U 2018., pet timova uzgajalo je krastavce u revolucionarnom autonomnom stakleničkom izazovu međunarodno natjecanje. Zaokret: samo se jedan od timova sastojao od iskusnih uzgajivača koji su ručno upravljali svojim odjeljkom staklenika. Preostala četiri tima činili su međunarodni stručnjaci iz područja hortikulture i umjetne inteligencije (AI). Radili su na razvoju rješenja umjetne inteligencije za daljinsko i autonomno upravljanje svojim usjevima. Cilj natjecanja, prvog svjetskog autonomnog stakleničkog izazova, bio je potaknuti napredak u održivoj proizvodnji hrane.
Nakon četiri intenzivna mjeseca, ručni uzgajivači došli su na drugo mjesto. Prvoplasirani tim, predvođen jednim od autora ovog članka, pobijedio je s rješenjem za autonomni uzgoj koje je ne samo da je postiglo 6% veće prinose i 17% veću neto dobit, već je i koristilo manje CO2, grijanje i ulaz vode.
Kako bismo saznali više o natjecanju i razumjeli kako se AI rješenje može natjecati s timom vještih ljudskih uzgajivača, pa čak i nadmašiti, pogledajmo pobliže umjetnu inteligenciju i kako je ona povezana s automatizacijom staklenika.
Automatizacija staklenika nije ništa novo
Desetljećima su uzgajivači koristili procesna računala, senzore i aktuatore za upravljanje klimom u staklenicima i navodnjavanjem. U takvom scenariju posao procesnog računala je jednostavan, oslanjajući se na jednostavna logička pravila. Ako je temperatura zraka viša od 75°F, otvorite otvor, na primjer. Zamoran rad očitavanja temperatura i paljenja i gašenja svjetla i grijača prepušten je strojevima.
Naravno, automatizacija temeljena na pravilima ne može se nositi s nepredviđenim okolnostima. Što je još važnije, vješt čovjek treba donijeti sve odluke o upravljanju usjevima, sve do točnih zadanih vrijednosti za parametre okoliša. Za pouzdano postizanje visokih prinosa potrebna je znatna razina znanja i vještina, a čak je i tada lako pogriješiti. Štoviše, kako farme rastu, posao kontinuiranog praćenja usjeva postaje još zahtjevniji.
Nažalost, uzgajivači dobro znaju da je radna snaga najveći izvor problema u proizvodnji. Godinu za godinom, u Uzgajivač staklenika U anketi Top 100 uzgajivača uzgajivači izvještavaju o izazovima ne samo s cijenom rada nego i s dostupnošću kvalificirane radne snage. Nije iznenađujuće da uzgajivači sve više traže načine za rješavanje ovih izazova, uključujući nove tehnologije koje mogu učiniti upravljanje staklenicima autonomnijim.
AI je korak dalje od automatizacije temeljene na pravilima
Dobar način razmišljanja o umjetnoj inteligenciji je da je ona korak dalje od jednostavne automatizacije temeljene na pravilima. Moderna umjetna umjetna inteligencija temelji se na korištenju matematike za pronalaženje obrazaca u podacima, uključujući one koji se nalaze u ekološkim i biološkim sustavima staklenika. Na primjer:
- Uz dovoljno klimatskih podataka, uzgajivači mogu koristiti AI za određivanje optimalnih zadanih vrijednosti i predviđanja klime.
- Uz dovoljno podataka o prinosu, uzgajivači mogu koristiti umjetnu inteligenciju za generiranje prognoza prinosa.
- Uz dovoljno slikovnih podataka, uzgajivači mogu koristiti AI za otkrivanje štetočina i bolesti.
Neke vrste umjetne inteligencije mogu čak učiti iz novih podataka, dajući postepeno bolje rezultate tijekom vremena.
Budući da je u stanju pružiti dublji uvid u svakodnevne operacije staklenika, AI se može koristiti za podršku stručnom donošenju odluka i osnaživanje uzgajivača na smislen način. Uostalom, najbolji rezultati dolaze iz promišljene kombinacije ljudske inteligencije i umjetne inteligencije.
Pristup umjetne inteligencije koji se temelji na podacima također se može kombinirati s klasičnim pristupom temeljenim na pravilima, omogućujući mnogo viši stupanj automatizacije staklenika nego ikad prije. Ukratko, uzgajivači mogu koristiti umjetnu inteligenciju za automatizaciju mnogih napametnih operativnih zadataka, pomažući u ublažavanju kroničnih problema s radom koji predstavljaju izazov za industriju.
Podaci su gorivo za umjetnu inteligenciju
Koliko god se umjetna inteligencija bavi matematičkim algoritmima, ona se također odnosi i na podatke. Suprotno uvriježenom mišljenju, neki od najčešćih algoritama koji se koriste u AI postoje već desetljećima. Nisu čak ni strašno komplicirane. Ali najdulje vrijeme, dostupnost podataka - zajedno s pristupačnom računskom snagom potrebnom za obradu podataka - bili su ograničavajući čimbenici.
Bio je potreban nedavni razvoj računalnog hardvera da se otključa potencijal AI. Revolucija pametnih telefona, koju je potaknuo Apple 2007. godine, stvorila je potpuno nove proizvodne ekosustave i lance opskrbe na globalnoj razini. To je promijenilo temeljnu ekonomiju računalnog hardvera, naizgled preko noći. Ključne hardverske komponente, poput mikroprocesora, radija i senzora, postale su eksponencijalno jeftinije, manje i moćnije. Protok sirovih podataka pretvorio se u poplave. Novo obilje podataka i računalne snage pomoglo je transformaciji AI iz istraživačke radoznalosti s nekoliko komercijalnih aplikacija u tehnološku promjenu.
IoT donosi obilje podataka
Početkom 1980-ih, studenti diplomskog studija na Sveučilištu Carnegie Mellon u Pittsburghu postali su iznervirani zbog pješačenja do automata za prodaju Coca-Cole samo da bi ga našli prazan. Izmijenili su ga kako bi mogao prijaviti svoj inventar putem interneta. Pritom su izumili prvi uređaj na svijetu spojen na internet.
Danas su se milijarde uređaja, velikih i malih, od potrošačke elektronike do industrijskih strojeva, pridružile tom prvom aparatu za gazirana pića u povezivanju s internetom, tvoreći ono što je poznato kao Internet stvari (IoT). Ono što je značajno je da, za razliku od ranijih generacija hardvera — uključujući mnoga uobičajena rješenja za automatizaciju staklenika — IoT uređaji koriste iste vrste formata podataka i komunikacijskih protokola kao i drugdje na Internetu. Oslanjajući se na globalne internetske standarde, može biti lakše razmjenjivati podatke s IoT uređajima bez potrebe za dodatnim hardverom za premošćivanje s jedne vrste sustava na drugu.
Zajedno, AI i IoT su komplementarne tehnologije. IoT hardver pomaže uzgajivačima da lakše prikupljaju neobrađene podatke iz staklenika. A softver umjetne inteligencije pomaže uzgajivačima da shvate te podatke i djeluju na temelju njih kako bi poboljšali proizvodnju usjeva.
Studija slučaja: Uspjeh Kennetha Trana u izazovu autonomnog staklenika
Dr. Tran: Godine 2018. bio sam istraživač umjetne inteligencije u Microsoft Research-u blizu Seattlea, radeći na novijoj vrsti AI-a poznatoj kao učenje s pojačanjem. Tamo sam pokrenuo novi pokušaj primjene našeg istraživanja na domenu poljoprivrede kontroliranog okoliša. S takozvanim projektom Sonoma surađivali smo sa znanstvenicima o biljkama u Harrow Research Centru u Ontariju u Kanadi i na kraju se natjecali na prvom međunarodnom Autonomous Greenhouse Challengeu u organizaciji Wageningen University & Research iz Nizozemske.
U ovom izazovu, svaki tim uzgajao je krastavce u stakleniku od 315 četvornih stopa u trajanju od oko četiri mjeseca. Ti su odjeljci bili opremljeni standardnim procesnim računalima, klimatskim senzorima i aktuatorima. Koristeći IoT digitalna sučelja (REST API-ji), naši AI programi mogli bi kontinuirano čitati podatke sa senzora, određivati optimalne zadane vrijednosti i slati zadane vrijednosti natrag na procesna računala - diljem Interneta (vidi sliku ispod). Više detalja o izazovu i njegovim rezultatima možete pronaći u članku autora Hemming i sur. (2019.).
Unatoč našem nedostatku iskustva u uzgoju krastavaca i našem prototipu u vrlo ranoj fazi, naše autonomno rješenje za uzgoj uspjelo je pobijediti na natjecanju. Čak smo nadmašili i drugoplasirani tim, referentni tim sastavljen od stručnih nizozemskih uzgajivača, sa 6% većim prinosom. Ta marža prinosa bila je ekvivalentna povećanju operativne dobiti od 17%.
Je li referentni tim bio loš? Nikako. Postupili su izvanredno, prema mnogim stručnjacima. Prinos im je bio gotovo 50 kg/m2 u rasponu od četiri mjeseca, što je ekvivalentno gotovo 150 kg/mXNUMX2 godišnje. Ovo se smatra visokim prinosom za staklenik bilo gdje na planetu.
Kao rezultat Autonomous Greenhouse Challenge-a, osnovao sam Koidru 2020. kako bih izravno nadograđivao naše učenje i dalje promicao najsuvremenije tehnologije AI i IoT-a za poljoprivredu i druge industrijske kontrole.
Postavljanje pravih pitanja o AI i IoT-u
Danas je sve više uzgajivača staklenika voljno i spremno prihvatiti AI i IoT. Glavni izazov je razumjeti proizvode na tržištu i moći proći kroz sve marketinške govore. Mnoge tvrtke željno tvrde da imaju AI algoritam ili IoT uređaj koji će raditi za staklenike.
Evo nekoliko ključnih razmatranja koje treba imati na umu pri ocjenjivanju AI softvera i IoT hardvera:
- Performance: Uzgajivači bi trebali moći vidjeti konkretne, stvarne koristi. Pitajte: Je li AI dokazano u komercijalnoj proizvodnji poboljšava prinos i učinkovitost resursa? Pod kojim uvjetima? Kakvi su rezultati tvrtke u razvoju AI i IoT softvera?
- AI dizajn: Najučinkovitija rješenja umjetne inteligencije kombiniraju najbolje od ljudske inteligencije s najboljom umjetnom inteligencijom za donošenje odluka. Pitajte: Kako AI model koristi postojeće znanje? Kako osigurava da će se izvedba tijekom vremena poboljšati s više podataka?
- Dizajn softvera: Uzgajivači bi trebali zadržati kontrolu nad radom staklenika. Pitajte: Koja se načela dizajna softvera koriste za osiguranje sigurnosti usjeva? Mogu li se uvijek lako prebacivati između ručnog, preporučenog i autopilota?
- Vlasništvo podataka: Uzgajivači bi trebali posjedovati svoje podatke i izbjegavati "zaključavanje dobavljača". Pitajte: Mogu li lako uvesti podatke iz drugih sustava? Mogu li napraviti sigurnosnu kopiju i izvesti svoje podatke? Postoje li API-ji koji omogućuju pristup podacima uživo i prilagođene integracije? Mogu li koristiti softver i hardver različitih dobavljača, sada i u budućnosti?
AI i IoT mogu osnažiti uzgajivače
U svijetu u kojem kritični resursi - voda i energija, kao i vrijeme, novac i kvalificirana radna snaga - postaju sve oskudniji, ima smisla istraživati nove tehnologije kako bi se taj teret ublažio. Kao što smo naučili iz Autonomous Greenhouse Challengea, uzgajivači doista mogu postići veće prinose i veću učinkovitost korištenja resursa uz korištenje AI softvera i IoT hardvera. Štoviše, ove se tehnologije i dalje razvijaju i napreduju velikom brzinom.
U konačnici, AI i IoT uistinu mogu osnažiti proizvođače staklenika — da donose bolje odluke, da rade više s manje — da uzgajaju svjetsku hranu na održiviji način.