စိုက်ပျိုးရေးတွင် AI- ကွန်ပျူတာအမြင်၊ စက်ရုပ်များနှင့် ဝက်များအတွက် အကြေးခွံများ

Artificial Intelligence သည် စိုက်ပျိုးရေးနှင့် အစားအသောက်လုပ်ငန်းကို လျင်မြန်စွာ သိမ်းပိုက်နိုင်ခဲ့သည်။

သီးနှံခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ကွန်ပျူတာအမြင်

သန်းပေါင်းများစွာသောလူတွေကို ကျွေးမွေးဖို့၊ မြေတွေ အများကြီးလိုတယ်။ ယခုခေတ်တွင် ၎င်းကို ကိုယ်တိုင်စိုက်ပျိုးရန် မဖြစ်နိုင်ပေ။ တစ်ချိန်တည်းမှာပင် အပင်ရောဂါနှင့် အင်းဆက်ပိုးမွှားများ ကျူးကျော်ဝင်ရောက်မှုကြောင့် သီးနှံများ ပျက်စီးတတ်သည်။ ခေတ်မီသော စိုက်ပျိုးရေးလုပ်ငန်း နယ်ပယ်တွင် ထိုကဲ့သို့သော ကျူးကျော်မှုများသည် အချိန်မီ ဖော်ထုတ်ရန် ခက်ခဲပါသည်။

၎င်းသည် ကွန်ပျူတာအမြင်ဆိုင်ရာ အယ်လဂိုရီသမ်များ အကူအညီပေးနိုင်သည့် နောက်ထပ်ဧရိယာတစ်ခုကို မိတ်ဆက်ပေးသည်။ စိုက်ပျိုးသူများသည် ဝေဟင်ဓာတ်ပုံမှ အပင်ရောဂါ သို့မဟုတ် ပိုးမွှားများ၏ အစောပိုင်းလက္ခဏာများကို ရှာဖွေဖော်ထုတ်ခြင်းဖြင့် အရွက်နှင့်အပင်များ၏ အနီးကပ်ပုံများမှ မိုက်ခရိုအဆင့်တွင်ရော သီးနှံရောဂါများကို သိရှိရန် ကွန်ပျူတာအမြင်ကို အသုံးပြုကြသည်။ ဤပရောဂျက်များသည် အများအားဖြင့် ကွန်ပြူတာအမြင်အတွက် လူကြိုက်များသောချဉ်းကပ်မှုအပေါ် အခြေခံသည်- convolutional အာရုံကြောကွန်ရက်များ.

ဒီနေရာမှာ ကွန်ပြူတာအမြင်ကို အလွန်ကျယ်ပြန့်တဲ့သဘောနဲ့ ပြောနေတာ သတိပြုပါ။ များစွာသောအခြေအနေများတွင်၊ ပုံများသည် ဒေတာ၏အကောင်းဆုံးရင်းမြစ်မဟုတ်ပါ။ အပင်ဘဝ၏ အရေးကြီးသော ရှုထောင့်များစွာကို အခြားနည်းလမ်းများဖြင့် လေ့လာနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ အထူးအာရုံခံကိရိယာများနှင့်အတူ hyperspectral ပုံများကို စုဆောင်းခြင်း သို့မဟုတ် 3D လေဆာစကင်န်ပြုလုပ်ခြင်းဖြင့် အပင်ကျန်းမာရေးကို မကြာခဏ ပိုနားလည်နိုင်သည်။ ထိုသို့သောနည်းလမ်းများကို စိုက်ပျိုးရေးတွင် ပိုမိုအသုံးပြုလာကြသည်။ ဤဒေတာအမျိုးအစားသည် များသောအားဖြင့် ကြည်လင်ပြတ်သားမှုမြင့်မားပြီး ဓာတ်ပုံများထက် ဆေးဘက်ဆိုင်ရာပုံရိပ်နှင့် ပိုမိုနီးစပ်ပါသည်။ ကွင်းဆင်းစောင့်ကြည့်ရေးစနစ်များထဲမှ တစ်ခုကို ခေါ်သည်။ AgMRI. ဤဒေတာကို လုပ်ဆောင်ရန်အတွက် အထူးမော်ဒယ်များ လိုအပ်သော်လည်း ၎င်းတို့၏ spatial တည်ဆောက်ပုံသည် ခေတ်မီကွန်ပြူတာအမြင်နည်းပညာများ အထူးသဖြင့် convolutional neural networks များကို အသုံးပြုခွင့်ပေးသည်။

သန်းပေါင်းများစွာသည် အပင် phenotyping နှင့် ပုံရိပ်ဖော်ခြင်းဆိုင်ရာ သုတေသနတွင် ရင်းနှီးမြုပ်နှံလျက်ရှိသည်။ ဤနေရာတွင် အဓိကတာဝန်မှာ ကောက်ပဲသီးနှံများဆိုင်ရာ ဒေတာအစုအဝေး (များသောအားဖြင့် ဓာတ်ပုံများ သို့မဟုတ် သုံးဖက်မြင်ပုံများ) စုဆောင်းပြီး phenotype data အား အပင်မျိုးရိုးဗီဇနှင့် နှိုင်းယှဉ်ရန်ဖြစ်သည်။ ရလဒ်များနှင့် အချက်အလက်များကို ကမ္ဘာတစ်ဝှမ်းရှိ စိုက်ပျိုးရေးနည်းပညာများ တိုးတက်စေရန်အတွက် အသုံးပြုနိုင်ပါသည်။

စိုက်ပျိုးရေးတွင် စက်ရုပ်များ

ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရ မွေးမြူရေးစက်ရုပ်များ စသည်တို့ဖြစ်သည်။ Prospero ကြိုတင်သတ်မှတ်ထားသော ယေဘူယျပုံစံများကို လိုက်နာပြီး ရှုခင်း၏ သီးခြားဝိသေသလက္ခဏာများကို ထည့်သွင်းစဉ်းစားကာ မြေတွင်းတူးပြီး ၎င်းတွင် တစ်ခုခုကို စိုက်နိုင်သည်။ စက်ရုပ်များသည် အပင်တစ်ခုစီနှင့် တစ်ဦးချင်းလုပ်ဆောင်သည့် ကြီးထွားမှုလုပ်ငန်းစဉ်ကို ဂရုစိုက်နိုင်သည်။ အချိန်တန်သောအခါ စက်ရုပ်များသည် ရိတ်သိမ်းပြီး အပင်တစ်ပင်ချင်းစီကို ဖြစ်သင့်သည်အတိုင်း တိတိပပ ကုသပြန်သည်။ Prospero သည် swarm farming သဘောတရားကို အခြေခံထားသည်။ သပ်ရပ်သော အပင်တန်းများပင် လယ်ကွင်းများတစ်လျှောက် တွားသွားနေသော ပရိုစပီရိုလေးတစ်တပ်ကို မြင်ယောင်ကြည့်လိုက်ပါ။ စိတ်ဝင်စားစရာမှာ Prospero သည် ခေတ်သစ်နက်နဲသောသင်ယူမှုတော်လှန်ရေး၏ အထွတ်အထိပ်သို့မရောက်မီ 2011 တွင် အမှန်တကယ်ပေါ်လာသည်။ ဒီနေ့၊ စက်ရုပ်များသည် လျင်မြန်စွာ ပျံ့နှံ့လျက်ရှိသည်။ စိုက်ပျိုးရေးတွင်၊ သင့်အား ပုံမှန်အလုပ်များကို ပို၍ပို၍ အလိုအလျောက်လုပ်ဆောင်နိုင်စေသည်-

• အလိုအလျောက် ဒရုန်းများသည် သီးနှံများကို ဖြန်းကြသည်။ သေးငယ်ပြီး သွက်လက်သော ဒရုန်းများသည် သာမန်လေယာဉ်များထက် အန္တရာယ်ရှိသော ဓာတုပစ္စည်းများကို ပိုမိုတိကျစွာ ပေးပို့နိုင်သည်။ ထို့အပြင်၊ ဤဆောင်းပါး၏အစတွင်ဖော်ပြထားသော ကွန်ပျူတာအမြင်ဆိုင်ရာ အယ်လဂိုရီသမ်များအတွက် ဒေတာများရရှိရန် ဝေဟင်ဓာတ်ပုံရိုက်ကူးရန်အတွက် sprayer drones များကို အသုံးပြုနိုင်သည်။
• ရိတ်သိမ်းခြင်းအတွက် အထူးပြု စက်ရုပ်များကို တီထွင်အသုံးပြုလျက်ရှိပါသည်။ ပေါင်းစပ်ကောက်ရိတ်စက်များ တည်ရှိနေသည်မှာ ကြာမြင့်နေပြီဖြစ်သည်။ ယခုမှသာလျှင် ခေတ်မီကွန်ပြူတာအမြင်နှင့် စက်ရုပ်နည်းပညာများ၏အကူအညီဖြင့်၊ ဥပမာ စတော်ဘယ်ရီသီးကောက်သည့် စက်ရုပ်ကို တီထွင်နိုင်ခဲ့သည်။
• စက်ရုပ်တွေ ကြိုက်တယ်။ Hortibot ပေါင်းပင်တစ်ပင်ချင်းစီကို စက်ဖြင့်ဖယ်ရှားခြင်းဖြင့် ခွဲခြားသိမြင်နိုင်ပြီး သတ်နိုင်သည်။ ၎င်းသည် ယခင်ကကဲ့သို့ ခေတ်မီစက်ရုပ်များနှင့် ကွန်ပျူတာအမြင်၏ နောက်ထပ်အောင်မြင်မှုတစ်ခုဖြစ်ပြီး ပေါင်းပင်များကို အသုံးဝင်သောအပင်များမှ ခွဲခြား၍ ခြယ်လှယ်သောအပင်ငယ်များဖြင့် လုပ်ဆောင်ရန် မဖြစ်နိုင်တော့ပေ။

စိုက်ပျိုးရေးစက်ရုပ်အများအပြားသည် ရှေ့ပြေးပုံစံများ သို့မဟုတ် အသေးအဖွဲတွင် စမ်းသပ်နေဆဲဖြစ်သော်လည်း ML၊ AI နှင့် စက်ရုပ်များသည် စိုက်ပျိုးရေးတွင် ကောင်းမွန်စွာလုပ်ဆောင်နိုင်ကြောင်း ရှင်းရှင်းလင်းလင်းရှိနေပြီဖြစ်သည်။ မဝေးတော့သောအနာဂတ်တွင် လယ်ယာလုပ်ငန်းခွင်များ ပိုများလာကာ အလိုအလျောက်လုပ်ဆောင်နိုင်မည်ဟု ဘေးကင်းစွာ ခန့်မှန်းနိုင်သည်။

မွေးမြူရေးတိရစ္ဆာန်များကို ပြုစုစောင့်ရှောက်ခြင်း။

စိုက်ပျိုးရေးတွင် AI ကို အသုံးပြုရန် နောက်ထပ် နည်းလမ်းများစွာကို တက်ကြွစွာ တီထွင်လျက်ရှိသည်။ ဥပမာအားဖြင့် pilot project တစ်ခု Neuromation နက်ရှိုင်းသောသင်ယူမှုအသိုင်းအဝိုင်းမှ အာရုံစိုက်မှုများစွာမရရှိသေးသော လုပ်ငန်းနယ်ပယ်တစ်ခုဆီသို့ ကွန်ပျူတာအမြင်ကို ယူဆောင်လာသည်- တိရစ္ဆာန်မွေးမြူရေး။

တိရစ္ဆာန်ခြေရာခံခြင်းဒေတာအတွက် စက်သင်ယူမှုကို အသုံးပြုရန် ကြိုးပမ်းမှုများရှိခဲ့သည်။ ဥပမာအားဖြင့်, Pakistani startup Cowlar စွဲမက်ဖွယ်ကောင်းသော “ FitBit for Cows” ဟူသော ဆောင်ပုဒ်အောက်တွင် နွားများ၏ လှုပ်ရှားမှုနှင့် အပူချိန်ကို အဝေးမှ စောင့်ကြည့်သည့် ကော်လာကို မိတ်ဆက်ခဲ့သည်။ ပြင်သစ်သိပ္ပံပညာရှင်များသည် နွားများအတွက် မျက်နှာမှတ်သားမှုကို တီထွင်လျက်ရှိသည်။

ဝက်မွေးမြူခြင်း - ဒေါ်လာဘီလီယံရာနှင့်ချီတန်ဖိုးရှိသော ယခင်က လျစ်လျူရှုထားသော လုပ်ငန်းတွင် ကွန်ပျူတာအမြင်ကို အသုံးပြုရန် ကြိုးပမ်းမှုများလည်း ရှိပါသည်။ ခေတ်မီမွေးမြူရေးခြံများတွင် ဝက်များကို သေးငယ်သောအုပ်စုများဖြင့် ထားရှိကြပြီး ဆင်တူသောတိရစ္ဆာန်များကို ရွေးချယ်ကြသည်။ ဝက်ထုတ်လုပ်မှုတွင် အဓိကကုန်ကျစရိတ်မှာ အစားအစာဖြစ်ပြီး ဆူအောင်ကျွေးသည့်လုပ်ငန်းစဉ်ကို ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်ခြင်းသည် ခေတ်မီဝက်ထုတ်လုပ်မှု၏ အဓိကအလုပ်ဖြစ်သည်။

လယ်သမားများသည် ဝက်အလေးချိန်တိုးခြင်းဆိုင်ရာ အသေးစိတ်အချက်အလက်များကို သိရှိပါက ဤပြဿနာကို ဖြေရှင်းနိုင်မည်ဖြစ်သည်။ အတိုင်းပါပဲ။ ဒီ siteတိရစ္ဆာန်များသည် အများအားဖြင့် ၎င်းတို့၏ ဘဝတစ်ခုလုံးတွင် နှစ်ကြိမ်သာ အလေးချိန်ရှိကြသည်- အစပိုင်းနှင့် ဆူအောင်ချိန်၏အဆုံး။ ကျွမ်းကျင်သူများသည် ဝက်ကလေးတစ်ကောင် မည်သို့ ဆူလာနေသည်ကို သိပါက ဝက်တစ်ကောင်စီအတွက် တစ်ဦးချင်း ဆူအောင်တည်သည့် အစီအစဉ်တစ်ခုနှင့် အထွက်နှုန်းကို သိသိသာသာ တိုးတက်စေမည့် အစားအစာထည့်ဝင်သည့် ပေါင်းစပ်ပါဝင်မှုတို့ကိုပင် ရေးဆွဲနိုင်မည်ဖြစ်သည်။ တိရိစ္ဆာန်များကို အကြေးခွံပေါ်သို့ မောင်းနှင်ရန်မှာ အလွန်ခက်ခဲသည်မဟုတ်သော်လည်း ၎င်းသည် တိရိစ္ဆာန်အတွက် ကြီးမားသော ဖိစီးမှုဖြစ်ပြီး ဝက်များသည် စိတ်ဖိစီးမှုမှ ကိုယ်အလေးချိန်ကျသွားသည်။ AI ပရောဂျက်အသစ်သည် တိရိစ္ဆာန်များကို ထိုးဖောက်မခွဲနိုင်သော နည်းလမ်းအသစ်ကို တီထွင်ရန် စီစဉ်ထားသည်။ Neuromation သည် ဓာတ်ပုံနှင့် ဗီဒီယို ဒေတာများမှ ဝက်များ၏ အလေးချိန်ကို ခန့်မှန်းပေးမည့် ကွန်ပျူတာအမြင် မော်ဒယ်ကို တည်ဆောက်သွားမည်ဖြစ်သည်။ ဤခန့်မှန်းချက်များကို ယခင်ကတည်းက ဂန္ထဝင်၊ ခွဲခြမ်းစိတ်ဖြာသည့် စက်သင်ယူမှုပုံစံများတွင် ထည့်သွင်းပြီး ဆူအောင်တည်ခြင်းလုပ်ငန်းစဉ်ကို တိုးတက်စေမည်ဖြစ်သည်။

ဉာဏ်ရည်တု၏ နယ်နိမိတ်တွင် စိုက်ပျိုးရေး

မွေးမြူရေးနှင့် တိရစ္ဆာန်မွေးမြူရေးလုပ်ငန်းကို ခေတ်ဟောင်းစက်မှုလုပ်ငန်းဟု မကြာခဏ ယူဆကြသည်။ သို့သော် ယနေ့ခေတ်တွင် ဉာဏ်ရည်တုနည်းပညာ၏ ရှေ့တန်းမှ စိုက်ပျိုးမွေးမြူရေးသည် တိုးများလာပါသည်။

ဤနေရာတွင် အဓိကအကြောင်းအရင်းမှာ စိုက်ပျိုးရေးတွင် အလုပ်များစွာကို တပြိုင်နက်တည်း လုပ်ဆောင်ရခြင်းဖြစ်သည် ။

• ခေတ်မီ ဉာဏ်ရည်တုနှင့် နက်နဲသော သင်ယူမှုတို့ကို အသုံးမပြုဘဲ အလိုအလျောက် မရနိုင်လောက်အောင် ရှုပ်ထွေးသည်။ စိုက်ပျိုးထားသော အပင်များနှင့် ဝက်များသည် တစ်ခုနှင့်တစ်ခု တူညီသော်လည်း တူညီသော စည်းဝေးပွဲကို မထားခဲ့ဘဲ၊ ခရမ်းချဉ်သီးချုံတစ်ခုစီနှင့် ဝက်တစ်ခုစီသည် တစ်ဦးချင်းချဉ်းကပ်မှုတစ်ခု လိုအပ်သည်၊ ထို့ကြောင့် မကြာသေးမီအထိ လူသားတို့၏ ဝင်ရောက်စွက်ဖက်မှုမှာ လုံးဝလိုအပ်ပါသည်။
• ယနေ့ခေတ် ဥာဏ်ရည်တု၏ ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူ အပင်နှင့် တိရစ္ဆာန်များကြား ခြားနားချက်များကို ထည့်သွင်းစဉ်းစားကာ ၎င်းတို့နှင့် အလုပ်တွဲလုပ်ရန်အတွက် နည်းပညာများကို အလိုအလျောက်လုပ်ဆောင်ပေးခြင်းဖြင့် ၎င်းတို့ကို ဖြေရှင်းနိုင်သည်မှာ ရိုးရှင်းပါသည်။ လယ်ကွင်းထဲတွင် လယ်ထွန်စက်ကို မောင်းနှင်ခြင်းသည် ယာဉ်ကြောတွင် ကားမောင်းခြင်းထက် ပိုမိုလွယ်ကူပြီး ဝက်အလေးချိန်ကို ဖြတ်ကျော်နည်းကို လေ့လာခြင်းထက် ပိုမိုလွယ်ကူပါသည်။ Turing စာမေးပွဲ.

လယ်ယာစိုက်ပျိုးရေးသည် ကမ္ဘာပေါ်တွင် အကြီးဆုံးနှင့် အရေးအကြီးဆုံးသော စက်မှုလုပ်ငန်းတစ်ခုဖြစ်နေဆဲဖြစ်ပြီး ထိရောက်မှုအနည်းငယ်တိုးလာခြင်းသည်ပင် ဤစက်မှုလုပ်ငန်း၏ ကြီးမားသောအတိုင်းအတာကြောင့် ကြီးမားသောအမြတ်အစွန်းများကို ယူဆောင်လာမည်ဖြစ်သည်။