როგორ ეხმარება ხელოვნური ინტელექტი სოფლის მეურნეობას? [ვიდეო და ვიქტორინა]

მოკლე პასუხი: ხელოვნური ინტელექტი ეხმარება სოფლის მეურნეობას ფერმის ფრაგმენტული მონაცემების ქმედით გადაწყვეტილებებად გარდაქმნით - სად უნდა მოხდეს პირველ რიგში დაკვირვება, რა უნდა იქნას დამუშავებული და რომელი ცხოველები უნდა შემოწმდეს. ის ყველაზე ღირებულია, როდესაც ის ყოველდღიურ ფერმის სამუშაო პროცესებში ერთვება და შეუძლია თავისი რეკომენდაციების ახსნა, განსაკუთრებით მაშინ, როდესაც კავშირი არასტაბილურია ან პირობები იცვლება.

ძირითადი დასკვნები:

პრიორიტეტების განსაზღვრა: გამოიყენეთ ხელოვნური ინტელექტი, რათა დაზვერვა და ყურადღება პირველ რიგში ყველაზე სავარაუდო პრობლემურ ადგილებზე გაამახვილოთ.

სამუშაო პროცესის მორგება: აირჩიეთ ინსტრუმენტები, რომლებიც კაბინაში მუშაობს, სწრაფია და არ საჭიროებს დამატებით შესვლას.

გამჭვირვალობა: უპირატესობა მიანიჭეთ სისტემებს, რომლებიც ხსნიან „რატომს“, რათა გადაწყვეტილებები სანდო და სადავო დარჩეს.

მონაცემთა უფლებები: გამოყენებამდე დაბლოკეთ საკუთრების, ნებართვების, ექსპორტისა და წაშლის პირობები.

ბოროტად გამოყენების წინააღმდეგობა: პროგნოზები განგაშებად მიიჩნიეთ და ყოველთვის ადამიანური განსჯით შეამოწმეთ თქვენი გონიერება.

ეს დიდწილად ერთ რამეზეა დამოკიდებული: არეული ფერმერული მონაცემების (სურათები, სენსორების ჩვენებები, მოსავლიანობის რუკები, მანქანების ჟურნალები, ამინდის სიგნალები) მკაფიო ქმედებებად გარდაქმნა. სწორედ „მოქმედებებად გარდაქმნის“ ნაწილია მანქანური სწავლების არსი სოფლის მეურნეობის გადაწყვეტილებების მხარდაჭერაში. [1]

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 როგორ ეხმარება ხელოვნური ინტელექტი მოსავლის დაავადებების აღმოჩენას
ხელოვნური ინტელექტი აანალიზებს მოსავლის სურათებს დაავადებების ადრეულ და ზუსტად იდენტიფიცირების მიზნით.

🔗 რას ნიშნავს კომპიუტერული ხედვა ხელოვნურ ინტელექტში
განმარტავს, თუ როგორ აღიქვამენ მანქანები სურათებს, ვიდეოებს და ვიზუალურ მონაცემებს.

🔗 როგორ გამოვიყენოთ ხელოვნური ინტელექტი დაქირავებისას
პრაქტიკული გზები, თუ როგორ აუმჯობესებს ხელოვნური ინტელექტი კანდიდატების დაქირავებას, სკრინინგს და შესაბამისობის დადგენას.

🔗 როგორ ვისწავლოთ ხელოვნური ინტელექტი
დამწყებთათვის მოსახერხებელი გზამკვლევი ხელოვნური ინტელექტის კონცეფციებისა და ინსტრუმენტების შესწავლის დასაწყებად.

1) მარტივი იდეა: ხელოვნური ინტელექტი დაკვირვებებს გადაწყვეტილებებად აქცევს 🧠➡️🚜

ფერმები წარმოადგენენ ინფორმაციის საშინელ რაოდენობას: ნიადაგის ცვალებადობას, მოსავლის სტრესის ნიმუშებს, მავნებლების ზეწოლას, ცხოველების ქცევას, მანქანების მუშაობას და ა.შ. ხელოვნური ინტელექტი ეხმარება ადამიანებს იმ ნიმუშების აღმოჩენით, რომლებსაც ისინი ვერ ამჩნევენ - განსაკუთრებით დიდ, არეულ მონაცემთა ნაკრებებში - და შემდეგ ისეთი გადაწყვეტილებების მიღებაში, როგორიცაა სად უნდა მოხდეს მათი აღმოჩენა, რა უნდა დამუშავდეს და რა უნდა იყოს უგულებელყოფილი. [1]

ძალიან პრაქტიკული გზაა ამის გასააზრებლად: ხელოვნური ინტელექტი პრიორიტეტების განსაზღვრის ძრავაა. ის ჯადოსნურად არ ამუშავებს თქვენს მაგივრად - ის გეხმარებათ თქვენი დრო და ყურადღება იქ მიმართოთ, სადაც ეს ნამდვილად მნიშვნელოვანია.

2) რა ხდის ხელოვნური ინტელექტის ვერსიას კარგს სოფლის მეურნეობისთვის? ✅🌱

ყველა „ფერმერული ხელოვნური ინტელექტი“ ერთნაირი არ არის. ზოგიერთი ინსტრუმენტი ნამდვილად მყარია; სხვები კი... ძირითადად ლოგოთი მოდური გრაფიკია.

აი, რა არის ყველაზე მნიშვნელოვანი რეალურ ცხოვრებაში:

• მუშაობს თქვენს რეალურ სამუშაო პროცესთან (ტრაქტორის კაბინა, ტალახიანი ხელთათმანები, შეზღუდული დრო)

• ხსნის „რატომს“ და არა მხოლოდ ქულას (წინააღმდეგ შემთხვევაში არ ენდობით)

• უმკლავდება ფერმის ცვალებადობას (ნიადაგი, ამინდი, ჰიბრიდები, როტაციები - ყველაფერი იცვლება)

• მონაცემების საკუთრების გარკვევა + ნებართვები (ვის შეუძლია რა ნახოს და რა მიზნით) [5]

• კარგად ერწყმის სხვა სისტემებს (რადგან მონაცემთა სილოსები მუდმივი თავის ტკივილია)

• კვლავ სასარგებლოა არათანაბარი კავშირის პირობებში (სოფლის ინფრასტრუქტურა არათანაბარია და „მხოლოდ ღრუბელზე“ მუშაობა შეიძლება გადამწყვეტი ფაქტორი იყოს) [2]

მოდით, ვიყოთ გულახდილები: თუ ღირებულების მისაღებად სამი შესვლა და ცხრილის ექსპორტია საჭირო, ეს „ჭკვიანი მეურნეობა“ კი არა, სასჯელია 😬.

3) შედარების ცხრილი: ხელოვნური ინტელექტის მსგავსი ხელსაწყოების კატეგორიები, რომლებსაც ფერმერები რეალურად იყენებენ 🧾✨

ფასები და პაკეტები იცვლება, ამიტომ განიხილეთ ეს როგორც „ფასების მსგავსი“ დიაპაზონები და არა როგორც სახარებისეული.

პატარა აღიარება ფორმატირებისთვის: „ფასის ვიბრაცია“ ტექნიკური ტერმინია, რომელიც ახლახან მოვიგონე... მაგრამ მიხვდით რასაც ვგულისხმობ 😄.

4) მოსავლის დაზვერვა: ხელოვნური ინტელექტი პრობლემებს შემთხვევით სიარულზე უფრო სწრაფად პოულობს 🚶♂️🌾

ერთ-ერთი უდიდესი გამარჯვება პრიორიტეტების. ყველგან თანაბრად დაზვერვის ნაცვლად, ხელოვნური ინტელექტი იყენებს გამოსახულებას + საველე ისტორიას, რათა მიგითითოთ სავარაუდო პრობლემურ ადგილებზე. ეს მიდგომები მუდმივად გვხვდება სამეცნიერო ლიტერატურაში - დაავადებების აღმოჩენა, სარეველების აღმოჩენა, მოსავლის მონიტორინგი - რადგან ისინი ზუსტად ისეთი ტიპის ნიმუშების ამოცნობის პრობლემაა, რომელშიც მანქანური სწავლება კარგია. [1]

ხელოვნური ინტელექტით მართული სკაუტინგის საერთო მონაცემები:

• თანამგზავრული ან დრონის გამოსახულება (მოსავლის სიძლიერის სიგნალები, ცვლილების აღმოჩენა) [1]

• სმარტფონით გადაღებული ფოტოები მავნებლების/დაავადებების იდენტიფიცირებისთვის (სასარგებლოა, მაგრამ მაინც საჭიროა ადამიანის ტვინის მიმაგრება) [1]

• ისტორიული მოსავლიანობა + ნიადაგის ფენები (რათა „ჩვეულებრივი სუსტი წერტილები“ ​​ახალ პრობლემებთან არ აგვერიოს)

ეს არის ერთ-ერთი ადგილი, სადაც „ როგორ ეხმარება ხელოვნური ინტელექტი სოფლის მეურნეობას?“ ძალიან პირდაპირი მნიშვნელობით ჟღერს: ის გეხმარებათ შეამჩნიოთ ის, რისი გამოტოვებაც კი გინდოდათ 👀. [1]

5) ზუსტი შეყვანები: უფრო ჭკვიანი შესხურება, სასუქის შეტანა, მორწყვა 💧🌿

შეყვანის მონაცემები ძვირია. შეცდომები მტკივნეულია. სწორედ აქ შეიძლება ხელოვნური ინტელექტი რეალურ, გაზომვად ROI-დ აღიქმებოდეს - თუ თქვენი მონაცემები და კონფიგურაცია მყარია. [1]

უფრო ჭკვიანური შესხურება (მათ შორის, მიზნობრივი გამოყენებისთვის)

ეს ერთ-ერთი ყველაზე ნათელი მაგალითია „მაჩვენე ფული“-ს: კომპიუტერული ხედვა + მანქანური სწავლება საშუალებას იძლევა, სარეველებზე მიზანმიმართული შესხურება მოხდეს ყველაფრის საყოველთაო შესხურების ნაცვლად. [3]

მნიშვნელოვანი შენიშვნა: ამ სისტემების გამყიდველი კომპანიებიც კი პირდაპირ აცხადებენ, რომ შედეგები განსხვავდება სარეველების ზემოქმედების, მოსავლის ტიპის, გარემოს და პირობების მიხედვით - ამიტომ, ეს ინსტრუმენტად ჩათვალეთ და არა გარანტიად. [3]

ცვლადი სიჩქარის დათესვა და რეცეპტები

დანიშნულების ხელსაწყოები დაგეხმარებათ ზონების განსაზღვრაში, ფენების გაერთიანებაში, სკრიპტების გენერირებაში და შემდეგ რეალურად მომხდარის შეფასებაში. „შეაფასეთ მომხდარი“ ციკლი მნიშვნელოვანია - სოფლის მეურნეობაში მანქანური სწავლება საუკეთესოა, როდესაც შეგიძლიათ სეზონურად ისწავლოთ და არა მხოლოდ ერთხელ შექმნათ ლამაზი რუკა. [1]

და დიახ, ზოგჯერ პირველი გამარჯვება უბრალოდ ასე ჟღერს: „საბოლოოდ ვხედავ, რა მოხდა ბოლო პასტში“. არა მომხიბვლელი. უკიდურესად რეალური.

6) მავნებლებისა და დაავადებების პროგნოზირება: ადრეული გაფრთხილებები, ნაკლები სიურპრიზი 🐛⚠️

პროგნოზირება რთულია (ბიოლოგიას უყვარს ქაოსი), მაგრამ მანქანური სწავლების მიდგომები ფართოდ არის შესწავლილი ისეთი საკითხებისთვის, როგორიცაა დაავადებების გამოვლენა და მოსავლიანობასთან დაკავშირებული პროგნოზირება - ხშირად ამინდის სიგნალების, გამოსახულების და საველე ისტორიის გაერთიანებით. [1]

რეალობის შემოწმება: წინასწარმეტყველება წინასწარმეტყველება არ არის. მოეპყარით მას კვამლის სიგნალიზაციასავით - სასარგებლოა მაშინაც კი, როცა ხანდახან შემაწუხებელია 🔔.

7) მეცხოველეობა: ხელოვნური ინტელექტი აკონტროლებს ქცევას, ჯანმრთელობას და კეთილდღეობას 🐄📊

მეცხოველეობის ხელოვნური ინტელექტი სწრაფად ვითარდება, რადგან ის მარტივ რეალობას ებრძვის: ყველა ცხოველის მუდმივად ყურება შეუძლებელია.

ზუსტი მეცხოველეობის მეურნეობა (PLF) ძირითადად აგებულია უწყვეტ მონიტორინგსა და ადრეულ გაფრთხილებაზე - სისტემის ამოცანაა თქვენი ყურადღება მიიპყროს იმ ცხოველებზე, რომლებსაც ის ახლავე. [4]

მაგალითები, რომლებსაც ველურ ბუნებაში ნახავთ:

• ტარებადი ნივთები (საყელოები, საყურეები, ფეხის სენსორები)

• ბოლუსის ტიპის სენსორები

• კამერაზე დაფუძნებული მონიტორინგი (მოძრაობის/ქცევის ნიმუშები)

ასე რომ, თუ იკითხავთ, როგორ ეხმარება ხელოვნური ინტელექტი სოფლის მეურნეობას? - ზოგჯერ ეს ისეთივე მარტივია: ის გეუბნებათ, რომელი ცხოველი უნდა შეამოწმოთ პირველი, სანამ სიტუაცია თოვლის ბურთებს დაიწყებს 🧊. [4]

8) ავტომატიზაცია და რობოტიკა: განმეორებითი სამუშაოების შესრულება (და მათი თანმიმდევრულად შესრულება) 🤖🔁

ავტომატიზაცია მერყეობს „სასარგებლო დახმარებისგან“ „სრულ ავტონომიურობამდე“ და ფერმების უმეტესობა სადღაც შუაშია. ზოგადი სურათის მხრივ, FAO ამ მთელ სფეროს უფრო ფართო ავტომატიზაციის ტალღის ნაწილად განიხილავს, რომელიც მოიცავს ყველაფერს, დაწყებული დანადგარებიდან ხელოვნურ ინტელექტამდე, როგორც პოტენციური სარგებლით, ასევე არათანაბარი დანერგვის რისკებით. [2]

რობოტები ჯადოქრები არ არიან, მაგრამ შეუძლიათ იყვნენ მეორე წყვილი ხელების მსგავსი, რომლებიც არ იღლებიან... ან არ წუწუნებენ... ან არ სჭირდებათ ჩაის შესვენება (კარგი, მცირედი გაზვიადება) ☕.

9) ფერმის მენეჯმენტი + გადაწყვეტილების მხარდაჭერა: „მშვიდი“ სუპერძალა 📚🧩

ეს არის არასექსუალური ნაწილი, რომელიც ხშირად ყველაზე გრძელვადიან ღირებულებას განაპირობებს: უკეთესი ჩანაწერები, უკეთესი შედარებები, უკეთესი გადაწყვეტილებები.

მანქანური სწავლებით მართული გადაწყვეტილებების მხარდაჭერა ვლინდება კულტურების, მეცხოველეობის, ნიადაგისა და წყლის მართვის კვლევებში, რადგან ფერმერული გადაწყვეტილებების უმეტესობა შემდეგნაირად იკითხება: შეგიძლიათ თუ არა წერტილების დაკავშირება დროის, მინდვრებისა და პირობების მიხედვით? [1]

თუ ოდესმე გიცდიათ ორი სეზონის შედარება და გიფიქრიათ, „რატომ არაფერი ემთხვევა ერთმანეთს?“ - დიახ. ზუსტად ამიტომ.

10) მიწოდების ჯაჭვი, დაზღვევა და მდგრადობა: კულისებს მიღმა ხელოვნური ინტელექტი 📦🌍

ხელოვნური ინტელექტი სოფლის მეურნეობაში მხოლოდ ფერმაში არ არის. FAO-ს შეხედულება „აგროსასურსათო სისტემებზე“ აშკარად უფრო ფართოა, ვიდრე თავად სფერო - ის მოიცავს ღირებულებათა ჯაჭვებს და წარმოების გარშემო არსებულ უფრო ფართო სისტემას, სადაც, როგორც წესი, პროგნოზირებისა და შემოწმების ინსტრუმენტები ჩნდება. [2]

სწორედ აქ ხდება ყველაფერი უცნაურად პოლიტიკური და ტექნიკური ერთდროულად - არა ყოველთვის სახალისო, მაგრამ სულ უფრო აქტუალური.

11) ნაკლოვანებები: მონაცემთა უფლებები, მიკერძოება, დაკავშირებადობა და „მაგარი ტექნოლოგია, რომელსაც არავინ იყენებს“ 🧯😬

ხელოვნურ ინტელექტს შეუძლია აბსოლუტურად საპირისპირო შედეგი გამოიღოს, თუ უგულებელყოფთ მოსაწყენ საკითხებს:

• მონაცემთა მართვა: საკუთრება, კონტროლი, თანხმობა, პორტაბელურობა და წაშლა კონტრაქტის ენაზე მკაფიოდ უნდა იყოს განსაზღვრული (და არა იურიდიულ ნისლში ჩაფლული) [5]

• დაკავშირებადობა + ხელშემწყობი ინფრასტრუქტურა: ადაპტაცია არათანაბარია და სოფლის ინფრასტრუქტურის ხარვეზები რეალურია [2]

• მიკერძოება და არათანაბარი სარგებელი: ინსტრუმენტები შეიძლება უკეთესად იმუშაოს ზოგიერთი ტიპის ფერმის/რეგიონისთვის, ვიდრე სხვებისთვის, განსაკუთრებით თუ ტრენინგის მონაცემები არ შეესაბამება თქვენს რეალობას [1]

• „ჭკვიანურად გამოიყურება, მაგრამ უსარგებლოა“: თუ ის სამუშაო პროცესს არ შეესაბამება, ის არ გამოდგება (რაც არ უნდა მაგარი იყოს დემო ვერსია)

თუ ხელოვნური ინტელექტი ტრაქტორია, მაშინ მონაცემთა ხარისხი დიზელის ძრავაა. ცუდი საწვავი, ცუდი დღე.

12) დაწყება: ნაკლებად დრამატული გზამკვლევი 🗺️✅

თუ გსურთ ხელოვნური ინტელექტის გამოყენება ფულის ცეცხლის წაკიდების გარეშე:

1. აირჩიეთ ერთი პრობლემური წერტილი (სარეველები, მორწყვის დრო, დაზვერვის დრო, ჯოგის ჯანმრთელობის შესახებ შეტყობინებები)

2. სრულ ავტომატიზაციამდე დაიწყეთ ხილვადობით (რუკების შექმნა + მონიტორინგი) [1]

3. მარტივი საცდელი პერიოდის გაშვება: ერთი ველი, ერთი ჯოგის ჯგუფი, ერთი სამუშაო პროცესი

4. თვალყური ადევნეთ ერთ მაჩვენებელს , რომელიც ნამდვილად გაინტერესებთ (შესხურების მოცულობა, დაზოგილი დრო, ხელახალი დამუშავება, მოსავლიანობის სტაბილურობა)

5. შეამოწმეთ მონაცემთა უფლებები + ექსპორტის პარამეტრები თანხმობის დადებამდე [5]

6. ტრენინგის დაგეგმვა - „მარტივ“ ინსტრუმენტებსაც კი სჭირდებათ ჩვევების დაცვა [2]

13) დასკვნითი შენიშვნები: როგორ ეხმარება ხელოვნური ინტელექტი სოფლის მეურნეობას? 🌾✨

როგორ ეხმარება ხელოვნური ინტელექტი სოფლის მეურნეობას? ის ეხმარება ფერმებს უკეთესი ზარების განხორციელებაში ნაკლები ვარაუდით - სურათების, სენსორების მონაცემების და მანქანების ჩანაწერების გარდაქმნით ისეთ ქმედებებად, რომელთა განხორციელებაც რეალურად შეგიძლიათ. [1]

TL;DR

• ხელოვნური ინტელექტი აუმჯობესებს დაზვერვას (პრობლემების ადრეული პოვნა) [1]

• ის საშუალებას იძლევა ზუსტი შეყვანის (განსაკუთრებით მიზნობრივი შესხურების) [3]

• ეს აძლიერებს მეცხოველეობის მონიტორინგს (ადრეული გაფრთხილებები, კეთილდღეობის თვალყურის დევნება) [4]

• ის მხარს უჭერს ავტომატიზაციას (სარგებლით - და რეალური დანერგვის ხარვეზებით) [2]

• გადამწყვეტი ფაქტორებია მონაცემთა უფლებები, გამჭვირვალობა და გამოყენებადობა [5]

რეალური მაგალითი: ხელოვნური ინტელექტის გამოყენება მოსავლის დაზვერვის პრიორიტეტულობისთვის 🌾🔍

სცენარი

წარმოიდგინეთ 650 ჰექტარზე გაშენებული სახნავ-სათესი მეურნეობა, სადაც ზამთრის ხორბალი, რაფსი და გაზაფხულის ქერი მოჰყავთ. მეურნეობას უკვე აქვს მოსავლიანობის რუკები, ნიადაგის ზონის ძირითადი რუკები, შესხურების ჩანაწერები და ყოველკვირეული თანამგზავრული ფოტოები, თუმცა მენეჯერი ძირითადად ჩვევის მიხედვით აკვირდება მინდვრებს: ჯერ კონცხები, შემდეგ ცნობილი სუსტი ადგილები და შემდეგ ის, რისთვისაც დროა.

პრობლემა მონაცემების ნაკლებობა არ არის. პრობლემა იმაშია, რომ მონაცემები სხვადასხვა ადგილასაა განთავსებული და ნათლად არ პასუხობს ყოველდღიურ კითხვას: „სად უნდა გავიარო პირველი სიარული დღეს დილით?“

ხელოვნური ინტელექტით დახმარებული მარტივი სადაზვერვო სამუშაო პროცესი დაგეხმარებათ გამოსახულების ცვლილებების, საველე ისტორიისა და ბოლოდროინდელი ამინდის პროგნოზის შემოწმების წერტილების რანჟირებულ სიაში გადაქცევით.

რა სჭირდება ასისტენტს

სამუშაო პროცესის ღირებულად წარმოსადგენად, ფერმის მენეჯერი შეაგროვებს:

• თითოეული ველის საზღვრები და მოსავლის ტიპი

• ბოლოდროინდელი სატელიტური ან დრონის ფოტოები

• წინა მოსავლიანობის რუკები, თუ ხელმისაწვდომია

• ცნობილი სველი ადგილები, დატკეპნილი ადგილები ან ისტორიული სარეველების ნაკვეთები

• ბოლოდროინდელი ამინდის მოვლენები, განსაკუთრებით ნალექი და ტემპერატურის ცვალებადობა

• შესხურებისა და სასუქის ჩანაწერები

• მავნებლების, დაავადებების, სარეველების, წყალდიდობისა და მოსავლის სტრესის მოკლე საკონტროლო სია

ასისტენტს არ სჭირდება აგრონომიასთან დაკავშირებული საბოლოო გადაწყვეტილების მიღება. მისი მოვალეობაა ყურადღების მიპყრობა, თითოეული სფეროს მნიშვნელობის ახსნა და ადამიანზე უფრო სწრაფად შემოწმებაში დახმარება.

მაგალითი ინსტრუქცია

თქვენ ეხმარებით შერეული სახნავ-სათესი მეურნეობისთვის მოსავლის დაზვერვის პრიორიტეტულობის განსაზღვრაში. გამოიყენეთ საველე ჩანაწერები, სურათებით დაკვირვებები, წინა მოსავლიანობის ზონები და ბოლოდროინდელი ამინდის შეჯამება დღევანდელი რეიტინგული დაზვერვის გეგმის შესაქმნელად.

თითოეული რეკომენდებული გაჩერებისთვის, მიუთითეთ:

1. ველის სახელი

2. ზუსტი ტერიტორია ან ღირსშესანიშნაობა შესამოწმებლად

3. რატომ არის ეს სფერო პრიორიტეტული

4. რა უნდა მოძებნოთ პირადად

5. რა მტკიცებულებები დაადასტურებს ან უარყოფს შეშფოთებას

6. მოქმედება სასწრაფოა, მხოლოდ დაკვირვებაა თუ აგრონომის შემოწმებას საჭიროებს

არ გირჩიოთ მკურნალობა, თუ საკმარისი მტკიცებულება არ არსებობს. ყველა პროგნოზი განიხილეთ, როგორც სადაზვერვო შეტყობინება და არა საბოლოო დიაგნოზები.

როგორ გამოვცადოთ ის

დაიწყეთ ერთი საველე ჯგუფით და არა მთელი ფერმით.

კარგი ხუთტესტიანი კონფიგურაცია შეიძლება ასე გამოიყურებოდეს:

• ტესტი 1: ცნობილი სველი ადგილის მქონე ველი

• ტესტი 2: ისტორიულად შავი ბალახის წნევის მქონე მოედანი

• ტესტი 3: ველი, რომელიც უეცრად დაბალი სიმძლავრის გამოსახულების არეალს აჩვენებს

• ტესტი 4: ველი ნორმალური გარეგნობის გამოსახულებით, მაგრამ ცუდი მოსავლიანობის ისტორიით

• ტესტი 5: მინდორი, სადაც ფერმერმა უკვე იცის, რომ სერიოზული პრობლემა არ არსებობს

დაზვერვის შემდეგ, შეადარეთ ასისტენტის პრიორიტეტების სია ველზე ნაპოვნი ნივთების სიას.

თვალყური ადევნეთ სამ მარტივ რიცხვს:

• დაზვერვის მარშრუტის დაგეგმვაზე დახარჯული წუთები

• საათში ნაპოვნი ღირებული საკითხების რაოდენობა

• დროის ფუჭად კარგვის მიზეზით ცრუ განგაშის რაოდენობა

შედეგი

მხოლოდ საილუსტრაციო შედეგი: დაფუძნებულია სამუშაო პროცესის გამოყენებამდე და მის შემდეგ დაზვერვის ხუთი ნიმუშის დავალების დროის განსაზღვრაზე.

ხელოვნური ინტელექტით დაფინანსებული გეგმის გამოყენებამდე მენეჯერმა დაახლოებით 45 წუთი დაუთმო რუკების განხილვას და იმის გადაწყვეტას, თუ სად უნდა გაევლო. რეიტინგული სკაუტების სიის გამოყენების შემდეგ, დაგეგმვას 12 წუთი დასჭირდა.

ნიმუშის ტესტირებისას მენეჯერმა 2 საათში 11 ლოკაცია შეამოწმა და აღმოაჩინა 4 რეალური პრობლემა, რომლებიც მონიტორინგს ან მოქმედებას საჭიროებდა: ერთი დატბორილი ტრამვაის ხაზი, ორი სარეველებით დაფარული ადგილი და ერთი შესაძლო ადრეული დაავადების პრობლემა, რომელიც აგრონომის მიერ შემოწმებას საჭიროებდა.

ეს ასე გამოდის:

• დაგეგმვის დრო 45 წუთიდან 12 წუთამდე შემცირდა

• სკაუტინგის დაწყებამდე 33 წუთით ადრე გადარჩა

• 4 ღირებული აღმოჩენა 11 გაჩერებიდან

• საველე შემოწმების შემდეგ 2 გაჩერება ცრუ განგაშად იქნა მონიშნული

მნიშვნელოვანი რამ: ამ ციფრების გადამოწმება მარტივია. ფერმერს შეუძლია დაგეგმვის ეტაპის დროის განსაზღვრა, დაზვერვის გაჩერებების დათვლა, დადასტურებული აღმოჩენების ჩაწერა და მარშრუტის შედარება ჩვეულებრივ დაზვერვის ჩვევებთან.

რა შეიძლება არასწორად წავიდეს

ასისტენტს მაინც შეუძლია ცუდი ზარების განხორციელება, თუ შეყვანილი მონაცემები მოძველებულია, დაბალი გარჩევადობაა ან მნიშვნელოვანი კონტექსტი აკლია. დაბალი სიმძლავრის მქონე ადგილი შეიძლება დაავადება იყოს, მაგრამ ასევე შეიძლება იყოს დატკეპნა, წყლის სტაგნაცია, კურდღლების დაზიანება, ცუდი დამკვიდრება ან უბრალოდ ცნობილი სუსტი ნიადაგის ზონა.

გავრცელებული შეცდომები, რომლებიც თავიდან უნდა იქნას აცილებული:

• ხელოვნური ინტელექტის შედეგების დიაგნოზის სახით აღქმა და არა სადაზვერვო გეგმის სახით

• რუკების ატვირთვა მიმდინარე ველის საზღვრებთან შესაბამისობის შემოწმების გარეშე

• ადგილობრივი აგრონომების ცოდნის იგნორირება

• ცრუ განგაშის ჩაწერის დავიწყება

• ერთი სეზონის შედეგების გამოყენება მთელი სისტემის შესაფასებლად

• ხელსაწყოსთვის მკურნალობის რეკომენდაციის მიცემა ადამიანის მიერ განხილვის გარეშე

პრაქტიკული რჩევები

ამ მაგალითში ხელოვნური ინტელექტის საუკეთესო გამოყენება არ არის ფერმერის ან აგრონომის ჩანაცვლება. ის დღის პირველ საათს უფრო მკვეთრის ხდის: ნაკლები შემთხვევითი გასეირნება მინდორში, უფრო სწრაფი შემოწმებები და ყოველი სადაზვერვო გაჩერების უფრო ნათელი მიზეზი.

ხშირად დასმული კითხვები

როგორ უწყობს ხელს ხელოვნური ინტელექტი ფერმაში სოფლის მეურნეობის შესახებ გადაწყვეტილების მიღებას

სოფლის მეურნეობაში ხელოვნური ინტელექტი ძირითადად დაკვირვებების ისეთ გადაწყვეტილებებად გარდაქმნას გულისხმობს, რომლებზეც რეაგირება შეგიძლიათ. ფერმები ხმაურიან მონაცემებს წარმოქმნიან, როგორიცაა სურათები, სენსორების ჩვენებები, მოსავლიანობის რუკები, მანქანების ჟურნალები და ამინდის სიგნალები, ხოლო მანქანური სწავლება მათ შორის არსებული ნიმუშების გამოვლენაში გვეხმარება. პრაქტიკაში, ის პრიორიტეტების განსაზღვრის მექანიზმის მსგავსად ფუნქციონირებს: სად უნდა დააკვირდეთ პირველ რიგში, რა დაამუშაოთ და რა გადადოთ. ის „თქვენთვის არ დაამუშავებს მიწას“, მაგრამ მას შეუძლია შეამციროს სივრცე, სადაც ვარაუდები არსებობს.

ფერმის მონაცემების მანქანური სწავლების ინსტრუმენტების გამოყენების სახეები

სოფლის მეურნეობის სფეროში გადაწყვეტილების მიღების მხარდაჭერის ინსტრუმენტების უმეტესობა ეფუძნება გამოსახულებას (თანამგზავრის, დრონის ან ტელეფონის ფოტოები), მანქანებისა და საველე ოპერაციების ჟურნალებს, მოსავლიანობის რუკებს, ნიადაგის ფენებსა და ამინდის სიგნალებს. ღირებულება მიიღება ამ ფენების გაერთიანებით, თითოეულის იზოლირებულად დათვალიერების ნაცვლად. გამომავალი, როგორც წესი, არის „ყურადღების მიმზიდველი წერტილების“ რანჟირებული ნაკრები, დანიშნულების რუკა ან შეტყობინება იმის შესახებ, რომ რაღაც საკმარისად შეიცვალა, რომ პირადი შემოწმების საჭიროება დაკმაყოფილდეს.

რა ხდის ხელოვნურ ინტელექტს ფერმერობისთვის სასარგებლოს ყოველდღიურ გამოყენებაში

ყველაზე ძლიერი ხელსაწყოები შეესაბამება სამუშაოს მიმდინარეობის წესს: ტრაქტორის კაბინაში, შეზღუდული დროით, ზოგჯერ კი ტალახიანი ხელთათმანებითა და არაერთგვაროვანი სიგნალით. პრაქტიკული ხელსაწყოები ხსნიან „რატომს“ და არა მხოლოდ ქულას, და ისინი უმკლავდებიან ფერმის ცვალებადობას ნიადაგის, ამინდის, ჰიბრიდებისა და როტაციების მიხედვით. მათ ასევე სჭირდებათ მონაცემების მკაფიო საკუთრება და ნებართვები და უნდა ინტეგრირდნენ სხვა სისტემებთან, რათა არ აღმოჩნდეთ მონაცემთა სილოსებში.

ფერმაში ხელოვნური ინტელექტის ხელსაწყოების გამოყენებისთვის ინტერნეტთან დაკავშირების საჭიროება

არა აუცილებლად. ბევრ ფერმას არათანაბარი სოფლის კავშირი აქვს და მხოლოდ ღრუბელზე დაფუძნებული დიზაინი შეიძლება გადამწყვეტი აღმოჩნდეს, როდესაც სიგნალი ყველაზე ცუდ მომენტში წყდება. გავრცელებული მიდგომაა ისეთი ინსტრუმენტების არჩევა, რომლებიც მაინც უზრუნველყოფენ ღირებულებას წყვეტილი წვდომით და შემდეგ სინქრონიზაცია, როგორც კი დაფარვის ზონაში დაბრუნდებით. ბევრ სამუშაო პროცესში პრიორიტეტი პირველ რიგში საიმედოობაა და შემდეგ დახვეწილობა, განსაკუთრებით დროში შეზღუდული ოპერაციების დროს.

როგორ აუმჯობესებს ხელოვნური ინტელექტი მოსავლის დაზვერვას თანამგზავრის, დრონების ან ტელეფონის ფოტოების გამოყენებით

ხელოვნური ინტელექტით მართული დაზვერვა ძირითადად პრობლემური ადგილების უფრო სწრაფად პოვნას გულისხმობს, ვიდრე შემთხვევით სიარულს. სურათებს შეუძლიათ დროთა განმავლობაში ცვალებადობისა და ცვლილებების ხაზგასმა, ხოლო საველე ისტორია ხელს უწყობს „ნორმალური სუსტი ზონების“ ახალი პრობლემებისგან გამოყოფას. ტელეფონით გადაღებული ფოტოები შეიძლება სასარგებლო იყოს მავნებლების ან დაავადებების იდენტიფიცირებისთვის, მაგრამ ისინი მაინც საუკეთესოდ მუშაობს, როდესაც ადამიანის საღი აზრი ამოწმებს შედეგს. სარგებელი არის ნაკლები დაკარგული კილომეტრი და ადრეული აღმოჩენა.

კომპიუტერული ხედვის გამოყენებით მიზნობრივი შესხურება და ჰერბიციდების შემცირება

მიზნობრივი შესხურება ამცირებს არასაჭირო შესხურებას კამერებისა და ML-ის გამოყენებით სარეველების იდენტიფიცირებისა და მხოლოდ საჭიროების შემთხვევაში შესხურების გზით, ყველაფრის საყოველთაო შესხურების ნაცვლად. John Deere-ის See & Spray-ის მსგავსი სისტემები ხშირად განიხილება, როგორც ძლიერი ROI შემთხვევები, როდესაც მოწყობა და პირობები სწორია. შედეგები შეიძლება განსხვავდებოდეს სარეველების წნევის, მოსავლის ტიპის, გარემოს და მინდვრის პირობების მიხედვით, ამიტომ უმჯობესია, ის ინსტრუმენტად ჩაითვალოს და არა გარანტიად.

ცვლადი განაკვეთის რეცეპტები და როგორ აუმჯობესებს მათ ML დროთა განმავლობაში

ცვლადი განაკვეთის რეცეპტები იყენებენ ზონებსა და მონაცემთა ფენებს, რათა წარმართონ დათესვის ან ნაყოფიერების შესახებ გადაწყვეტილებები ტერიტორიის მიხედვით, შემდეგ კი შედეგების შედარება მოგვიანებით. მანქანური სწავლება, როგორც წესი, ბრწყინვალებას მაშინ აღწევს, როდესაც შეგიძლიათ სეზონური ციკლის დახურვა: გეგმის გენერირება, მისი გაშვება და მომხდარის შეფასება. ადრეული აშკარა გამარჯვებაც კი - საბოლოოდ იმის დანახვა, თუ რა მოხდა ბოლო გავლისას - შეიძლება საფუძველი ჩაუყაროს უფრო ჭკვიანურ რეცეპტებს მოგვიანებით.

ზუსტი მეცხოველეობა და რას აკონტროლებს ხელოვნური ინტელექტი

ზუსტი მეცხოველეობის მეურნეობა ფოკუსირებულია უწყვეტ მონიტორინგსა და ადრეულ გაფრთხილებაზე, რადგან შეუძლებელია ყველა ცხოველის მუდმივად თვალყურის დევნება. ხელოვნური ინტელექტით მხარდაჭერილ სისტემებს შეუძლიათ გამოიყენონ ტარებადი მოწყობილობები (საყელოები, ყურის ნიშნები, ფეხის სენსორები), ბოლუსის ტიპის სენსორები ან კამერები ქცევის თვალყურის დევნებისა და „რაღაცის შეცდომის“ აღსანიშნავად. პრაქტიკული მიზანი მარტივია: ყურადღება გაამახვილეთ იმ ცხოველებზე, რომლებსაც, სავარაუდოდ, ახლავე სჭირდებათ შემოწმება, სანამ პრობლემები თოვლის გუნდად გაჩნდება.

ხელოვნური ინტელექტის ყველაზე დიდი ნაკლოვანებები სოფლის მეურნეობაში

ყველაზე დიდი რისკები ხშირად არასასიამოვნოა: მონაცემთა უფლებებისა და ნებართვების ბუნდოვანება, კავშირის შეზღუდვები და ინსტრუმენტები, რომლებიც არ შეესაბამება ყოველდღიურ სამუშაო პროცესს. მიკერძოება შეიძლება გამოვლინდეს, როდესაც ტრენინგის მონაცემები არ შეესაბამება თქვენი ფერმის რეგიონს, პრაქტიკას ან პირობებს, რამაც შეიძლება არათანაბარი გახადოს მუშაობა. კიდევ ერთი გავრცელებული გაუმართაობის რეჟიმია „ჭკვიანურად გამოიყურება, არ მუშაობს“ - თუ ის მოითხოვს ძალიან ბევრ შესვლას, ექსპორტს ან შემოვლით გზას, ის არ იქნება გამოყენებული.

როგორ დავიწყოთ ხელოვნური ინტელექტის გამოყენება სოფლის მეურნეობაში ფულის ფლანგვის გარეშე

დაიწყეთ ერთი პრობლემური წერტილით - როგორიცაა დაზვერვის დრო, სარეველები, მორწყვის დრო ან ჯოგის ჯანმრთელობის შესახებ შეტყობინებები - მთელი „ჭკვიანი ფერმის“ დასტის შეძენის ნაცვლად. საერთო გზაა ჯერ ხილვადობა (რუკების შექმნა და მონიტორინგი) სრული ავტომატიზაციის მიღწევამდე. ჩაატარეთ მცირე საცდელი პერიოდი (ერთი მინდორი ან ერთი ჯოგის ჯგუფი), თვალყური ადევნეთ ერთ მეტრიკას, რომელიც გაინტერესებთ და ადრევე გადახედეთ მონაცემთა უფლებებსა და ექსპორტის ვარიანტებს, რათა არ გაიჭედოთ.

ცნობები

[1] ლიაკოსი და სხვ. (2018) „მანქანური სწავლება სოფლის მეურნეობაში: მიმოხილვა“ (სენსორები)
[2] FAO (2022) „სურსათისა და სოფლის მეურნეობის მდგომარეობა 2022: ავტომატიზაციის გამოყენება აგროსასურსათო სისტემების ტრანსფორმაციისთვის“ (სტატია Newsroom-ში)
[3] John Deere „See & Spray™ ტექნოლოგია“ (პროდუქტის ოფიციალური გვერდი)
[4] ბერკმანსი (2017) „ზუსტი მეცხოველეობის ზოგადი შესავალი“ (Animal Frontiers, Oxford Academic)
[5] გამჭვირვალობის სოფლის მეურნეობის მონაცემების „ძირითადი პრინციპები“ (კონფიდენციალურობა, საკუთრება/კონტროლი, პორტაბელურობა, უსაფრთხოება)

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ