Lideri de opinie

De ce problema datelor din agricultură este o problemă de IA — și cum pot ajuta plantele

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheieAI-ul agricol eșuează deoarece se bazează pe date externe de mediu în loc de semnale…
Vezi mai mult
  • AI-ul agricol eșuează deoarece se bazează pe date externe de mediu în loc de semnale biologice directe din plante.
  • Plantele modificate genetic pentru a semnala stări interne, precum boala, oferă inteligenței artificiale o nouă clasă de date biologice acționabile.
  • Achiziția de 1,1 miliarde de dolari a The Climate Corporation exemplifică un deceniu de entuziasm în jurul unor strategii defectuoase bazate pe date externe.

La fiecare câțiva ani, sectorul tehnologiei agricole primește o nouă presupusă soluție miraculoasă. În 2013, se vorbea despre transformarea managementului fermelor prin big data — achiziția The Climate Corporation de către Monsanto, pentru 1,1 miliarde de dolari, ar fi trebuit să deschidă o nouă eră a agriculturii predictive. Câțiva ani mai târziu, serele bazate pe inteligență artificială urmau să aducă o a doua Revoluție Verde. Apoi a venit promisiunea recoltării robotizate, urmată de agronomi bazați pe IA generativă, iar acum de IA agentică, despre care se presupune că va lua decizii autonome în numele fermierilor din întreaga lume.

Tiparul ar trebui să fie familiar: fiecare val de entuziasm exagerat se sprijină pe cel precedent, dar investițiile de capital de risc în AgTech continuă să dezamăgească, iar rezultatele transformatoare rămân greu de obținut. De ce? Nu pentru că inginerii nu ar fi talentați sau pentru că știința care stă la baza IA ar fi greșită. Problema este mai profundă și ține chiar de datele de care depind sistemele de IA agricolă.

Până când nu regândim fundamental ce date colectăm și cum le colectăm, revoluția IA în agricultură va rămâne o promisiune perpetuă, în loc să devină o realitate prezentă.

Trei motive pentru care IA agricolă continuă să eșueze

Agricultura este unul dintre cele mai dificile medii imaginabile pentru dezvoltarea IA. Provocările nu sunt probleme inginerești minore, ci structurale. Iată de ce acest domeniu se pretează atât de greu la metodele obișnuite de dezvoltare a IA:

Bucle de feedback care urmează ritmul biologiei, nu al software-ului

Sistemele moderne de IA sunt concepute pentru iterații rapide. Un model software poate fi reantrenat în câteva ore; un studiu clinic pentru un medicament durează ani. Agricultura este mai apropiată de a doua situație. Inovația lui Norman Borlaug din anii 1970, recunoscută prin Premiul Nobel, a constat parțial în scurtarea ciclurilor de ameliorare a plantelor, de la unul la două pe an. Cele mai avansate companii de semințe realizează astăzi trei cicluri anual, un ritm încă extrem de lent după standardele IA. Când datele de referință care arată rezultatul real sosesc abia la recoltare, îmbunătățirea modelelor se întinde pe ani, nu pe sprinturi scurte de dezvoltare.

Complexitatea agriculturii contrazice ipotezele obișnuite ale IA

Puneți o întrebare aparent simplă — cât azot ar trebui să primească această parcelă? — și variabilele se înmulțesc rapid: compoziția solului, rotațiile anterioare ale culturilor, istoricul agenților patogeni, microclimatul, istoricul creșterii animalelor pe parcursul a zeci de ani, capacitatea de reținere a apei, practicile de prelucrare a solului și alte zeci de elemente care interacționează. Cercetările privind limitele raționamentului IA arată că acuratețea modelelor se prăbușește în medii cu multe dimensiuni. Agricultura nu este doar multidimensională, ci unul dintre domeniile cu cele mai multe dimensiuni pe care oamenii au încercat vreodată să le modeleze.

Fiecare fermă este un caz particular

În agricultura reală nu există o vacă sferică. Fiecare exploatație are propria combinație de acces la tehnologie, filozofie a muncii, constrângeri de capital și toleranță la risc. Un model antrenat pe ferme mari cu culturi în rânduri din Vestul Mijlociu american va eșua spectaculos când este aplicat unei ferme mici, cu producție diversificată, din nord-vestul Statelor Unite, pe coasta Pacificului. Nimic nu se generalizează fără probleme, iar proiectarea pentru fiecare caz particular mărește numărul dimensiunilor până într-o zonă și mai greu de gestionat practic.

Soluția nu constă în mai multe date, ci în date mai bune

Reflexul din Silicon Valley în fața celor mai multe probleme dificile este să adauge putere de calcul și date. În agricultură, această abordare a produs cifre uimitoare: se estimează că ferma medie generează acum 500.000 de puncte de date pe zi. Sateliții fotografiază fiecare câmp de pe Pământ. Senzorii înregistrează în detaliu temperatura, umiditatea aerului și umiditatea solului.

Și totuși, comunitatea IA agricole recunoaște pe scară largă un deficit de date de calitate. Problema nu este volumul, ci relevanța. Toate acele date de la senzori, imagini satelitare și rapoarte de analiză a solului surprind ce se întâmplă în jurul plantei. Niciuna dintre aceste surse nu surprinde ce se întâmplă în interiorul plantei.

Imaginați-vă un inginer de curse de Formula 1 care încearcă să optimizeze timpul pe tur folosind doar date GPS. Viteza, poziția și traiectoria oferă un punct de plecare, dar fără telemetria motorului, senzori pentru temperatura anvelopelor și date despre debitul combustibilului, modelul va continua să facă presupuneri despre cauzalitate. Exact la fel funcționează datele agricole externe. Ele arată ce condiții există în mediu, dar nu pot spune cum reacționează efectiv cultura la acele condiții.

Asta explică unele dintre cele mai vizibile eșecuri ale IA în agricultură. Gro Intelligence a atras peste 120 de milioane de dolari pentru a construi cel mai mare depozit de date climatice agricole din lume, dar în cele din urmă și-a încetat activitatea. Mai multe date externe, oricât de precis ar fi colectate, nu rezolvă problema de fond: măsurăm lucrul greșit.

Ce înseamnă cu adevărat să ascultăm planta

Noile biotehnologii fac posibilă acum, pentru prima dată, obținerea datelor direct din interiorul plantelor pe care le cultivăm. Ideea centrală este modificarea plantelor astfel încât să își semnaleze stările biologice interne: să comunice stresul, infecția sau necesarul de resurse prin semnale măsurabile, în loc să fie nevoie să deducem aceste stări din indicatori externi indirecți.

La începutul acestui an, una dintre aceste abordări a produs un rezultat istoric: o plantă de soia modificată pentru a emite semnale fluorescente a dezvăluit o infecție fungică în timp real înainte să apară orice simptom vizibil. În cei 10.000 de ani de agricultură, fermierii nu au putut detecta până acum boala în acest stadiu. Răspunsul imunitar al plantei a declanșat semnalul. Planta însăși a furnizat datele.

Acest lucru contează pentru rezultatele practice ale agriculturii. Detectarea mai timpurie a bolilor permite intervenții mai rapide, reducând pierderile și utilizarea substanțelor chimice. Dar este la fel de important pentru IA agricolă, deoarece reprezintă o categorie de date fundamental nouă.

Deducerea biologiei plantelor din condițiile externe este o sarcină inerent afectată de zgomot, cu multe dimensiuni și sensibilă la factori de confuzie. În locul ei, sistemele de IA pot fi acum antrenate pe măsurători directe ale fiziologiei plantelor. Problema numărului de dimensiuni se reduce dramatic, iar bucla de feedback se scurtează. Problema cazurilor particulare nu dispare, dar devine mai ușor de abordat când lucrăm cu semnale emise de planta însăși, nu cu variabile indirecte din mediul înconjurător.

O nouă paradigmă a datelor pentru o nouă eră a IA agricole

Comparația cu dezvoltarea vehiculelor autonome este instructivă. Companii precum Waymo nu au reușit încercând să își antreneze modelele doar pe datele publice existente despre drumuri. Au construit propriile ansambluri de senzori și au generat volume uriașe de date de înaltă calitate, colectate chiar de aceste companii, care surprindeau exact ce trebuiau să învețe modelele. Strategia privind datele a fost la fel de importantă ca arhitectura modelului.

IA agricolă are nevoie de o regândire similară. Calea înainte nu constă în aplicarea unor modele mai bune asupra datelor agricole existente. Aceste seturi sunt limitate fundamental de faptul că observă doar mediul culturii, nu cultura însăși. Calea înainte este generarea unei categorii noi de date, bazate pe biologia reală a plantelor, și construirea unor sisteme de IA concepute să învețe din ele.

Acest tip de date — telemetrie biologică neîntreruptă, pe tot parcursul sezonului, de la culturi din marile regiuni agricole — nu există încă la scară largă. Dar tehnologiile necesare pentru a le genera devin realitate. Când aceste date vor fi disponibile, vor permite modele de IA care să îi ajute cu adevărat pe fermieri să ia decizii complexe: nu procesând prin forță brută un ocean de variabile externe pline de zgomot, ci înțelegând, aproape în timp real, de ce are nevoie cultura însăși.

Deficitul de calitate a datelor în agricultură este discutat de ani de zile. Ce s-a schimbat este că avem acum un răspuns credibil, care începe cu plantele însele.

Calea reală către următoarea Revoluție Verde

Hrănirea sustenabilă a 8 miliarde de oameni, la care se așteaptă să se adauge încă 2 miliarde până în 2050, concomitent cu gestionarea perturbărilor climatice, a costurilor factorilor de producție și a deficitului de apă, este una dintre provocările definitorii ale secolului. IA agricolă poate contribui la fiecare parte a acestei provocări, dar numai dacă se bazează pe date care reflectă ce se întâmplă efectiv în interiorul plantelor pe care încercăm să le cultivăm.

De mai bine de un deceniu, sectorul încearcă să rezolve problema acumulând date externe și alocând mai multă putere de calcul. Această abordare a adus progrese treptate, dar nu a oferit saltul de care sectorul are nevoie. Și nici nu îl va oferi, deoarece problema fundamentală a datelor rămâne nerezolvată.

Următoarea Revoluție Verde nu va porni de la încă o arhitectură de model promițătoare sau de la încă o companie nouă bine finanțată, cu un flux mai bun de prelucrare a imaginilor satelitare. Va începe când sistemele de IA vor putea, în sfârșit, să audă ce încearcă să spună planta.

Dr. Christopher Seifert este Șef de Produs Software la InnerPlant, unde conduce sistemele de date și de învățare automată ale companiei. El s-a alăturat InnerPlant după ce a construit produse și platforme în aproape toate straturile stivelor de date agricole, cu experiență în domenii precum teledetectare prin satelit, analize geospațiale, software de gestionare a fermelor și infrastructură de date pentru semințe și agronomie. Experiența sa profesională include roluri de conducere la Granular și Corteva Agriscience, precum și activități anterioare la Google și The Climate Corporation, și experiență de cercetare la NASA și Programul Stanford pentru Securitatea Alimentară și Mediul Înconjurător. De asemenea, el a co-fondat și a ocupat funcția de CEO al AcreValue, o platformă de evaluare a terenurilor agricole achiziționată de Granular. Această experiență îi oferă o perspectivă clară asupra modului în care inteligența artificială agricolă a funcționat, unde a întâmpinat dificultăți în a furniza rezultate pe teren și ce este necesar pentru a opera sisteme fiabile, pregătite pentru utilizare operațională în agricultură. El deține un doctorat în Științe ale Sistemului Terestru, precum și o diplomă de master și una de licență în Sisteme Terestre de la Universitatea Stanford.

Chip Franzén este inginer software la InnerPlant, unde proiectează și construiește fluxurile de procesare a datelor și de învățare automată ale companiei pentru aplicații de detecție agricolă, cu accent pe IoT, viziune computerizată și teledetecție. Anterior a petrecut ani aplicând învățarea automată în agricultură la companii precum Granular și Indigo, lucrând la evaluarea terenurilor, identificarea acoperirii solului prin viziune computerizată, fluxuri de date spațiale și MLOps pentru modele agronomice și API-uri de inferență bazate pe teledetecție. La InnerPlant își folosește experiența full-stack pentru a transforma semnale biologice și geospațiale complexe în rezultate fiabile, pregătite pentru producție, pe care echipele le pot utiliza în fluxuri de lucru reale. Are un BA de la Duke University și un M.Sc. în Știința Datelor de la Galvanize.