Кибербитва за урожай

Вкалывают роботы

Каждый дачник знает, насколько неприятна и утомительна прополка огорода от сорняков. В масштабах больших ферм проблема еще серьезнее, ведь в качестве альтернативы ручной прополке там применяют химические гербициды, которые загрязняют воду и ухудшают состояние почвы.

Пару лет назад компания Carbon Robotics предложила решение: автономную прополочную машину Autonomous Weeder, которая самостоятельно движется по рядам посевов, сканирует землю, распознает сорняки и уничтожает их лазером. За час этот самоходный куб на колесах способен удалить более 100 тысяч растений, обрабатывая до восьми гектаров в день.

У лазерного робота уже появилось много «коллег». Например, компания ecorobotix создала робота AVO, который использует компьютерное зрение, чтобы точно распределять гербициды, сокращая их расход на 90%. А французский робот Bakus избавляет виноградники Шампани от сорняков механическим образом. Индийский стартап Antpod разрабатывает роботов для мониторинга плантаций чая и кофе и целевого распыления химикатов: создатели используют телеметрический анализ, машинное обучение и компьютерное зрение, чтобы оптимизировать работу фермеров. По данным производителя, робот обрабатывает один гектар менее чем за четыре часа.

Другие роботы уже умеют автоматически высаживать семена, вносить удобрения с высокой точностью, уменьшая отходы и обеспечивая равномерное распределение питательных веществ, а также аккуратно собирать фрукты и овощи, не повреждая их.

Например, вместо лазерного робота разработчики Carbon Robotics теперь предлагают неавтономную версию, LaserWeeder, которую нужно тащить по полю с помощью трактора. Руководители стартапа уверяют, что сделали это по просьбам самих фермеров, но, вероятно, стоимость разработки и производства автономных роботов сыграла не последнюю роль — автономные роботы дороже. Но даже версия LaserWeeder, по словам пользователей, снижает затраты на прополку на 80% и окупается в течение двух-трех лет.

Это, в общем, отражает ситуацию в отрасли, где многие инновационные решения не достигают полной автономии и по-прежнему требуют человеческого вмешательства или поддержки. На каждого робота с лазерами найдется фермер с трактором.

Впрочем, такие неувязки не снижают оптимизма аналитиков, которые прогнозируют увеличение мирового рынка искусственного интеллекта в сельском хозяйстве до 12 млрд долларов к 2032 году — в семь раз больше, чем в 2023 году. Помимо распространения роботов и дронов, росту будет способствовать внедрение прогнозной аналитики, систем мониторинга для животноводства и посевов, умных сенсоров и других инструментов. Разобрать их все в одной статье невозможно, поэтому остановимся на самом, пожалуй, интересном применении искусственного интеллекта в сельском хозяйстве — точном земледелии (precision farming).

Точность на грядке

Собственно, в точном земледелии нет ничего нового: к примеру, термин «точный высев» вошел в обиход еще в середине прошлого века с появлением однозерновых сеялок, которые точно укладывают семена. Благодаря прорыву в области искусственного интеллекта «точность» стала еще выше и касается теперь не только сева, но и расхода воды, внесения удобрений, мониторинга почвы, борьбы с вредителями, сбора урожая и других видов сельскохозяйственных работ.

Как люди нуждаются в правильном питании, так и растениям необходим азот, фосфор, калий и другие вещества из почвы. Проблема в том, что состав почвы сильно различается на разных фермах и даже в пределах одного поля. Новые технологии помогают фермерам управлять этой изменчивостью для повышения урожайности.

Эти технологии на основе ИИ составляют карты, которые показывают различия в кислотности почвы, ее влажности, содержании соли и других элементов на очень детальном уровне. Алгоритмы машинного обучения анализируют сотни образцов почвы, чтобы найти закономерности, связывающие содержание определенных веществ с урожайностью сельскохозяйственных культур. Изучая такие взаимосвязи,

Такие технологии уже есть и применяются буквально в полях. Американский стартап Sway AI разработал умную платформу для точного земледелия: с помощью машинного обучения и аэрофотоснимков фермеры анализируют состояние сельскохозяйственных культур и почвы, планируя целенаправленное внесение удобрений и орошение. Кроме того, платформа в режиме реального времени выявляет неэффективные процессы и предлагает рекомендации по управлению фермой, позволяя получать больше урожая.

Оптимизация всех процессов — вот, пожалуй, ключевое преимущество искусственного интеллекта в сельском хозяйстве. Уже сейчас эта отрасль потребляет более 70% мировых водных ресурсов, а для удовлетворения растущего спроса на продукты питания воды понадобится еще больше.

Алгоритмы позволяют оптимизировать ирригацию, помогая фермерам принимать точные решения по использованию водных ресурсов. Кроме того, искусственный интеллект способен учесть множество параметров, влияющих на испарение влаги, — от влажности воздуха и скорости ветра до плотности растений и свойств почвы. Точный анализ такого большого массива данных позволит повысить эффективность орошения.

К примеру, когда владельцы крупной фермы в штате Айдахо столкнулись с проблемой управления ирригацией из-за резких перепадов температуры, они обратились к умному сервису Valley Insights, который формирует тепловое изображение каждого растения на основе аэрофотоснимков и других данных о поле. Алгоритм сообщает о проблемных участках, требующих внимания, в частности об утечках в системе полива. В результате фермеры сокращают расход воды.

По оценкам Продовольственной и сельскохозяйственной организации ООН, ежегодно фермеры во всем мире теряют 320 млрд долларов из-за вредителей и болезней растений. Традиционный способ борьбы с этими проблемами — распыление химикатов — опасен для здоровья людей и вреден для почвы, воды и биоразнообразия.

Искусственный интеллект может сократить объем используемых пестицидов. Например, мобильное приложение Tumaini позволяет пользователям загружать фотографии предполагаемого вредителя или признаков болезни, которые алгоритм затем сравнивает с базой данных из десятков тысяч изображений, анализирует и подсказывает, что делать дальше.

В ходе тестирования в Колумбии, Индии, Китае, Уганде и других странах Tumaini успешно обнаружило 90% вредителей и болезней. В некоторых случаях эффективность еще выше: несколько лет назад греческие ученые разработали нейросеть, которая с точностью 99,54% обнаруживает по аэроснимкам чертополох — очень агрессивный сорняк.

Урожайные вызовы

Каждое решение в сельском хозяйстве может повлиять на урожайность, состояние окружающей среды, а порой и на выживание самих фермеров. Это делает требования к искусственному интеллекту особенно высокими. Неприятно, когда алгоритмы отправляют важное письмо в спам, но когда их неверная работа приводит к потере урожая, это гораздо хуже.

Чтобы любой инструмент был по-настоящему эффективным, пользователи должны хотя бы в общих чертах понимать, чего от него стоит ждать. Когда фермеры покупают новый комбайн, они знают, как он себя поведет. Проблема в том, что поведение нейросетей часто не способны объяснить не только работники сельскохозяйственной отрасли, но и сами разработчики.

Системы искусственного интеллекта функционируют на основе сложных алгоритмов, которые не предназначены для удобства пользователя и не предполагают пояснений.

достоверность и надежность которого сложно проверить заранее. В результате фермеры не готовы доверять рекомендациям, выдаваемым этими системами, особенно когда их советы кажутся нелогичными или противоречат сложившейся практике, отмечает социолог Мааз Гардези из Вирджинского политехнического университета. Например, если искусственный интеллект предлагает сократить потребление воды, но опыт фермера говорит об обратном, человек может отказаться следовать совету машины, не понимая его логики.

Напрашивается решение: открыть «черный ящик», сделав работу искусственного интеллекта прозрачной. Если фермер понимает, почему нейросеть советует вносить определенное количество удобрений, он с большей вероятностью выполнит рекомендацию.

Для этого нужно разрабатывать и внедрять интерпретируемые модели машинного обучения, которые не просто предлагают прогноз или решение, а «объясняют», как именно пришли к тем или иным выводам. По мнению исследователей, способность людей понимать результаты, полученные с помощью алгоритмов, повысит доверие к искусственному интеллекту. Например, фермеры смогут оспорить с разработчиком модели справедливость оценки выбросов парниковых газов в своем хозяйстве, если будут знать, как именно алгоритм принимал решение.

Другой барьер на пути внедрения в сельском хозяйстве искусственного интеллекта — его предвзятость. Она проявляется, когда данные, на которых обучались алгоритмы, не отражают разнообразных условий реального мира. Например, прогнозы урожайности могут быть неточными для семейных ферм, поскольку большая часть данных поступает из промышленных агрокомплексов. А система, разработанная для автоматического сбора фруктов, может обучиться исключительно на красных яблоках и в итоге будет ошибочно классифицировать спелые зеленые яблоки как незрелые.

Чтобы избавиться от предвзятости или хотя бы свести ее к минимуму, разработчикам приходится включать в обучающую выборку широкий спектр данных, отражающих различные методы ведения сельского хозяйства, типы культур и условия окружающей среды. Скажем,

чтобы гарантировать, что их рекомендации окажутся актуальны для разных регионов и разных методов ведения сельского хозяйства.

И, конечно, важно привлекать к разработке инструментов искусственного интеллекта людей, которые будут ими пользоваться. Айтишники в уютных офисах прекрасно разбираются в машинному обучении и анализе данных, но плохо представляют себе реальную работу в коровнике. Привлечение к разработке самих фермеров сделает процесс более инклюзивным, а результаты — более эффективными.

Эффективность искусственного интеллекта в сельском хозяйстве во многом зависит от доступности и качества данных. Например, комбайны оснащены датчиками, которые собирают данные об урожайности, состоянии почвы и о погодных условиях. Такая информация бесценна для обучения алгоритмов, но при этом конфиденциальна, и фермеры делиться ею не хотят. Проблема становится особенно острой, когда разработчики используют эти данные не только для консультирования их владельцев, но и для продвижения своей продукции, что может привести к конфликту интересов. Более половины американских фермеров заявляют, что не доверяют свои данные федеральным агентствам и частным компаниям, а 46% вообще полагаются в основном на бумажные носители информации.

Решением могли бы стать справедливые методы управления информацией, регулирующие сбор, хранение и использование данных. К примеру, фермеры могут сохранять право собственности на свои данные, но делиться ими при определенных условиях. Индустрии и регуляторы уже делают шаги в этом направлении: так, Кодекс ЕС по обмену сельскохозяйственными данными защищает фермеров от сложных лицензионных соглашений.

Кроме того, неравный доступ к технологиям и цифровой разрыв угрожают оставить бедные страны и небольшие фермы за бортом прогресса. В отличие от них, крупные промышленные фермы могут позволить себе инвестиции в инструменты на основе искусственного интеллекта. Решения с открытым исходным кодом и субсидии способны решить эту проблему.

читайте также

Сэм Альтман и кликуши апокалипсиса

Человечество следит за отставками и назначениями в компании, разработавшей ChatGPT

читайте также

Сэм Альтман и кликуши апокалипсиса

Человечество следит за отставками и назначениями в компании, разработавшей ChatGPT

Наконец, масштабному внедрению искусственного интеллекта в сельском хозяйстве мешает проблема ответственности за решения — точнее, ее отсутствия. Предположим, что нейросеть предложила ошибочную схему орошения, которая привела к недостаточному поливу и сократила урожайность клубники. Возникает вопрос: кто должен нести ответственность? Виновата система искусственного интеллекта, ее разработчики или фермер, доверившийся машине?

Здесь мы заходим на поле этики. Алгоритмы искусственного интеллекта недостаточно совершенны, чтобы понимать этические последствия своих действий, — в лучшем случае они следуют ценностям, заложенным человеком. Философ Йоханна Тома называет это «проблемой моральных посредников» (Moral Proxy Problem). Кажется, что только исправлением программного кода вопрос не решить: необходимы четкие правовые и этические рамки, обозначающие, кто несет ответственность за решения, основанные на искусственном интеллекте. Когда такие правила появятся — вероятно, в результате дискуссий регуляторов, разработчиков и конечных пользователей, — фермеры, понимая, что не окажутся в случае чего крайними, будут более открыты к внедрению новых технологий.