Düşünce Liderleri

Tarımın veri sorunu neden bir yapay zekâ sorunu — ve bitkiler nasıl yardımcı olabilir?

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarTarımsal yapay zeka, doğrudan bitki biyolojik sinyalleri yerine harici çevresel…
Daha fazla göster
  • Tarımsal yapay zeka, doğrudan bitki biyolojik sinyalleri yerine harici çevresel verilere dayandığı için başarısız oluyor.
  • Hastalık gibi içsel durumları sinyal vermek üzere tasarlanan bitkiler, yapay zekaya yeni bir tür işlenebilir biyolojik veri sınıfı sunuyor.
  • The Climate Corporation'un 1.1 milyar dolarlık satın alımı, kusurlu harici veri stratejileri üzerine on yıllık abartıyı örnekliyor.

Tarım teknolojisi sektöründe birkaç yılda bir her derde deva olduğu ileri sürülen yeni bir çözüm ortaya çıkıyor. 2013’te anlatı, büyük verinin çiftlik yönetimini dönüştüreceği yönündeydi. Monsanto’nun The Climate Corporation’ı 1,1 milyar dolara satın almasının, öngörüye dayalı tarımda yeni bir çağ başlatması bekleniyordu. Birkaç yıl sonra, yapay zekâ destekli seralar ikinci bir Yeşil Devrim getirecekti. Ardından robotik hasat, üretken yapay zekâya dayalı tarım uzmanları ve şimdi de dünya çapında çiftçiler adına bağımsız kararlar alacağı öne sürülen ajan tabanlı yapay zekâ vaatleri geldi.

Bu örüntü tanıdık olmalı: her abartılı beklenti dalgası öncekinin üzerine kuruluyor, ancak AgTech girişim sermayesi yatırımları hayal kırıklığı yaratmayı sürdürüyor ve dönüştürücü sonuçlara hâlâ ulaşılamıyor. Neden? Mühendisler yeteneksiz olduğu veya yapay zekânın dayandığı bilim kusurlu olduğu için değil. Sorun daha derinde, tarımsal yapay zekâ sistemlerinin bağımlı olduğu verinin kendisinde yatıyor.

Hangi verileri, nasıl topladığımızı kökten yeniden düşünmedikçe tarımda yapay zekâ devrimi bugünün gerçeği olmak yerine sürekli ertelenen bir vaat olarak kalacak.

Tarımsal yapay zekânın sürekli başarısız olmasının üç nedeni

Tarım, yapay zekâ geliştirmek için hayal edilebilecek en elverişsiz ortamlardan biri. Zorluklar basit mühendislik sorunları değil, yapısal engeller. Bu alanda alışılmış yapay zekâ yöntemlerinin neden zor işlediğini şu unsurlar açıklıyor:

Geri bildirim döngüleri yazılımın değil, biyolojinin hızında ilerliyor

Modern yapay zekâ sistemleri hızlı yinelemeler için tasarlanıyor. Bir yazılım modeli saatler içinde yeniden eğitilebilirken ilaç denemeleri yıllar alıyor. Tarım ikinci duruma daha yakın. Norman Borlaug’un 1970’lerde Nobel ile takdir edilen yeniliği, kısmen bitki ıslahı döngülerini kısaltarak yılda bir yerine iki döngü yapılmasını sağlamakla ilgiliydi. Bugün en gelişmiş tohum şirketleri yılda üç döngü gerçekleştirebiliyor; bu, yapay zekâ ölçütlerine göre hâlâ son derece yavaş. Gerçek sonuçları gösteren referans veriler ancak hasatla geldiğinde model geliştirme süreleri kısa geliştirme sprintlerine değil, yıllara yayılıyor.

Tarımın karmaşıklığı yapay zekânın alışılmış varsayımlarını bozuyor

Görünüşte basit bir soru sorun: Bu tarlaya ne kadar azot verilmeli? Değişkenlerin sayısı hızla artar: toprak bileşimi, geçmiş ekim nöbetleri, patojen geçmişi, mikroiklim, onlarca yıllık hayvancılık geçmişi, su tutma kapasitesi, toprak işleme yöntemleri ve birbiriyle etkileşen daha onlarca unsur. Yapay zekânın akıl yürütme sınırlarına ilişkin araştırmalar model doğruluğunun yüksek boyutlu ortamlarda çöktüğünü gösteriyor. Tarım yalnızca yüksek boyutlu değil; insanların şimdiye kadar modellemeye çalıştığı en yüksek boyutlu alanlardan biri.

Her çiftlik kendine özgü bir uç durum

Gerçek tarımda küresel inek yoktur. Her işletmenin teknolojiye erişim, emek anlayışı, sermaye kısıtları ve risk toleransı bileşimi farklıdır. ABD’nin Orta Batı bölgesindeki, sıra bitkileri yetiştiren büyük işletmelerle eğitilmiş bir model, Pasifik Kuzeybatısı’ndaki küçük ve çeşitli üretim yapan bir çiftliğe uygulandığında büyük bir başarısızlık yaşar. Hiçbir şey sorunsuz biçimde genellenemez; her uç duruma çözüm geliştirmek de boyut sayısını pratikte uygulanamaz bir düzeye taşır.

Yanıt daha fazla veri değil, daha iyi veri

Silikon Vadisi’nin çoğu zor soruna verdiği içgüdüsel yanıt, daha fazla hesaplama gücü ve veri kullanmaktır. Tarımda bu yaklaşım şaşırtıcı rakamlar ortaya çıkardı: ortalama bir çiftliğin bugün tahminen günde 500.000 veri noktası ürettiği belirtiliyor. Uydular dünyadaki her tarlayı görüntülüyor. Sensörler sıcaklığı, havadaki nemi ve toprak nemini ayrıntılı biçimde kaydediyor.

Yine de tarımsal yapay zekâ topluluğu kaliteli veri eksikliğini yaygın biçimde kabul ediyor. Sorun hacim değil, verinin ilgili soruyu yanıtlayıp yanıtlamaması. Bütün sensör verileri, uydu görüntüleri ve toprak analiz raporları bitkinin çevresinde olup bitenleri kaydediyor. Hiçbiri bitkinin içinde olup bitenleri kaydetmiyor.

Yalnızca GPS takip verilerini kullanarak tur süresini iyileştirmeye çalışan bir Formula 1 yarış mühendisi düşünün. Hız, konum ve izlenen yol bir başlangıç noktası verir. Ancak motor telemetrisi, lastik sıcaklık sensörleri ve yakıt akış verileri olmadan model neden-sonuç ilişkileri hakkında tahmin yürütmeye devam eder. Dış tarım verileri de tam olarak böyledir. Çevrede hangi koşulların bulunduğunu söyler, fakat bitkinin bu koşullara gerçekte nasıl tepki verdiğini söyleyemez.

Bu, tarımdaki en görünür yapay zekâ başarısızlıklarından bazılarını açıklıyor. Gro Intelligence, dünyanın en büyük tarımsal iklim verisi deposunu oluşturmak için 120 milyon doların üzerinde kaynak topladı ve sonunda kapandı. Daha fazla dış veri, ne kadar hassas toplanırsa toplansın temel sorunu çözmüyor: yanlış şeyi ölçüyoruz.

Bitkiyi dinlemek gerçekte ne anlama geliyor?

Yeni biyoteknolojiler ilk kez yetiştirdiğimiz bitkilerin içinden doğrudan veri almayı mümkün kılıyor. Temel fikir, bitkileri kendi iç biyolojik durumlarını sinyalle bildirecek şekilde değiştirmek. Böylece stres, enfeksiyon veya kaynak ihtiyaçları dış göstergelerden çıkarım gerektirmek yerine ölçülebilir çıktılarla iletiliyor.

Bu yılın başlarında bu yaklaşımlardan biri tarihî bir sonuç verdi: floresan sinyaller yayacak şekilde değiştirilmiş bir soya bitkisi, mantar enfeksiyonunu gerçek zamanlı olarak ortaya koydu. Üstelik bitkide henüz görünür hiçbir belirti yoktu. Tarımın 10.000 yıllık tarihinde çiftçiler hastalığı bu aşamada daha önce hiç tespit edememişti. Sinyali bitkinin kendi bağışıklık tepkisi tetikledi. Veriyi bitkinin kendisi sağladı.

Bu, tarımın pratik sonuçları açısından önemli. Hastalığı daha erken bulmak daha erken müdahaleyi mümkün kılar; kayıpları ve kimyasal girdileri azaltır. Ancak temelden yeni bir veri kategorisi sunduğu için tarımsal yapay zekâ açısından da aynı derecede önemlidir.

Dış koşullardan bitki biyolojisini çıkarsamak, doğası gereği gürültülü, yüksek boyutlu ve karıştırıcı etkenlere duyarlı bir iştir. Bunun yerine yapay zekâ sistemleri artık bitki fizyolojisinin doğrudan ölçümleriyle eğitilebilir. Boyutluluk sorunu büyük ölçüde küçülür ve geri bildirim döngüsü kısalır. Uç durum sorunu ortadan kalkmaz; ancak çevredeki vekil değişkenler yerine bitkinin kendi yaydığı sinyallerle çalışıldığında daha kolay yönetilir.

Tarımsal yapay zekâda yeni bir çağ için yeni veri paradigması

Otonom araç geliştirmeyle karşılaştırma öğreticidir. Örneğin Waymo gibi şirketler yalnızca mevcut, kamuya açık yol verileriyle modellerini eğitmeye çalışarak başarılı olmadı. Kendi sensör dizilerini kurdular ve modellerin öğrenmesi gerekenleri tam olarak yakalayan büyük, kaliteli, kendilerinin topladığı veri kümeleri ürettiler. Veri stratejisi model mimarisi kadar önemliydi.

Tarımsal yapay zekâda da benzer bir yeniden düşünme gerekiyor. İlerleme yolu, daha iyi modelleri mevcut tarım verilerine uygulamak değil. Bu veri kümelerinin temel sınırı, yalnızca bitkinin çevresini gözlemlemeleri, bitkinin kendisini gözlemlememeleri. Yol, gerçek bitki biyolojisine dayalı yeni bir veri kategorisi üretmek ve bundan öğrenmek üzere tasarlanmış yapay zekâ sistemleri kurmak.

Başlıca tarım bölgelerindeki bitkilerden bütün yetiştirme sezonu boyunca alınan kesintisiz biyolojik telemetri verileri henüz büyük ölçekte yok. Ancak bu verileri üretme teknolojileri gerçeğe dönüşüyor. Veriler geldiğinde, çiftçilerin karmaşık kararlar almasına gerçekten yardım eden yapay zekâ modelleri mümkün olacak: dış değişkenlerin gürültülü denizini kaba hesaplama gücüyle işleyerek değil, bitkinin neye ihtiyacı olduğunu neredeyse gerçek zamanlı anlayarak.

Tarımda veri kalitesi açığı yıllardır tartışılıyor. Değişen, artık güvenilir bir yanıtımızın olması; bu yanıt bitkilerin kendisiyle başlıyor.

Bir sonraki Yeşil Devrim’e giden gerçek yol

8 milyar insanı ve 2050’ye kadar eklenmesi beklenen 2 milyarı sürdürülebilir biçimde beslerken iklim bozulmaları, girdi maliyetleri ve su kıtlığıyla başa çıkmak, bu yüzyılın belirleyici zorluklarından biri. Tarımsal yapay zekâ bunun her bölümüne yardım edebilir, ancak yalnızca yetiştirmeye çalıştığımız bitkilerin içinde olanları gerçekten yansıtan verilerle kurulursa.

Sektör on yılı aşkın süredir daha fazla dış veri biriktirip daha fazla hesaplama gücü kullanarak bu sorunu çözmeye çalışıyor. Bu yaklaşım kademeli ilerlemeler sağladı, fakat sektörün ihtiyaç duyduğu atılımı getirmedi. Getirmeyecek de, çünkü temel veri sorunu hâlâ çözülmedi.

Bir sonraki Yeşil Devrim, başka bir umut vadeden model mimarisinden veya daha iyi uydu görüntüsü işleme sürecine sahip, iyi finanse edilmiş başka bir girişimden doğmayacak. Yapay zekâ sistemleri nihayet bitkinin ne söylemeye çalıştığını duyabildiğinde başlayacak.

Dr. Christopher Seifert, InnerPlant'in Yazılım Ürün Lideri'dir ve şirketin veri ve makine öğrenimi sistemlerini yönetmektedir. InnerPlant'e katılmadan önce, uydu uzaktan algılama, coğrafi analiz, çiftlik yönetimi yazılımı ve tohum ve tarım altyapısı verileri gibi tarım veri yığınının neredeyse her katmanında ürün ve platformlar geliştirdi. Geçmişteki rolleri arasında Granular ve Corteva Agriscience'te liderlik rolleri, Google ve The Climate Corporation'da önceki çalışmalar ve NASA ve Stanford Üniversitesi'ndeki Gıda Güvenliği ve Çevre Programı'nda araştırma deneyimi yer almaktadır. Ayrıca, Granular tarafından satın alınan bir tarım arazisi değerleme platformu olan AcreValue'un kurucu ortaklarından biri olmuş ve CEO'su olarak görev yapmıştır. Bu geniş deneyim, tarım AI'nın nerede çalıştığını, nerede sahada sonuç üretmekte zorlandığını ve tarımda güvenilir, üretim sınıfı sistemleri çalıştırmak için ne gerektiğini net bir şekilde görmesini sağlar. Stanford Üniversitesi'nden Yer Sistemi Bilimi alanında doktora ve Yer Sistemleri alanında yüksek lisans ve lisans derecelerine sahiptir.

Chip Franzén, InnerPlant’te yazılım mühendisidir. Şirketin tarımsal algılama uygulamalarına yönelik veri ve makine öğrenimi işlem hatlarını tasarlayıp geliştirir; IoT, bilgisayarlı görü ve uzaktan algılama başlıca odak alanlarıdır. Daha önce Granular ve Indigo gibi şirketlerde yıllarca makine öğrenimini tarıma uygulamıştır. Arazi değerleme, bilgisayarlı görüyle arazi örtüsünü belirleme, mekânsal veri işlem hatları ve uzaktan algılamaya dayalı agronomik modeller ile çıkarım API’leri için MLOps üzerinde çalışmıştır. InnerPlant’te full-stack deneyimiyle karmaşık biyolojik ve coğrafi sinyalleri, ekiplerin gerçek iş akışlarında kullanabileceği güvenilir ve üretime hazır çıktılara dönüştürür. Duke Üniversitesi’nden BA ve Galvanize’dan Veri Bilimi alanında M.Sc. derecesine sahiptir.