U 2018., pet timova uzgajalo je krastavce u revolucionarnom autonomnom stakleničkom izazovu međunarodno takmičenje. Zaokret: samo jedan od timova se sastojao od iskusnih uzgajivača koji su ručno upravljali svojim odjeljkom u stakleniku. Preostala četiri tima činili su međunarodni stručnjaci iz oblasti hortikulture i veštačke inteligencije (AI). Radili su na razvoju AI rješenja za daljinsko i autonomno upravljanje svojim usjevima. Cilj takmičenja, prvog autonomnog stakleničkog izazova na svijetu, 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 sa rješenjem za autonomno uzgoj koje ne samo da je ostvarilo 6% veće prinose i 17% veći neto profit, već je koristilo i manje CO2, grijanje i ulaz vode.
Da bismo saznali više o konkurenciji i razumjeli kako se AI rješenje može takmičiti s timom vještih ljudskih uzgajivača, pa čak i nadmašiti ga, pogledajmo bliže AI i kako je ona povezana s automatizacijom staklenika.
Automatizacija staklenika nije ništa novo
Decenijama uzgajivači koriste procesne računare, senzore i aktuatore za upravljanje klimom u stakleniku i navodnjavanjem. U takvom scenariju, posao procesnog računara 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 mašinama.
Naravno, automatizacija zasnovana na pravilima ne može se nositi s nepredviđenim okolnostima. Što je još važnije, vješti čovjek treba da donese sve odluke o upravljanju usjevima, sve do tačnih zadanih vrijednosti za parametre okoliša. Da bi se pouzdano postigli visoki prinosi, potreban je značajan nivo znanja i vještina, a čak i tada je lako pogriješiti. Štaviše, kako farme rastu, posao kontinuiranog praćenja usjeva postaje još zahtjevniji.
Nažalost, uzgajivači dobro znaju da je rad najveći izvor problema u proizvodnji. Godinu za godinom, u Greenhouse Grower's U anketi Top 100 uzgajivača, uzgajivači prijavljuju izazove ne samo u pogledu cijene rada, već i dostupnosti kvalifikovane 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 zasnovane na pravilima
Dobar način razmišljanja o umjetnoj inteligenciji je da je ona korak dalje od jednostavne automatizacije zasnovane na pravilima. Moderna umjetna inteligencija se bavi upotrebom matematike za pronalaženje obrazaca u podacima, uključujući i one koji se nalaze u ekološkim i biološkim sistemima 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 AI za generiranje prognoza prinosa.
- Uz dovoljno slikovnih podataka, uzgajivači mogu koristiti AI za otkrivanje štetočina i bolesti.
Neke vrste AI čak mogu učiti iz novih podataka, dajući postepeno bolje rezultate tokom vremena.
Budući da je u mogućnosti da pruži 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 veštačke inteligencije zasnovan na podacima takođe se može kombinovati sa klasičnim pristupom zasnovanim na pravilima, omogućavajući mnogo veći stepen automatizacije staklenika nego ikada ranije. Ukratko, uzgajivači mogu koristiti umjetnu inteligenciju da automatiziraju mnoge napametne operativne zadatke, pomažući u oslobađanju od kroničnih problema sa radom koji predstavljaju izazov za industriju.
Podaci su gorivo za AI
Koliko god se AI bavi matematičkim algoritmima, toliko je i podacima. Suprotno popularnom mišljenju, neki od najčešćih algoritama koji se koriste u AI postoje već decenijama. Nisu čak ni strašno komplikovane. Ali najduže vrijeme, dostupnost podataka — zajedno sa pristupačnom računarskom snagom potrebnom za obradu podataka — su ograničavajući faktori.
Bio je potreban nedavni razvoj kompjuterskog hardvera da bi se otkrio potencijal AI. Revolucija pametnih telefona, koju je pokrenuo Apple 2007. godine, stvorila je potpuno nove proizvodne ekosisteme i lance nabavke na globalnoj razini. Ovo je promijenilo fundamentalnu ekonomiju kompjuterskog 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 računarske snage pomoglo je transformaciji AI iz istraživačke radoznalosti s nekoliko komercijalnih aplikacija u tehnološku promjenu.
Internet stvari donosi obilje podataka
Početkom 1980-ih, diplomirani studenti na Univerzitetu Carnegie Mellon u Pittsburghu su se iznervirali što su otišli do Coca-Cola automata samo da bi ga našli prazan. Izmijenili su ga kako bi mogao prijaviti svoj inventar putem interneta. Učinivši to, izumili su prvi uređaj na svijetu povezan s internetom.
Danas su se milijarde uređaja, velikih i malih, od potrošačke elektronike do industrijskih mašina, pridružile toj prvoj mašini za gazirana pića u povezivanju na Internet, formirajući 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 internet standarde, može biti lakše razmjenjivati podatke s IoT uređajima bez potrebe za dodatnim hardverom za premošćavanje od jednog tipa sistema do drugog.
Zajedno, AI i IoT su komplementarne tehnologije. IoT hardver pomaže uzgajivačima da lakše prikupe neobrađene podatke iz staklenika. A softver umjetne inteligencije pomaže uzgajivačima da shvate te podatke i djeluju na njih kako bi poboljšali proizvodnju usjeva.
Studija slučaja: Uspjeh Kennetha Trana u izazovu autonomne staklene bašte
Dr. Tran: 2018. godine bio sam istraživač AI u Microsoft Research-u u blizini Seattlea, radeći na novijoj vrsti AI poznatoj kao učenje s pojačanjem. Tamo sam pokrenuo novi pokušaj primjene našeg istraživanja na domenu poljoprivrede s kontroliranim okolišem. Sa takozvanim projektom Sonoma, sarađivali smo sa naučnicima o biljkama u Harrow istraživačkom centru u Ontariju, Kanada, i na kraju se takmičili na prvom međunarodnom Autonomous Greenhouse Challenge-u, u organizaciji Wageningen University & Research u Holandiji.
U ovom izazovu, svaki tim je uzgajao krastavce u stakleniku od 315 kvadratnih stopa u trajanju od oko četiri mjeseca. Ovi odjeljci su bili opremljeni standardnim procesnim kompjuterima, 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 procesne računare - širom interneta (pogledajte sliku ispod). Više detalja o izazovu i njegovim rezultatima možete pronaći u članku autora Hemming et al. (2019).
Uprkos našem nedostatku iskustva u uzgoju krastavaca i našem prototipu u vrlo ranoj fazi, naše autonomno rješenje za uzgoj uspjelo je pobijediti u konkurenciji. Čak smo nadmašili i drugoplasirani tim, referentni tim sastavljen od stručnih holandskih uzgajivača, sa 6% većim prinosom. Ta marža u prinosu bila je ekvivalentna povećanju operativne dobiti od 17%.
Da li je referentni tim bio loš? Ne sve. Oni su, prema mišljenju mnogih stručnjaka, radili izuzetno dobro. Njihov prinos je bio skoro 50 kg/m2 u rasponu od četiri mjeseca, što je ekvivalentno skoro 150 kg/m2 godišnje. Ovo se smatra visokim prinosom za staklenik bilo gdje na planeti.
Kao rezultat autonomnog stakleničkog izazova, osnovao sam Koidru 2020. kako bih direktno nadograđivao naše znanje i dalje promicao najmodernije AI i IoT za poljoprivredu i druge industrijske kontrole.
Postavljanje pravih pitanja o AI i IoT-u
Danas je sve više uzgajivača staklenika voljno i spremno da usvoji AI i IoT. Glavni izazov je shvatiti proizvode na tržištu i moći proći kroz sve marketinške govore. Mnoge kompanije željno tvrde da imaju AI algoritam ili IoT uređaj koji će raditi za staklenike.
Evo nekoliko ključnih razmatranja koje treba imati na umu kada procjenjujete AI softver i IoT hardver:
- performanse: Uzgajivači bi trebali biti u mogućnosti da vide konkretne, stvarne koristi. Pitajte: Da li je AI dokazano u komercijalnoj proizvodnji da poboljšava prinos i efikasnost resursa? pod kojim uslovima? Kakvi su rezultati kompanije u razvoju AI i IoT softvera?
- AI dizajn: Najefikasnija AI rješenja kombinuju najbolje od ljudske inteligencije s najboljom umjetnom inteligencijom za donošenje odluka. Pitajte: Kako AI model koristi postojeće znanje? Kako osigurava da će se performanse vremenom poboljšati s više podataka?
- Dizajn softvera: Uzgajivači bi trebali zadržati kontrolu nad radom staklenika. Pitajte: Koji se principi dizajna softvera koriste da bi se osigurala sigurnost usjeva? Mogu li se u svakom trenutku 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 sistema? Mogu li napraviti rezervnu kopiju i izvesti svoje podatke? Postoje li API-ji koji omogućavaju pristup podacima uživo i prilagođene integracije? Mogu li koristiti softver i hardver različitih proizvođača, sada iu budućnosti?
AI i IoT mogu osnažiti uzgajivače
U svijetu u kojem kritični resursi - voda i energija, kao i vrijeme, novac i kvalifikovana radna snaga - postaju sve oskudniji, ima smisla istražiti nove tehnologije kako bi se taj teret ublažio. Kao što smo saznali iz Autonomous Greenhouse Challenge-a, uzgajivači zaista mogu postići veće prinose i veću efikasnost korištenja resursa uz korištenje AI softvera i IoT hardvera. Štaviše, ove tehnologije nastavljaju da se razvijaju i napreduju brzim tempom.
Konačno, AI i IoT zaista mogu osnažiti proizvođače staklenika — da donose bolje odluke, da rade više sa manje — da uzgajaju svjetsku hranu na održiviji način.