Tarımın Veri Sorununun Bir AI Sorunu Olması ve Bitkilerin Buna Nasıl Çözüm Getirebileceği

Her birkaç yılda bir, tarım teknolojisi sektörü yeni bir gümüş kurşun elde eder. 2013’te, anlatılan büyük veri çiftlik yönetimi dönüştürüyordu — Monsanto’nun The Climate Corporation’ı 1.1 milyar dolarlık satın alması, öngörülü tarım yeni bir döneminin habercisi olacaktı. Birkaç yıl sonra, AI destekli seralar ikinci bir Yeşil Devrim getirecekti. Sonra, robotik hasat vaadi geldi, ardından generatif AI tarım uzmanları ve şimdi de çiftçiler adına otomatik olarak kararlar alacak AI sistemleri vaadi geldi.

Modelin tanıdık olması gerekir: her hype dalgası bir önceki üzerine kurulur, ancak AgTech girişim yatırımları devam eden bir şekilde hayal kırıklığı yaratmaktadır ve dönüştürücü sonuçlar kaçınılmazdır. Neden? Mühendislerin yetenekli olmadıkları ya da temel AI biliminin kusurlu olduğu için değil. Sorun daha derin bir şekilde, tarım AI sistemlerine bağımlı olan verilerin temelinde yatmaktadır.

Tarım AI devrimi, temel olarak ne tür veri topladığımız ve nasıl topladığımız hakkında yeniden düşünmemize kadar, sürekli bir vaat olarak kalacaktır.

Tarımın AI’sinin Neden Başarısız Olduğu Üç Neden

Tarım, AI geliştirmek için hayal edilebilecek en düşmanca ortamlardan biridir. Sorunlar basit mühendislik sorunları değil, yapısal sorunlardır. Bu alanın AI’nin genellikle kullandığı oyun kitabına karşı neden bu kadar dirençli olduğunu açıklamak için:

Biyolojinin hızında, değil yazılımda, ilerleyen geri bildirim döngüleri.

Modern AI sistemleri hızlı yineleme etrafında tasarlanmıştır. Bir yazılım modeli birkaç saat içinde yeniden eğitilebilir; bir ilaç denemesi yıllar alır. Tarım, sonuncuya daha yakındır. Norman Borlaug’un 1970’lerdeki Nobel ödüllü yeniliği, kısmen yılda bir kez olan ürün yetiştirme döngüsünü iki kez yapabilmeyi içeriyordu. Bugün en gelişmiş tohum şirketleri yılda üç döngü yönetebiliyor; AI standartlarına göre hala çok yavaş. Zemin gerçeğiniz hasatla geldiğinde, model iyileştirme zaman çizelgesi yıllara uzanır, değil sprintlere.

Tarımın Karmaşıklığı AI’nin Alışık Olduğu Varsayımları Bozar

Görünüşte basit bir soru sormak — bu alana ne kadar azot verilmesi gerekir? — ve değişkenler hızla çoğalır: toprak bileşimi, önceki ürün rotasyonları, patojen tarihi, mikroiklim, hayvan tarihi on yıllar öncesine kadar, su tutma, tarla işleme uygulamaları ve diğer birçok etkileşimli faktör. AI akıl sınırları üzerine yapılan araştırmalar, model doğruluğunun yüksek boyutlu ortamlarda çöktüğünü gösteriyor. Tarım sadece yüksek boyutlu değil, insanların modellemeye çalıştığı en yüksek boyutlu alanlardan biri.

Her Çiftlik Kendi Kenar Durumudur.

Gerçek tarımda küresel bir inek yoktur. Her işletme, teknoloji erişimi, işgücü felsefesi, sermaye kısıtlamaları ve risk toleransı açısından kendi kombinasyonuna sahiptir. Büyük Orta Batı ürün işletmeleri için eğitilen bir model, Pasifik Kuzeybatı’da küçük bir çeşitlendirilmiş çiftliğe uygulandığında muhteşem bir şekilde başarısız olacaktır. Hiçbir şey temiz bir şekilde genelleşmez ve her kenar durumu inşa etmek boyutluluğu daha da işlenemez bir alana iter.

Daha Fazla Veri Değil, Daha İyi Veri

Silikon Vadisi’nin çoğu zor problemi için ilk içgüdü, onlara daha fazla işlem ve daha fazla veri atmakdır. Tarımda bu içgüdü, şaşırtıcı bazı sayılar üretti: ortalama bir çiftlik şimdi günde yaklaşık 500.000 veri noktası üretiyor. Uydu görüntüleri dünya üzerindeki her alanı görüntülüyor. Sensörler sıcaklık, nem ve toprak nemini ayrıntılı olarak kaydediyor.

Ve yine de, tarım AI topluluğu geniş çapta bir kalite veri açığını kabul etmektedir. Sorun hacim değil, alakalılıktır. Tüm bu sensör verileri, tüm bu uydu görüntüleri, tüm bu toprak test raporları — hepsi bitkinin etrafında neler olduğu hakkında bilgi verir. Hiçbiri bitkinin içinde neler olduğu hakkında bilgi vermez.

Benzerlik olarak, bir Formula 1 yarış mühendisinin yalnızca GPS izleme verilerini kullanarak tur süresini optimize etmeye çalıştığını düşünün. Hız, konum ve yol verisi size bir şeyler verir, ancak motor telemetrisi, lastik sıcaklık sensörleri ve yakıt akış verisi olmadan, modeliniz luôn neden-sonuç ilişkisi hakkında tahminlerde bulunacaktır. Dış tarım verileri tam olarak aynıdır. Size çevre koşullarını söyler, ancak bitkinin bu koşullara nasıl tepki verdiğini söyleyemez.

Bu, tarımın en görünür AI başarısızlıklarından bazılarını açıklar. Gro Intelligence, dünyanın en büyük tarım iklim verisi deposunu oluşturmak için 120 milyon doların üzerinde para topladı ve sonunda kapandı. Daha fazla dış veri, ne kadar kesin bir şekilde toplanırsa toplansın, temel problemi çözmez: yanlış şeyi ölçüyoruz.

Bitkiyi Dinlemek Ne Anlama Geliyor

Yeni biyoteknoloji şimdi, ilk kez, yetiştirilen bitkilerden doğrudan veri almayı mümkün kılıyor. Temel fikir, bitkilerin kendi iç biyolojik durumlarını sinyal vermelerini sağlamak — stres, enfeksiyon veya kaynak ihtiyaçlarını ölçülebilir çıktılar aracılığıyla iletmek yerine dış vekillerden çıkarımı gerektirmek.

Bu yılın başlarında, bu yaklaşımlardan biri gerçekten tarihi bir sonuç üretti — mühendislik fluorescent sinyal ile bir soya fasulyesi bitkisi, bitkinin kendi bağışıklık tepkisi tarafından tetiklenen bir fungal enfeksiyonu gerçek zamanlı olarak ortaya çıkardı. 10.000 yıllık tarımın tarihinde, çiftçiler nunca bu aşamada hastalığı tespit edemediler. Bitki kendisi veriyi sağladı.

Bu, pratik tarım sonuçları için önemlidir. Daha erken hastalık teşhisi, daha erken müdahaleyi sağlar, kayıpları ve kimyasal girdileri azaltır. Ancak bu, tarım AI için aynı derecede önemlidir, çünkü temel olarak yeni bir veri sınıfını temsil eder.

Dış koşullardan bitki biyolojisini çıkarsamaya çalışmak yerine — bu görevin doğası gereği gürültülü, yüksek boyutlu ve karıştırıcı faktörlere eğilimli olduğu için — AI sistemleri now bitkinin kendisi tarafından üretilen sinyallerden doğrudan ölçümler üzerinde eğitilebilir. Boyutluluk problemi dramatik bir şekilde küçülür. Geri bildirim döngüsü daralır. Kenar durumu problemi ortadan kalkmaz, ancak bitkinin kendisi tarafından üretilen sinyaller üzerinde çalışırken daha yönetilebilir hale gelir.

Yeni Bir Tarım AI Dönemi için Yeni Bir Veri Paradigması

Otonom araç geliştirme ile yapılan karşılaştırma aydınlatıcıdır. Waymo gibi şirketler, yalnızca mevcut kamu yol verisi üzerinde modellerini eğitmeye çalışarak başarılı olmadı. Proprietary sensör dizileri oluşturdular ve modellerinin öğrenmesi gereken şeyi yakalamak için büyük, yüksek kaliteli, ilk parti veri setleri oluşturdular. Veri stratejisi, model mimarisi kadar önemliydi.

Tarım AI’ye benzer bir yeniden düşünme gerekiyor. İlerleme yolu, mevcut tarım veri kümelerine daha iyi modeller uygulamak değil. Bu veri kümeleri, yalnızca bitkilerin çevresini gözlemledikleri için temel olarak sınırlıdır. İlerleme yolu, yeni bir veri kategorisi oluşturmaktır — gerçek bitki biyolojisine dayalı — ve bu verilerden öğrenen AI sistemleri inşa etmektir.

Bu tür veriler — mevsim boyunca, tarım merkezindeki bitkilerden sürekli biyolojik telemetri — henüz büyük ölçekte mevcut değil. Ancak bunları üretme teknolojileri gerçek oluyor. Bu veriler geldiğinde, çiftçilerin karmaşık kararlar almasına gerçekten yardımcı olabilecek AI modellerini mümkün kılacaklar — dış değişkenlerin gürültülü denizini zorlamaktan ziyade, neye ihtiyaç duyduklarını anlamak için bitkilerin kendilerine yakından bakarak.

Tarımın veri kalitesi açığı yıllardır tartışılıyor. Değişen şey, şimdi buna inandırıcı bir cevap olduğudur ve bu, bitkilerden başlıyor.

Ertesi Yeşil Devrime Giden Gerçek Yol

8 milyar insanı sürdürülebilir bir şekilde beslemek — 2050 yılına kadar 2 milyar daha bekleniyor — aynı zamanda iklim bozukluğu, girdi maliyetleri ve su kıtlığı ile başa çıkmak bu yüzyılın tanımlayıcı zorluklarından biridir. Tarım AI, bu zorluğun her aspectiyle yardımcı olabilir. Ancak yalnızca doğru verilere dayandığı takdirde.

On yıldan fazla bir süredir, sektör bu problemi daha fazla dış veri toplamak ve daha fazla işlemek yoluyla çözmeye çalışıyor. Bu yaklaşım bazı artımlı kazanımlar üretti, ancak sektörün ihtiyaç duyduğu dönüştürücü atılıyı getirmedi. Getirmez — çünkü temel veri problemi çözülmedi.

Ertesi Yeşil Devrim, başka bir vaat edilen model mimarisi veya daha iyi bir uydu görüntüleme boru hattına sahip başka bir iyi finanse edilen startup tarafından tohumlanmayacak. AI sistemleri nihayet bitkinin neler dediğini duyabildiği zaman başlayacak.