Въздействието на изкуствения интелект върху земеделието

14 февруари 2020 Агротехника 0     
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

Във Великобритания регистрациите през януари най-ниски от 20 години

Значителният спад в регистрациите на селскостопански трактори във Великобритания (над 50 к.с.), наблюдаван в края на 2019 г. - ноември 558 бройки (-21.5%) и декември 657 (-22

Няма снимка

Край на пътя за Rabe

Имаше слухове за китайски интерес и се смята, че някои от големите марки трактори също са проявили такъв, но всички опити за намиране на нов собственик на Rabe са били неуспешни и разбираме

Няма снимка

Поддръжката на трактора започва с разбиране на проблемите с двигателя

Тези с дизеловите могат да бъдат по-трудни за забелязване и диагностициране Независимо дали управлявате голяма или малка ферма, работата на трактора може да бъде безценна

Няма снимка

10-те най-мощни трактора в света

Някои имат сравнително толкова конски сили под капака, колкото спортна кола Кои са десетте най-мощни трактора, предлагани на пазара днес? Онлайн пазарът за машини Surplex класира първенците в тежка

Няма снимка

CNH Industrial с по-малко продажби, но доволни от резултатите

CNH Industrial, компанията майка на Case IH, New Holland и Steyr, отчете продажбите на селскостопанското им оборудване да паднат с над 700 милиона долара миналата година до около 11 милиарда щатски

Няма снимка

Pottinger представи система за откриване на животни при косачките

Sensosafe е първата в света система за подпомагане на косачките за откриване на сърнета и други малки животни. За първи път показана като прототип на Agritechnica през 2017 г

Още от Фермер
Няма снимка

Новите предизвикателства на времето изискат нов подход към зърнено-житните култури

Разумните земеделци са едни гърди пред останалите „Суша е!“, „Топло е!“, „Стрес за посевите!“ – това чуваме всеки ден и целия земеделски сектор е притеснен за реколтата от зърнено-житни култури

Няма снимка

Подходящи условия за пролетни обработки

По-ниските температури в срадата на седмицата няма да са критични за преждевременно развилите се овошки Дукена Жолева, агрометеоролог След продължителното зимно засушаване

Няма снимка

Кои са първите пролетни грижи и често допускани грешки?

Централно място заема подхранването. При решаването на този проблем трябва да се спазват утвърдени в теорията правила: 1) Основна задача е “превръщане” на меда в пило

Няма снимка

2-3 кг сено дневно трябват на магарето

Макар да не е претенциозно към фуражите, хранете го добре Ако през зимните месеци използвате умерено първия си помощник за работа, дневната му дажба трябва да бъде: сено (ливадно) - 2-3

Няма снимка

Палметата се оформя за 4 години

Независимо от това, на колко етажа са формира палметата, тя не трябва да надминава 3,5-4 м височина. По време на зимната резитба през третата година трябва да се формира третият етаж

Няма снимка

Оцет от ябълково вино

По молба на вярна наша читателка Оригиналната рецепта от вестник "Хоби фермер" пожела да припомним нашата читателка Силвия Ценкова от София, която твърди