Лідери думок

Чому проблема аграрних даних є проблемою ШІ — і як можуть допомогти рослини

Dr. Christopher Seifert Chip Franzén, Software Engineer at InnerPlant
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиСільськогосподарський штучний інтелект зазнає невдач, оскільки покладається на зовнішні…
Показати більше
  • Сільськогосподарський штучний інтелект зазнає невдач, оскільки покладається на зовнішні дані про навколишнє середовище, а не на прямі біологічні сигнали рослин.
  • Рослини, модифіковані для передачі сигналів про внутрішні стани, такі як захворювання, надають ШІ новий клас практичної біологічної інформації.
  • Придбання The Climate Corporation за 1,1 мільярда доларів є прикладом десятирічного ажіотажу навколо недоліків стратегій, заснованих на зовнішніх даних.

Кожні кілька років у секторі агротехнологій з’являється нове нібито універсальне рішення. У 2013 році говорили про те, що великі дані змінять управління фермами — придбання The Climate Corporation компанією Monsanto за 1,1 млрд доларів мало відкрити нову еру прогнозного землеробства. За кілька років теплиці на основі штучного інтелекту мали принести другу Зелену революцію. Далі були обіцянки роботизованого збирання врожаю, агрономів на основі генеративного ШІ, а тепер — агентного ШІ, який нібито самостійно ухвалюватиме рішення від імені фермерів усього світу.

Ця закономірність має бути знайомою: кожна хвиля ажіотажу спирається на попередню, однак венчурні інвестиції в AgTech і далі розчаровують, а трансформаційні результати залишаються недосяжними. Чому? Не тому, що інженерам бракує таланту або наука, яка лежить в основі ШІ, хибна. Проблема глибша — у самих даних, від яких залежать сільськогосподарські системи ШІ.

Доки ми докорінно не переосмислимо, які дані збираємо і як, революція ШІ в сільському господарстві залишатиметься вічною обіцянкою, а не сьогоднішньою реальністю.

Три причини, чому сільськогосподарський ШІ постійно зазнає невдач

Сільське господарство — одне з найскладніших середовищ для розробки ШІ, які можна уявити. Йдеться не про дрібні інженерні проблеми, а про структурні перешкоди. Ось чому звичні підходи до ШІ так важко застосовувати в цьому секторі:

Цикли зворотного зв’язку йдуть у темпі біології, а не програмного забезпечення

Сучасні системи ШІ розраховані на швидкі ітерації. Програмну модель можна перенавчити за години, а випробування ліків триває роками. Сільське господарство ближче до другого випадку. Інновація Нормана Борлоуга 1970-х років, відзначена Нобелівською премією, частково полягала у скороченні циклів селекції рослин з одного до двох на рік. Сьогодні найпередовіші насіннєві компанії здійснюють три цикли щороку, що за мірками ШІ досі надзвичайно повільно. Коли еталонні дані про фактичний результат з’являються лише зі збиранням урожаю, вдосконалення моделей займає роки, а не короткі спринти розробки.

Складність сільського господарства руйнує звичні припущення ШІ

Поставте на перший погляд просте запитання — скільки азоту слід внести на це поле? — і кількість змінних швидко зростає: склад ґрунту, попередні сівозміни, історія патогенів, мікроклімат, історія тваринництва за десятиліття, здатність утримувати воду, методи обробітку ґрунту та десятки інших чинників, що взаємодіють. Дослідження обмежень міркування ШІ показує, що точність моделей обвалюється у середовищах із великою кількістю вимірів. Сільське господарство не просто багатовимірне: це одна зі сфер із найбільшою кількістю вимірів, які люди будь-коли намагалися моделювати.

Кожна ферма — окремий граничний випадок

У реальному сільському господарстві немає сферичної корови. Кожне господарство має власне поєднання доступу до технологій, підходів до праці, обмежень капіталу та готовності ризикувати. Модель, навчена на великих господарствах із рядковими культурами Середнього Заходу США, зазнає нищівної невдачі на малій фермі з різноманітним виробництвом на північному заході США біля Тихого океану. Ніщо не узагальнюється без проблем, а врахування кожного граничного випадку ще збільшує кількість вимірів до практично некерованого рівня.

Відповідь — якісніші дані, а не більша їх кількість

Звична реакція Кремнієвої долини на більшість складних проблем — додати обчислювальних потужностей і даних. У сільському господарстві це дало приголомшливі цифри: за оцінками, середня ферма сьогодні генерує 500 000 точок даних на день. Супутники фотографують кожне поле на Землі. Датчики детально реєструють температуру, вологість повітря та ґрунту.

І все ж спільнота сільськогосподарського ШІ широко визнає нестачу якісних даних. Проблема не в обсязі, а в доречності. Усі дані датчиків, супутникові знімки та звіти аналізів ґрунту фіксують те, що відбувається навколо рослини. Жодне з цих джерел не фіксує того, що відбувається всередині рослини.

Уявімо інженера гоночної команди Формули-1, який намагається оптимізувати час кола лише за GPS-даними. Швидкість, положення і траєкторія дають основу для роботи, але без телеметрії двигуна, датчиків температури шин і даних про витрату пального модель завжди лише вгадуватиме причинно-наслідкові зв’язки. Зовнішні аграрні дані працюють так само. Вони описують умови середовища, але не показують, як рослина на них насправді реагує.

Це пояснює деякі з найпомітніших невдач ШІ в сільському господарстві. Gro Intelligence залучила понад 120 млн доларів для створення найбільшого у світі сховища агрокліматичних даних, але зрештою припинила діяльність. Більше зовнішніх даних, хоч би як точно їх збирали, не розв’язують основної проблеми: ми вимірюємо не те.

Що насправді означає слухати рослину

Нові біотехнології вперше дають змогу отримувати дані безпосередньо зсередини рослин, які ми вирощуємо. Основна ідея — модифікувати рослини так, щоб вони сигналізували про власний внутрішній біологічний стан. Вони повідомляють про стрес, інфекцію або потреби в ресурсах через вимірювані сигнали, замість того щоб ці стани доводилося виводити із зовнішніх непрямих показників.

На початку цього року один із таких підходів дав історичний результат: рослина сої, модифікована для флуоресцентної сигналізації, виявила грибкову інфекцію в реальному часі ще до появи будь-яких видимих симптомів. За 10 000 років сільського господарства фермери ніколи раніше не могли виявити хворобу на цій стадії. Сигнал запустила власна імунна відповідь рослини. Дані надала сама рослина.

Це важливо для практичних результатів господарювання. Раніше виявлення хвороби дозволяє раніше втрутитися, зменшуючи втрати та використання хімічних засобів. Але для сільськогосподарського ШІ це не менш важливо, адже йдеться про принципово нову категорію даних.

Виводити біологію рослин із зовнішніх умов — завдання, якому притаманні шум, висока розмірність і чутливість до змішувальних чинників. Натомість тепер системи ШІ можна навчати на прямих вимірюваннях фізіології рослин. Проблема кількості вимірів різко зменшується, а цикл зворотного зв’язку скорочується. Граничні випадки не зникають, але стають керованішими, коли використовуємо сигнали самої рослини, а не змінні-замінники в навколишньому середовищі.

Нова парадигма даних для нової ери сільськогосподарського ШІ

Порівняння з розробкою автономних автомобілів є повчальним. Такі компанії, як Waymo, досягли успіху не завдяки спробам навчати моделі лише на наявних публічних дорожніх даних. Вони створили власні комплекси датчиків і сформували величезні високоякісні набори самостійно зібраних даних, які точно відображали те, чого моделям потрібно навчитися. Стратегія даних була такою ж важливою, як архітектура моделі.

Сільськогосподарський ШІ потребує подібного переосмислення. Шлях уперед — не кращі моделі на наявних аграрних наборах даних. Ці набори мають фундаментальне обмеження: вони спостерігають лише за середовищем культури, а не за самою культурою. Потрібно створювати нову категорію даних, засновану на реальній біології рослин, і системи ШІ, призначені навчатися на ній.

Такі дані — безперервна біологічна телеметрія з культур у провідних сільськогосподарських регіонах протягом усього сезону — ще не існують у великому масштабі. Проте технології їх отримання стають реальністю. Коли ці дані з’являться, вони уможливлять моделі ШІ, які справді допомагатимуть фермерам ухвалювати складні рішення: не перебираючи грубою обчислювальною силою зашумлене море зовнішніх змінних, а розуміючи майже в реальному часі, чого потребує сама рослина.

Розрив у якості аграрних даних обговорюють роками. Змінилося те, що тепер ми маємо переконливу відповідь, і вона починається із самих рослин.

Справжній шлях до наступної Зеленої революції

Забезпечити стале харчування 8 мільярдам людей, до яких, за очікуваннями, до 2050 року додадуться ще 2 мільярди, одночасно долаючи кліматичні порушення, витрати на виробничі ресурси та нестачу води, — одне з визначальних завдань століття. Сільськогосподарський ШІ може допомогти в кожній його частині, але лише за умови, що він ґрунтується на даних, які справді відображають внутрішні процеси у вирощуваних рослинах.

Понад десятиліття галузь намагається вирішити проблему, накопичуючи зовнішні дані та додаючи обчислювальні потужності. Це дало поступові поліпшення, але не прорив, якого потребує сектор. І не дасть, оскільки фундаментальна проблема даних залишається невирішеною.

Наступна Зелена революція не виросте з чергової перспективної архітектури моделі чи добре фінансованого стартапу з кращим процесом обробки супутникових знімків. Вона почнеться, коли системи ШІ нарешті почують, що намагається сказати рослина.

Доктор Крістофер Сейферт є керівником програмного продукту в InnerPlant, де він керує системами даних та машинного навчання компанії. Він приєднався до InnerPlant після створення продуктів і платформ майже на кожному рівні стека сільськогосподарських даних, маючи досвід у сфері супутникового дистанційного зондування, геопросторового аналізу, програмного забезпечення для управління фермами та інфраструктури даних про насіння та агрономію. Його досвід роботи включає керівні ролі в Granular і Corteva Agriscience, попередню роботу в Google і The Climate Corporation, а також дослідницький досвід в НАСА та Стенфордській програмі з питань продовольчої безпеки та навколишнього середовища. Він також був співзасновником і виконавчим директором AcreValue, платформи оцінки сільськогосподарських земель, яку придбала Granular. Цей досвід дає йому чітке розуміння того, де сільськогосподарський ШІ працював, де він мав труднощі з досягненням результатів у польових умовах, і що потрібно для експлуатації надійних систем промислового рівня в сільському господарстві. Він має докторський ступінь з науки про земну систему, а також магістрський і бакалаврський ступені з науки про земну систему Стенфордського університету.

Чип Франзен — інженер-програміст у InnerPlant, де проєктує й розробляє конвеєри даних і машинного навчання для застосунків аграрного сенсорного моніторингу, зокрема у сферах IoT, комп’ютерного зору та дистанційного зондування. До InnerPlant він роками застосовував машинне навчання в сільському господарстві у Granular, Indigo та інших компаніях. Працював над оцінюванням земель, визначенням земного покриву за допомогою комп’ютерного зору, конвеєрами просторових даних і MLOps для агрономічних моделей та API інференсу на основі дистанційного зондування. В InnerPlant він використовує досвід full-stack-розробки, щоб перетворювати складні біологічні й геопросторові сигнали на надійні, готові до експлуатації результати для реальних робочих процесів команд. Має ступінь BA Університету Дюка та M.Sc. із науки про дані від Galvanize.