چگونه هوش مصنوعی می تواند به کشاورزی کمک کند تا کارآمدتر و پایدارتر شود

در مزارع Nature Fresh در لیمینگتون، در بین ردیف‌هایی از گوجه‌فرنگی، خیار، فلفل و توت‌فرنگی چیز جدیدی وجود دارد.

با استفاده از هزاران حسگر در هر گلخانه، فناوری هوش مصنوعی به مزرعه کمک می کند تا جنبه هایی مانند روشنایی، آبیاری و زمان برداشت را بهینه کند.

کیت بردلی، معاون فناوری اطلاعات و امنیت در مزارع نیچر فرش، گفت: «ما می‌خواستیم از فناوری برای کمک به رشد بیشتر، داشتن سبزیجاتی با طعم بهتر و به طور کلی کارهای بیشتری استفاده کنیم.

او گفت که فناوری اینتل و دل به مزرعه کمک می کند تا به جای واکنش پذیری، فعال باشد و بازده محصولات خود را افزایش دهد و استفاده از نیرو و آب را کاهش دهد. او افزود، این حتی به کارمندان کمک می کند تا تعادل بین کار و زندگی بهتری داشته باشند.

در میان تحقیقات مداوم در مورد مزایای بالقوه هوش مصنوعی برای کشاورزی، مزارع مانند Nature Fresh در خط مقدم پذیرش قرار دارند.

ژاکلین کینا، مدیر عامل شرکت غیرانتفاعی Emili گفت: کشاورزان در حال حاضر از مجموعه‌ای از فناوری استفاده می‌کنند و برخی از آنها از ابزارهای پیشرفته مانند هواپیماهای بدون سرنشین برای بررسی مزارع و جستجوی اطلاعات در مورد علف‌های هرز، آفات و بیماری‌ها استفاده می‌کنند. این سازمان مزارع نوآوری را اداره می کند، یک “مزرعه هوشمند” که در آن فناوری های جدید در نزدیکی وینیپگ آزمایش و نمایش داده می شوند.

کینا گفت، فاز بعدی این فناوری شامل مدل‌های هوش مصنوعی است که از آن داده‌ها برای استنباط، پیش‌بینی و حتی تصمیم‌گیری استفاده می‌کنند – و هوش مصنوعی به کشاورزی این امکان را می‌دهد تا به سطحی خاص‌تر از قبل «بهینه‌سازی» شود.

رزیتا دارا، استادیار دانشکده علوم کامپیوتر دانشگاه گوئلف و مدیر ابتکار هوش مصنوعی برای غذا، گفت: این فناوری در حال پیچیده‌تر شدن است و از سیستم‌های مبتنی بر قوانین ساده به مدل‌های زبانی بزرگ می‌رود.

او گفت که این کاربرد برای کشاورزی دقیق دارد، که شامل تجزیه و تحلیل داده‌های حسگرها برای تصمیم‌گیری در مورد مواردی مانند میزان مصرف آب یا کود است. او گفت که از هوش مصنوعی می توان برای اتخاذ تصمیمات پیچیده ای که مدت هاست توسط انسان ها گرفته شده است استفاده کرد.

دارل پتراس، مدیر عامل اتوماسیون و شبکه اطلاعات کشاورزی کانادا گفت که هوش مصنوعی می تواند به حل مسائلی مانند کمبود نیروی کار و چالش های آب و هوایی کمک کند.

پتراس گفت، به عنوان مثال، گروه او در شرکتی به نام Croptimistic سرمایه گذاری می کند که داده ها را از مزرعه برای شناسایی آفات، تغییرات رنگ محصول و سایر عوامل استرس زای بالقوه روی محصول جمع آوری می کند.

او گفت: “هوش مصنوعی می تواند تعیین کند که آیا یک عامل استرس زا زودتر از … اتفاق می افتد یا نه که چشم انسان می تواند تشخیص دهد و سپس مداخله مدیریتی می تواند بسیار سریعتر اتفاق بیفتد.”

پتراس افزود، هوش مصنوعی همچنین کاربردهای بالقوه‌ای در درجه‌بندی غلات در مزرعه دارد، که می‌تواند به کشاورز کمک کند تا بفهمد چه زمانی محصول را برداشت کند و چه انتظاری برای فروش آن داشته باشد.

او گفت که می توان از آن برای کاهش اثرات تغییر اقلیم نیز استفاده کرد.

پتراس گفت: بسیاری از تحقیقات در زمینه هوش مصنوعی و کشاورزی در موسسات فوق متوسطه انجام می شود، اما پس از آن باید در این زمینه آزمایش شود. او توضیح داد که این اغلب از طریق یک «وسایل نقلیه تجاری‌سازی» انجام می‌شود، چه یک شرکت نوپا یا یک شرکت موجود.

شبکه‌ای از مزارع به اصطلاح هوشمند در سراسر کانادا وجود دارد که توسط کالج کشاورزی و فناوری اولدز در آلبرتا هدایت می‌شود و هدف آن آزمایش و نمایش فناوری‌های نوظهور کشاورزی است.

یکی از مزارع موجود در شبکه Emili’s Innovation Farms است.

ما واقعاً نشان می‌دهیم که آن‌ها چگونه در یک محیط تجاری کار می‌کنند، و به نوعی کاهش‌دهنده خطر هستند، همانطور که این فناوری‌ها را امتحان می‌کنیم… و سپس با دیگران، از جمله سایر کشاورزان، نحوه عملکرد آنها را به عنوان ابزار به اشتراک می‌گذاریم. برای تسریع پذیرش و ادغام کامل آن فناوری‌های جدید، گفت: کینا، از Emili.

یکی دیگر از مزارع هوشمند در کالج اولدز است، جایی که فیلیپ کارپ در حال انجام تحقیق در مورد چگونگی توسعه استانداردهایی برای جمع‌آوری و پردازش داده‌ها برای ساخت مدل‌های هوش مصنوعی است.

کارپ، که یکی از همکاران پژوهشی در کالج و کاندیدای دکترا در مهندسی منابع زیستی در دانشگاه مک گیل است، توضیح داد که مدل‌های هوش مصنوعی به اندازه مجموعه داده‌هایشان خوب هستند. تمرکز او در حال حاضر بر روی اندازه گیری و پیش بینی تغییرپذیری عناصر غذایی خاک است.

ما با این مجموعه داده ها، یک مدل هوش مصنوعی را آموزش دادیم و از آن برای پیش بینی در دسترس بودن مواد مغذی در خاک استفاده کردیم.

دارا گفت که برای کشف اینکه آیا فناوری جدید یا یک رویکرد جدید بر محصول تأثیر گذاشته است یا خیر، زمان می برد و این می تواند مانعی برای پذیرش کشاورزان باشد.

او گفت: «بعضی اوقات … در عرض یک سال، در یک فصل یا در عرض چند سال است.

کینا گفت که کشاورزان اغلب هر سال فقط یک بار یک محصول را برداشت می کنند.

بنابراین ما نمی‌توانیم از آنها بخواهیم ریسک‌های بزرگی را برای ادغام فناوری‌های جدید در مقیاس به عنوان بخشی از عملیات خود در مواردی که اثبات نشده است، انجام دهند.

مزارع نوآوری … به بخشی از یکی از موانع افرادی که نیاز به دیدن این فناوری‌ها در مقیاس کامل و تجاری دارند، قبل از اینکه بتوانند خودشان آن‌ها را بکار گیرند، می‌پردازد.

دارا گفت که سطح اعتماد کشاورزان نیز یک مانع است، به خصوص که با هوش مصنوعی گاهی اوقات فرآیند تصمیم گیری واضح نیست.

او اضافه کرد که داده‌ها برای مدل‌های هوش مصنوعی مهم است، اما کشاورزان باید انگیزه بهتری برای به اشتراک گذاشتن داده‌های خود داشته باشند تا فناوری را بهتر کنند.

کارپ گفت: کشاورزان می توانند در برابر به اشتراک گذاری داده های خود مقاومت نشان دهند: “این یکی از چالش هایی است که ما در مورد توسعه مدل های پیچیده تر صحبت می کنیم.”

اما با گذشت زمان، پتراس گفت که او شاهد افزایش مشارکت کشاورزان است.

او گفت که «تعامل کشاورزان برای توسعه ابزارهای هوش مصنوعی برای کشاورزی، که می‌تواند شامل روزهای نمایش میدانی، کنفرانس‌ها و کارگاه‌های آموزشی باشد، کاملاً حیاتی است».