V letu 2018 je pet ekip gojilo kumare v prelomnem avtonomnem toplogrednem izzivu mednarodno konkurenco. Zasuk: samo eno od ekip so sestavljali izkušeni pridelovalci ljudi, ki so ročno upravljali svoj prostor v rastlinjakih. Preostale štiri ekipe so sestavljali mednarodni strokovnjaki s področja hortikulture in umetne inteligence (AI). Prizadevali so si za razvoj rešitev umetne inteligence za daljinsko in avtonomno upravljanje svojih pridelkov. Cilj tekmovanja, prvega avtonomnega toplogrednega izziva na svetu, je bil doseči preboj v trajnostni proizvodnji hrane.
Po štirih intenzivnih mesecih so ročni pridelovalci prišli na drugo mesto. Prvouvrščena ekipa, ki jo vodi eden od avtorjev tega članka, je zmagala z avtonomno rastočo rešitvijo, ki ni dosegla le 6 % večji donos in 17 % višji čisti dobiček, ampak je tudi porabila manj CO2, ogrevanje in dovod vode.
Če želite izvedeti več o konkurenci in razumeti, kako lahko rešitev umetne inteligence konkurira – in celo prekaša – ekipo usposobljenih človeških pridelovalcev, si poglejmo podrobneje AI in kako je povezana z avtomatizacijo rastlinjakov.
Avtomatizacija rastlinjakov ni nič novega
Pridelovalci že desetletja uporabljajo procesne računalnike, senzorje in aktuatorje za upravljanje podnebja v rastlinjakih in namakanja. V takem scenariju je delo procesnega računalnika preprosto in se zanaša na preprosta logična pravila. Če je temperatura zraka višja od 75 °F, na primer odprite prezračevalno odprtino. Utrudno delo pri odčitavanju temperatur ter prižiganju in izklapljanju luči in grelnikov je preneseno na stroje.
Seveda se avtomatizacija, ki temelji na pravilih, ne more spopasti z nepredvidenimi okoliščinami. Še pomembneje je, da mora usposobljen človek sprejemati vse odločitve o upravljanju pridelkov, vse do natančnih nastavitev za okoljske parametre. Za zanesljivo doseganje visokih donosov je potrebna znatna raven znanja in spretnosti, pa tudi takrat je enostavno narediti napake. Poleg tega, ko se kmetije povečujejo, postaja delo nenehnega spremljanja pridelkov še bolj zahtevno.
Žal pridelovalci še predobro vedo, da je delo največji vir težav v proizvodnji. Leto za letom, v Rastlinjak pridelovalec V raziskavi 100 najboljših pridelovalcev pridelovalci poročajo o izzivih ne le s stroški dela, ampak tudi z razpoložljivostjo kvalificirane delovne sile. Ni presenetljivo, da pridelovalci vedno bolj iščejo načine za reševanje teh izzivov, vključno z novimi tehnologijami, ki lahko naredijo upravljanje rastlinjakov bolj avtonomno.
AI je korak onkraj avtomatizacije, ki temelji na pravilih
Dober način razmišljanja o umetni inteligenci je, da je korak naprej od preproste avtomatizacije, ki temelji na pravilih. Sodobna umetna inteligenca temelji na uporabi matematike za iskanje vzorcev v podatkih, vključno s tistimi, ki jih najdemo v okoljskih in bioloških sistemih rastlinjakov. Na primer:
- Z dovolj podnebnih podatkov lahko pridelovalci uporabljajo umetno inteligenco za določanje optimalnih nastavitev in izdelavo podnebnih napovedi.
- Z dovolj podatkov o pridelku lahko pridelovalci uporabijo umetno inteligenco za ustvarjanje napovedi pridelka.
- Z dovolj slikovnih podatkov lahko pridelovalci uporabljajo umetno inteligenco za odkrivanje škodljivcev in bolezni.
Nekatere vrste umetne inteligence se lahko celo učijo iz novih podatkov in sčasoma zagotavljajo postopoma boljše rezultate.
Ker lahko zagotovi globlji vpogled v vsakodnevno delovanje rastlinjakov, se lahko AI uporabi za podporo pri odločanju strokovnjakov in smiselno opolnomoči pridelovalce. Navsezadnje najboljši rezultati prihajajo iz premišljene kombinacije človeške inteligence in umetne inteligence.
Pristop umetne inteligence, ki temelji na podatkih, je mogoče kombinirati tudi s klasičnim pristopom, ki temelji na pravilih, kar omogoča veliko višjo stopnjo avtomatizacije rastlinjakov kot kdaj koli prej. Skratka, pridelovalci lahko uporabljajo umetno inteligenco za avtomatizacijo številnih napačnih operativnih nalog, kar pomaga pri lajšanju kroničnih težav z delom, ki izzivajo industrijo.
Podatki so gorivo za AI
Tako kot se AI nanaša na matematične algoritme, gre tudi za podatke. V nasprotju s splošnim prepričanjem so nekateri najpogostejši algoritmi, ki se uporabljajo v AI, prisotni že desetletja. Niti strašno zapleteni niso. Toda najdlje časa je bila razpoložljivost podatkov – skupaj s cenovno dostopno računalniško močjo, potrebno za obdelavo podatkov – omejevalni dejavniki.
Potreben je bil nedavni razvoj računalniške strojne opreme, da se sprosti potencial AI. Revolucija pametnih telefonov, ki jo je sprožil Apple leta 2007, je ustvarila popolnoma nove proizvodne ekosisteme in dobavne verige v svetovnem merilu. To je na videz čez noč spremenilo temeljno ekonomijo računalniške strojne opreme. Ključne komponente strojne opreme, kot so mikroprocesorji, radijski sprejemniki in senzorji, so postale eksponentno cenejše, manjše in zmogljivejše. Potoki neobdelanih podatkov so se spremenili v poplave. Nova obilica podatkov in računalniške moči je pomagala preoblikovati umetno inteligenco iz raziskovalne radovednosti z nekaj komercialnimi aplikacijami v tehnološko spremembo.
Internet stvari prinaša obilo podatkov
V zgodnjih osemdesetih letih prejšnjega stoletja so se podiplomski študenti na univerzi Carnegie Mellon v Pittsburghu razjezili, ko so se sprehodili do prodajnega avtomata Coca-Cola in ugotovili, da je prazen. Spremenili so ga, da je lahko poročal o svojem inventarju prek interneta. Pri tem so izumili prvi aparat na svetu, povezan z internetom.
Danes se je na milijarde naprav, velikih in majhnih, od zabavne elektronike do industrijskih strojev, pridružilo prvemu aparatu za sodo, ki je povezano z internetom in tvori tako imenovano internet stvari (IoT). Pomembno je, da za razliko od prejšnjih generacij strojne opreme – vključno s številnimi običajnimi rešitvami za avtomatizacijo rastlinjakov – naprave IoT uporabljajo enake vrste podatkovnih formatov in komunikacijskih protokolov, kot se uporabljajo drugje na internetu. Če se zanašamo na globalne internetne standarde, je lažje izmenjevati podatke z napravami interneta stvari, ne da bi pri tem potrebovali dodatno strojno opremo za premostitev iz ene vrste sistema v drugo.
Umetna inteligenca in internet stvari sta skupaj komplementarni tehnologiji. Strojna oprema interneta stvari pomaga pridelovalcem lažje zbirati neobdelane podatke iz rastlinjakov. In programska oprema AI pomaga pridelovalcem razumeti – in ukrepati – te podatke za izboljšanje pridelave pridelkov.
Študija primera: uspeh Kennetha Trana v izzivu avtonomnih rastlinjakov
Dr. Tran: Leta 2018 sem bil raziskovalec umetne inteligence pri Microsoft Research blizu Seattla in delal na novejši vrsti umetne inteligence, znani kot učenje s krepitvijo. Tam sem sprožil novo prizadevanje za uporabo naše raziskave na področju kmetijstva v nadzorovanem okolju. S tako imenovanim projektom Sonoma smo sodelovali z rastlinskimi znanstveniki v raziskovalnem centru Harrow v Ontariu v Kanadi in na koncu tekmovali na prvem mednarodnem Autonomous Greenhouse Challenge, ki ga organizira Wageningen University & Research na Nizozemskem.
V tem izzivu je vsaka ekipa gojila kumare v 315 kvadratnih metrov velikem rastlinjaku približno štiri mesece. Ti predelki so bili opremljeni s standardnimi procesnimi računalniki, klimatskimi senzorji in aktuatorji. Z uporabo digitalnih vmesnikov IoT (REST API-ji) bi lahko naši programi AI neprekinjeno brali podatke iz senzorjev, določali optimalne nastavitvene točke in pošiljali nastavitvene točke nazaj v procesne računalnike – po vsem internetu (glejte spodnjo sliko). Več podrobnosti o izzivu in njegovih rezultatih najdete v članku avtorja Hemming et al. (2019).
Kljub pomanjkanju izkušenj pri gojenju kumar in našemu prototipu v zelo zgodnji fazi je naša avtonomna rešitev za gojenje uspela zmagati v konkurenci. Prehiteli smo celo drugouvrščeno ekipo, referenčno ekipo, sestavljeno iz strokovnih nizozemskih pridelovalcev, s 6 % višjim pridelkom. Ta marža v donosnosti je bila enaka 17-odstotnemu povečanju dobička iz poslovanja.
Ali je referenčna ekipa delovala slabo? Sploh ne. Po mnenju mnogih strokovnjakov so delovali izjemno dobro. Njihov donos je bil skoraj 50 kg/m2 v razponu štirih mesecev, kar je enakovredno skoraj 150 kg/m2 letno. To velja za visok donos za rastlinjak kjer koli na planetu.
Kot rezultat Autonomous Greenhouse Challenge sem leta 2020 ustanovil Koidro, da bi neposredno nadgradil naše učenje in še naprej spodbujal najsodobnejšo umetno inteligenco in internet stvari za kmetijstvo in druge aplikacije industrijskega nadzora.
Postavljanje pravih vprašanj o umetni inteligenci in internetu stvari
Danes je več rastlinjakov pripravljenih in pripravljenih sprejeti AI in internet stvari. Glavni izziv je osmisliti izdelke na trgu in se prebiti skozi vse marketinške govore. Številna podjetja vneto trdijo, da imajo algoritem umetne inteligence ali napravo IoT, ki bo delovala za rastlinjake.
Tukaj je nekaj ključnih premislekov, ki jih morate upoštevati pri ocenjevanju programske opreme AI in strojne opreme interneta stvari:
- Uspešnost: Pridelovalci bi morali imeti možnost videti konkretne koristi v resničnem svetu. Vprašajte: Ali je umetna inteligenca v komercialni proizvodnji dokazano izboljšala donos in učinkovitost virov? pod kakšnimi pogoji? Kakšne so dosežke podjetja pri razvoju programske opreme za umetno inteligenco in internet stvari?
- Oblikovanje AI: Najučinkovitejše rešitve AI združujejo najboljše človeške inteligence z najboljšo umetno inteligenco za sprejemanje odločitev. Vprašajte: Kako model AI izkorišča obstoječe znanje? Kako zagotavlja, da se bo učinkovitost sčasoma izboljšala z več podatki?
- Oblikovanje programske opreme: Pridelovalci bi morali ohraniti nadzor nad delovanjem rastlinjakov. Vprašajte: Katera načela oblikovanja programske opreme se uporabljajo za zagotovitev varnosti pridelka? Ali lahko vedno zlahka preklapljam med ročnim, priporočilnim in avtopilotnim načinom?
- Lastništvo podatkov: Pridelovalci bi morali imeti svoje podatke in se izogibati »zaklepanju prodajalca«. Vprašaj: Ali lahko enostavno uvozim podatke iz drugih sistemov? Ali lahko varnostno kopiram in izvozim svoje podatke? Ali obstajajo API-ji, ki omogočajo dostop do podatkov v živo in integracije po meri? Ali lahko zdaj in v prihodnosti uporabljam programsko in strojno opremo različnih ponudnikov?
AI in internet stvari lahko okrepita pridelovalce
V svetu, v katerem kritičnih virov – vode in energije, pa tudi časa, denarja in kvalificirane delovne sile – postaja vse bolj malo, je smiselno raziskati nove tehnologije za lajšanje tega bremena. Kot smo izvedeli iz izziva Autonomous Greenhouse Challenge, lahko pridelovalci z uporabo programske opreme AI in strojne opreme interneta stvari resnično dosežejo večje donose in večjo učinkovitost porabe virov. Še več, te tehnologije se še naprej hitro razvijajo in napredujejo.
AI in IoT lahko navsezadnje resnično opolnomočita pridelovalce toplogrednih plinov - da sprejemajo boljše odločitve, delajo več z manj - za bolj trajnostno pridelavo svetovne hrane.