit — ne kaikki havaitsevat, mitä tapahtuu ympärillä kasvia. Mikään niistä ei havaitse, mitä tapahtuu sisisesti kasvissa.

Otetaan esimerkki Formula 1 -kilpa-autojen suunnittelijasta, joka yrittää optimoida kierrosaikaa vain GPS-seurannan avulla. Nopeus, sijainti ja reitti antavat sinulle jotain työskenneltävää, mutta ilman moottorin telemetriaa, renkaan lämpöantureita ja polttoaineen virtausta mallisi on aina arvaamassa syy-seuraussuhteesta. Ulkoinen maatalousdata on sama. Se kertoo, mitkä olosuhteet vallitsevat ympäristössä, mutta se ei kerro, miten viljely vastaa näihin olosuhteisiin.

Tämä selittää joitakin maatalouden näkyvimmistä tekoälyepäonnistumista. Gro Intelligence keräsi yli 120 miljoonaa dollaria rakentamalla maailman suurimman maatalousilmastodatan varastoa ja lopulta sulki ovensa. Enemmän ulkoista dataa, olkoon se kuinka tarkkaa, ei ratkaise perusongelmaa: mitä me mitataan, on väärä asia.

Mitä se todella tarkoittaa kuunnella kasvia

Uudet bioteknologiat tekevät nyt mahdolliseksi saada dataa suoraan kasveista, joita kasvatamme. Perusidea on suunnitella kasveja, jotka signaaloi omia sisäisiä biologisia tiloja — viestittäen stressiä, infektiota tai resurssitarpeita mitattavissa olevien tulosteiden kautta eikä edellyttäisi johtamista ulkoisista viitekehystä.

Aikaisemmin tänä vuonna yksi näistä lähestymistavoista tuotti aidosti historiallisen tuloksen — soijapapu, jossa on suunniteltu fluoresoivaa signaalia paljasti sienitartunnan reaaliajassa ennen kuin mitkään näkyvät oireet ilmestyivät kasvissa. 10 000 vuoden ajan maanviljelijät eivät ole pystyneet havaitsemaan tautia tuossa vaiheessa. Kasvin oma immuunivaste laukaisi signaalin. Kasvi itse tarjosi datan.

Tämä on merkittävää käytännön maatalouden tuloksia. Aikaisempi tautien havaitseminen mahdollistaa aikaisemman puuttumisen, vähentäen menetyksiä ja kemikaalisyötteitä. Mutta se on yhtä tärkeää maatalousalan tekoälylle, koska se edustaa perustavanlaatuista uutta dataluokkaa.

Sen sijaan, että yritettäisiin johtaa kasvibiologiaa ulkoisista olosuhteista — tehtävä, joka on luonnostaan meluisa, korkean ulottuvuuden ja altis sekaannuksiin — tekoälyjärjestelmät voivat nyt kouluttaa suoraan kasvin fysiologian mittauksista. Ulottuvuuden ongelma kutistuu dramaattisesti. Palautusilma tiivistyy. Reunatapausongelma ei katoa, mutta se tulee hallitummaksi, kun työskentelet signaaleilla, jotka kasvi itse lähettää eikä vain ympäristön muuttujilla.

Uusi datamalli uudelle aikakaudelle maatalousalan tekoälyssä

Vertailu autonomisten ajoneuvojen kehitykseen on opettavainen. Yritykset kuten Waymo eivät onnistuneet yrittämällä kouluttaa mallejaan olemassa oleviin julkisiin tietäkohtaisiin tietoihin. He rakensivat omat anturiryhmänsä ja loivat massiivisia, laadukkaita, ensimmäisen puolenvälistä tietoja, jotka sisälsivät täsmälleen sen, mitä heidän mallinsa tarvitsivat oppia. Datapolitiikka oli yhtä tärkeä kuin mallin arkkitehtuuri.

Maatalousalan tekoäly tarvitsee samanlaista uudelleenajattelua. Etenevä tie ei ole parempia malleja sovellettuna olemassa oleviin maatalousdatatietoihin. Nämä datatiedot ovat perustavanlaatuinen rajoitus siinä, että ne havaitsevat vain kasvin ympäristöä, eivät itse kasvia. Etenevä tie on luominen uuden dataluokan, joka perustuu todelliseen kasvibiologiaan, ja rakentaminen tekoälyjärjestelmistä, jotka on suunniteltu oppimaan siitä.

Tällaista dataa — jatkuva, koko kauden biologinen telemetria kasveista maatalousalueella — ei ole olemassa vielä laajassa mittakaavassa. Mutta teknologiat sen luomiseksi ovat tulossa todeksi. Kun se data saapuu, se mahdollistaa tekoälymallit, jotka voivat aidosti auttaa maanviljelijöitä navigoimaan monimutkaisissa päätöksissä: ei pakottamalla läpi meluisan meren ulkoisia muuttujia, vaan ymmärtämällä lähes reaaliajassa, mitä itse kasvi tarvitsee.

Maatalouden datan laadun kuilu on ollut keskustelun aiheena vuosia. Mitä on muuttunut, on, että meillä on nyt uskottava vastaus siihen, ja se alkaa kasveista itsestään.

Todellinen polku seuraavaan vihreään vallankumoukseen

Ruokkia 8 miljardia ihmistä kestävästi — ja lisäksi 2 miljardia odottaa vuoteen 2050 mennessä — hallitsemalla ilmastonmuutosta, kustannuksia ja veden niukkuutta on yksi tämän vuosisadan määrittävistä haasteista. Maatalousalan tekoälyllä on potentiaalia auttaa jokaisessa osassa tätä haastetta. Mutta vain, jos se on rakennettu datan varaan, joka heijastaa, mitä tapahtuu kasveissa, joita yritämme kasvattaa.

Yli kymmenen vuoden ajan alan on yritetty ratkaista ongelmaa keräämällä enemmän ulkoista dataa ja heittämällä enemmän laskentaa siihen. Tällainen lähestymistapa on tuottanut askelittaisia voittoja, mutta se ei ole toimittanut läpimurtoa, jota ala tarvitsee. Se ei tee sitä — koska perusdatongelma on edelleen ratkaisematta.

Seuraava vihreä vallankumous ei ole peräisin toisesta lupaavasta mallirakenteesta tai toisesta hyvin rahoitetusta startupista, jolla on parempi satelliittikuvausputki. Se alkaa, kun tekoälyjärjestelmät voivat vihdoin kuulla, mitä kasvi yrittää sanoa.