De ce problema datelor din agricultură este o problemă a inteligenței artificiale — și ce pot face plantele în acest sens

Fiecare câțiva ani, sectorul tehnologiei agricole primește un nou glonț de argint. În 2013, narativa era transformarea managementului fermelor prin intermediul datelor mari — achiziția Monsanto a The Climate Corporation, în valoare de 1,1 miliarde de dolari, trebuia să marcheze începutul unei noi ere a agriculturii predictive. Câțiva ani mai târziu, serele cu inteligență artificială urmau să aducă a doua Revoluție Verde. Apoi a venit promisiunea recoltării robotizate, apoi a agronomilor inteligenți artificiali generativi și, în prezent, inteligența artificială agențială, care ar trebui să ia decizii autonom pe behalf of fermierilor din întreaga lume.

Modelul ar trebui să fie familiar: fiecare val de entuziasm se construiește pe cel precedent, dar investițiile în capital de risc în AgTech continuă să dezamăgească, iar rezultatele transformative rămân evazive. De ce? Nu pentru că inginerii nu sunt talentați, sau pentru că știința inteligenței artificiale de bază este defectuoasă. Problema merge mai adânc, la însăși datele pe care se bazează sistemele de inteligență artificială agricolă.

Până când nu vom reevalua fundamental ce date colectăm și cum le colectăm, revoluția inteligenței artificiale în agricultură va rămâne o promisiune perpetuă, mai degrabă decât o realitate prezentă.

Trei motive pentru care inteligența artificială agricolă continuă să eșueze

Agricultura este unul dintre cele mai ostile medii imaginabile pentru dezvoltarea inteligenței artificiale. Provocările nu sunt probleme triviale de inginerie — sunt structurale. Iată ce face acest domeniu atât de rezistent la jocul obișnuit al inteligenței artificiale:

Bucle de feedback care se deplasează la viteza biologiei, nu a software-ului.

Sistemele moderne de inteligență artificială sunt proiectate în jurul iterării rapide. Un model software poate fi reantrenat în câteva ore; un test de medicamente durează ani. Agricultura se află mai aproape de cel din urmă. Inovația recunoscută de Nobel a lui Norman Borlaug în anii 1970 a fost parțial despre comprimarea ciclurilor de creștere a culturilor de la o dată la două pe an. În prezent, cele mai avansate companii de semințe gestionează trei cicluri pe an; încă foarte lent, din punctul de vedere al inteligenței artificiale. Când adevărul dvs. vine odată cu recolta, timeline-urile de îmbunătățire a modelului se întind pe ani, nu pe sprinturi.

Complexitatea agricolă sparge ipotezele obișnuite ale inteligenței artificiale

Puneți o întrebare aparent simplă — cât azot ar trebui să primească acest câmp? — și variabilele se multiplică rapid: compoziția solului, rotația culturilor anterioare, istoricul patogenilor, microclimatul, istoricul efectivelor de animale din urmă cu zeci de ani, reținerea apei, practicile de arătură și zeci de alți factori care interacționează. Cercetarea privind limitările raționamentului inteligenței artificiale arată că acuratețea modelului se prăbușește în medii cu dimensiuni ridicate. Agricultura nu este doar cu dimensiuni ridicate; este unul dintre cele mai ridicate domenii pe care oamenii au încercat vreodată să le modeleze.

Fiecare fermă este propriul său caz de margine.

Nu există vacă sferică în agricultura reală. Fiecare operațiune are propria combinație de acces la tehnologie, filozofie a muncii, constrângeri de capital și toleranță la risc. Un model antrenat pe operațiuni mari de culturi de câmp din Midwest va eșua spectaculos atunci când se aplică unei ferme mici diversificate din Pacific Northwest. Nimic nu se generalizează curat, iar construirea pentru fiecare caz de margine împinge dimensionalitatea și mai mult într-un teritoriu ineficient.

Mai multe date nu sunt răspunsul — Date mai bune sunt

Instinctul din Silicon Valley pentru majoritatea problemelor grele este de a arunca mai multe calcule și mai multe date la ele. În agricultură, acest instinct a produs câteva numere uluitoare: ferma medie generează acum aproximativ 500.000 de puncte de date pe zi. Sateliții imaginează fiecare câmp de pe Pământ. Senzorii înregistrează temperatura, umiditatea și umiditatea solului în detalii granulare.

Și, totuși, comunitatea inteligenței artificiale agricole recunoaște în mod larg un deficit de date de calitate. Problema nu este volumul. Este relevanța. Toate acele date de senzori, toate acele imagini satelitare, toate acele rapoarte de testare a solului — ele capturează ceea ce se întâmplă în jurul plantei. Niciuna dintre ele nu capturează ceea ce se întâmplă în interiorul plantei.

Luati în considerare analogia unui inginer de curse de Formula 1 care încearcă să optimizeze timpul de tur folosind doar date de urmărire GPS. Viteza, poziția și traiectoria vă oferă ceva de lucru, dar fără telemetrie a motorului, senzori de temperatură a anvelopelor și date de curgere a combustibilului, modelul dvs. va fi întotdeauna o presupunere despre cauzalitate. Datele agricole externe sunt exact la fel. Ele vă spun ce condiții există în mediu, dar nu pot spune cum răspunde cultura în realitate la aceste condiții.

Acest lucru explică unele dintre cele mai vizibile eșecuri ale inteligenței artificiale în agricultură. Gro Intelligence a strâns peste 120 de milioane de dolari pentru a construi cea mai mare bază de date de climă agricolă din lume și, în cele din urmă, a fost închisă. Mai multe date externe, oricât de precis colectate, nu rezolvă problema de bază: măsurăm lucrul greșit.

Ce înseamnă, de fapt, să asculți plantele

Noi biotehnologii fac posibilă, pentru prima dată, obținerea de date direct din interiorul culturilor pe care le cultivăm. Ideea de bază este de a ingineriza culturi care semnalează stările biologice interne — comunicând stres, infecție sau nevoi de resurse prin ieșiri măsurabile, mai degrabă decât prin inferență din proxy-uri externe.

La începutul acestui an, una dintre aceste abordări a produs un rezultat cu adevărat istoric — o plantă de soia cu semnalizare fluorescentă inginerizată a dezvăluit o infecție fungică în timp real înainte de a apărea simptome vizibile pe plantă. În 10.000 de ani de agricultură, fermierii nu au putut niciodată să detecteze boala la acest stadiu. Răspunsul imun al plantei a declanșat semnalul. Planta însăși a furnizat datele.

Acest lucru contează pentru rezultatele practice ale fermelor. Detectarea mai timpurie a bolilor permite intervenția mai devreme, reducând pierderile și intrările chimice. Dar contează la fel de mult pentru inteligența artificială agricolă, deoarece reprezintă o clasă fundamental nouă de date.

În loc de a încerca să inferați biologia plantelor din condițiile externe — o sarcină care este în mod inerent zgomotoasă, cu dimensiuni ridicate și predispusă la factori de confuzie — sistemele de inteligență artificială pot fi acum antrenate pe măsurători directe ale fiziologiei plantelor. Problema dimensionalității se micșorează dramatic. Bucla de feedback se strânge. Problema cazului de margine nu dispare, dar devine mai tratabilă atunci când lucrați cu semnale pe care planta însăși le emite, mai degrabă decât variabile proxy în mediu.

Un nou paradigmă de date pentru o nouă eră a inteligenței artificiale agricole

Comparația cu dezvoltarea vehiculelor autonome este instructivă. Companii precum Waymo nu au reușit prin a încerca să antreneze modelele lor pe datele publice de drum existente. Ei au construit matrice de senzori proprietare și au generat seturi masive de date de calitate, care au capturat exact ceea ce modelele lor aveau nevoie să învețe. Strategia de date a fost la fel de importantă ca și arhitectura modelului.

Inteligența artificială agricolă are nevoie de o reevaluare similară. Calea înainte nu este reprezentată de modele mai bune aplicate pe seturile de date agricole existente. Aceste seturi de date sunt fundamental limitate de faptul că ele observă doar mediul culturii, nu cultura însăși. Calea înainte este generarea unei noi categorii de date, bazate pe biologia plantelor reale, și construirea de sisteme de inteligență artificială proiectate să învețe din ele.

Aceste date — telemetrie biologică continuă, pe tot parcursul sezonului, de la culturi de pe tot teritoriul agricol — nu există încă la scară. Dar tehnologiile pentru a le genera devin reale. Când aceste date vor sosi, vor face posibile modelele de inteligență artificială care pot ajuta realmente fermierii să navigheze decizii complexe: nu prin forțarea unui mare volum de variabile externe zgomotoase, ci prin înțelegerea, în timp real, a ceea ce are nevoie cultura însăși.

Lacuna de calitate a datelor din agricultură a fost discutată de ani de zile. Ce s-a schimbat este că avem acum un răspuns credibil la aceasta, și începe cu plantele însele.

Calea reală către următoarea Revoluție Verde

A hrăni 8 miliarde de oameni în mod durabil — cu încă 2 miliarde așteptate până în 2050 — gestionând, în același timp, perturbarea climatică, costurile de intrare și penuria de apă, este una dintre provocările definitorii ale acestui secol. Inteligența artificială agricolă are potențialul de a ajuta la fiecare parte a acestei provocări. Dar numai dacă este construită pe date care reflectă, de fapt, ceea ce se întâmplă în interiorul culturilor pe care încercăm să le cultivăm.

Pentru mai mult de un deceniu, industria a încercat să rezolve această problemă prin acumularea de mai multe date externe și prin aruncarea mai multor calcule la ele. Acest abordare a produs câștiguri incrementale, dar nu a livrat avansul pe care sectorul are nevoie. Nu o va face — pentru că problema fundamentală a datelor rămâne nerezolvată.

Următoarea Revoluție Verde nu va fi inițiată de o nouă arhitectură de model promițătoare sau de o nouă companie bine finanțată, cu o conductă de imagistică prin satelit mai bună. Va începe atunci când sistemele de inteligență artificială vor putea, în sfârșit, să audă ceea ce încearcă să spună cultura.