Чому проблема даних сільського господарства є проблемою штучного інтелекту — і що рослини можуть зробити щодо цього

Кожні кілька років сільськогосподарський технологічний сектор отримує новий срібний кулю. У 2013 році розповідь була про біг дані, що змінюють управління фермерством — придбання Monsanto The Climate Corporation за 1,1 мільярда доларів мало ознаменувати нову еру прогнозного фермерства. Через кілька років штучний інтелект, що керує теплицями мав забезпечити другу Зелену революцію. Потім прийшла обіцянка роботизованого збору врожаю, потім генеративний штучний інтелект агрономів, а тепер агентний штучний інтелект, який має приймати рішення автономно від імені фермерів усьому світі.

Звичайно, кожна хвиля гіпертрофії будується на попередній, проте інвестиції у сфері AgTech продовжують розчаровувати, а трансформаційні результати залишаються недосяжними. Чому? Не тому, що інженери не талановиті, або тому, що основна наука штучного інтелекту є пошкодженою. Проблема лежить глибше — у самих даних, на яких залежать системи штучного інтелекту в сільському господарстві.

До тих пір, поки ми не переглянемо фундаментально, які дані ми збираємо і як ми їх збираємо, революція штучного інтелекту в сільському господарстві залишиться постійною обіцянкою, а не реальністю.

Три причини, чому штучний інтелект у сільському господарстві продовжує терпіти невдачі

Сільське господарство є однією з найбільш негостинних середовищ для розробки штучного інтелекту. Виклики не є тривіальними інженерними проблемами — вони є структурними. Ось що робить цю область такою стійкою до звичайної гри штучного інтелекту:

Зворотні зв’язки, що рухаються зі швидкістю біології, а не програмного забезпечення.

Сучасні системи штучного інтелекту розроблені навколо швидкої ітерації. Модель програмного забезпечення може бути переобучена за кілька годин; клінічні випробування тривають роки. Сільське господарство знаходиться ближче до останнього. Інновації Нормана Борлауга, визнані Нобелівською премією в 1970-х роках, частково полягали у стисненні циклів селекції культур з одного до двох разів на рік. Сьогодні найпередовіші компанії з виробництва насіння управляють трьома циклами на рік; все ще вкрай повільно за стандартами штучного інтелекту. Коли ваша основна правда приходить з врожаєм, терміни вдосконалення моделі розтягуються на роки, а не спринти.

Сільськогосподарська складність порушує звичайні припущення штучного інтелекту

Задайте, здавалося б, просте питання — скільки азоту має отримати це поле? — і змінні швидко множаться: склад ґрунту, попередня севообіг, історія патогенів, мікроклімат, історія тваринництва за останні десятиліття, водовіддача, агротехніка, і десятки інших взаємодіючих факторів. Дослідження обмежень штучного інтелекту показує, що точність моделі знижується в умовах високої розмірності. Сільське господарство не тільки високорозмірне; це одна з найбільш високорозмірних областей, які люди коли-небудь намагалися змоделювати.

Кожна ферма є своєю особливою випадковістю.

Не існує сферичної корови у реальному сільському господарстві. Кожна операція має свою комбінацію доступу до технологій, філософії праці, обмежень капіталу та толерантності до ризику. Модель, навчена на великих фермерських господарствах Середнього Заходу, буде провалена, якщо застосувати її до малої різноманітної ферми на північному заході Тихого океану. Ніщо не узагальнюється чисто, а будівництво для кожної особливої випадковості ще більше збільшує розмірність до неможливої території.

Більше даних не є відповіддю — кращі дані є

Інстинкт Кремнієвої долини для більшості складних проблем полягає у тому, щоб кинути більше обчислень і більше даних на них. У сільському господарстві цей інстинкт призвів до деяких приголомшливих цифр: середня ферма зараз генерує приблизно 500 000 даних за день. Супутники зображують кожне поле на землі. Датчики реєструють температуру, вологість та вологість ґрунту в деталях.

І все ж, сільськогосподарська спільнота штучного інтелекту широко визнає дефіцит якісних даних. Проблема не в об’ємі. Це актуальність. Все ті дані датчиків, всі ті супутникові зображення, всі ті звітні форми про ґрунт — вони фіксують, що відбувається навколо рослини. Ніщо з цього не фіксує, що відбувається всередині рослини.

Розгляньте аналогію інженера Формули 1, який намагається оптимізувати час кола, використовуючи тільки дані GPS-трекінгу. Швидкість, позиція та траєкторія дають вам щось, з чим можна працювати, але без даних телеметрії двигуна, датчиків температури шин та потоку палива ваша модель завжди буде здогадуватися про причинно-наслідкові зв’язки. Зовнішні сільськогосподарські дані точно такі ж. Вони кажуть вам, які умови існують у середовищі, але вони не можуть сказати вам, як рослина насправді реагує на ці умови.

Це пояснює деякі найвидиміші невдачі штучного інтелекту в сільському господарстві. Gro Intelligence зібрала понад 120 мільйонів доларів, будучи найбільшим репозиторієм сільськогосподарських кліматичних даних, і в кінцевому підсумку закрилася. Більше зовнішніх даних, dù як точно зібраних, не розв’язує основну проблему: ми вимірюємо не те.

Що насправді означає слухати рослину

Нові біотехнології зараз роблять можливим вперше отримувати дані безпосередньо з внутрішньої частини культур, які ми вирощуємо. Основна ідея полягає у тому, щоб інженерно створити культури, які сигналізують про свій внутрішній біологічний стан — спілкуючись про стрес, інфекцію чи потреби в ресурсах через вимірювані виходи, а не вимагаючи висновків з зовнішніх проксі.

Раніше цього року один із цих підходів дав справжній історичний результат — соєву рослину з інженерним флуоресцентним сигналом виявив грибкову інфекцію в реальному часі до появи будь-яких видимих симптомів на рослині. За 10 000 років сільського господарства фермери ніколи не могли виявити захворювання на цій стадії. Імунна відповідь рослини спровокувала сигнал. Рослина сама надала дані.

Це має значення для практичних результатів фермерства. Раніше виявлення захворювання дозволяє раніше втрутитися, зменшуючи втрати та хімічні введення. Але це має значення саме для штучного інтелекту в сільському господарстві, оскільки це представляє фундаментально новий клас даних.

Замість того, щоб намагатися вивести біологію рослин з зовнішніх умов — завдання, яке є внутрішньо шумним, високорозмірним і схильним до плутаних факторів — системи штучного інтелекту тепер можуть бути навчені на прямих вимірюваннях фізіології рослин. Розмірність проблеми зменшується суттєво. Зворотний зв’язок стискається. Проблема особливої випадковості не зникає, але вона стає більш прийнятною, коли ви працюєте з сигналами, які сама рослина випромінює, а не проксі-варіаблами в навколишньому середовищі.

Нова парадигма даних для нової ери штучного інтелекту в сільському господарстві

Порівняння з розробкою автономних транспортних засобів інструктивне. Компанії, такі як Waymo, не досягли успіху, намагаючисься навчати свої моделі тільки на існуючих публічних даних про дороги. Вони створили власні масиви датчиків і згенерували величезні, високоякісні, першопочаткові набори даних, які захопили саме те, чого їхнім моделям потрібно було вивчити. Стратегія даних була такою ж важливою, як і архітектура моделі.

Штучний інтелект у сільському господарстві потребує подібного перегляду. Шлях вперед не полягає у кращих моделях, застосованих до існуючих сільськогосподарських наборів даних. Ці набори даних фундаментально обмежені тим, що вони тільки спостерігають за середовищем культури, а не самою культурою. Шлях вперед полягає у створенні нової категорії даних, заснованої на фактичній біології рослин, і будівництві систем штучного інтелекту, призначених для вивчення її.

Такі дані — безперервна, сезонна біологічна телеметрія з культур по всьому сільськогосподарському серцеві — ще не існують у масштабі. Але технології для їх генерації стають реальними. Коли ці дані надійдуть, вони зроблять можливим створення таких моделей штучного інтелекту, які можуть真正ньо допомогти фермерам у складних рішеннях: не шляхом примусового проходження через шумне море зовнішніх змінних, а шляхом розуміння, майже в реальному часі, чого саме потребує культура.

У проблемі якості даних у сільському господарстві обговорюється вже кілька років. Що змінилося, так це те, що у нас тепер є достовірна відповідь на неї, і вона починається з самих рослин.

Фактичний шлях до наступної Зеленої революції

Відповідне харчування 8 мільярдів людей утриманням — з ще 2 мільярдами очікуваними до 2050 року — при управлінні кліматичними порушеннями, витратами на вхід та нестачею води є однією з визначальних проблем цього століття. Штучний інтелект у сільському господарстві має потенціал допомогти у кожній частині цієї проблеми. Але тільки якщо він будується на даних, які фактично відображають, що відбувається всередині культур, які ми намагаємося вирощувати.

Більше десятиліття галузі намагалися вирішити цю проблему, накопичуючи більше зовнішніх даних і кидаючи більше обчислень на неї. Цій підході вдалося досягти інкрементних перемог, але він не приніс прориву, якої потребує сектор. Це не станеться — тому що фундаментальна проблема даних залишається нерозв’язаною.

Наступна Зелена революція не буде засіяна іншою перспективною архітектурою моделі або іншою добре фінансованою стартап-компанією з кращим супутниковим потоком зображень. Вона розпочнеться, коли системи штучного інтелекту зможуть нарешті почути, що намагається сказати культура.