Sztuczna inteligencja odgrywa kluczową rolę w rolnictwie

– Przetwarzanie danych na obrzeżach sieci zapewnia rolnikom większą wydajność i produktywność – twierdzi Christian Lang, starszy kierownik ds. zarządzania rozwiązaniami w firmie Tria Technologies

Rolnictwo stanowi istotną część światowej gospodarki, a w krajach takich jak Indie odpowiada za 60% PKB. Rolnicy od zawsze borykają się z trudnościami w zarządzaniu uprawami i plonami, na co wpływa szereg czynników, z których część ulega pogorszeniu. Należą do nich coraz częstsze poważne zakłócenia pogodowe spowodowane zmianami klimatu – susze, powodzie, erozja gleby, utrata bioróżnorodności i inne – oraz wpływ działalności człowieka na planetę. Do tego dochodzą ciągłe problemy związane z niedoborem pracowników, szkodnikami i chorobami dotykającymi rośliny i zwierzęta hodowlane, aktualizacją przepisów i norm oraz nieustannie zmieniającymi się oczekiwaniami przetwórców żywności, detalistów i konsumentów. Ponadto narastają obawy dotyczące ochrony środowiska i ochrony owadów zapylających rośliny.

AdobeStock | Tria Technologies

Wprowadzenie technologii do rolnictwa stało się ważnym sposobem na złagodzenie niektórych z tych problemów, zwiększenie wydajności i zapewnienie bezpieczeństwa rolników. Monitorowanie to tylko jeden z takich systemów, który pomaga rolnikom zarządzać uprawami, maksymalizować plony, zmniejszać nakłady pracy i optymalizować procesy. Stowarzyszenie Producentów Sprzętu (AEM) poinformowało w 2021 r., że wykorzystanie technologii rolnictwa precyzyjnego zwiększyło wydajność o 4%, a jednocześnie zużycie nawozów spadło o 7%, herbicydów o 9%, a wody o 4%.

Dane, IoT i GPS

Gromadzenie danych oraz Internet rzeczy (IoT), w połączeniu z GPS, systemami informacji geograficznej, teledetekcją i zdjęciami satelitarnymi, pozwoliły rolnikom na udoskonalenie procesów, ale jeszcze większe korzyści przyniosą sztuczna inteligencja i roboty. Firma analityczna StartUs Insights prognozuje, że wartość rynku sztucznej inteligencji w rolnictwie osiągnie 4,7 mld USD do 2028 r., rosnąc w tempie ponad 23% w skali roku.

Maszyny obecnie używane na polach są już mniejsze i inteligentniejsze, a także wyposażone w liczne czujniki oraz lokalne przetwarzanie AI, czyli tzw. edge AI. Informacje z czujników mogą być analizowane i wykorzystywane do podejmowania decyzji w czasie rzeczywistym w celu optymalnego zarządzania uprawami. Podobnie jak do monitorowania stanu maszyn rolniczych, przy użyciu technik konserwacji predykcyjnej, które powiadamiają konserwatorów przed awarią maszyn. Umożliwiają to najnowocześniejsze jednostki przetwarzające, np. od firmy Tria Technologies, które zawierają szereg procesorów, czujników i funkcji AI.

RASynBoard – płyta główna z płytką wejść/wyjść | Tria Technologies

Takie wbudowane płyty są szkolone, aby wychwytywać najcichsze dźwięki w celu wykrywania drobnych różnic w zachowaniu systemu – na przykład pompy wodnej lub ściekowej pracującej z wodą lub bez niej z powodu zatkania – lub w zachowaniu zwierząt – na przykład czy zwierzę jest chore lub uwięzione. W takich przypadkach dźwięki są gromadzone w zbiorze danych, w celu wyszkolenia sieci neuronowej w wykrywaniu usterek maszyn lub chorób wśród zwierząt hodowlanych.

Niektóre płyty z oferty Tria obsługują do szesnastu kamer i można je łatwo dostosować do użytku w robotach i systemach wizji maszynowej. Inna płyta z tej samej rodziny również może obsługiwać wiele kamer i duże modele językowe (LLM).

RASynBoard – płyta główna z płytką wejść/wyjść | Tria Technologies

Tego typu płytki wbudowane są niezwykle korzystne w zastosowaniach z zakresu inteligentnego rolnictwa. Oferują kompaktowe rozmiary, wytrzymałość, elastyczność oraz dużą moc obliczeniową. Wyposażone są w procesory, procesory graficzne, pojemne moduły pamięci, układy zarządzania zasilaniem oraz różne opcje łączności umożliwiające rozszerzenie funkcjonalności. Mogą być zasilane z baterii, co pozwala na pracę w trybie autonomicznym.

Dane przetwarzane lokalnie i na bieżąco

Obecny sprzęt zautomatyzowany opiera się na przesyłaniu danych do chmury w celu ich przetworzenia, co jest niezrównoważone i zawodne w przypadku obszarów oddalonych, takich jak pola uprawne i gospodarstwa rolne. Jednak ogólne trendy zmierzają w kierunku przetwarzania danych lokalnie, na samym urządzeniu, co zapewnia szereg korzyści, w tym:

• wyższą wydajność,
• lepszą skuteczność analizy gleby,
• monitorowanie upraw,
• wykrywanie szkodników,
• zarządzanie nawadnianiem.

Płyta główna | Tria Technologies

W przypadku obszarów oddalonych oraz pojazdów, rozwiązania zasilane bateryjnie są jak najbardziej odpowiednie, a dzięki najnowszej generacji procesorów firm takich jak NXP, Qualcomm i Renesas, takie płytki oferują bardzo wysoką wydajność z możliwościami sztucznej inteligencji typu edge przy bardzo niskim zużyciu energii.

Problem niedoboru siły roboczej można rozwiązać za pomocą zautomatyzowanych maszyn, robotów i dronów, które podejmują decyzje na bieżąco, w oparciu o techniki uczenia maszynowego wspomagające ich analizę.

Walka ze zmianami klimatycznymi

Może być prowadzona przy użyciu precyzyjnego sprzętu opartego na sztucznej inteligencji, który przez cały czas analizuje wzorce pogodowe oraz stan gleby i roślin, decydując, kiedy jest idealny moment na zasianie uprawy, jej nawodnienie (lub zaprzestanie nawadniania), selektywne zwalczanie szkodników i chorób (tj. tam, gdzie jest to najbardziej potrzebne), zebranie plonów i wiele więcej. Rolnictwo precyzyjne wykorzystujące sztuczną inteligencję pozwoli:

• zaoszczędzić energię i wodę,
• zmniejszyć zużycie pestycydów i herbicydów.

Istnieje już wiele przydatnych programów opracowanych specjalnie na potrzeby rolnictwa, gdzie w tle działają technologie wizji komputerowej i uczenia maszynowego. Jeden z takich programów rozpoznaje choroby roślin na podstawie zdjęć ich liści. Sieć neuronowa typu konwolucyjnego jest szkolona na istniejącym zbiorze danych oraz wybranych zdjęciach liści w celu identyfikacji choroby, osiągając dokładność ponad 96%. Celem tego projektu jest skuteczne przewidywanie chorób roślin, tak aby rolnicy mogli podjąć odpowiednie działania, zanim choroba się rozprzestrzeni.

AdobeStock | Tria Technologies

Wizja komputerowa może być również stosowana w projektach wykorzystujących roboty do podlewania roślin oraz drony do wybierania fragmentów pola w celu selektywnego opryskiwania pestycydami. Automatyzacja takich procesów zmniejszy również narażenie ludzi na szkodliwe chemikalia.

Autonomiczne maszyny rolnicze i polecenia głosowe?

Roboty te działają albo autonomicznie, poruszając się po polach za pomocą czujników, albo są sterowane ręcznie za pomocą aplikacji. Maszyny rolnicze, takie jak ciągniki i kombajny, są coraz bardziej zautomatyzowane, a niektóre z nich wykorzystują technikę zwaną SLAM (jednoczesna lokalizacja i mapowanie) do skutecznego poruszania się po otoczeniu i omijania przeszkód.

W najbliższej przyszłości modele LLM będą odgrywać jeszcze większą rolę w rolnictwie, gdy ciągniki i roboty rolnicze będą bezpośrednio reagować na komunikację werbalną lub tekstową w języku ludzkim. W dalszej przyszłości, za około 5–10 lat, gdy generatywna sztuczna inteligencja będzie znacznie bardziej zaawansowana i w pełni autonomiczna, będzie ona zarządzać wszystkimi aspektami rolnictwa – od nasion do stołu. Analityczna sztuczna inteligencja i generatywna sztuczna inteligencja zmienią sposób uprawy, zbioru i dystrybucji plonów, zapewniając jednocześnie zoptymalizowane i wydajne praktyki rolnicze przy minimalnym udziale człowieka. Sztuczna inteligencja zapewni również odpowiednie sposoby na zrównoważony rozwój, nawet w obliczu trudnych presji ekonomicznych, kształtując w ten sposób przyszłość tej branży.