Аграрний сектор – родюча галузь для штучного інтелекту

Штучний інтелект тихою сапою пробрався в життя та побут сучасного світу. І вже займає в ньому вагоме місце. Мало хто усвідомлює, коли він встиг перетворитися на буденне явище. Зараз роль штучного інтелекту в бізнесі - величезна.

Штучний інтелект (artificial intelligence) аналізує бази даних, пропонує споживачам рекламу, відстежує продажі та прогнозує майбутнє. Зростає також роль машинного навчання (machine learning). Його застосовують в аналізі текстів, зображень, персоналізації. Активно починають використовувати IT технології в агропромисловому комплексі. 

Всесвітній банк оцінює індустрію сільського господарства в 5 трильйонів доларів США. Агрокомплекс має прогодувати біля 9 мільярдів людей. При цьому, за прогнозами обсяг культивованої землі збільшиться лише на 4%. Зростання попиту на органічні продукти змушує агрокомпанії шукати альтернативу хімікатам у боротьбі з бур'янами. В багатьох регіонах, з одного боку, спостерігається дефіцит робочих рук. З іншого боку, праця людини робить сучасне виробництво більш дорогим. Саме в таких умовах агропромисловий комплекс шукає варіанти оптимізації використання землі, культур, що на ній вирощуються, та худоби, яка на цій землі «пасеться».

Агробізнес в усіх країнах вважається доволі консервативним щодо впровадження високих технологій. Втім, сільське господарство все таки почало використовує сучасні технології,  тому сумніватись в необхідності ІТ вряд чи є сенс. За кілька років агровиробники будуть дивуватись, як це вони жили без штучного інтелекту.

Вже зараз цифри свідчать про те, що ринок штучного інтелекту (ШІ) є, і він буде потужно й швидко зростати. У Світовому банку прогнозують, що за два роки ШІ перевищить мільярд доларів США, а у 2025 році досягне 2,6 мільярдів.

Американський діловий журнал Forbes присвятив цій важливій темі значну увагу. Директор IQMS, що входить до складу Dassault Systemes, галузевий аналітик у сфері корпоративного програмного забезпечення і IT Луі Коламбус досліджує, як впроваджується штучний інтелект в аграрному секторі. Він зазначає, що агромоніторинг (IoTAg) – найбільш швидко зростаючий сегмент в сільському господарстві. 

Згідно з прогнозами BI Intelligence Research, глобальні витрати на інтелектуальні сільськогосподарські технології та системи включно із штучним інтелектом та машинним навчанням збільшиться втроє до 2025 року, досягнувши 15,3 мільярда доларів.

Штучний інтелект, машинне навчання та Інтернет технології, які надають дані для алгоритмів в реальному часі, значно підвищують ефективність агрогосподарств, врожайність сільськогосподарських культур та скорочують витрати на виробництво продуктів харчування. Згідно з аналітикою ООН, до 2050 року чисельність населення планети збільшиться ще, на 2 мільярди людей. Це вимагає збільшення виробництва продуктів харчування на 60%. За даними служби економічних досліджень Міністерства сільського господарства США, вирощування, переробка та логістика продуктів харчування в країні оцінюється в 1,7 трильйона доларів. Штучний інтелект і машинне навчання якраз демонструють той потенціал, котрий допоможе досягти очікуваних потреб в продуктах харчування через 20-30 років.

Уявіть, що у великому аграрному холдингу на площі у кілька десятків тисяч гектарів, є принаймні 40 основних процесів, які потрібно відстежувати, вдосконалювати та контролювати одночасно. Розуміння того, як погода, сезонні опади, міграція птахів і комах, використання добрив для різних культур, посадочні цикли і цикли зрошення впливають на врожайність – ідеальне завдання для машинного навчання. Наскільки успішним може бути врожай у фінансовому плані, як ніколи раніше, залежить від різних відмінних даних. Ось чому фермери, кооперативи та компанії з розвитку сільського господарства подвоюють використання заходів, що орієнтовані на дані. А також розширюють масштаби використання штучного інтелекту і машинного навчання для підвищення врожайності і якості сільськогосподарської продукції.
Що ж може запропонувати ШІ агробізнесу? Виявляється багато чого.

Системи відеоспостереження
Системи відеоспостереження на основі ШІ вже використовують для моніторингу поля в режимі реального часу. Це допомагає виявити порушення з боку тварин або людини і негайно надсилає попередження. Штучний інтелект і машинне навчання в даному випадку знижують ризики того, що домашні та дикі  тварини випадково знищать посіви. Ці розумні технології повідомляють про небажаних гостей і  можливість пограбування, наприклад, на віддаленій фермі.

З огляду на швидкий розвиток відеоаналітики, яка базується на алгоритмах ШІ і МН, кожен, хто займається сільським господарством, може захистити свої поля та периметри будівель. Системи відеоспостереження із ШІ легко застосовуються, як для великого агробізнесу, так і для індивідуальних маленьких ферм. Експерти стверджують, що дуже скоро системи спостереження на основі штучного інтелекту будуть програмувати таким чином, щоб вони відрізняли людей від автомобілів. 

Поля і дрони
ШІ та МН покращують прогнозування врожайності завдяки даним датчиків в реальному часі та даним візуальної аналітики з дронів. Обсяг даних, що збираються інтелектуальними датчиками і безпілотниками, що забезпечують потокову передачу відео в реальному часі, надає експертам в галузі сільського господарства абсолютно нові набори інформації, до яких ніколи не було доступу раніше. Тепер можна комбінувати дані датчиків вологості, добрив і поживних речовин в ґрунті для аналізу динаміки зростання кожної культури з плином часу. МН – ідеальна технологія для об'єднання потужних наборів інформації та надання рекомендацій для оптимізації врожайності. Дрони виявились надійною платформою для збору важливих даних для аграріїв. ШІ, МН, наземні датчики, інфрачервоні зображення та відеоаналітіка в реальному часі – все це дає фермерам нове розуміння того, як можна покращити стан сільськогосподарських культур і врожайність.

Зараз ООН, міжнародні агентства та великі сільськогосподарські підприємства використовують інформацію з безпілотників для покращення боротьби із шкідниками. Використовуючи дані інфрачервоних камер з дронів в поєднанні з датчиками на полях, які відстежують рівень здоров'я рослин, агровиробники, які використовують штучний інтелект, можуть прогнозувати і виявляти зараження шкідниками навіть до того, як це станеться.

Карти врожайності
Картування врожайності – новий сільськогосподарський метод. Він заснований на контрольованих алгоритмах машинного навчання для пошуку закономірностей. Великі набори даних та їх розуміння в режимі реального часу – це безцінна інформація для планування посівів. Таким чином можна дізнатися про потенційну врожайність полів ще до початку вегетаційного періоду. Використовуючи комбінацію методів машинного навчання для аналізу 3D карт і даних з датчиків про колір ґрунту за допомогою дронів, фахівці сільського господарства тепер можуть прогнозувати потенційну врожайність землі для конкретної культури. Для цього виконується серія польотів для отримання максимально точного набору даних.

Машини замість людини
Сьогодні в деяких регіонах спостерігається нестача працівників в агропромисловому секторі. Цей чинник робить розумні трактори, агроботів і робототехніку на основі штучного інтелекту і машинного навчання реальним варіантом для багатьох сільськогосподарських підприємств, яким складно знайти робітників. Великі сільськогосподарські підприємства та агрохолдинги, які не можуть знайти достатньо співробітників, звертаються до робототехніки для обробки сотень гектарів землі. Програмування самохідної роботизованою техніки, наприклад, для розподілу добрив в кожному ряду сільськогосподарських культур допомагає знизити експлуатаційні витрати і додатково підвищити врожайність полів. Складність сільськогосподарських роботів швидко зростає з кожним днем.

Система відстеження вантажів

Однією з нагальних потреб сьогодення є покращення логістики та відстеження ланцюжків поставок сільськогосподарської продукції. Мова йде про усунення абсолютно всіх перешкод на шляху до ринку максимально свіжих і безпечних продуктів. Пандемія, до речі, пришвидшила більш активне впровадження системи відстеження на всіх етапах поставок сільськогосподарської продукції в 2020 році. У цьому році її впровадження триває. Добре налагоджена і керована система відстеження поставок продуктів допомагає забезпечити більшу прозорість і контроль в системі поставок і зменшити скорочення запасів. Сучасна система відстеження може розрізняти призначення партій і контейнерів, куди входять вантажі. Найбільш передові системи відстеження покладаються на сучасні датчики для отримання більш докладної інформації про стан кожної партії вантажу. Датчики RFID та IoT стають все більш поширеними на виробництві. Walmart запустив пілотний проект, щоб побачити, як RFID може оптимізувати відстеження в розподільчому центрі і підвищити ефективність в 16 разів порівняно з ручними методами.

Штучний інтелект і пестициди
Одним з найбільш поширених застосувань ШІ та машинного навчання в сучасному сільському виробництві є завдання оптимізації та правильного поєднання різного роду пестицидів. А також обмеження їх застосування тільки на тих полях, які потребують обробки. Така система допомагає знизити витрати при одночасному підвищенні врожайності. Як це працює? Використовуючи інтелектуальні датчики в поєднанні з потоками візуальних даних з дронів, програми штучного інтелекту в сільському господарстві тепер можуть виявляти найбільш заражені ділянки посівних площ. Використовуючи алгоритми контрольованого машинного навчання, потім ШІ визначає оптимальну суміш пестицидів, щоб зменшити загрозу подальшого поширення шкідників і зараження здорових сільськогосподарських культур.

Прогнозування цін
Прогнозування цін на сільськогосподарські культури на основі показників врожайності, які допомагають передбачити загальні обсяги виробництва, неоціненні при визначенні стратегії ціноутворення для багатьох культур. Розуміння обсягів врожайності і рівня якості сільськогосподарських культур допомагає агрофірмам, кооперативам і фермерам домовлятися про найбільш вигідні ціни на врожай. Аналіз загального попиту на конкретну культуру допомагає визначити чи буде ціна даної культури низькою, високою або середньо-оптимальною. Від цього можна будувати стратегія ціноутворення. Знання тільки цих даних економить сільськогосподарським підприємствам мільйони доларів в рік через втрачену вигоду.

Зрошення і машинне навчання
Штучний інтелект додає вагомий внесок в підвищення ефективності сільського господарства. Мова, зокрема, йде про обсяги зрошування, оптимізацію іригаційних систем і вимір того, наскільки частий полив сільськогосподарських культур підвищує врожайність.

Вода – дефіцитний ресурс в багатьох регіонах Північної Америки, і особливо в районах, де сільське господарство є основним видом бізнесу. А тому ефективне використання води може означати чи буде ферма або сільськогосподарське підприємство з прибутком або ні. Лінійне програмування часто використовується для розрахунку оптимальної кількості води, необхідної для даного поля або культури для отримання прийнятного рівня врожайності. Алгоритми машинного навчання ідеально підходять для забезпечення того, щоб поля і посіви отримували достатньо води для нормального рівня врожайності та без додаткових витрат в процесі.

Тварини і машини 
Одним з найбільш швидкозростаючих завдань штучного інтелекту і машинного навчання в сільському господарстві є вивчення тварин. А саме моніторинг здоров'я домашньої худоби, включно із показниками життєдіяльності, рівнем повсякденної активності і кількістю споживаної їжі. Розуміння того, як кожен вид домашньої худоби реагує на раціон і умови утримання, має величезне значення для розуміння того, як найкраще утримувати та лікувати тварин в довгостроковій перспективі. Машинне навчання та штучний інтелект використовують для того, щоб зрозуміти, що робить корів задоволеними і щасливими щодня. Цей чинник важливий для виробництва більшої кількості молока. Для багатьох господарств, які покладаються на корів і домашню худобу, ця область відкриває зовсім нове розуміння того, як ферми можуть бути більш прибутковими.

IT технології активно впроваджуються сьогодні в агро. ШІ та МН відкривають широкі можливості для фермерів усього світу.  Сегмент програмного забезпечення щороку розростається, і ці можливості треба використовувати. Цифрові технології допомагають збільшити ефективність агросектору для конкретних фермерських господарств. На рівні держави це дозволяє успішно управляти продуктивністю агросектору.

Моделі прогнозування врожайності, аналіз даних у режимі реального часу, системи відео спостереження, штучний інтелект для зрошення та боротьби з бур’янами – ключові тенденції агропромислового ринку.
Все це працює і дає результати сьогодні.

Андрій Панченко (agriteka.com)