De ce problema datelor din agricultură este o problemă de IA — și ce pot face plantele în acest sens

La fiecare câțiva ani, sectorul tehnologiei agricole primește o nouă soluție miraculoasă. În 2013, narativa era transformarea managementului fermelor prin date mari — achiziția Monsanto a The Climate Corporation, în valoare de 1,1 miliarde de dolari, trebuia să marcheze o nouă eră a agriculturii predictive. Câțiva ani mai târziu, serele cu putere AI urmau să aducă a doua Revoluție Verde. Apoi a venit promisiunea recoltării robotizate, apoi a agronomilor generativi AI și acum IA agențială, care ar trebui să ia decizii autonom pe behalf-ul fermierilor din întreaga lume.

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

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

Trei motive pentru care IA agricolă continuă să eșueze

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

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

Sistemele moderne de IA sunt proiectate în jurul iterației rapide. Un model de software poate fi reantrenat în câteva ore; un test de medicamente durează ani. Agricultura se află mai aproape de cel din urmă. Inovația lui Norman Borlaug, recunoscută cu Premiul Nobel, în anii 1970, a fost parțial despre comprimarea ciclurilor de creștere a culturilor de la o dată la două pe an. Astăzi, cele mai avansate companii de semințe gestionează trei cicluri pe an; încă foarte lent, din punctul de vedere al IA. 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 IA

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, retenția apei, practicile de arat, și zeci de alte factori care interacționează. Cercetarea privind limitările raționamentului IA arată că acuratețea modelului se prăbușește în medii cu dimensiuni ridicate. Agricultura nu este doar o medie 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 marginal.

Nu există vaca sferică în agricultura reală. Fiecare operațiune are propria sa 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 marginal împinge dimensionalitatea și mai mult într-un teritoriu ineficient.

Mai multe date nu este răspunsul — date mai bune sunt

Instinctul din Silicon Valley pentru majoritatea problemelor dificile este de a arunca mai multe calcule și mai multe date la ele. În agricultură, acel instinct a produs câteva numere uimitoare: 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 IA în agricultură recunoaște în mod larg un deficit de date de calitate. Problema nu este volumul. Este relevanța. Toate acele date de la senzori, toate acele imagini din satelit, toate acele rapoarte de testare a solului — capturează ceea ce se întâmplă în jurul plantei. Niciuna dintre ele nu capturează ceea ce se întâmplă în interiorul plantei.

Considerați analogia unui inginer de curse Formula 1 care încearcă să optimizeze timpul de tur folosind doar date de urmărire GPS. Viteza, poziția și traiectoria oferă ceva de lucru, dar fără telemetrie a motorului, senzori de temperatură a anvelopelor și date de flux de combustibil, 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 culturile răspund în realitate la acele condiții.

Acest lucru explică unele dintre cele mai vizibile eșecuri ale IA 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 să ascultăm plantele

Noi biotehnologii fac posibil, pentru prima dată, să obținem date direct de la interiorul culturilor pe care le cultivăm. Ideea de bază este de a ingineriza culturi care semnalează stările lor biologice interne — comunicând stres, infecție sau nevoi de resurse prin ieșiri măsurabile, mai degrabă decât să necesite 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 acea etapă. Răspunsul imun al plantei a declanșat semnalul. Planta însăși a furnizat datele.

Acest lucru contează pentru rezultatele practice ale fermelor. Detectarea mai rapidă a bolilor permite intervenția mai rapidă, reducând pierderile și intrările chimice. Dar contează la fel de mult pentru IA în agricultură, deoarece reprezintă o clasă fundamental nouă de date.

În loc de a încerca să inferăm biologia plantelor din condiții externe — o sarcină care este în mod inerent zgomotoasă, cu dimensiuni ridicate și predispusă la factori perturbatori — sistemele de IA pot fi acum antrenate pe măsurători directe ale fiziologiei plantelor. Problema dimensionalității se micșorează dramatic. Buclele de feedback se strâng. Problema cazurilor marginale nu dispare, dar devine mai tractabilă atunci când lucrați cu semnale pe care plantele le emit ele însele, mai degrabă decât variabile proxy în mediul înconjurător.

Un nou paradigma de date pentru o nouă eră de IA în agricultură

Comparația cu dezvoltarea vehiculelor autonome este instructivă. Companii precum Waymo nu au reușit prin a încerca să antreneze modelele lor pe datele de drum public 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.

IA în agricultură are nevoie de o reevaluare similară. Calea înainte nu este reprezentată de modele mai bune aplicate pe seturi de date agricole existente. Aceste seturi de date sunt fundamental limitate de faptul că observă doar mediul culturilor, nu culturile însele. Calea înainte este generarea unei noi categorii de date, bazate pe biologia reală a plantelor, și construirea de sisteme de IA proiectate să învețe de la ele.

Asemenea date — telemetrie biologică sezonieră continuă de la culturi de-a lungul inimii agricole — nu există încă la scară. Dar tehnologiile pentru a le genera devin reale. Când aceste date vor sosi, vor face posibile modelele de IA care pot ajuta în mod real fermierii să navigheze decizii complexe: nu prin forțarea printr-un zgomot mare de variabile externe, ci prin înțelegerea, în timp real, a ceea ce culturile au nevoie în mod real.

Gap-ul de calitate a datelor în agricultură a fost discutat 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 așteptați până în 2050 — în timp ce se gestionează perturbarea climatică, costurile intrărilor și penuria de apă este una dintre provocările definitorii ale acestui secol. IA în agricultură are potențialul de a ajuta la fiecare parte a acestei provocări. Dar doar dacă este construită pe date care reflectă în realitate 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 de mai multe calcule la ele. Această 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 semănată de o altă arhitectură de model promițătoare sau de o altă startup bine finanțată, cu o conductă de imagini din satelit mai bună. Va începe atunci când sistemele de IA pot să audă în sfârșit ce încearcă să spună culturile.