कृषि के डेटा समस्या एक एआई समस्या है — और पौधे इसके बारे में क्या कर सकते हैं

हर कुछ वर्षों में, कृषि प्रौद्योगिकी क्षेत्र को एक नया चांदी की गोली मिलती है। 2013 में, कथा बड़े डेटा द्वारा फार्म प्रबंधन को बदलने के बारे में थी — मॉन्सेंटो का द क्लाइमेट कॉर्पोरेशन का $1.1 बिलियन अधिग्रहण एक नए युग के भविष्यसूचक फार्मिंग की घोषणा करने वाला था। कुछ वर्षों बाद, एआई-संचालित ग्रीनहाउस एक दूसरे ग्रीन क्रांति को वितरित करने वाले थे। फिर रोबोटिक हार्वेस्टिंग का वादा आया, फिर जनरेटिव एआई कृषि विशेषज्ञ, और अब एआई जो कथित तौर पर दुनिया भर के किसानों के लिए स्वतंत्र रूप से निर्णय लेगा।

पैटर्न परिचित होना चाहिए: प्रत्येक हYPE लहर पिछले एक पर बनती है, फिर भी AgTech वेंचर निवेश निराशाजनक रहता है, और परिवर्तनकारी परिणाम दूर रहते हैं। क्यों? न केवल इसलिए कि इंजीनियर प्रतिभाशाली नहीं हैं, या इसलिए कि अंतर्निहित एआई विज्ञान दोषपूर्ण है। समस्या डेटा के बहुत ही मूल में है जिस पर कृषि एआई प्रणाली निर्भर करती है।

जब तक हम मूल रूप से यह नहीं सोचते कि हम कौन सा डेटा इकट्ठा करते हैं और हम इसे कैसे इकट्ठा करते हैं, कृषि एआई क्रांति एक निरंतर वादा बनी रहेगी और वास्तविकता नहीं होगी।

कृषि एआई की विफलता के तीन कारण

कृषि एक ऐसा वातावरण है जो एआई के विकास के लिए कल्पना करने योग्य है। चुनौतियाँ छोटी इंजीनियरिंग समस्याएं नहीं हैं — वे संरचनात्मक हैं। यहाँ क्या इस डोमेन को इतना प्रतिरोधी बनाता है:

बायोलॉजी की गति से चलने वाले फीडबैक लूप, सॉफ्टवेयर की नहीं。

आधुनिक एआई प्रणाली तेजी से पुनरावृत्ति के आसपास डिज़ाइन की गई हैं। एक सॉफ्टवेयर मॉडल को कुछ घंटों में पुनः प्रशिक्षित किया जा सकता है; एक दवा परीक्षण वर्षों लेता है। खेती बाद वाले के करीब बैठती है। नॉर्मन बोरलॉग की 1970 के दशक में नोबेल-मान्यता प्राप्त नवाचार फसल प्रजनन चक्रों को एक से दो बार प्रति वर्ष संपीड़ित करने के बारे में था। आज की सबसे उन्नत बीज कंपनियां तीन चक्र प्रति वर्ष प्रबंधित करती हैं; अभी भी एआई मानकों द्वारा बहुत धीमी। जब आपका ग्राउंड ट्रुथ फसल के साथ आता है, तो मॉडल सुधार समयरेखा वर्षों में फैली हुई है, न कि स्प्रिंट में।

कृषि जटिलता एआई के सामान्य धारणाओं को तोड़ती है

एक सरल प्रश्न पूछें — इस फील्ड को कितना नाइट्रोजन मिलना चाहिए? — और परिवर्तनशीलता तेजी से गुणा हो जाती है: मिट्टी की संरचना, पिछली फसल रोटेशन, पैथोजन इतिहास, माइक्रोक्लाइमेट, जानवरों का इतिहास दशकों से, जल धारण, जुताई के तरीके, और कई अन्य बातचीत करने वाले कारक। एआई तर्क सीमाओं पर शोध दिखाता है कि मॉडल की सटीकता उच्च-आयामी वातावरण में ढह जाती है। खेती न केवल उच्च-आयामी है; यह मानवों द्वारा मॉडल किए जाने वाले उच्चतम-आयामी डोमेन में से एक है।

प्रत्येक फार्म अपना खुद का एज केस है।

वास्तविक कृषि में कोई गोलाकार गाय नहीं है। प्रत्येक ऑपरेशन में अपनी तकनीकी पहुंच, श्रम दर्शन, पूंजी प्रतिबंध, और जोखिम सहनशीलता का संयोजन है। एक मॉडल जो बड़े मिडवेस्ट रो क्रॉप ऑपरेशन पर प्रशिक्षित है, वह एक छोटे से विविध फार्म पर लागू होने पर असाधारण रूप से विफल हो जाएगा। कुछ भी साफ़ नहीं होता है, और प्रत्येक एज केस के लिए निर्माण करने से आयामी समस्या और अधिक कठिन हो जाती है।

अधिक डेटा उत्तर नहीं है — बेहतर डेटा है

सिलिकॉन वैली का अधिकांश कठिन समस्याओं के लिए एक प्रवृत्ति है — उन पर अधिक कंप्यूट और अधिक डेटा फेंकना। कृषि में, उस प्रवृत्ति ने कुछ आश्चर्यजनक संख्याएं पैदा की हैं: औसत फार्म अब प्रतिदिन लगभग 500,000 डेटा पॉइंट उत्पन्न करता है। उपग्रह प्रत्येक फील्ड की छवि लेते हैं। सेंसर तापमान, आर्द्रता, और मिट्टी की नमी को विस्तृत विवरण में लॉग करते हैं।

और फिर भी, कृषि एआई समुदाय व्यापक रूप से एक गुणवत्ता डेटा घाटे को स्वीकार करता है। समस्या मात्रा नहीं है। यह प्रासंगिकता है। सभी सेंसर डेटा, सभी उपग्रह छवियां, सभी मिट्टी के परीक्षण रिपोर्ट — वे बताते हैं कि पौधे के आसपास क्या हो रहा है। उनमें से कोई भी यह नहीं बताता कि पौधे के अंदर क्या हो रहा है।

एक फॉर्मूला 1 रेस इंजीनियर की कल्पना करें जो लैप समय को अनुकूलित करने के लिए केवल जीपीएस ट्रैकिंग डेटा का उपयोग कर रहा है। गति, स्थिति, और ट्रैक्ट्री आपको कुछ देते हैं, लेकिन इंजन टेलीमेट्री, टायर तापमान सेंसर, और ईंधन प्रवाह डेटा के बिना, आपका मॉडल हमेशा कारण के बारे में अनुमान लगा रहा होगा। बाहरी कृषि डेटा ठीक ऐसा ही है। यह बताता है कि पर्यावरण में क्या परिस्थितियाँ हैं, लेकिन यह नहीं बता सकता कि फसल वास्तव में उन परिस्थितियों का जवाब कैसे दे रही है।

यह कृषि की सबसे दिखाई देने वाली एआई विफलताओं को समझाता है। ग्रो इंटेलिजेंस ने कृषि जलवायु डेटा के सबसे बड़े भंडार का निर्माण करके $120 मिलियन से अधिक जुटाया और अंततः बंद हो गया। अधिक बाहरी डेटा, चाहे कितनी भी सटीकता से एकत्र किया गया हो, अंतर्निहित समस्या का समाधान नहीं करता है: हम गलत चीज़ को माप रहे हैं।

पौधे को सुनने का वास्तविक अर्थ

नई जैव प्रौद्योगिकियां अब यह संभव बना रही हैं कि फसलों से सीधे डेटा प्राप्त किया जा सके। मूल विचार फसलों को इंजीनियर करना है जो अपने आंतरिक जैविक राज्यों को संकेत देते हैं — तनाव, संक्रमण, या संसाधन आवश्यकताओं के माध्यम से मापने योग्य आउटपुट के माध्यम से संचार करते हैं, न कि बाहरी प्रॉक्सी से अनुमान लगाने की आवश्यकता है।

इस साल की शुरुआत में, इन दृष्टिकोणों में से एक ने वास्तव में एक ऐतिहासिक परिणाम उत्पन्न किया — एक सोयाबीन पौधे में इंजीनियर फ्लोरोसेंट सिग्नलिंग एक फंगल संक्रमण का पता लगाया पौधे पर दिखाई देने वाले किसी भी दृश्य लक्षणों से पहले वास्तविक समय में। 10,000 वर्षों की कृषि में, किसानों को कभी भी इस स्तर पर बीमारी का पता नहीं लगा पाया है। पौधे की अपनी प्रतिरक्षा प्रतिक्रिया ने संकेत को ट्रिगर किया। पौधे ने स्वयं डेटा प्रदान किया।

यह व्यावहारिक खेती के परिणामों के लिए महत्वपूर्ण है। पहले रोग का पता लगाना पहले हस्तक्षेप को सक्षम बनाता है, नुकसान और रासायनिक इनपुट को कम करता है। लेकिन यह कृषि एआई के लिए भी उतना ही महत्वपूर्ण है, क्योंकि यह डेटा की एक मूल रूप से नई श्रेणी का प्रतिनिधित्व करता है।

इसके बजाय पौधे की जीव विज्ञान को बाहरी परिस्थितियों से अनुमान लगाने की कोशिश करने के, एआई प्रणाली अब सीधे पौधे के शरीर विज्ञान के मापदंडों पर प्रशिक्षित हो सकती हैं। आयामी समस्या नाटकीय रूप से सिकुड़ जाती है। फीडबैक लूप सिकुड़ जाता है। एज केस समस्या गायब नहीं हो जाती, लेकिन यह अधिक प्रबंधनीय हो जाती है जब आप पौधे द्वारा उत्पन्न संकेतों के साथ काम कर रहे होते हैं, न कि पर्यावरण में परोक्ष переменों के साथ।

एक नए युग के कृषि एआई के लिए एक नई डेटा दृष्टिकोण

स्वायत्त वाहन विकास की तुलना सिखाने वाली है। कंपनियों जैसे वेमो ने केवल मौजूदा सार्वजनिक सड़क डेटा पर अपने मॉडल को प्रशिक्षित करने की कोशिश करके सफल नहीं हुए। उन्होंने स्वामित्व वाले सेंसर सरणियों का निर्माण किया और विशाल, उच्च-गुणवत्ता वाले प्रथम-पार्टी डेटासेट उत्पन्न किए जो ठीक वही थे जो उनके मॉडल को सीखने की आवश्यकता थी। डेटा रणनीति मॉडल वास्तुकला के रूप में महत्वपूर्ण थी।

कृषि एआई को एक समान पुनर्विचार की आवश्यकता है। आगे का मार्ग मौजूदा कृषि डेटासेट पर बेहतर मॉडल लागू करना नहीं है। वे डेटासेट इस तथ्य से मूल रूप से सीमित हैं कि वे केवल फसल के वातावरण को देखते हैं, फसल को नहीं। आगे का मार्ग एक नए डेटा वर्ग का निर्माण करना है, जो वास्तविक पौधे की जीव विज्ञान में आधारित है, और एआई प्रणाली बनाना है जो इसे सीखने के लिए डिज़ाइन की गई है।

उस तरह का डेटा — पूरे कृषि हृदयभूमि में फसलों से निरंतर, मौसम-लंबी जैविक टेलीमेट्री — अभी तक बड़े पैमाने पर मौजूद नहीं है। लेकिन इसे उत्पन्न करने वाली प्रौद्योगिकियां वास्तविक हो रही हैं। जब वह डेटा आता है, तो यह उन एआई मॉडलों को संभव बना देगा जो वास्तव में किसानों को जटिल निर्णयों का मार्गदर्शन करने में मदद कर सकते हैं: बाहरी परिवर्तनीयों के शोर से भरे समुद्र में ब्रूट-फोर्सिंग के माध्यम से, बल्कि फसल को वास्तव में क्या चाहिए, यह समझने के लिए लगभग वास्तविक समय में।
कृषि में डेटा गुणवत्ता अंतर की चर्चा वर्षों से की जा रही है। जो बदल गया है वह यह है कि हमारे पास अब इसका एक विश्वसनीय उत्तर है, और यह पौधों के साथ शुरू होता है।

अगली ग्रीन क्रांति के लिए वास्तविक मार्ग

8 अरब लोगों को 2050 तक और दो अरब लोगों के साथ टिकाऊ रूप से खिलाना — जलवायु विकार, इनपुट लागत, और जल की कमी के साथ प्रबंधन करना — यह शताब्दी की सबसे बड़ी चुनौतियों में से एक है। कृषि एआई इस चुनौती के हर हिस्से में मदद करने की क्षमता रखता है। लेकिन केवल तभी जब यह डेटा पर बनाया गया हो जो वास्तव में फसलों के अंदर क्या हो रहा है, इसका प्रतिनिधित्व करता है।

एक दशक से अधिक समय से, उद्योग ने इस समस्या का समाधान करने की कोशिश की है — अधिक बाहरी डेटा एकत्र करके और इस पर अधिक कंप्यूट लगाकर। यह दृष्टिकोण ने कुछ अनुक्रमिक जीत दिलाई है, लेकिन यह उस तरह का ब्रेकथ्रू नहीं दिया है जो क्षेत्र को चाहिए। यह नहीं देगा — क्योंकि मूल डेटा समस्या अभी भी हल नहीं हुई है।

अगली ग्रीन क्रांति किसी अन्य वादा करने वाले मॉडल आर्किटेक्चर या किसी बेहतर उपग्रह इमेजिंग पाइपलाइन के साथ एक और अच्छी तरह से वित्तपोषित स्टार्टअप द्वारा नहीं होगी। यह तब शुरू होगा जब एआई प्रणाली अंततः पौधे को सुनने में सक्षम हो जाएगी कि वह क्या कहने की कोशिश कर रहा है।