Глава государства Касым-Жомарт Токаев, выступая с Посланием к народу Казахстана, поддержал предложение основателя и генерального директора компании NVIDIA о необходимости внедрения в отечественное сельское хозяйство методов искусственного интеллекта. В таком случае у нашей республики, являющейся частью Евразии, будет возможность стать одним из основных центров обеспечения продовольствием, если возникнет его глобальный дефицит, передает inbusiness.kz.
А прогнозы вокруг такого сценария действительно имеются. Недавнее научное исследование "Текущие примеры применения искусственного интеллекта для развития сельского хозяйства, обеспечения устойчивости и смягчения последствий изменения климата" за авторством Мустафы Фараджпура, подтверждает: к 2050 году население планеты может достичь 9,7 млрд человек, что потребует увеличения объемов производства продуктов питания примерно на 70% по сравнению с текущим уровнем. И традиционных методов для ведения сельского хозяйства здесь будет недостаточно. Нужен технологический переход или выход на сельскохозяйственную революцию – Agriculture 4.0. Она характеризуется интеграцией цифровых технологий, таких как "интернет вещей" (IoT), дата-анализ, автоматизированные системы и, конечно, искусственный интеллект.
Проверено: работает!
Автор перечисляет текущие сферы применения ИИ в сельском хозяйстве. Оказывается, в сфере уже успешно освоены машинное обучение, глубокое обучение, компьютерное зрение и прогнозная аналитика. И это имеет свои плоды. Так, при традиционном подходе к прогнозированию агроном попросту не может обследовать каждый участок большого поля и одновременно учесть все взаимосвязи между погодой, почвой и состоянием растений.
Искусственный интеллект помогает упростить процесс и оптимизировать его. Все сведения, полученные от дронов, датчиков, метеостанций, объединяются алгоритмом, который сравнивает их с данными прошлых лет. Это помогает лучше прогнозировать картину ожидаемой урожайности вкупе с проблемными участками и пониманием времени, когда уборку начать целесообразно.
Примечательно, что, согласно исследованию, модели глубокого обучения, применяемые для определения сроков, если и ошибались, то не критично. Так система компьютерного зрения YOLO позволила провести анализ изображений с оценкой цвета плодов томата, прогнозируя урожайность с погрешностью в 6,85%. А это хороший показатель не только для опытных хозяйств, но и реальных полевых условий.
А в управлении системами орошения применяемые нейросетевые инструменты, включая многослойные персептроны, машины опорных векторов и оптимизированные архитектуры, достигли точности прогнозирования в отдельных исследованиях более чем 99%. При планировании потребности в орошении это позволило сэкономить воду до 27% и энергию – до 57%. Конечно, это итоги разных исследований, но картина впечатляет.
Неплохие данные показывают AI-системы, направленные на борьбу с сорняками: они определяют специфику участка, сокращая расход пестицидов в отдельных сценариях точечного внесения более чем на 90% по сравнению с традиционным сплошным опрыскивателем. В целом, конечно, расход варьируется от 50 до 95% – здесь нужно ориентироваться не только на возможности нейросети, но и на тип культуры, с которой работает аграрий, плотность сорняков и полевые условия в целом.
Помощник, но не панацея…
Однако, в этой же работе автор указывает и актуальные на сегодня препятствия для внедрения в глобальное сельское хозяйство искусственного интеллекта. Ограничения продиктованы как техническими, так и экономическими и институциональными обстоятельствами. То же управление водными ресурсами напрямую зависит от того, насколько коммунальная инфраструктура, а также платформы для облачных вычислений, доступны для самих субъектов сельского предпринимательства.
В оценке урожайности фиксируется другая проблема, уже технического толка. В частности, ИИ хорошо справляются с задачей на уже знакомых им полях, тогда как от нейросетей аграрии ждут понимания не места, а закономерностей. Так было на опытных участках в Канаде: искусственный интеллект испытали на шести полях. Нужно было понять, насколько хорошо модель переносит закономерности на пространственно отличающиеся участки, а не использует особенности знакомых ей мест. И если на знакомых системе участках корреляция составляла 0,81, то при обобщенной проверке, когда модель попросили оценить различия между участками, коэффициент корреляции снизился до 0,39.
Разница – 52%, что является довольно критичным результатом. И этот фактор, считает автор исследования, может повлиять на доверие пользователей. Впрочем, разработчики систем продолжают адаптировать свои детища к условиям реальной среды, так что точность нейросетевых помощников в этом вопросе в перспективе, конечно, возрастет.
Отдельный пункт проблемы – сама дороговизна процесса. Не все фермеры могут позволить себе беспилотники или даже заказать такую услугу у специалистов. В совокупности же, резюмируется в научном исследовании, преимущества ИИ в сельском хозяйстве в настоящее время видны непропорционально: реальным эффектом могут воспользоваться хорошо обеспеченные предприятия, тогда как мелкому аграрию такой инструментарий менее доступен.
Большинству казахстанских сельхозников массовое внедрение в работу ИИ явно в новинку. Если цифровизация самих производственных процессов – уже испытанное явление, то масштабно понять пользу нейросетей, а самое главное – подобрать подходящий инструментарий конкретно под свои нужды, только предстоит. Отдельные решения фермерскому сообществу уже были предложены ранее, а кроме того, планируется внедрение технологий точного земледелия и "Смарт-ферм", создание единой отраслевой платформы и формирование озера данных.
Читайте по теме:
Землю увидят из космоса, а урожай спрогнозирует ИИ: как меняется АПК Казахстана
