هوش مصنوعی در کشاورزی

چالش های هوش مصنوعی در کشاورزی : گروهی از کشاورزان ذرت در مرکز آفریقای جنوبی به تازگی با پهپادهای هیبریدی بر روی مزرعه پرواز کرده و با استفاده از ملخ ها برمی خیزد و فرود می آید تا فاصله و سرعت را برای اسکن هکتارهای وسیع زمین با استفاده از بال های ثابت خود حفظ کنند.

این پهپاد مجهز به یک حسگر دقیق چهار باند طیفی است که بلافاصله پس از پرواز پردازش را انجام می‌دهد و به کشاورزان و کارکنان مزرعه اجازه می‌دهد تقریباً بلافاصله به هرگونه ناهنجاری محصولی که سنسور ممکن است ثبت کرده باشد رسیدگی کنند و جمع‌آوری داده‌ها را در زمان واقعی انجام دهد.

در این مورد کشاورزان به دنبال نرم افزارهای تخصصی هستند تا شمارش دقیق جمعیت گیاه را به آنها ارائه دهد. مثلا بعد 10 روز از ظهور ذرت می گذرد و کشاورز می خواهد تعیین کند که آیا قسمت هایی از مزرعه وجود دارد که به دلیل عدم سبز شدن یا آسیب باد که می تواند در مراحل اولیه فصل بارندگی تابستان شدید باشد، نیاز به کاشت مجدد دارد یا خیر.

در این مرحله از رشد گیاه، کشاورز 10 روز دیگر فرصت دارد تا قبل از اینکه اکثر کودها و کاربردهای شیمیایی خود انجام شود، کاشت مجدد انجام دهد. پس از اعمال این موارد، انجام اقدامات اصلاحی از نظر اقتصادی غیرقابل دوام می‌شود، و اطلاعات جمع‌آوری‌شده بیشتر را تاریخی می‌کند و تنها برای اطلاع‌رسانی شیوه‌های آینده برای فصل آینده مفید است.

این نرم افزار پردازش خود را در کمتر از 15 دقیقه تکمیل می کند و نقشه شمارش جمعیت گیاه را تهیه می کند. درک این موضوع که چقدر تأثیرگذار است، دشوار است، بدون درک این موضوع که بیش از یک سال پیش، پردازش دقیقاً همان مجموعه داده سه تا پنج روز طول می‌کشید، که نشان‌دهنده پیشرفت‌هایی است که در سال‌های اخیر در کشاورزی دقیق و سنجش از دور به دست آمده است. با توجه به اینکه این نرم افزار در برخی کشورها برای تنوع محصولات مشابه در شرایط ظاهراً مشابه توسعه یافته است، متخصص کشاورزی مطمئن است که این نرم افزار نتیجه تقریباً دقیقی را به همراه خواهد داشت.

پتانسیل هوش مصنوعی در کشاورزی

به طور فرضی، این امکان برای ماشین‌ها وجود دارد که با استفاده از هوش مصنوعی و یادگیری ماشینی، حل هر مشکلی را بر روی زمین که مربوط به تعامل فیزیکی در یک محیط تعریف‌شده یا محدود است، بیاموزند.

اصل هوش مصنوعی این است که یک ماشین می تواند محیط خود را درک کند و از طریق ظرفیت معینی از عقلانیت انعطاف پذیر، برای رسیدن به یک هدف مشخص مرتبط با آن محیط اقدام کند. یادگیری ماشین زمانی است که همین ماشین، طبق مجموعه مشخصی از پروتکل‌ها، با افزایش ماهیت آماری داده‌هایی که دریافت می‌کند، توانایی خود را برای رسیدگی به مشکلات و اهداف مرتبط با محیط بهبود بخشد. به بیان ساده‌تر، با دریافت تعداد فزاینده‌ای از مجموعه‌های مشابه از داده‌ها که می‌توان آن‌ها را در پروتکل‌های مشخص طبقه‌بندی کرد، سیستم دریافت می‌کند، توانایی آن در منطقی‌سازی افزایش می‌یابد و به آن اجازه می‌دهد تا در طیف وسیعی از نتایج بهتر «پیش‌بینی» کند.

ظهور کشاورزی دیجیتال و فناوری‌های مرتبط با آن، فرصت‌های جدید داده‌ای را باز کرده است.

سنسورهای راه دور، ماهواره‌ها و پهپادها می‌توانند 24 ساعت در روز اطلاعات را در یک میدان کامل جمع‌آوری کنند. این حسگرها می‌توانند سلامت گیاه، وضعیت خاک، دما، رطوبت و غیره را کنترل کنند. میزان داده‌هایی که این حسگرها می‌توانند تولید کنند بسیار زیاد است و اهمیت اعداد در این داده‌ها پنهان است.

ایده این است که به کشاورزان اجازه داده شود تا از طریق فناوری پیشرفته (مانند سنجش از راه دور) درک بهتری از وضعیت موجود در زمین به دست آورند که می تواند بیشتر از آنچه که با چشم غیرمسلح ببیند، در مورد وضعیت آنها بگوید. و نه تنها دقیق تر، بلکه سریعتر از دیدن آن در حال راه رفتن یا رانندگی در مزارع.

حسگرهای راه دور الگوریتم‌ها را قادر می‌سازند تا محیط یک مزرعه را به عنوان داده‌های آماری تفسیر کنند که می‌تواند برای تصمیم‌گیری برای کشاورزان مفید باشد. الگوریتم ها داده ها را پردازش می کنند، بر اساس داده های دریافتی تطبیق میدهند و امکان های زیادی را برای جمع بندی در اختیار می گذارند. هرچه ورودی ها و اطلاعات آماری بیشتری جمع آوری شود، الگوریتم در پیش بینی طیف وسیعی از نتایج بهتر خواهد بود. و هدف این است که کشاورزان بتوانند از این هوش مصنوعی برای رسیدن به هدف خود برای برداشت بهتر از طریق تصمیم گیری بهتر در مزرعه استفاده کنند.

در سال 2011، IBM، از طریق دفتر مرکزی تحقیق و توسعه خود در حیفا، فلسطین اشغالی، یک پروژه رایانش ابری کشاورزی را راه اندازی کرد. این پروژه، با همکاری تعدادی از شرکای تخصصی فناوری اطلاعات و کشاورزی، یک هدف را در ذهن داشت – گرفتن انواع منابع داده های آکادمیک و فیزیکی از یک محیط کشاورزی و تبدیل آنها به راه حل های پیش بینی خودکار برای کشاورزان که به آنها در ایجاد کمک می کند.

مصاحبه با برخی از اعضای تیم پروژه IBM در آن زمان نشان داد که تیم بر این باور بود که “الگوریتم” کشاورزی کاملاً ممکن است، به این معنی که الگوریتم ها می توانند هر مشکلی را در جهان حل کنند. در اوایل همان سال، سیستم یادگیری شناختی آی‌بی‌ام، واتسون، در رقابت با برندگان سابق براد راتر و کن جنینگز با نتایج خیره‌کننده‌ای به رقابت پرداخت. چندین سال بعد، واتسون به تولید دستاوردهای پیشگامانه در زمینه پزشکی ادامه داد که منجر به بسته شدن یا کوچک شدن پروژه های کشاورزی آی بی ام شد. در نهایت، آی‌بی‌ام متوجه شد که کار تولید راه‌حل‌های یادگیری ماشین شناختی برای کشاورزی بسیار دشوارتر از آن چیزی است که حتی آنها فکر می‌کردند.

پس چرا این پروژه در پزشکی چنین موفقیتی داشت اما در کشاورزی نه؟

چه چیزی کشاورزی را متفاوت می کند؟

کشاورزی یکی از سخت‌ترین رشته‌هایی است که برای تعیین کمیت آماری قابل کنترل است.

حتی در یک میدان واحد، شرایط همیشه از یک بخش به بخش دیگر تغییر می کند. آب و هوای غیرقابل پیش بینی، تغییرات در کیفیت خاک، و این احتمال وجود دارد که آفات و بیماری ها ممکن است از آن بازدید کنند. پرورش دهندگان ممکن است احساس کنند چشم انداز آنها برای برداشت آینده خوب است، اما تا زمانی که آن روز فرا نرسد، نتیجه همیشه نامشخص خواهد بود.

در مقایسه، بدن ما یک محیط محدود است. کشاورزی در طبیعت، در میان اکوسیستم‌های موجودات و فعالیت‌های متقابل صورت می‌گیرد، و تولید محصول در آن محیط زیست بوم اتفاق می‌افتد. اما این اکوسیستم ها شامل نمی شوند. آنها در معرض رویدادهای آب و هوایی مانند سیستم های آب و هوایی هستند که بر روی نیمکره ها به عنوان یک کل و از قاره ای به قاره دیگر تأثیر می گذارد. بنابراین، درک چگونگی مدیریت یک محیط کشاورزی به معنای در نظر گرفتن صدها، بلکه هزاران عامل است.

آنچه ممکن است با یک برنامه بذر و کود در منطقه غرب میانه ایالات متحده اتفاق بیفتد تقریباً به طور قطع با آنچه ممکن است با همان برنامه بذر و کود در استرالیا یا آفریقای جنوبی رخ دهد ارتباطی ندارد. چند عاملی که می توانند بر واریانس تأثیر بگذارند معمولاً شامل اندازه گیری باران در واحد محصول کاشته شده، نوع خاک، الگوهای تخریب خاک، ساعات روشنایی روز، دما و غیره است.

بنابراین مشکل استقرار یادگیری ماشین و هوش مصنوعی در کشاورزی این نیست که دانشمندان ظرفیت لازم برای توسعه برنامه‌ها و پروتکل‌ها را برای شروع رسیدگی به بزرگترین نگرانی‌های تولیدکنندگان ندارند. مشکل این است که در بیشتر موارد، هیچ دو محیطی دقیقاً شبیه هم نیستند، که آزمایش، اعتبارسنجی و عرضه موفقیت‌آمیز چنین فناوری‌هایی را بسیار پر زحمت‌تر از سایر صنایع می‌کند.

در عمل، گفتن اینکه هوش مصنوعی در کشاورزی و یادگیری ماشینی می توانند برای حل تمام مشکلات مربوط به محیط فیزیکی ما توسعه یابند، اساساً این است که بگوییم ما درک کاملی از تمام جنبه های تعامل فعالیت فیزیکی یا مادی روی این سیاره داریم. به هر حال، تنها از طریق درک ما از «ماهیت اشیا» است که پروتکل‌ها و فرآیندها برای تحقق قابلیت‌های منطقی سیستم‌های شناختی طراحی می‌شوند. و اگرچه هوش مصنوعی و یادگیری ماشینی چیزهای زیادی را در مورد چگونگی درک محیط خود به ما می آموزند، ما هنوز از توانایی پیش بینی نتایج حیاتی در زمینه هایی مانند کشاورزی صرفاً از طریق توانایی شناختی ماشین ها فاصله داریم.

نتیجه

با حمایت جامعه سرمایه‌گذار خطرپذیر، که اکنون میلیاردها دلار به این بخش می‌ریزد، اکثر استارت‌آپ‌های فناوری کشاورزی امروز برای تکمیل توسعه تشویق می‌شوند تا بازار را در سریع‌ترین زمان ممکن با محصولات خود پر کنند.

این کار اصولا ً منجر به شکست یک محصول می شود که منجر به شک و تردید بازار و ضربه ای به یکپارچگی فناوری یادگیری ماشین وارد می کند. در بیشتر موارد، مشکل این نیست که فناوری کار نمی کند، مشکل این است که صنعت برای احترام گذاشتن به این موضوع که کشاورزی یکی از نامحدود ترین محیط ها برای مدیریت است، وقت صرف نکرده است. برای اینکه فناوری واقعاً در این زمینه تأثیر بگذارد، تلاش، مهارت‌ها و بودجه بیشتری برای آزمایش این فناوری‌ها در مزارع کشاورزان مورد نیاز است.

پتانسیل عظیمی برای هوش مصنوعی و یادگیری ماشینی وجود دارد که با ادغام این فناوری ها در بازارهای مهم در مقیاس جهانی، کشاورزی را متحول کند. فقط در این صورت است که می تواند برای پرورش دهنده تفاوت ایجاد کند، جایی که واقعاً اهمیت دارد.