विचार नेता
कृषि की डेटा समस्या एआई की समस्या क्यों है — और पौधे इसे सुलझाने में कैसे मदद कर सकते हैं

मुख्य बिंदुकृषि क्षेत्र में एआई इसलिए विफल होता है क्योंकि यह प्रत्यक्ष पादप जैविक संकेतों के बजाय…
और देखें
- कृषि क्षेत्र में एआई इसलिए विफल होता है क्योंकि यह प्रत्यक्ष पादप जैविक संकेतों के बजाय बाहरी पर्यावरणीय डेटा पर निर्भर करता है।
- जिन पौधों को रोग जैसी आंतरिक अवस्थाओं का संकेत देने के लिए अभियांत्रिक किया गया है, वे एआई को क्रियान्वयन योग्य जैविक डेटा की एक नई श्रेणी प्रदान करते हैं।
- क्लाइमेट कॉर्पोरेशन का 1.1 अरब डॉलर का अधिग्रहण दोषपूर्ण बाहरी डेटा रणनीतियों पर एक दशक से चल रहे प्रचार का उदाहरण है।
हर कुछ वर्षों में कृषि प्रौद्योगिकी क्षेत्र को एक नया कथित रामबाण समाधान मिलता है। 2013 में चर्चा थी कि बिग डेटा कृषि प्रबंधन को बदल देगा — Monsanto द्वारा The Climate Corporation को 1.1 अरब डॉलर में खरीदने से पूर्वानुमान-आधारित खेती के नए युग की शुरुआत होनी थी। कुछ वर्ष बाद, एआई-संचालित ग्रीनहाउस से दूसरी हरित क्रांति लाने की उम्मीद थी। फिर रोबोट से कटाई का वादा आया, उसके बाद जनरेटिव एआई पर आधारित आभासी कृषि विशेषज्ञ, और अब एजेंटिक एआई, जिसके बारे में दावा है कि वह दुनिया भर के किसानों की ओर से स्वतंत्र निर्णय लेगा।
यह सिलसिला परिचित होना चाहिए: प्रचार की हर लहर पिछली लहर पर खड़ी होती है, फिर भी AgTech में वेंचर निवेश लगातार निराश कर रहा है और बदलावकारी नतीजे अब भी हासिल नहीं हो रहे। क्यों? इसलिए नहीं कि इंजीनियर प्रतिभाशाली नहीं हैं या एआई का आधारभूत विज्ञान दोषपूर्ण है। समस्या अधिक गहरी है और उस डेटा में है जिस पर कृषि एआई प्रणालियाँ निर्भर करती हैं।
जब तक हम मूल रूप से यह नहीं सोचेंगे कि कौन सा डेटा एकत्र करना है और कैसे करना है, कृषि एआई क्रांति आज की वास्तविकता बनने के बजाय हमेशा भविष्य का वादा बनी रहेगी।
कृषि एआई के बार-बार विफल होने के तीन कारण
एआई विकसित करने के लिए कृषि सबसे कठिन कल्पनीय परिवेशों में से एक है। चुनौतियाँ मामूली इंजीनियरिंग समस्याएँ नहीं, बल्कि संरचनात्मक हैं। निम्न बातें बताती हैं कि एआई विकसित करने के सामान्य तरीके इस क्षेत्र में क्यों कठिन साबित होते हैं:
फीडबैक चक्र जीवविज्ञान की गति से चलते हैं, सॉफ्टवेयर की गति से नहीं
आधुनिक एआई प्रणालियाँ तेजी से दोहराए जाने वाले विकास चक्रों के लिए बनाई जाती हैं। किसी सॉफ्टवेयर मॉडल को कुछ घंटों में दोबारा प्रशिक्षित किया जा सकता है; दवा का परीक्षण वर्षों लेता है। खेती दूसरे मामले के अधिक करीब है। 1970 के दशक में नॉर्मन बोरलॉग के जिस नवाचार को नोबेल पुरस्कार से मान्यता मिली, उसका एक हिस्सा फसल प्रजनन चक्र छोटा करके साल में एक के बजाय दो चक्र संभव बनाना था। आज सबसे उन्नत बीज कंपनियाँ साल में तीन चक्र पूरा करती हैं, जो एआई के मानकों से अब भी बेहद धीमा है। जब वास्तविक नतीजे बताने वाला संदर्भ डेटा कटाई के समय ही मिलता है, तो मॉडल में सुधार के लिए छोटे विकास स्प्रिंट के बजाय वर्षों का समय लगता है।
कृषि की जटिलता एआई की सामान्य मान्यताओं को तोड़ती है
सवाल देखने में सरल है: इस खेत को कितना नाइट्रोजन मिलना चाहिए? लेकिन चर तेजी से बढ़ते जाते हैं—मिट्टी की संरचना, पिछला फसल चक्र, रोगजनकों का इतिहास, सूक्ष्म जलवायु, दशकों पुराना पशुपालन का इतिहास, पानी रोकने की क्षमता, जुताई की पद्धतियाँ और एक-दूसरे को प्रभावित करने वाले दर्जनों अन्य कारक। एआई की तर्क क्षमता की सीमाओं पर शोध दिखाता है कि बहुत अधिक आयाम वाले परिवेशों में मॉडल की सटीकता ढह जाती है। कृषि केवल बहुआयामी नहीं है; यह सबसे अधिक आयाम वाले उन क्षेत्रों में से एक है जिनका मनुष्य ने कभी मॉडल बनाने की कोशिश की है।
हर फार्म अपने आप में एक अलग सीमांत मामला है
वास्तविक कृषि में कोई गोलाकार गाय नहीं होती। हर कृषि व्यवसाय में तकनीक की उपलब्धता, श्रम के प्रति दृष्टिकोण, पूँजी की सीमाओं और जोखिम सहने की क्षमता का अपना संयोजन होता है। अमेरिका के मिडवेस्ट में पंक्तियों में फसल उगाने वाले बड़े फार्मों पर प्रशिक्षित मॉडल, प्रशांत महासागर से लगे उत्तर-पश्चिमी अमेरिकी क्षेत्र के छोटे और विविध उत्पादन वाले फार्म पर बुरी तरह विफल होगा। किसी भी चीज का सामान्यीकरण सहज नहीं है। हर सीमांत मामले के लिए समाधान बनाने से आयामों की संख्या और बढ़कर व्यावहारिक रूप से असंभव स्तर पर पहुँच जाती है।
जवाब अधिक डेटा नहीं, बेहतर डेटा है
अधिकांश कठिन समस्याओं पर सिलिकॉन वैली की सहज प्रतिक्रिया अधिक कंप्यूटिंग शक्ति और डेटा लगाना होती है। कृषि में इस सोच से कुछ चौंकाने वाले आँकड़े सामने आए हैं: अनुमान है कि औसत फार्म अब प्रतिदिन 500,000 डेटा बिंदु उत्पन्न करता है। उपग्रह पृथ्वी के हर खेत की तस्वीर लेते हैं। सेंसर तापमान, हवा की आर्द्रता और मिट्टी की नमी का बारीक विवरण दर्ज करते हैं।
फिर भी, कृषि एआई समुदाय व्यापक रूप से अच्छी गुणवत्ता वाले डेटा की कमी स्वीकार करता है। समस्या मात्रा नहीं, प्रासंगिकता है। सेंसर का सारा डेटा, उपग्रह की सारी तस्वीरें और मिट्टी की जाँच की सारी रिपोर्टें बताती हैं कि क्या हो रहा है पौधे के आसपास। इनमें से कोई नहीं बताता कि क्या हो रहा है पौधे के भीतर।
एक फॉर्मूला 1 रेस इंजीनियर की कल्पना करें जो केवल GPS ट्रैकिंग डेटा से लैप टाइम बेहतर करने की कोशिश करता है। गति, स्थिति और रास्ता काम शुरू करने का आधार देते हैं, लेकिन इंजन टेलीमेट्री, टायर तापमान सेंसर और ईंधन प्रवाह डेटा के बिना मॉडल कारण-परिणाम के संबंधों का अनुमान ही लगाता रहेगा। बाहरी कृषि डेटा भी ऐसा ही है। वह बताता है कि पर्यावरण में क्या स्थितियाँ हैं, लेकिन यह नहीं बता सकता कि फसल वास्तव में उन स्थितियों पर कैसी प्रतिक्रिया दे रही है।
यह कृषि में एआई की कुछ सबसे स्पष्ट विफलताओं को समझाता है। Gro Intelligence ने दुनिया का सबसे बड़ा कृषि जलवायु डेटा भंडार बनाने के लिए 12 करोड़ डॉलर से अधिक जुटाए, लेकिन अंततः बंद हो गई। अधिक बाहरी डेटा, चाहे कितनी भी सटीकता से एकत्र हो, मूल समस्या हल नहीं करता: हम गलत चीज माप रहे हैं।
पौधे को सुनने का वास्तविक अर्थ
नई जैव प्रौद्योगिकियाँ अब पहली बार उगाई जा रही फसलों के भीतर से सीधे डेटा प्राप्त करना संभव बना रही हैं। मूल विचार पौधों को इस तरह संशोधित करना है कि वे अपनी आंतरिक जैविक स्थिति के संकेत दें। तनाव, संक्रमण या संसाधनों की जरूरत का पता बाहरी संकेतकों से अनुमान लगाकर करने के बजाय पौधे इन्हें मापे जा सकने वाले संकेतों से व्यक्त करें।
इस वर्ष की शुरुआत में एक ऐसे तरीके ने ऐतिहासिक परिणाम दिया: फ्लोरोसेंट संकेत देने के लिए संशोधित सोयाबीन के पौधे ने फफूँद संक्रमण को वास्तविक समय में उजागर किया जबकि पौधे पर कोई दिखाई देने वाला लक्षण अभी आया ही नहीं था। कृषि के 10,000 वर्षों में किसान इस चरण पर रोग का पता पहले कभी नहीं लगा सके थे। पौधे की अपनी प्रतिरक्षा प्रतिक्रिया ने संकेत को सक्रिय किया। डेटा स्वयं पौधे ने दिया।
यह खेती के व्यावहारिक नतीजों के लिए महत्वपूर्ण है। रोग जल्दी मिलने से जल्दी हस्तक्षेप किया जा सकता है, जिससे नुकसान और रासायनिक कृषि साधनों का उपयोग घटता है। लेकिन कृषि एआई के लिए भी यह उतना ही महत्वपूर्ण है, क्योंकि यह मूल रूप से नए प्रकार का डेटा है।
बाहरी परिस्थितियों से पौधों के जीवविज्ञान का अनुमान लगाना स्वभावतः शोर वाला, अधिक आयामों वाला और उलझाने वाले कारकों से प्रभावित होने वाला काम है। इसके बजाय अब एआई प्रणालियों को पौधों के शरीरक्रिया विज्ञान के सीधे मापों पर प्रशिक्षित किया जा सकता है। आयामों की समस्या काफी घटती है और फीडबैक चक्र छोटा होता है। सीमांत मामलों की समस्या खत्म नहीं होती, लेकिन आसपास के पर्यावरण के परोक्ष चरों के बजाय पौधे के स्वयं दिए संकेतों के साथ काम करने पर उसे सँभालना आसान हो जाता है।
कृषि एआई के नए युग के लिए डेटा का नया प्रतिमान
स्वायत्त वाहनों के विकास से तुलना उपयोगी है। Waymo जैसी कंपनियाँ केवल पहले से उपलब्ध सार्वजनिक सड़क डेटा पर मॉडल प्रशिक्षित करने की कोशिश करके सफल नहीं हुईं। उन्होंने अपने सेंसर समूह बनाए और स्वयं विशाल, अच्छी गुणवत्ता वाले डेटासेट जुटाए, जिनमें वही चीजें दर्ज थीं जो मॉडलों को सीखनी थीं। डेटा रणनीति मॉडल की संरचना जितनी ही महत्वपूर्ण थी।
कृषि एआई में भी इसी तरह पुनर्विचार जरूरी है। आगे का रास्ता मौजूदा कृषि डेटासेट पर बेहतर मॉडल लगाना नहीं है। इन डेटासेट की मूल सीमा यह है कि वे केवल फसल के पर्यावरण को देखते हैं, फसल को नहीं। रास्ता है पौधों के वास्तविक जीवविज्ञान पर आधारित नई श्रेणी का डेटा तैयार करना और उससे सीखने के लिए विशेष रूप से बनाई गई एआई प्रणालियाँ विकसित करना।
ऐसा डेटा—प्रमुख कृषि क्षेत्रों में फसलों से पूरे मौसम भर लगातार मिलने वाली जैविक टेलीमेट्री—अब तक बड़े पैमाने पर उपलब्ध नहीं है। लेकिन उसे तैयार करने वाली तकनीकें वास्तविकता बन रही हैं। जब यह डेटा मिलेगा, तो ऐसे एआई मॉडल संभव होंगे जो जटिल फैसले लेने में किसानों की सचमुच सहायता कर सकें। यह सहायता बाहरी चरों के शोर भरे समुद्र को केवल भारी कंप्यूटिंग शक्ति से छानने के बजाय, लगभग वास्तविक समय में यह समझने से मिलेगी कि फसल स्वयं क्या चाहती है।
कृषि में डेटा की गुणवत्ता के अंतर पर वर्षों से चर्चा हो रही है। बदलाव यह है कि अब हमारे पास इसका एक भरोसेमंद उत्तर है, और वह स्वयं पौधों से शुरू होता है।
अगली हरित क्रांति का वास्तविक रास्ता
8 अरब लोगों को टिकाऊ तरीके से भोजन उपलब्ध कराना, जिनमें 2050 तक 2 अरब और जुड़ने की उम्मीद है, साथ ही जलवायु में व्यवधान, कृषि साधनों की लागत और पानी की कमी से निपटना इस सदी की निर्णायक चुनौतियों में से एक है। कृषि एआई इसके हर हिस्से में मदद कर सकता है, लेकिन तभी जब वह ऐसे डेटा पर बना हो जो उगाई जा रही फसलों के भीतर हो रही घटनाओं को वास्तव में दर्शाए।
एक दशक से अधिक समय से उद्योग अधिक बाहरी डेटा जुटाकर और अधिक कंप्यूटिंग शक्ति लगाकर इस समस्या को हल करने की कोशिश करता रहा है। इससे धीरे-धीरे सुधार हुए हैं, लेकिन क्षेत्र को जिस बड़ी सफलता की जरूरत है, वह नहीं मिली। और मिलेगी भी नहीं, क्योंकि डेटा की मूल समस्या अब भी अनसुलझी है।
अगली हरित क्रांति किसी और आशाजनक मॉडल संरचना या बेहतर उपग्रह चित्र प्रसंस्करण प्रक्रिया वाले किसी और अच्छी तरह वित्तपोषित स्टार्टअप से शुरू नहीं होगी। वह तब शुरू होगी जब एआई प्रणालियाँ अंततः सुन पाएँगी कि फसल क्या कहना चाहती है।













