Сельское хозяйство готово к ИИ, но не к его данным

Искусственный интеллект (ИИ) меняет представление о возможностях в сельском хозяйстве, однако лидерам отрасли следует проявлять осторожность при инвестировании в ИИ без предварительной подготовки необходимой информационной базы.

Скрытая сторона внедрения ИИ

Применение ИИ обещает значительные перспективы, особенно для отрасли, сталкивающейся с нестабильными ценами на удобрения, непредсказуемой погодой и минимальным запасом прочности. Исследования показывают, что предиктивные модели на базе ИИ могут повысить урожайность на 26%, сократить потребление воды на 41% и уменьшить использование химикатов на 33%.

Однако поставщики решений на базе ИИ часто умалчивают о том, что эти технологии эффективны только при наличии чистой и надёжной информационной основы. В компании Reltio, обладающей обширным опытом в этой области, включая разработку технологической стратегии для крупного аграрного дистрибьютора и создание платформы данных, используемой по всему миру, подтверждают это на практике.

Что поставщики ИИ обычно умалчивают

Диалоги с поставщиками в агросекторе часто развиваются по знакомому сценарию. Презентация начинается с громких обещаний использования ИИ для мониторинга состояния посевов в реальном времени, оптимизации орошения и повышения урожайности с каждого гектара.

Это заманчивое обещание, но редко поднимается вопрос о том, насколько точна и полна информационная база, лежащая в основе этих обещаний. Если данные не отвечают этим требованиям, существует реальный и значительный риск, что ИИ будет генерировать вводящие в заблуждение результаты, которые кажутся авторитетными, но приводят к контрпродуктивным действиям.

Например, модель прогнозирования урожайности, обученная на непоследовательных исторических данных, будет выдавать неточные предсказания. Аналогично, система точного орошения, использующая разрозненные данные с датчиков, будет принимать решения о поливе, которые расточают ресурсы, вместо того чтобы их экономить.

В каждом случае ИИ терпит неудачу, потому что данные, на которых он обучался, были недостаточны для получения надёжных результатов. В сельском хозяйстве каждая "галлюцинация" ИИ (неправильный, но уверенный ответ системы) — это потенциальный убыток, и вероятность ошибки достаточно высока.

Почему сельское хозяйство — уникальный вызов для ИИ

Информационная среда современного сельскохозяйственного предприятия или крупного дистрибьютора, обслуживающего тысячи фермерских хозяйств, чрезвычайно сложна.

В современном сельском хозяйстве широко используются устройства интернета вещей (IoT) и специализированная техника. Системы орошения автоматизированы, тракторы самостоятельно перемещаются по полям, а дроны в больших масштабах собирают изображения полей.

Однако машинные данные по своей природе разрозненны. Добавьте к этому внешние источники, включая метеосводки, данные Министерства сельского хозяйства США и рыночную информацию от сторонних компаний, и вопрос о том, как всё это объединить в единую, согласованную систему, становится серьёзной задачей.

Сельскохозяйственному ИИ также необходимо понимать не только атрибуты клиента, но и особенности земли: GPS-координаты, границы участков, земельные блоки и вариации состава почвы на одном поле. Куда и в каком объёме вносить удобрения, в какой конкретной части поля? Не все части поля одинаковы, и система ИИ, которая воспринимает их как идентичные, будет выдавать рекомендации, которые в лучшем случае будут неточными, а в худшем — наносящими ущерб.

Существует также аспект соответствия нормативам из-за использования химикатов и связанной с этим ответственности. Операционный ИИ в сельском хозяйстве требует значительно больше проверок и контроля, чем в менее рискованной среде. Когда ошибочная рекомендация воплощается на поле, последствия могут быть тяжёлыми.

Что означает готовность данных на практике

Готовность данных — это грань между успехом ИИ и сценарием «мусор на входе — мусор на выходе». По сути, готовность к ИИ означает наличие модели данных, которая точно отражает, как работает бизнес.

Для такой компании, как Wilbur-Ellis, семейного дистрибьютора сельскохозяйственной продукции со 104-летней историей, это означает понимание того, кто являются их клиентами, какие поля они возделывают, какие ресурсы им требуются, от каких поставщиков они их получают, сколько заплатили в прошлом сезоне и как всё это влияет на прибыль. Эта информация должна быть актуальной, единообразной и доступной для всей организации, а не запертой в разрозненных системах, не предназначенных для взаимодействия.

Аналогично, для самих сельскохозяйственных предприятий готовность данных означает наличие надёжной, связанной картины происходящего на каждом поле: данные о здоровье почвы, история внесения удобрений, данные об урожайности за предыдущие сезоны, производительность оборудования и показания датчиков ирригационных систем в реальном времени.

Управление данными не менее важно, чем их структура. Цены меняются, взаимоотношения развиваются, поставщики приходят и уходят. Система ИИ, использующая данные, которые были точны шесть месяцев назад, но не обновлялись, будет давать рекомендации на основе версии бизнеса, которая уже не существует.

Создание основы для надёжного ИИ

Хорошая новость заключается в том, что путь к готовности данных осуществим. Он начинается с надёжной модели данных: единого, управляемого источника достоверной информации, который связывает клиентов, поставщиков, продукты, цены, заказы и прибыль таким образом, чтобы это отражало работу организации.

Далее требуются быстрые конвейеры данных для предоставления аналитики в момент принятия решений, системы управления, обеспечивающие надёжность данных с течением времени, а также средства контроля безопасности, гарантирующие доступ к конфиденциальной коммерческой информации только уполномоченным лицам при соблюдении необходимых условий.

Именно для решения этих задач была создана компания Reltio, входящая в группу SAP. Reltio позволяет компаниям объединять разрозненные данные, чтобы ИИ-агенты и системы могли оперировать полной картиной бизнеса. Reltio создаёт надёжную систему контекста, известную как уровень контекстной аналитики, объединяющую все сущности, взаимосвязи и правила, что упрощает доступ и интерпретацию бизнес-данных.

Для Wilbur-Ellis создание такой надёжной информационной основы позволило задавать более сложные вопросы и доверять ответам, что является необходимым условием для подлинной полезности любой системы ИИ.

Как сельское хозяйство может получить реальную ценность от ИИ

Смотрите также:

Обзор умного кольца Circular Ring 2: перспективные технологии в сырой программной оболочке http://kupidonchik.org/obzor-umnogo-koltsa-circular-ring-2-perspektivnyie-tehnologii-v-syiroy-programmnoy-obolochke/.

Интересности на тему: Революция в звуке: компактные арматурные драйверы сделают полноразмерные наушники намного лучше

Классные советы в статье "Легендарный сериал «Клан Сопрано» впервые выйдет в формате 4K Blu-ray" здесь.

Вопрос, который стоит задать перед следующим обсуждением внедрения ИИ, заключается не в том, перспективен ли сценарий использования. Почти наверняка да. Вопрос в том, достаточно ли прочна лежащая в его основе информационная база, чтобы сделать результаты надёжными.

Сельское хозяйство всегда требовало от своих лидеров принятия важных решений в условиях неопределённости, и ИИ предлагает реальную перспективу принимать эти решения быстрее и на основе более полной информации. Эта перспектива достижима только для тех организаций, которые проделали фундаментальную работу заранее, и наибольшую выгоду от ИИ получат те предприятия, которые инвестируют в эту основу уже сейчас.