Kuidas tehisintellekt põllumajandust aitab? [Video ja viktoriin]

Lühike vastus: tehisintellekt aitab põllumajandust, teisendades killustatud põllumajandusandmed tegutsemist võimaldavateks otsusteks – kuhu esmalt uurida, mida ravida ja milliseid loomi kontrollida. See on kõige väärtuslikum siis, kui see sobitub igapäevaste põllumajanduslike töövoogudega ja suudab oma soovitusi selgitada, eriti kui ühenduvus on katkendlik või tingimused muutuvad.

Peamised järeldused:

Prioriseerimine: Kasutage tehisintellekti, et suunata luure ja tähelepanu kõigepealt kõige tõenäolisematele probleemsetele kohtadele.

Töövoo sobivus: vali tööriistad, mis töötavad kabiinist, on kiired ega nõua täiendavat sisselogimist.

Läbipaistvus: Eelista süsteeme, mis selgitavad „miks“, et otsused jääksid usaldusväärseks ja vaidlustatavaks.

Andmeõigused: Enne kasutuselevõttu lukustage omandiõigus, load, eksportimise ja kustutamise tingimused.

Väärkasutuse vältimine: käsitle ennustusi hoiatustena ja kontrolli nende mõistlikkust alati inimliku hinnanguga.

Palju taandubki ühele asjale: segase põllumajandusliku andmestiku (pildid, andurite näidud, saagikaardid, masina logid, ilmastikusignaalid) muutmine selgeteks tegevusteks. See „tegevusteks muutmise“ osa ongi põhimõtteliselt masinõppe mõte põllumajanduslike otsuste toetamisel. [1]

Artiklid, mida võiksite pärast seda lugeda:

🔗 Kuidas tehisintellekt aitab tuvastada põllukultuuride haigusi
Tehisintellekt analüüsib põllukultuuride pilte, et haigusi varakult ja täpselt tuvastada.

🔗 Mida arvutinägemine tehisintellektis tähendab
Selgitab, kuidas masinad pilte, videoid ja visuaalseid andmeid mõistavad.

🔗 Kuidas tehisintellekti värbamisel kasutada
Praktilised viisid, kuidas tehisintellekt parandab värbamist, taustakontrolli ja kandidaatide sobitamist.

🔗 Kuidas õppida tehisintellekti
Algajatele sobiv tegevuskava tehisintellekti kontseptsioonide ja tööriistade õppimise alustamiseks.

1) Lihtne idee: tehisintellekt muudab tähelepanekud otsusteks 🧠➡️🚜

Põllumajandusettevõtted genereerivad naeruväärselt palju infot: mulla varieeruvus, põllukultuuride stressimustrid, kahjurite surve, loomade käitumine, masinate jõudlus ja nii edasi. Tehisintellekt aitab tuvastada mustreid, mida inimesed ei märka – eriti suurtes ja segastes andmekogumites – ning seejärel suunata otsuseid, näiteks kuhu otsida, mida töödelda ja mida ignoreerida. [1]

Väga praktiline viis sellele mõelda: tehisintellekt on prioriseerimismootor. See ei maagiliselt teie eest tööd tegema hakka – see aitab teil oma aega ja tähelepanu suunata sinna, kus see tegelikult oluline on.

2) Mis teeb tehisintellektist põllumajanduses hea versiooni? ✅🌱

Kõik „põllumajanduse tehisintellektid” pole võrdsed. Mõned tööriistad on tõeliselt head; teised on… põhimõtteliselt uhke graafik logoga.

Siin on see, mis päriselus kõige olulisem on:

• Ühildub teie tegeliku töövooga (traktorikabiin, porised kindad, piiratud aeg)

• Selgitab põhjust, mitte ainult skoori (muidu te ei usalda seda)

• Saab hakkama põllumajandusliku varieeruvusega (muld, ilm, hübriidid, külvikorrad – kõik muutub)

• Selge andmete omandiõigus + õigused (kes mida ja mis eesmärgil näeb) [5]

• Sobib hästi kokku teiste süsteemidega (sest andmesilod on pidev peavalu)

• Ikka veel kasulik ebaühtlase ühenduvuse korral (maapiirkondade infrastruktuur on ebaühtlane ja „ainult pilvepõhine” teenus võib olla tehingut rikkuv tegur) [2]

Olgem ausad: kui väärtuse saamiseks on vaja kolme sisselogimist ja arvutustabeli eksporti, siis pole see „tark põllumajandus“, vaid karistus 😬.

3) Võrdlustabel: levinumad tehisintellekti-laadsed tööriistakategooriad, mida põllumehed tegelikult kasutavad 🧾✨

Hinnad muutuvad ja paketid on erinevad, seega käsitlege neid pigem hinnavahemikena kui absoluutsete normidena.

Väike vormindusülestunnistus: „hinnavibe” on tehniline termin, mille ma just leiutasin... aga saate aru, mida ma mõtlen 😄.

4) Saagi skautimine: tehisintellekt leiab probleeme kiiremini kui juhuslik kõndimine 🚶♂️🌾

Üks suurimaid võite on prioriseerimine. Selle asemel, et kõikjal ühtlaselt skautida, kasutab tehisintellekt kujutisi ja põlluajalugu, et suunata teid tõenäoliste probleemsete kohtade poole. Selliseid lähenemisviise esineb teaduskirjanduses pidevalt – haiguste tuvastamine, umbrohu tuvastamine, saagi jälgimine –, sest need on just sellised mustrite tuvastamise probleemid, mille lahendamisel masinõpe on hea. [1]

Levinumad tehisintellektil põhinevad skautimissisendid:

• Satelliidi- või droonifotod (vilja elujõu signaalid, muutuste tuvastamine) [1]

• Nutitelefoni fotod kahjurite/haiguste tuvastamiseks (kasulik, aga vajab ikkagi inimese aju) [1]

• Ajalooline saagikus + mullakihid (nii et te ei ajaks „tavalisi nõrku kohti” uute probleemidega segi)

See on üks koht, kus „Kuidas tehisintellekt põllumajandust aitab?” läheb väga sõna-sõnalt kirja: see aitab sul märgata seda, millest sa olid kohe ilma jäänud 👀. [1]

5) Täppisandmed: nutikam pritsimine, väetamine, niisutamine 💧🌿

Sisendid on kallid. Vead teevad haiget. Seega võib tehisintellekt tunduda tõelise ja mõõdetava investeeringutasuvusena – kui teie andmed ja seadistus on usaldusväärsed. [1]

Nutikam pritsimine (sh sihipärane pritsimine)

See on üks selgemaid näiteid põhimõttest „näita mulle raha”: arvutinägemine koos masinõppega võimaldab umbrohutõrjet tavalise pritsimise asemel pritsida kõike korraga. [3]

Oluline usaldusmärkus: isegi neid süsteeme müüvad ettevõtted on avameelselt teadlikud, et tulemused varieeruvad sõltuvalt umbrohu sisaldusest, põllukultuuri tüübist, sätetest ja tingimustest – seega mõelge sellele kui tööriistale, mitte garantiile. [3]

Muutuva külvinormiga külv ja ettekirjutused

Retseptipõhised tööriistad aitavad teil tsoone määratleda, kihte kombineerida, skripte genereerida ja seejärel hinnata, mis tegelikult juhtus. See „hinda, mis juhtus” tsükkel on oluline – masinõpe põllumajanduses on oma parimas vormis siis, kui saate õppida hooajast hooajasse, mitte ainult luua ilusa kaardi üks kord. [1]

Ja jah, mõnikord on esimene võit lihtsalt: „Ma näen lõpuks ometi, mis eelmisel söödul juhtus.“ Mitte glamuurne. Äärmiselt reaalne.

6) Kahjurite ja haiguste ennustamine: varasemad hoiatused, vähem üllatusi 🐛⚠️

Ennustamine on keeruline (bioloogia armastab kaost), kuid masinõppe lähenemisviise uuritakse laialdaselt selliste asjade jaoks nagu haiguste avastamine ja saagikusega seotud prognoosimine – sageli ilmastikunähtude, kujutiste ja põllu ajaloo kombineerimise teel. [1]

Reaalsuskontroll: ennustus ei ole ettekuulutus. Käitu selle kõrval nagu suitsuanduri – kasulik isegi siis, kui see kohati tüütu on 🔔.

7) Kariloomad: tehisintellekt jälgib käitumist, tervist ja heaolu 🐄📊

Kariloomade tehisintellekt on hoogu kogumas, sest see tegeleb lihtsa reaalsusega: te ei saa iga looma kogu aeg jälgida.

Täppisloomakasvatus (PLF) põhineb põhimõtteliselt pideval jälgimisel ja varajasel hoiatamisel – süsteemi ülesanne on juhtida teie tähelepanu loomadele, kes seda kohe. [4]

Näited, mida looduses näha võib:

• Kantavad seadmed (kaelarihmad, kõrvamärgid, jalaandurid)

• Boolus-tüüpi andurid

• Kaamerapõhine jälgimine (liikumis-/käitumismustrid)

Seega, kui küsida, kuidas tehisintellekt põllumajandust aitab, siis mõnikord on see sama lihtne kui see, et see ütleb sulle, millist looma kõigepealt kontrollida, enne kui olukord lumepalliefekti tekitab 🧊. [4]

8) Automatiseerimine ja robootika: korduvate tööde tegemine (ja nende järjepidev tegemine) 🤖🔁

Automatiseerimine ulatub „kasulikust abist“ kuni „täielikult autonoomseni“ ja enamik farme asub kuskil vahepeal. Suuremas plaanis käsitleb FAO kogu seda valdkonda osana laiemast automatiseerimislainest, mis hõlmab kõike alates masinatest kuni tehisintellektini, millel on nii potentsiaalsed eelised kui ka ebaühtlased kasutuselevõturiskid. [2]

Robotid ei ole maagilised, aga nad võivad olla nagu teised käed, mis ei väsi... ega kurda... ega vaja teepause (olgu, kerge liialdus) ☕.

9) Põllumajandusettevõtte juhtimine + otsustustugi: „vaikne“ supervõime 📚🧩

See on ebaseksikas osa, mis sageli kõige pikaajalisemat väärtust annab: paremad andmed, paremad võrdlused, paremad otsused.

Konkreetse masinõppega otsustustugi ilmneb põllukultuuride, kariloomade, mulla ja veemajanduse uuringutes, sest nii paljud põllumajandusotsused taanduvad küsimusele: kas on võimalik ühendada punkte aja, põldude ja tingimuste lõikes? [1]

Kui oled kunagi proovinud kahte hooaega võrrelda ja mõelnud: „Miks miski ei klapi??“ – siis jah. Täpselt nii.

10) Tarneahel, kindlustus ja jätkusuutlikkus: tehisintellekti telgitagune 📦🌍

Tehisintellekt põllumajanduses ei piirdu ainult taluga. FAO vaade „põllumajandus- ja toidusüsteemidele” on selgelt laiem kui pelgalt valdkond – see hõlmab väärtusahelaid ja laiemat tootmissüsteemi, kus prognoosimis- ja kontrollivahendid kipuvad ilmnema. [2]

Siin lähevad asjad veidralt poliitiliseks ja tehniliseks korraga – mitte alati lõbusaks, aga üha asjakohasemaks.

11) Lõksud: andmeõigused, eelarvamused, ühenduvus ja „lahe tehnoloogia, mida keegi ei kasuta” 🧯😬

Tehisintellekt võib igavate asjade ignoreerimisel absoluutselt tagasilöögi anda:

• Andmehaldus: omandiõigus, kontroll, nõusolek, teisaldatavus ja kustutamine peavad olema lepingu sõnastuses selgelt sõnastatud (mitte juriidilise udu taha mattunud) [5]

• Ühenduvus + toetav infrastruktuur: kasutuselevõtt on ebaühtlane ja maapiirkondade infrastruktuuri lüngad on reaalsed [2]

• Eelarvamused ja ebaühtlane kasu: tööriistad võivad mõnede talutüüpide/piirkondade puhul paremini toimida kui teiste puhul, eriti kui treeningandmed ei vasta teie tegelikkusele [1]

• „Näeb nutikas välja, pole kasulik”: kui see ei sobi töövoogu, siis seda ei kasutata (ükskõik kui lahe demo ka poleks)

Kui tehisintellekt on traktor, siis andmete kvaliteet on diisel. Halb kütus, halb päev.

12) Alustamine: vähese dramaatilisema tegevuskava 🗺️✅

Kui soovid tehisintellekti proovida ilma raha põlema panemata:

1. Vali üks probleempunkt (umbrohi, kastmise ajastus, luureaeg, karja tervisehoiatused)

2. Alustage nähtavuse tagamisega (kaardistamine + jälgimine) enne täielikku automatiseerimist [1]

3. Käivita lihtne katse: üks põld, üks karjagrupp, üks töövoog

4. Jälgi ühte mõõdikut, mis sind tegelikult huvitab (pritsimise maht, kokkuhoitud aeg, korduvtöötlused, saagikuse stabiilsus)

5. Enne kinnitamist kontrollige andmeõigusi + ekspordivalikuid [5]

6. Planeeri koolitust – isegi „lihtsad” tööriistad vajavad kinnistumiseks harjumusi [2]

13) Lõppmärkused: Kuidas tehisintellekt põllumajandust aitab? 🌾✨

Kuidas tehisintellekt põllumajandust aitab? See aitab farmidel teha paremaid otsuseid väiksema oletustega – muutes pildid, andurite näidud ja masina logid tegevusteks, mida saate tegelikult ette võtta. [1]

TL;DR

• Tehisintellekt parandab luureandmeid (leia probleemid varem) [1]

• See võimaldab täpseid sisendeid (eriti sihipärast pritsimist) [3]

• See edendab kariloomade seiret (varajased hoiatused, heaolu jälgimine) [4]

• See toetab automatiseerimist (koos eeliste ja tegelike kasutuselevõtulünkadega) [2]

• Otsustavad tegurid on andmeõigused, läbipaistvus ja kasutatavus [5].

Reaalse maailma näide: tehisintellekti kasutamine saagi uurimise prioriseerimiseks 🌾🔍

Stsenaarium

Kujutage ette 650-aakrilist põllundusfarmi, kus kasvatatakse talinisu, rapsi ja kevadist otra. Talul on juba olemas saagikaardid, mullavööndite põhikaardid, pritsimisandmed ja iganädalased satelliidipildid, kuid juhataja luurab põlde ikkagi enamasti harjumuse järgi: kõigepealt pöördepunktid, seejärel teadaolevad nõrgad kohad ja seejärel nii palju kui aega on.

Probleem ei ole andmete puudumises. Probleem on selles, et andmed asuvad eri kohtades ega vasta selgelt igapäevasele küsimusele: „Kuhu ma peaksin täna hommikul esimesena kõndima?“

Lihtne tehisintellektil põhinev luureprotsess aitab piltide muudatuste, välitööde ajaloo ja hiljutise ilma muutmisega järjestatud kontrollpunktide loendiks.

Mida assistent vajab

Töövoo väärtuslikuks muutmiseks koguks farmijuht järgmist:

• Põllupiirid ja iga põllukultuuri tüüp

• Hiljutised satelliidi- või droonipildid

• Varasemad saagikaardid, kui need on olemas

• Teadaolevad niisked kohad, tihendatud alad või ajaloolised umbrohulaigud

• Hiljutised ilmateated, eriti sademete hulk ja temperatuurikõikumised

• Pihustus- ja väetiseregistrid

• Lühike kontrollnimekiri kahjurite, haiguste, umbrohtude, vettimise ja põllukultuuride stressi kohta

Assistent ei pea tegema lõplikku agronoomilist otsust. Tema ülesanne on tähelepanu järjestada, selgitada iga valdkonna olulisust ja aidata inimesel kiiremini kontrollida.

Näidisjuhis

Sa aitad segapõllundusettevõtte põllukultuuride uurimise prioriseerimist. Kasuta põllumärkmeid, pildivaatlusi, varasemaid saagiktsoone ja hiljutist ilmastiku kokkuvõtet, et luua tänaseks järjestatud uurimisplaan.

Iga soovitatava peatuse kohta lisage:

1. Välja nimi

2. Täpne ala või maamärk, mida kontrollida

3. Miks see valdkond on prioriteetne

4. Mida isiklikult otsida

5. Millised tõendid kinnitaksid või lükkaksid ümber mure?

6. Kas tegevus on kiireloomuline, ainult jälgimist vajav või vajab agronoomi ülevaatust

Ärge soovitage ravi, kui selle kohta pole piisavalt tõendeid. Käsitlege kõiki ennustusi eelhoiatustena, mitte lõplike diagnoosidena.

Kuidas seda testida

Alustage ühe põllugrupiga, mitte terve taluga.

Hea viiest testist koosnev seadistus võiks välja näha selline:

• Katse 1: Põld teadaolevalt märja alaga

• Katse 2: Põld ajaloolise musta rohu survega

• Test 3: Väli, millel on äkiline madala energiatasemega kujutise ala

• Test 4: Tavapärase välimusega piltidega põld, kuid kehva saagikuse ajalooga

• Test 5: Põld, mille kohta põllumees juba teab, et suuremat probleemi pole

Pärast skautimist võrdle abilise prioriteetide nimekirja välitöödel leituga.

Jälgi kolme lihtsat numbrit:

• Luuretee planeerimisele kulutatud minutid

• Tunnis leitud väärtuslike probleemide arv

• Aega raiskavate valehäirete arv

Tulemus

Ainult illustreeriv tulemus: põhineb viie näidis-skaudiülesande ajastusel enne ja pärast töövoo kasutamist.

Enne tehisintellekti abil loodud plaani kasutamist kulutas juht umbes 45 minutit kaartide ülevaatamisele ja kõndimiskoha otsustamisele. Pärast järjestatud skautimisnimekirja kasutamist kulus planeerimiseks 12 minutit.

Valimtestis kontrollis juhataja kahe tunni jooksul 11 ​​asukohta ja leidis neli olulist probleemi, mis väärisid jälgimist või tegutsemist: üks vettinud trammirada, kaks umbrohusurvega ala ja üks võimalik varajane haigus, mis vajas agronoomi ülevaatust.

See toimib järgmiselt:

• Planeerimisaeg lühenes 45 minutilt 12 minutile

• 33 minutit säästetud enne skautimise algust

• 4 väärtuslikku leidu 11 peatusest

• 2 peatust märgiti pärast välikontrolli valehäireteks

Oluline on see, et neid numbreid on lihtne kontrollida. Põllumajandustootja saab planeerimisetappi ajastada, luurepeatusi lugeda, kinnitatud leide kirja panna ja marsruuti tavapäraste luureharjumustega võrrelda.

Mis võib valesti minna

Assistent võib ikkagi teha halbu otsuseid, kui sisendandmed on aegunud, madala eraldusvõimega või olulise konteksti puudumisel. Madala elujõulisusega laik võib viidata haigusele, aga ka tihenemisele, seisvale veele, jänesekahjustustele, kehvale juurdumisele või lihtsalt teadaolevale nõrgale mullatsoonile.

Levinud vead, mida vältida:

• Tehisintellekti väljundi käsitlemine diagnoosina, mitte luureplaanina

• Kaartide üleslaadimine ilma kontrollimata, kas need vastavad praegustele põllupiiridele

• Kohalike agronoomide teadmiste eiramine

• Valehäirete salvestamise unustamine

• Ühe hooaja tulemuste kasutamine kogu süsteemi hindamiseks

• Tööriista poolt ravimeetodite soovitamise lubamine ilma inimese ülevaatuseta

Praktiline kaasavõetav toit

Tehisintellekti parim kasutusviis selles näites ei ole põllumehe või agronoomi asendamine. See muudab päeva esimese tunni teravamaks: vähem juhuslikke põllul käike, kiiremad kontrollid ja selgem põhjus igaks luurepeatuseks.

KKK

Kuidas tehisintellekt toetab põllumajanduslike otsuste langetamist talus

Põllumajanduses seisneb tehisintellekt suuresti vaatluste muutmises otsusteks, mille põhjal saate tegutseda. Põllumajandusettevõtted genereerivad mürarikkaid sisendeid, nagu pildid, andurite näidud, saagikaardid, masina logid ja ilmastikusignaalid, ning masinõpe aitab nende kaudu mustreid esile tuua. Praktikas toimib see nagu prioriseerimismootor: kuhu kõigepealt uurida, mida töödelda ja mida kõrvale panna. See ei „põllumajandusega tegele teie eest“, kuid see võib vähendada ruumi, kus oletustel võib olla ruumi.

Põllumajandusandmete masinõppe tööriistade tüübid, mida kasutatakse

Enamik põllumajanduslikke otsustustoetuse tööriistu tugineb piltidele (satelliidi-, drooni- või telefonifotod), masina- ja põllutööde logidele, saagikaartidele, mullakihtidele ja ilmastikusignaalidele. Väärtus tuleneb nende kihtide kombineerimisest, mitte igaühe eraldi vaatlemisest. Väljundiks on tavaliselt järjestatud „tähelepanu keskpunktide” kogum, retseptikaart või hoiatus, et midagi on piisavalt nihkunud, et õigustada isiklikku kontrolli.

Mis teeb tehisintellekti põllumajandustööriista igapäevases kasutuses kasulikuks?

Tugevaimad tööriistad vastavad sellele, kuidas töö toimub: traktorikabiinis, piiratud ajaga ning mõnikord mudaste kinnaste ja ebaühtlase signaaliga. Praktilised tööriistad selgitavad „miks“, mitte ainult skoori, ning tulevad toime põllumajandusliku varieeruvusega pinnase, ilma, hübriidide ja külvikordade lõikes. Samuti vajavad need selget andmete omandiõigust ja õigusi ning peaksid integreeruma teiste süsteemidega, et te ei jääks andmesilodesse lõksu.

Internetiühenduse vajadus tehisintellekti tööriistade kasutamiseks talus

Mitte tingimata. Paljudes taludes on maapiirkondades ebaühtlane ühenduvus ja pilvepõhised lahendused võivad olla takistuseks, kui signaal langeb halvimal hetkel. Levinud lähenemisviis on valida tööriistad, mis pakuvad endiselt väärtust vahelduva juurdepääsuga, ja sünkroonida need siis, kui leviala on taas tagatud. Paljudes töövoogudes on esmatähtis usaldusväärsus ja seejärel keerukus, eriti ajatundlike toimingute puhul.

Kuidas tehisintellekt parandab saagi skautimist satelliidi, droonide või telefonifotode abil

Tehisintellektil põhinev luuretegevus seisneb peamiselt probleemsete kohtade kiiremas leidmises kui juhuslikus järjekorras kõndimises. Kujutised aitavad esile tuua varieeruvust ja muutusi aja jooksul, samas kui välitööde ajalugu aitab eristada „tavalisi nõrku kohti” uutest probleemidest. Telefonifotod võivad aidata kahjureid või haigusi tuvastada, kuid need toimivad siiski kõige paremini, kui inimlik mõistus tulemusi kontrollib. Tulemuseks on vähem raisatud kilomeetreid ja varasem avastamine.

Sihipärane pritsimine ja herbitsiidide tõrje arvutinägemise abil

Sihipärane pritsimine aitab vähendada tarbetut pritsimist, kuna kaamerate ja masinõppe abil saab umbrohtusid tuvastada ja pritsida ainult seal, kus vaja, selle asemel, et kõike pritsida. Süsteeme, nagu John Deere'i See & Spray, peetakse sageli hea investeeringutasuvusega juhtumiteks, kui seadistus ja tingimused on õiged. Tulemused võivad varieeruda sõltuvalt umbrohu survest, põllukultuuri tüübist, sätetest ja põllutingimustest, seega on parem käsitleda seda tööriistana, mitte garantiina.

Muutuva määraga retseptid ja kuidas masinõpe neid aja jooksul parandab

Muutuva külvinormiga retseptid kasutavad tsoone ja andmekihte, et suunata külvi- või viljakusotsuseid piirkonnati ning seejärel tulemusi hiljem võrrelda. Konkreetne masinõpe kipub särama siis, kui saate hooaega tsükliliselt sulgeda: luua plaani, käivitada selle ja hinnata, mis juhtus. Isegi tagasihoidlik varajane võit – lõpuks näha, mis viimasel töökäigul juhtus – võib luua aluse targematele retseptidele hiljem.

Täppisloomakasvatus ja mida tehisintellekt jälgib

Täppisloomakasvatus keskendub pidevale jälgimisele ja varajasele hoiatamisele, sest iga looma ei ole võimalik kogu aeg jälgida. Tehisintellektil põhinevad süsteemid võivad käitumise jälgimiseks ja probleemide korral märku andmiseks kasutada kantavaid seadmeid (kaelarihmad, kõrvamärgid, jalaandurid), boolustüüpi andureid või kaameraid. Praktiline eesmärk on lihtne: suunata tähelepanu loomadele, keda on tõenäoliselt vaja kohe kontrollida, enne kui probleemid lumepalliefekti tekitavad.

Tehisintellekti suurimad lõksud põllumajanduses

Suurimad riskid on sageli ebasobivad: ebaselged andmete õigused ja load, ühenduvuspiirangud ning tööriistad, mis ei sobi igapäevase töövooga. Eelarvamused võivad ilmneda siis, kui treeningandmed ei vasta teie talu piirkonnale, tavadele või tingimustele, mis võib muuta jõudluse ebaühtlaseks. Teine levinud rikkerežiim on „näeb nutikas välja, ei anna tulemusi” – kui see nõuab liiga palju sisselogimisi, eksportimist või ajutisi lahendusi, siis seda ei kasutata.

Kuidas alustada tehisintellekti kasutamist põllumajanduses ilma raha raiskamata?

Alusta ühest probleemist – näiteks luureaeg, umbrohud, kastmise ajastus või karja tervisehoiatused –, selle asemel, et osta terve „nutika talu” süsteem. Levinud lähenemisviis on esmalt nähtavuse tagamine (kaardistamine ja jälgimine) enne täieliku automatiseerimise poole püüdlemist. Tee väike prooviversioon (üks põld või üks karjagrupp), jälgi ühte olulist mõõdikut ning vaata andmeõigused ja ekspordivõimalused varakult üle, et sa ei jääks sidusaks.

Viited

[1] Liakos jt (2018) „Masinõpe põllumajanduses: ülevaade“ (andurid)
[2] FAO (2022) „Toidu ja põllumajanduse olukord 2022. aastal: automatiseerimise rakendamine põllumajandus- ja toidusüsteemide muutmiseks“ (uudistetoimetuse artikkel)
[3] John Deere’i „See & Spray™ tehnoloogia“ (ametlik tooteleht)
[4] Berckmans (2017) „Üldine sissejuhatus täppisloomakasvatusse“ (Animal Frontiers, Oxford Academic)
[5] Põllumajandusandmete läbipaistvuse „põhipõhimõtted“ (privaatsus, omandiõigus/kontroll, kaasaskantavus, turvalisus)

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist