Въздействието на изкуствения интелект върху земеделието

14 февруари 2020 Агротехника 0 7227
Няма снимка
1 2 3 4 5
 

Как AI и технологиите за машинно обучение помагат на фермерите и селскостопанските работници по целия свят

Земеделието е много визуална индустрия. На всеки етап от хранителната верига работници с различно образователно ниво, опит и възраст изпълняват хиляди задачи и вземат решения, главно на базата на визуална проверка.

Качеството и точността на тези действия и решения може да варира значително и да има реални икономически последици.

Иновационните индустрии отговориха с подход в стил “повече е по-добре” - повече сензори, повече автоматизация, повече дронове или сателитни изображения.

Резултатът е наличието на повече

селскостопански данни от всякога  

досега. Как изкуственият интелект, машинното обучение, задълбоченото обучение и наборите от данни помагат на селскостопанската индустрия?

Изкуственият интелект обхваща няколко техники и области на изучаване, които бързо се развиват, включително машинно обучение и задълбочено обучение.

Джон Маккарти въвежда термина “изкуствен интелект” на конференцията за изкуствен интелект (AI) в Дартмут през 1956 г., широко считана за раждането на AI като формализирано поле за изучаване.

Днес изкуственият интелект се отнася до “теорията и развитието на компютърните системи, способни да изпълняват задачи, които обикновено изискват човешкия интелект, като визуално възприятие, разпознаване на реч, вземане на решения и превод между езици”.

Специално за селското стопанство AI е създаден да взима решения за това кога и как да се прилагат способности, надвишаващи тези на хората при бързината, точността, анализа или организацията на работа. Тези решения трябва да бъдат взети, като се имат предвид множество точки от данни, получени от сензори, както и човешки опит и информация.

Машинното обучение

е подгрупа на AI, която обхваща различни алгоритми, предназначени да имитират човешки решения. Задълбоченото обучение е една от многото техники за моделиране, използвани в алгоритмите за машинно обучение. Целта на съвременните алгоритми за задълбочено обучение е да научат изкуствените интелекти как да идентифицират обекти, така че да могат да приближават човешкото поведение на учене.

Моделът на задълбочено обучение първо трябва да научи за своята среда, преди да може да започне да обработва данни. След като научи данните, моделът може да започне да взема решения и да коригира поведението си въз основа на обратна връзка за решенията, които взема.

Например, ако за откриване на ябълка се използва задълбочено обучение, алгоритъмът първо трябва да се научи как да “гледа”, което става върху изображение. След като AI веднъж обработи изображението, тогава ще трябва да разбере формите, за да определи как изглежда ябълката.

Какво би се случило, ако AI, обучен само на зелени ябълки Грени Смит, срещне червена ябълка Хъникрисп? Резултатите ще варират в зависимост от начина, по който алгоритъмът за задълбочено обучение е бил трениран по време на фазата на обратна връзка.

Ако човек е бил научен да идентифицира ябълки, като многократно са му показвали зелени ябълки Грени Смит, но след това е видял червена ябълка Хъникрисп, би било разумно този човек или да предполага, че това също е ябълка (въз основа на формата), или да отговори, че не знае.

Моделите на задълбочено обучение показват едно и също поведение и биха реагирали по много сходен начин. От друга страна, ако целта е да се идентифицира вида на ябълката, човекът (или AI) няма да може да идентифицира точно, че ябълката е червена Хъникрисп.

Изкуственият интелект трябва да получи обратна връзка, че е необходимо да разбере и цвета на ябълката, за да направи разлика между зелена ябълка Грени Смит и червена ябълка Хъникрисп. Подобно на първия пример, изискващ AI първо да научи визията преди формата, AI ще се нуждае от обратна връзка, за да определи как да разбере цвета, преди да свърже цвета на ябълката с вида ѝ.

Набори от данни и AI

Сега, когато разгледахме AI, машинното обучение и задълбоченото обучение, нека се обърнем към “храната”, която изкуственият интелект трябва да погълне, за да се научи - набори от данни. Те се използват за обучение на AI, предоставяне на инструкции за интерпретация и друга информация по конкретна тема.

Разработването на AI за селскостопанския отрасъл е особено предизвикателно, тъй като последиците от неправилното му прилагане са толкова драстични - неправилни решения, взети по непълни масиви от данни, могат да съсипят целогодишна реколта. И все пак много комерсиални AI решения базират своите технологии на отворени източници на данни, които са обществено достъпни.

Има множество причини, поради които една организация може да е готова да включи тези видове набори от данни в своята технология: постигане на предимство за първи инициатор, бързо печелене на пазарен дял или просто разграничаване от конкуренцията. Тези източници обаче са меч с две остриета. Поради присъщата им отворена природа, те са податливи на отклонения.

Източници без строга проверка също могат да доведат до много неточни резултати. За разлика от това, разработването на модели на данни, които са изградени по поръчка за специфични дейности по оценка на добива като изчисляване на реколтата царевица или анализ на загубите при соя, може да доведе до много точни резултати.

Докато изграждат рамки и платформи, предприятията трябва постоянно да се съсредоточават върху резултатите, които могат да бъдат измерени, да покажат стойност и да се свържат с жизнеспособен бизнес модел.

Опитът от индустрията доказа, че този неуморен фокус е пътят напред, не само за комерсиализиране на продукт или модел, използващ AI, но и за добавяне на стойност и засилване на конкуренцията на пазара.

Коментари:

Влезте като регистриран потребител или направете вашата безплатна Регистрация
Още от Агротехника
Няма снимка

Skippy Scout разширява избора на карти

Drone Ag обяви, че приложението им за дронове Skippy Scout вече може да интерпретира почти всяка форма на карта. Стопаните могат да импортират карта или дори да направят снимка на разпечатана такава

Няма снимка

SDF обобщи резултатите от 2019 година

През 2019 г. SDF успя да увеличи както печалбата преди данъци, така и нетната печалба, въпреки намалението на пазара на селскостопанска техника и намаляване на оборота

Няма снимка

John Deere представя нови товарачи от серия M

Подходящ за трактори John Deere до 150 к.с., новите четири модела товарачи от серия M са насочени към онези, които не се нуждаят от всички функции на по-високите spec R товарачи

Няма снимка

Rostselmash обявява старта на нови инвестиционни проекти

Въпреки кризата в световната и вътрешната икономика модернизацията и актуализацията на машинно-тракторните паркове на селскостопанските предприятия остава една от най-важните задачи

Няма снимка

Сламопресите са на ход

Практиката е доказала, че най-подходяща за сенажа е рулонната средна балировачка, която формира бали в размери от 120 до 150 см Любомир Коралов Гергьовден не е само благословеното агне

Няма снимка

Роботите заемат все по-устойчива позиция в борбата срещу плевелите

Strube започва сътрудничество с Naio Technologies за разработване на решение за селскостопанска техника Немската компания за семена Strube D&S GmbH и водещият френски производител в селскостопанската

Още от Фермер
Няма снимка

При дестилацията се образува доста пяна

Какво може да използвате като пеногасител? Получената течност от отцеждането и евентуалното пресоване на черешите се слага в казана за дестилация по правилата

Няма снимка

Градушка падна над Търговище тази вечер

Градушка падна над Търговище тази вечер. Ледените зърна бяха придружени с пороен дъжд и гръмотевици. Въпреки това няма да има сериозни щети в зеленчуковите градини, коментират стопани

Няма снимка

Домати със сирене и чесън

Лесна за изпълнение, ефектна и бърза салата, която ще украси всяка празнична трапеза Продукти: 200 г сирене, 3 домата, 2 скилидка чесън, 2 суп. лъж. майонеза

Няма снимка

Асоциацията на собствениците на земеделски земи дари и за дома в с. Гара Орешец

Българската асоциация на собствениците на земеделски земи (БАСЗЗ) дари на община Димово в полза на Дома за възрастни хора в село Гара Орешец спално бельо и завивки, денатуриран етилов спирт 96%

Няма снимка

Засейте разсад от цветно зеле

Готов е за около месец Време е да засеете семената на цветното зеле, за да отгледате разсад. Подходящият срок е до първата деседневка на юни. Какви са накратко основните изисквания на цветното зеле

Няма снимка

Детерминантни домати

Детерминантни са нискостъблените домати. Те имат по-ниско стъбло, по-слаб растеж, а листата и съцветията им са разположени по-нагъсто. Първото съцветие при този вид домати израства след 6-и - 8-и