Thought leaders

Waarom het dataprobleem van de landbouw een AI-probleem is — en wat planten eraan kunnen doen

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenLandbouw-AI faalt omdat het afhankelijk is van externe omgevingsdata in plaats van…
Meer weergeven
  • Landbouw-AI faalt omdat het afhankelijk is van externe omgevingsdata in plaats van directe biologische signalen van planten.
  • Planten die zo zijn aangepast dat ze interne toestanden zoals ziekte signaleren, bieden AI een nieuwe klasse van bruikbare biologische data.
  • De overname van The Climate Corporation voor $1,1 miljard illustreert een decennium van hype rond gebrekkige strategieën met externe data.

Om de paar jaar krijgt de landbouwtechnologie een nieuwe vermeende wonderoplossing. In 2013 draaide het verhaal om big data die het beheer van landbouwbedrijven zou veranderen — de overname van The Climate Corporation door Monsanto voor 1,1 miljard dollar moest een nieuw tijdperk van voorspellende landbouw inluiden. Enkele jaren later zouden AI-gestuurde kassen een tweede Groene Revolutie ontketenen. Daarna volgden beloften over robotoogst, generatieve AI-agronomen en nu agentische AI die zogenaamd zelfstandig beslissingen zal nemen namens boeren overal ter wereld.

Het patroon zou bekend moeten zijn: elke hypegolf bouwt voort op de vorige, maar durfkapitaalinvesteringen in AgTech blijven teleurstellen, en ingrijpende resultaten blijven uit. Waarom? Niet omdat ingenieurs geen talent hebben of omdat de wetenschap achter AI ondeugdelijk is. Het probleem zit dieper, in de gegevens waarvan AI-systemen voor de landbouw afhankelijk zijn.

Zolang we niet fundamenteel heroverwegen welke gegevens we verzamelen en hoe we dat doen, blijft de AI-revolutie in de landbouw een eeuwige belofte in plaats van een realiteit in het heden.

Drie redenen waarom landbouw-AI blijft falen

Landbouw is een van de ongunstigste omgevingen die je je kunt voorstellen voor de ontwikkeling van AI. De uitdagingen zijn geen kleine technische problemen, maar structureel van aard. Dit verklaart waarom de gebruikelijke aanpak voor AI hier zo moeilijk werkt:

Feedbacklussen volgen het tempo van de biologie, niet dat van software

Moderne AI-systemen zijn ontworpen voor snelle ontwikkelrondes. Een softwaremodel kan binnen enkele uren opnieuw worden getraind; een geneesmiddelenonderzoek duurt jaren. Landbouw ligt dichter bij het laatste. De innovatie van Norman Borlaug uit de jaren zeventig, die erkenning kreeg met de Nobelprijs, draaide deels om het verkorten van gewasveredelingscycli van één naar twee per jaar. De meest geavanceerde zaadbedrijven halen tegenwoordig drie cycli per jaar, nog altijd extreem traag naar AI-maatstaven. Wanneer de feitelijke referentiegegevens pas bij de oogst beschikbaar komen, duurt modelverbetering jaren in plaats van korte ontwikkelsprints.

De complexiteit van landbouw doorbreekt de gebruikelijke aannames van AI

Stel een schijnbaar eenvoudige vraag — hoeveel stikstof moet dit perceel krijgen? — en het aantal variabelen groeit snel: bodemsamenstelling, eerdere vruchtwisselingen, de voorgeschiedenis van ziekteverwekkers, microklimaat, decennia aan veehouderijgeschiedenis, waterbergend vermogen, grondbewerking en tientallen andere factoren die elkaar beïnvloeden. Onderzoek naar de beperkingen van AI-redeneren laat zien dat de nauwkeurigheid van modellen instort in omgevingen met veel dimensies. Landbouw is niet zomaar hoogdimensionaal; het is een van de meest hoogdimensionale domeinen die mensen ooit hebben geprobeerd te modelleren.

Elk landbouwbedrijf is een eigen uitzonderingsgeval

In de echte landbouw bestaat geen bolvormige koe. Elk bedrijf heeft een eigen combinatie van toegang tot technologie, arbeidsfilosofie, kapitaalbeperkingen en risicobereidheid. Een model dat is getraind op grote bedrijven met gewassen in rijen in het Amerikaanse Middenwesten, zal volledig mislukken op een klein, veelzijdig landbouwbedrijf in het noordwesten van de Verenigde Staten aan de Stille Oceaan. Niets is probleemloos te generaliseren, en voor elk uitzonderingsgeval een oplossing bouwen maakt het aantal dimensies nog onwerkbaarder.

Niet meer gegevens, maar betere gegevens zijn het antwoord

Bij moeilijke problemen is de reflex van Silicon Valley om meer rekenkracht en meer gegevens in te zetten. In de landbouw heeft dat verbazingwekkende cijfers opgeleverd: een gemiddeld landbouwbedrijf genereert nu naar schatting 500.000 datapunten per dag. Satellieten fotograferen elk perceel op aarde. Sensoren registreren temperatuur, luchtvochtigheid en bodemvocht tot in detail.

Toch erkent de landbouw-AI-gemeenschap breed dat er een tekort is aan gegevens van hoge kwaliteit. Het probleem is niet de hoeveelheid, maar de relevantie. Al die sensorgegevens, satellietbeelden en bodemonderzoeksrapporten leggen vast wat er gebeurt rondom de plant. Geen ervan laat zien wat er gebeurt binnenin de plant.

Denk aan een Formule 1-race-ingenieur die rondetijden probeert te optimaliseren met uitsluitend GPS-trackinggegevens. Snelheid, positie en rijlijn geven een aanknopingspunt, maar zonder motortelemetrie, sensoren voor de bandtemperatuur en gegevens over de brandstofstroom blijft het model gissen naar oorzaak en gevolg. Externe landbouwgegevens werken precies zo. Ze vertellen welke omstandigheden in de omgeving bestaan, maar niet hoe het gewas daar daadwerkelijk op reageert.

Dat verklaart enkele van de opvallendste AI-mislukkingen in de landbouw. Gro Intelligence haalde meer dan 120 miljoen dollar op om de grootste opslagplaats voor landbouwklimaatgegevens ter wereld te bouwen, maar stopte uiteindelijk. Meer externe gegevens lossen het onderliggende probleem niet op, hoe nauwkeurig ze ook worden verzameld: we meten het verkeerde.

Wat luisteren naar de plant werkelijk betekent

Nieuwe biotechnologieën maken het nu voor het eerst mogelijk om rechtstreeks gegevens te verkrijgen van binnenuit de gewassen die we telen. Het kernidee is gewassen zo aan te passen dat ze hun eigen inwendige biologische toestand signaleren. Ze communiceren stress, infecties of behoefte aan hulpbronnen via meetbare signalen, in plaats van dat die toestand uit externe benaderingsvariabelen moet worden afgeleid.

Eerder dit jaar leverde een van deze benaderingen een historisch resultaat op: een sojaplant die was aangepast om fluorescerende signalen af te geven, onthulde een schimmelinfectie in realtime voordat er zichtbare symptomen op de plant verschenen. In 10.000 jaar landbouw hebben boeren ziekte nooit eerder in dat stadium kunnen ontdekken. De eigen immuunrespons van de plant activeerde het signaal. De plant leverde zelf de gegevens.

Dit is belangrijk voor praktische landbouwresultaten. Ziekten eerder ontdekken maakt eerder ingrijpen mogelijk en vermindert verliezen en de inzet van chemische middelen. Maar het is even belangrijk voor landbouw-AI, omdat het een fundamenteel nieuwe categorie gegevens betreft.

Plantbiologie afleiden uit externe omstandigheden is een taak met inherent veel ruis, veel dimensies en gevoeligheid voor verstorende factoren. In plaats daarvan kunnen AI-systemen nu worden getraind op directe metingen van de plantenfysiologie. Het dimensieprobleem wordt aanzienlijk kleiner en de feedbacklus korter. Het probleem van uitzonderingsgevallen verdwijnt niet, maar wordt beter hanteerbaar met signalen die de plant zelf uitzendt in plaats van benaderingsvariabelen uit de omgeving.

Een nieuw dataparadigma voor een nieuw tijdperk van landbouw-AI

De vergelijking met de ontwikkeling van zelfrijdende voertuigen is leerzaam. Bedrijven zoals Waymo slaagden niet door te proberen hun modellen alleen met bestaande openbare weggegevens te trainen. Ze bouwden eigen sensoropstellingen en verzamelden zelf enorme, hoogwaardige datasets die precies vastlegden wat hun modellen moesten leren. De gegevensstrategie was even belangrijk als de modelarchitectuur.

Landbouw-AI heeft een vergelijkbare heroverweging nodig. De weg vooruit bestaat niet uit betere modellen toepassen op bestaande landbouwdatasets. Die zijn fundamenteel beperkt doordat ze alleen de omgeving van het gewas waarnemen, niet het gewas zelf. De oplossing is een nieuwe categorie gegevens creëren die is gebaseerd op de werkelijke biologie van planten, en AI-systemen bouwen die zijn ontworpen om daarvan te leren.

Zulke gegevens — continue biologische telemetrie van gewassen gedurende het hele teeltseizoen in belangrijke landbouwgebieden — bestaan nog niet op grote schaal. Maar de technologieën om ze te genereren worden werkelijkheid. Zodra deze gegevens er zijn, worden AI-modellen mogelijk die boeren daadwerkelijk helpen bij ingewikkelde beslissingen. Niet door met brute rekenkracht een zee vol ruis van externe variabelen te verwerken, maar door vrijwel in realtime te begrijpen wat het gewas zelf nodig heeft.

De kloof in de kwaliteit van landbouwgegevens wordt al jaren besproken. Wat is veranderd, is dat we nu een geloofwaardig antwoord hebben, en dat begint bij de planten zelf.

De werkelijke weg naar de volgende Groene Revolutie

Acht miljard mensen duurzaam voeden, met naar verwachting nog eens twee miljard mensen erbij tegen 2050, en tegelijk omgaan met klimaatverstoringen, kosten van productiemiddelen en waterschaarste, is een van de bepalende uitdagingen van deze eeuw. Landbouw-AI kan bij elk onderdeel daarvan helpen, maar alleen als die is gebaseerd op gegevens die daadwerkelijk weerspiegelen wat er binnenin de gewassen gebeurt die we proberen te telen.

Al meer dan tien jaar probeert de sector dit probleem op te lossen door meer externe gegevens te verzamelen en meer rekenkracht in te zetten. Die aanpak heeft geleidelijke verbeteringen gebracht, maar niet de doorbraak die de sector nodig heeft. Dat zal ook niet gebeuren, omdat het fundamentele gegevensprobleem onopgelost blijft.

De volgende Groene Revolutie zal niet voortkomen uit nog een veelbelovende modelarchitectuur of nog een goed gefinancierde startup met een betere verwerkingsketen voor satellietbeelden. Ze begint wanneer AI-systemen eindelijk kunnen horen wat het gewas probeert te zeggen.

Dr. Christopher Seifert is Hoofd Software Product bij InnerPlant, waar hij de data- en machine learning-systemen van het bedrijf leidt. Hij kwam bij InnerPlant na het ontwikkelen van producten en platforms over bijna elke laag van de landbouwdata-stack, met ervaring in satelliet-remote sensing, geospatiale analyse, boerderijbeheersoftware en zaad- en agronomiedata-infrastructuur. Zijn achtergrond omvat leiderschapsrollen bij Granular en Corteva Agriscience, eerder werk bij Google en The Climate Corporation, en onderzoekservaring bij NASA en het Stanford Program on Food Security and the Environment. Hij was ook mede-oprichter en CEO van AcreValue, een platform voor de waardering van landbouwgrond dat is overgenomen door Granular. Deze breedte geeft hem een duidelijk inzicht in waar landbouw-AI heeft gewerkt, waar deze moeite had om in de landbouwpraktijk resultaten te behalen, en wat het vergt om betrouwbare, productieklare systemen in de landbouw te runnen. Hij heeft een PhD in Earth System Science en een MS en BS in Earth Systems van de Stanford University.

Chip Franzén is software-engineer bij InnerPlant, waar hij de data- en machinelearningpijplijnen van het bedrijf ontwerpt en bouwt voor sensortoepassingen in de landbouw, met aandacht voor IoT, computervisie en teledetectie. Hiervoor paste hij jarenlang machine learning toe in de landbouw bij bedrijven als Granular en Indigo. Hij werkte aan grondwaardering, herkenning van landbedekking met computervisie, ruimtelijke datapijplijnen en MLOps voor op teledetectie gebaseerde agronomische modellen en inferentie-API’s. Bij InnerPlant gebruikt hij zijn fullstackervaring om complexe biologische en geospatiale signalen om te zetten in betrouwbare, productierijpe resultaten die teams in echte werkprocessen kunnen gebruiken. Hij heeft een BA van Duke University en een M.Sc. in Data Science van Galvanize.