Tarımın Veri Sorununun Bir AI Sorunu Olması — ve Bitkilerin Bunu Hakkında Neler Yapabileceği

Her birkaç yılda bir, tarım teknolojisi sektörü yeni bir gümüş kurşun elde eder. 2013 yılında, anlatılan büyük veri çiftlik yönetimi dönüştürüyor — Monsanto’nun The Climate Corporation’un 1.1 milyar dolarlık satın alması, öngörülü tarımın yeni bir dönemini haber vermesi gerekiyordu. Birkaç yıl sonra, AI destekli seralar ikinci bir Yeşil Devrim getirecekti. Sonra robotik hasat vaadi geldi, ardından generatif AI agronomistler ve şimdi çiftçiler adına otomatik olarak karar verecek ajans AI.

Desen tanıdık olmalıdır: Her hype dalgası bir önceki üzerine kurulur, ancak AgTech girişim yatırımları hayal kırıklığı yaratmaya devam eder ve dönüştürücü sonuçlar kaybolur. Neden? Mühendislerin yeteneksiz olduğu veya temel AI biliminin kusurlu olduğu için değil. Sorun daha derine iner, tarım AI sistemlerinin bağlı olduğu verilerin kendisine.

Temel olarak ne tür veri topladığımız ve nasıl topladığımızı yeniden düşünmedikçe, tarım AI devrimi sürekli bir vaat olarak kalacak, gerçek bir gerçeklik olarak değil.

Tarım AI’nin Neden Sürekli Başarısız Olduğu Üç Neden

Tarım, AI geliştirilebilecek en düşmanca ortamlardan biridir. Zorluklar basit mühendislik problemleri değil — yapısal. Bu alanı AI’nin genellikle kullandığı oyun kitabına karşı neden bu kadar dirençli olduğunu açıklıyor:

Biyolojinin hızındaki geri bildirim döngüleri, yazılımın hızındaki değil.

Modern AI sistemleri hızlı iterasyon etrafında tasarlanır. Bir yazılım modeli birkaç saat içinde yeniden eğitilebilir; bir ilaç denemesi yıllar alır. Tarım, latter’e daha yakın. Norman Borlaug’un 1970’lerdeki Nobel ödüllü yeniliği kısmen mahsul yetiştirme döngülerini bir yıldan iki yıla sıkıştırmakla ilgiliydi. Bugün en gelişmiş tohum şirketleri yılda üç döngü yönetiyor; AI standartlarına göre hala çok yavaş. Zemin gerçeğiniz hasatla geldiğinde, model iyileştirme zaman çizelgeleri yıllarca uzuyor, değil sprint.

Tarımın karmaşıklığı AI’nin通常 varsayımlarını bozar

Görünüşte basit bir soru sor — bu alana ne kadar azot verilmesi gerekiyor? — ve değişkenler nhanh chóng çoğalır: toprak bileşimi, önceki mahsul rotasyonları, patojen tarihi, mikro iklim, on yıllar öncesine giden hayvan tarihi, su tutma, tarla işleme uygulamaları ve diğer birçok etkileşimli faktör. AI akıl yürütme 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 vakasını oluşturur.

Gerçek tarımda küresel bir inek yoktur. Her operasyon, teknoloji erişimi, işgücü felsefesi, sermaye kısıtlamaları ve risk toleransı açısından kendi birleşimine sahiptir. Büyük Orta Batı sıralı ürün operasyonlarına yönelik eğitilen bir model, Pasifik Kuzeybatı’daki küçük bir çeşitlendirilmiş çiftlikte muhteşem bir şekilde başarısız olacaktır. Hiçbir şey temiz bir şekilde genelleştirilemez ve her kenar vakasına göre inşa etmek, boyutluluğu daha da işlenemez bir alana itiyor.

Daha Fazla Veri Değil, Daha İyi Veri

Silikon Vadisi’nin çoğu zor problemi için içgüdüsü, onlara daha fazla hesaplama ve daha fazla veri atmak. Tarımda, bu içgüdü bazı şaşırtıcı rakamlara yol açtı: ortalama bir çiftlik şimdi günde yaklaşık 500.000 veri noktası üretiyor. Uydular dünya üzerindeki her alanı görüntülüyor. Sensörler sıcaklık, nem ve toprak nemini ayrıntılı olarak kaydediyor.

Ve yine de, tarım AI topluluğu geniş olarak kaliteli veri açığını kabul ediyor. Sorun hacim değil. Alakalı veri. 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.

Bir Formula 1 yarış mühendisinin, yalnızca GPS takip verisi kullanarak tur süresini optimize etmeye çalışması analojisini düşünün. Hız, konum ve traijektory size bir şeyler verir, ancak motor telemetrisi, lastik sıcaklık sensörleri ve yakıt akışı verisi olmadan, modeliniz toujours neden-sonuç hakkında tahmin yapacaktır.

Tarımın en görünür AI başarısızlıklarını açıklar. Gro Intelligence, dünyanın en büyük tarım iklim veri deposunu oluşturmak için 120 milyon doların üzerinde para topladı ve sonunda kapandı. Daha fazla dış veri, ne kadar precisa toplandığından bağımsız olarak, temel soruna çözüm getirmez: yanlış şeyi ölçüyoruz.

Aslında Bitkiye Dinlemek Ne Anlama Geliyor

Yeni biyoteknolojiler, ilk kez, yetiştirilen bitkilerden doğrudan veri toplama olanağı sunuyor. Temel fikir, yetiştirilen bitkilerin kendi iç biyolojik durumlarını — stres, enfeksiyon veya kaynak ihtiyaçlarını — ölçülebilir çıktılar rather than dış proxy’ler aracılığıyla iletişim kurmasını sağlamak.

Bu yıl, bu yaklaşımlardan biri gerçekten tarihi bir sonuç üretti — mühendislik floresan sinyali ile bir soya fasulyesi bitkisi, görünür semptomlar ortaya çıkmadan önce fungal enfeksiyonu gerçek zamanlı olarak ortaya çıkardı. 10.000 yıllık tarımın tarihinde, çiftçiler nunca bu aşamada hastalığı tespit edemediler. Bitkinin kendi bağışıklık tepkisi sinyali tetikledi. Bitki kendisi verileri sağladı.

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

Dış koşullardan bitki biyolojisi hakkında bilgi çıkarmaya çalışmak yerine — bu görev inherantly gürültülü, yüksek boyutlu ve karıştırıcı faktörlere eğilimlidir — AI sistemleri doğrudan bitki fizyolojisi ölçümlerine göre eğitilebilir.

Boyutluluk problemi dramatik olarak azalır. Geri bildirim döngüsü daralır. Kenar vakası problemi kaybolmaz, ancak bitkinin kendisi tarafından üretilen sinyallerle çalışırken daha yönetilebilir hale gelir.

Yeni Bir Tarım AI Dönemi İçin Yeni Bir Veri Paradigması

Otonom araç geliştirmeyle karşılaştırma eğitici. Waymo gibi şirketler, yalnızca mevcut kamu yol verilerine dayalı olarak modellerini eğitmeye çalışarak başarılı olmadı. Özel sensör dizileri oluşturdular ve modellerinin öğrenmesi için gereken yüksek kaliteli, birinci taraf veri setlerini oluşturdular. Veri stratejisi model mimarisinin kendisi kadar önemliydi.

Tarım AI’ye benzer bir yeniden düşünme gerekiyor. İlerleme yolu, mevcut tarım veri setlerine uygulanan daha iyi modeller değil. Bu veri setleri, yalnızca mahsulün çevresini gözlemlediği için temel olarak sınırlı. İlerleme yolu, yeni bir veri kategorisi oluşturmak ve bu verilerden öğrenen AI sistemleri inşa etmek.

Bu tür veriler — mevsim boyu, tarım merkezlerindeki bitkilerden sürekli biyolojik telemetri — henüz büyük ölçekte mevcut değil. Ancak bunları üretmek için gereken teknolojiler gerçek oluyor. Bu veriler geldiğinde, çiftçilerin karmaşık kararlar almasına yardımcı olabilecek AI modellerinin mümkün olmasını sağlayacak: dış değişkenlerin gürültülü bir denizini zorlamak yerine, mahsulün gerçekten neye ihtiyacı olduğunu neredeyse gerçek zamanlı olarak anlar.

Gerçek Yeşil Devrim Yoluna

8 milyar insanı sürdürülebilir bir şekilde beslemek — 2050 yılına kadar 2 milyar daha bekleniyor — aynı zamanda iklim bozulmasını, girdi maliyetlerini ve su kıtlığını yönetmek bu yüzyılın tanımlayıcı zorluklarından biri. Tarım AI, bu zorluğun her部分ine yardımcı olma potansiyeline sahip. Ancak yalnızca veri gerçekten yetiştirilmeye çalışılan bitkilerin içinde neler olduğu hakkında bilgi veriyorsa.

Endüstri, on yıldan fazla bir süredir bu soruna daha fazla dış veri toplamak ve daha fazla hesaplama atmak yoluyla çözüm bulmaya çalışıyor. Bu yaklaşım artımlı kazanımlar üretti, ancak sektörün ihtiyaç duyduğu atılımları getirmedi. Getirmez — çünkü temel veri problemi çözülmedi.

Sonraki Yeşil Devrim, başka bir vaat edilen model mimarisi veya daha iyi bir uydu görüntüleme pipeline’i olan başka bir iyi finanse edilen startup tarafından tohumlanmayacak. AI sistemleri nihayet mahsulün söylemeye çalıştığı şeyi duyabildiğinde başlayacak.