Perché il problema dei dati dell’agricoltura è un problema di intelligenza artificiale — E cosa le piante possono fare al riguardo

Ogni pochi anni, il settore dell’agricoltura tecnologica ottiene un nuovo proiettile d’argento. Nel 2013, la narrazione era i big data che trasformano la gestione agricola — l’acquisto da 1,1 miliardi di dollari di The Climate Corporation da parte di Monsanto doveva segnare l’inizio di una nuova era di agricoltura predittiva. Alcuni anni dopo, le serre alimentate dall’intelligenza artificiale avrebbero dovuto portare a una seconda Rivoluzione Verde. Poi arrivò la promessa della raccolta robotica, poi gli agronomi generativi dell’intelligenza artificiale e ora l’intelligenza artificiale agente che dovrebbe prendere decisioni in modo autonomo per conto degli agricoltori di tutto il mondo.

Il modello dovrebbe essere familiare: ogni ondata di iperbole si basa sulla precedente, eppure gli investimenti venture in AgTech continuano a deludere, e i risultati trasformativi rimangono elusivi. Perché? Non perché gli ingegneri non siano talentuosi, o perché la scienza sottostante dell’intelligenza artificiale sia difettosa. Il problema è più profondo e riguarda i dati stessi su cui si basano i sistemi di intelligenza artificiale agricola.

Fino a quando non ripenseremo radicalmente quali dati raccogliamo e come li raccogliamo, la rivoluzione dell’intelligenza artificiale agricola rimarrà una promessa perpetua piuttosto che una realtà presente.

Tre ragioni per cui l’intelligenza artificiale agricola continua a fallire

L’agricoltura è uno degli ambienti più inospiti immaginabili per lo sviluppo dell’intelligenza artificiale. Le sfide non sono problemi di ingegneria triviali — sono strutturali. Ecco cosa rende questo dominio così resistente al solito copione dell’intelligenza artificiale:

Cicli di feedback che si muovono alla velocità della biologia, non del software.

I moderni sistemi di intelligenza artificiale sono progettati intorno all’iterazione rapida. Un modello di software può essere riaddestrato in poche ore; un trial di un farmaco richiede anni. L’agricoltura si trova più vicina al secondo. L’innovazione di Norman Borlaug, riconosciuta con il Nobel, negli anni ’70, era in parte sulla compressione dei cicli di riproduzione delle colture da una volta a due volte all’anno. Oggi le aziende di semi più avanzate gestiscono tre cicli all’anno; ancora troppo lenti per gli standard dell’intelligenza artificiale. Quando la tua verità fondamentale arriva con il raccolto, i tempi di miglioramento del modello si estendono su anni, non su sprint.

La complessità agricola rompe le solite ipotesi dell’intelligenza artificiale

Chiedi una domanda apparentemente semplice — quanta azoto dovrebbe ricevere questo campo? — e le variabili si moltiplicano rapidamente: composizione del suolo, rotazioni delle colture precedenti, storia dei patogeni, microclima, storia del bestiame che risale a decenni fa, ritenzione dell’acqua, pratiche di lavorazione del suolo e decine di altri fattori interagenti. La ricerca sui limiti del ragionamento dell’intelligenza artificiale mostra che l’accuratezza del modello collassa in ambienti ad alta dimensionalità. L’agricoltura non è solo ad alta dimensionalità; è uno dei domini più alti che gli esseri umani abbiano mai cercato di modellare.

Ogni fattoria è il suo caso limite.

Non esiste una mucca sferica nell’agricoltura reale. Ogni operazione ha la sua combinazione di accesso alla tecnologia, filosofia del lavoro, vincoli di capitale e tolleranza al rischio. Un modello addestrato su grandi operazioni di coltivazione a filari del Midwest fallirà in modo spettacolare se applicato a una piccola fattoria diversificata nel Pacifico Nord-Occidentale. Nulla si generalizza in modo pulito, e costruire per ogni caso limite spinge ulteriormente la dimensionalità in un territorio ingestibile.

Ulteriori dati non sono la risposta — Dati migliori lo sono

L’istinto di Silicon Valley per la maggior parte dei problemi difficili è quello di gettare più calcolo e più dati su di essi. In agricoltura, quell’istinto ha prodotto alcuni numeri sorprendenti: la fattoria media ora genera una stima di 500.000 punti di dati al giorno. I satelliti immaginano ogni campo sulla terra. I sensori registrano temperatura, umidità e umidità del suolo in dettaglio.

Eppure, la comunità dell’intelligenza artificiale agricola ammette ampiamente un deficit di dati di qualità. Il problema non è il volume. È la rilevanza. Tutti quei dati dei sensori, tutte quelle immagini satellitari, tutte quelle relazioni sui test del suolo — catturano cosa sta succedendo intorno alla pianta. Nessuno di essi cattura cosa sta succedendo all’interno della pianta.

Considera l’analogia di un ingegnere di gara di Formula 1 che cerca di ottimizzare il tempo di giro utilizzando solo dati di tracciamento GPS. Velocità, posizione e traiettoria ti danno qualcosa con cui lavorare, ma senza telemetria del motore, sensori di temperatura degli pneumatici e dati di flusso di carburante, il tuo modello sarà sempre un’ipotesi sulla causalità. I dati agricoli esterni sono esattamente lo stesso. Ti dicono quali condizioni esistono nell’ambiente, ma non possono dirti come la coltura stia effettivamente rispondendo a quelle condizioni.

Ciò spiega alcuni dei fallimenti più visibili dell’intelligenza artificiale in agricoltura. Gro Intelligence ha raccolto oltre 120 milioni di dollari costruendo il più grande repository di dati climatici agricoli e alla fine ha chiuso. Ulteriori dati esterni, per quanto precisi, non risolvono il problema sottostante: stiamo misurando la cosa sbagliata.

Cosa significa realmente ascoltare la pianta

Le nuove biotecnologie stanno rendendo possibile, per la prima volta, ottenere dati direttamente dalle colture che coltiviamo. L’idea di base è quella di ingegnerizzare colture che segnalino i loro stati biologici interni — comunicando stress, infezione o esigenze di risorse attraverso output misurabili piuttosto che richiedere inferenza da proxy esterni.

Quest’anno, uno di questi approcci ha prodotto un risultato genuinamente storico — una pianta di soia con segnalazione fluorescente ingegnerizzata ha rivelato un’infezione fungina in tempo reale prima che si verificassero sintomi visibili sulla pianta. In 10.000 anni di agricoltura, gli agricoltori non sono mai stati in grado di rilevare la malattia a quel punto. La risposta immunitaria della pianta ha scatenato il segnale. La pianta stessa ha fornito i dati.

Questo è importante per gli esiti pratici dell’agricoltura. La rilevazione precoce della malattia consente un intervento precoce, riducendo le perdite e gli input chimici. Ma è importante altrettanto per l’intelligenza artificiale agricola, perché rappresenta una classe fondamentalmente nuova di dati.

Invece di cercare di inferire la biologia della pianta dalle condizioni esterne — un compito che è intrinsecamente rumoroso, ad alta dimensionalità e soggetto a fattori di confondimento — i sistemi di intelligenza artificiale possono ora essere addestrati su misurazioni dirette della fisiologia della pianta. Il problema di dimensionalità si riduce drasticamente. Il ciclo di feedback si stringe. Il problema del caso limite non scompare, ma diventa più gestibile quando si lavora con segnali che la pianta stessa emette piuttosto che variabili proxy nell’ambiente circostante.

Un nuovo paradigma di dati per una nuova era di intelligenza artificiale agricola

Il confronto con lo sviluppo di veicoli autonomi è istruttivo. Aziende come Waymo non sono riuscite a addestrare i loro modelli sui dati stradali pubblici esistenti da soli. Hanno costruito array di sensori proprietari e generato enormi set di dati di alta qualità, di prima parte, che catturavano esattamente cosa i loro modelli dovevano imparare. La strategia dei dati era importante quanto l’architettura del modello.

L’intelligenza artificiale agricola ha bisogno di un ripensamento simile. Il percorso in avanti non è costituito da modelli migliori applicati ai set di dati agricoli esistenti. Quei set di dati sono fondamentalmente limitati dal fatto che osservano solo l’ambiente della coltura, non la coltura stessa. Il percorso in avanti è generare una nuova categoria di dati, basata sulla biologia della pianta reale, e costruire sistemi di intelligenza artificiale progettati per imparare da essi.

Quei dati — telemetria biologica continua, stagionale, dalle colture in tutta la parte agricola centrale — non esistono ancora in scala. Ma le tecnologie per generarli stanno diventando reali. Quando quei dati arriveranno, renderanno possibili i tipi di modelli di intelligenza artificiale che possono realmente aiutare gli agricoltori a navigare decisioni complesse: non forzando attraverso un mare rumoroso di variabili esterne, ma comprendendo, in qualcosa di vicino al tempo reale, cosa la coltura stessa necessita.

Il divario di qualità dei dati in agricoltura è stato discusso per anni. Cosa è cambiato è che ora abbiamo una risposta credibile, e inizia con le piante stesse.

Il percorso reale per la prossima Rivoluzione Verde

Nutrire 8 miliardi di persone in modo sostenibile — con altri 2 miliardi attesi entro il 2050 — gestendo la perturbazione climatica, i costi di input e la scarsità d’acqua è una delle sfide più importanti di questo secolo. L’intelligenza artificiale agricola ha il potenziale per aiutare con ogni parte di quella sfida. Ma solo se è costruita su dati che riflettono effettivamente cosa sta succedendo all’interno delle colture che stiamo cercando di coltivare.

Per più di un decennio, l’industria ha cercato di risolvere quel problema accumulando più dati esterni e gettando più calcolo su di esso. Quell’approccio ha prodotto vittorie incrementali, ma non ha consegnato il risultato che il settore necessita. Non lo farà — perché il problema fondamentale dei dati rimane irrisolto.

La prossima Rivoluzione Verde non sarà innescata da un’altra promettente architettura di modelli o da un’altra startup ben finanziata con una migliore pipeline di immagini satellitari. Inizierà quando i sistemi di intelligenza artificiale potranno finalmente ascoltare cosa la coltura sta cercando di dire.