Кібербитва за врожай: як штучний інтелект змінює сільське господарство

Версия для печати

Штучний інтелект – це не тільки генерація текстів у ChatGPT та створення смішних картинок у Midjourney. У світі, де кліматичні катаклізми стають нормою, а населення планети протягом найближчих десятиліть наблизиться до 10 млрд, фермери все частіше використовують алгоритми, щоб вирішити проблему продовольчої безпеки.

Спеціально для видання novayagazeta.eu науковий журналіст та автор телеграм-каналу «Лайфлонг муки» Ілля Кабанов вивчив, як нейромережі та роботи змінюють сільське господарство.

Роблять роботи

Кожен дачник знає, наскільки неприємна та стомлива прополка городу від бур'янів. У масштабах великих ферм проблема ще серйозніша, адже як альтернатива ручному прополюванню там застосовують хімічні гербіциди, які забруднюють воду і погіршують стан ґрунту.

Кілька років тому компанія Carbon Robotics запропонувала рішення: автономну прополочну машину Autonomous Weeder, яка самостійно рухається рядами посівів, сканує землю, розпізнає бур'яни і знищує їх лазером. За годину цей самохідний куб на колесах здатний вилучити понад 100 тисяч рослин, обробляючи до восьми гектарів на день.

Робот від Antpod, фото: Antpod

У лазерного робота вже з'явилося багато колег. Наприклад, компанія ecorobotix створила робота AVO, який використовує комп'ютерний зір, щоб точно розподіляти гербіциди, скорочуючи їхню витрату на 90%. А французький робот Bakus позбавляє виноградники Шампані від бур'янів механічним чином. Індійський стартап Antpod розробляє роботів для моніторингу плантацій чаю та кави та цільового розпилення хімікатів: творці використовують телеметричний аналіз, машинне навчання та комп'ютерний зір, щоб оптимізувати роботу фермерів. За даними виробника, робот обробляє один гектар менш як за чотири години.

Інші роботи вже вміють автоматично висаджувати насіння, вносити добрива з високою точністю, зменшуючи відходи та забезпечуючи рівномірний розподіл поживних речовин, а також акуратно збирати фрукти та овочі, не пошкоджуючи їх.

Здавалося б, довгоочікувана технологічна революція відбулася, але є нюанс: часто амбітні проекти залишаються на стендах галузевих виставок.

Наприклад, замість лазерного робота розробники Carbon Robotics тепер пропонують неавтономну версію LaserWeeder, яку потрібно тягнути по полю за допомогою трактора. Керівники стартапу запевняють, що зробили це на прохання самих фермерів, але, ймовірно, вартість розробки та виробництва автономних роботів відіграла не останню роль — автономні роботи дорожчі. Але навіть версія LaserWeeder, за словами користувачів, знижує витрати на прополювання на 80% і окупається протягом двох-трьох років.

Це загалом відображає ситуацію в галузі, де багато інноваційних рішень не досягають повної автономії і, як і раніше, потребують людського втручання або підтримки. На кожного робота з лазерами знайдеться фермер із трактором.

Втім, такі проблеми не знижують оптимізму аналітиків, які прогнозують збільшення світового ринку штучного інтелекту в сільському господарстві до 12 млрд доларів до 2032 року - у сім разів більше, ніж у 2023 році. Крім поширення роботів та дронів, зростанню сприятиме впровадження прогнозної аналітики, систем моніторингу для тваринництва та посівів, розумних сенсорів та інших інструментів. Розібрати їх все в одній статті неможливо, тому зупинимося на цікавому застосуванні штучного інтелекту в сільському господарстві — точному землеробстві (precision farming).

ViTiBOT від Bakus для обробки виноградників

Точність на грядці

Власне, в точному землеробстві немає нічого нового: наприклад, термін «точний висів» узвичаївся ще в середині минулого століття з появою однозернових сівалок, які точно укладають насіння. Завдяки прориву в галузі штучного інтелекту «точність» стала ще вищою і стосується тепер не лише сівби, а й витрати води, внесення добрив, моніторингу ґрунту, боротьби зі шкідниками, збирання врожаю та інших видів сільськогосподарських робіт. Як люди потребують правильного харчування, так і рослинам необхідний азот, фосфор, калій та інші речовини із ґрунту. Проблема в тому, що склад ґрунту сильно відрізняється на різних фермах і навіть у межах одного поля. Нові технології допомагають фермерам керувати цією мінливістю підвищення врожайності.

Ці технології на основі ШІ складають карти, які показують відмінності в кислотності грунту, його вологості, вміст солі та інших елементів на дуже детальному рівні. Алгоритми машинного навчання аналізують сотні зразків ґрунту, щоб знайти закономірності, що пов'язують вміст певних речовин із урожайністю сільськогосподарських культур. Вивчаючи такі взаємозв'язки, моделі штучного інтелекту формулюють індивідуальні рекомендації для конкретної ділянки: наприклад пропонують збільшити кількість азоту, щоб отримати більший урожай кукурудзи наступного сезону.

Такі технології вже є і використовуються буквально в полях. Американський стартап Sway AI розробив розумну платформу для точного землеробства: за допомогою машинного навчання та аерофотознімків фермери аналізують стан сільськогосподарських культур та ґрунту, плануючи цілеспрямоване внесення добрив та зрошення. Крім того, платформа в режимі реального часу виявляє неефективні процеси та пропонує рекомендації щодо управління фермою, дозволяючи отримувати більше врожаю.

Роботи збирають урожай рису на фермі Байма Лейк у місті Хуайань, провінція Цзянсу, Китай, 24 жовтня 2023 року. Фото: Costfoto / NurPhoto / Getty Images

Оптимізація всіх процесів – ось, мабуть, ключова перевага штучного інтелекту у сільському господарстві. Вже зараз ця галузь споживає понад 70% світових водних ресурсів, а для задоволення попиту на продукти харчування води знадобиться ще більше.

Алгоритми дозволяють оптимізувати іригацію, допомагаючи фермерам приймати точні рішення щодо використання водних ресурсів. Крім того, штучний інтелект здатний врахувати безліч параметрів, що впливають на випаровування вологи, - від вологості повітря та швидкості вітру до щільності рослин та властивостей ґрунту. Точний аналіз такого великого масиву даних дозволить підвищити ефективність зрошення.

Наприклад, коли власники великої ферми в штаті Айдахо зіткнулися з проблемою управління іригацією через різкі перепади температури, вони звернулися до розумного сервісу Valley Insights, який формує теплове зображення кожної рослини на основі пташиного польоту та інших даних про поле. Алгоритм повідомляє про проблемні ділянки, що вимагають уваги, зокрема про витік у системі поливу. У результаті фермери скорочують витрати води.

За оцінками Продовольчої та сільськогосподарської організації ООН, щороку фермери в усьому світі втрачають 320 млрд доларів через шкідників та хвороб рослин. Традиційний спосіб боротьби з цими проблемами - розпилення хімікатів - небезпечний для здоров'я людей і шкідливий для ґрунту, води та біорізноманіття.

Штучний інтелект може скоротити обсяг використовуваних пестицидів. Наприклад, мобільний додаток Tumaini дозволяє користувачам завантажувати фотографії передбачуваного шкідника або ознак хвороби, які потім алгоритм порівнює з базою даних з десятків тисяч зображень, аналізує і підказує, що робити далі.

Такі програми допомагають фермерам використовувати рівно стільки хімікатів, скільки потрібно, зберігаючи при цьому врожай.

Під час тестування в Колумбії, Індії, Китаї, Уганді та інших країнах Tumaini успішно виявило 90% шкідників та хвороб. У деяких випадках ефективність ще вища: кілька років тому грецькі вчені розробили нейромережу, яка з точністю 99,54% виявляє на аероснімках будяки — дуже агресивний бур'ян.

Врожайні виклики

Кожне рішення у сільському господарстві може вплинути на врожайність, стан довкілля, а часом і виживання самих фермерів. Це робить вимоги до штучного інтелекту особливо високими. Неприємно, коли алгоритми відправляють важливий лист до спаму, але коли їхня неправильна робота призводить до втрати врожаю, це набагато гірше.

Щоб будь-який інструмент був по-справжньому ефективним, користувачі повинні хоча б загалом розуміти, чого від нього варто чекати. Коли фермери купують новий комбайн, вони знають, як він поведеться. Проблема в тому, що поведінка нейромереж часто не здатні пояснити не лише працівники сільськогосподарської галузі, а й самі розробники.

Системи штучного інтелекту функціонують з урахуванням складних алгоритмів, які призначені зручності користувача і припускають пояснень.

Чим складніше стають нейромережі, тим важче зрозуміти, як вони діходять конкретних висновків. Потенційно зручний інструмент стає «чорним ящиком», достовірність та надійність якого складно перевірити заздалегідь. В результаті фермери не готові довіряти рекомендаціям, що видаються цими системами, особливо коли їхні поради здаються нелогічними або суперечать практикі, зазначає соціолог Мааз Гардезі з Вірджинського політехнічного університету. Наприклад, якщо штучний інтелект пропонує скоротити споживання води, але досвід фермера говорить про інше, людина може відмовитися дотримуватися поради машини, не розуміючи її логіки.

Польовий робот пересувається територією Саксонського державного відомства з охорони навколишнього середовища, сільського господарства та геології в рамках «дня поля», присвяченого робототехнічним рішенням для вирощування фруктів та виноградарства, 29 серпня 2023 року. Фото: Sebastian Kahnert / Picture Alliance / Getty Images

Напрошується рішення: відкрити «чорну скриньку», зробивши роботу штучного інтелекту прозорою. Якщо фермер розуміє, чому нейромережа радить вносити певну кількість добрив, він із більшою ймовірністю виконає рекомендацію.

Для цього потрібно розробляти та впроваджувати інтерпретовані моделі машинного навчання, які не просто пропонують прогноз чи рішення, а «пояснюють», як саме дійшли тих чи інших висновків. На думку дослідників, здатність людей розуміти результати, отримані за допомогою алгоритмів, підвищить довіру до штучного інтелекту. Наприклад, фермери зможуть оскаржити з розробником моделі справедливість оцінки викидів парникових газів у своєму господарстві, якщо знатимуть, як саме алгоритм ухвалював рішення.

Інший бар'єр на шляху впровадження у сільському господарстві штучного інтелекту – його упередженість. Вона проявляється, коли дані, у яких навчалися алгоритми, не відбивають різноманітних умов реального світу. Наприклад, прогнози врожайності можуть бути неточними для сімейних ферм, оскільки більшість даних надходить із промислових агрокомплексів. А система, розроблена для автоматичного збирання фруктів, може навчитися виключно на червоних яблуках і в результаті помилково класифікуватиме стиглі зелені яблука як незрілі.

Щоб позбутися упередженості або хоча б звести її до мінімуму, розробникам доводиться включати до навчальної вибірки широкий спектр даних, що відображають різні методи ведення сільського господарства, типи культур та умови довкілля. Скажімо, моделі, які використовуються для прогнозування вологості ґрунту, повинні бути відкалібровані із застосуванням даних про різні типи ґрунтів та про різні кліматичні умови, щоб гарантувати, що їхні рекомендації виявляться актуальними для різних регіонів та різних методів ведення сільського господарства.

І, звичайно, важливо залучати до розробки інструментів штучного інтелекту людей, які користуватимуться ними. Айтішники в затишних офісах чудово знаються на машинному навчанні та аналізі даних, але погано уявляють собі реальну роботу в корівнику. Залучення до розробки самих фермерів зробить процес більш інклюзивним, а результати ефективнішими.

Вид на автономно керованого робота перед теплицею, 02 серпня 2023, Нижня Саксонія, Бемте. Фото: Friso Gentsch / Picture Alliance / Getty Images

Ефективність штучного інтелекту сільському господарстві багато в чому залежить від доступності та якості даних. Наприклад, комбайни оснащені датчиками, які збирають дані про врожайність, стан ґрунту та про погодні умови. Така інформація є безцінною для навчання алгоритмів, але при цьому конфіденційною, і фермери ділитися нею не хочуть. Проблема стає особливо гострою, коли розробники використовують ці дані як для консультування їх власників, але й просування своєї продукції, що може призвести до конфлікту інтересів. Більше половини американських фермерів заявляють, що не довіряють свої дані федеральним агентствам та приватним компаніям, а 46% взагалі покладаються здебільшого на паперові носії інформації.

Рішенням могли б стати справедливі методи управління інформацією, що регулюють збирання, зберігання та використання даних. Наприклад, селяни можуть зберігати право власності на свої дані, але ділитися ними за певних умов. Індустрії та регулятори вже роблять кроки у цьому напрямі: так, Кодекс ЄС щодо обміну сільськогосподарськими даними захищає фермерів від складних ліцензійних угод.

Крім того, нерівний доступ до технологій та цифровий розрив загрожують залишити бідні країни та невеликі ферми за бортом прогресу. На відміну від них великі промислові ферми можуть дозволити собі інвестиції в інструменти на основі штучного інтелекту. Рішення з відкритим вихідним кодом та субсидії здатні вирішити цю проблему.

Зрештою, масштабному впровадженню штучного інтелекту у сільському господарстві заважає проблема відповідальності за рішення — точніше її відсутності. Припустимо, що нейромережа запропонувала помилкову схему зрошення, що призвела до недостатнього поливу та скоротила врожайність полуниці. Виникає питання: хто має відповідати? Чи винна система штучного інтелекту, її розробники чи фермер, який довірився машині?

Тут ми заходимо на етичне поле. Алгоритми штучного інтелекту недостатньо досконалі, щоб розуміти етичні наслідки своїх дій, — у кращому разі вони йдуть за цінностями, закладеними людиною. Філософ Йоханна Тома називає це "проблемою моральних посередників" (Moral Proxy Problem). Здається, що тільки виправленням програмного коду питання не вирішити: необхідні чіткі правові та етичні рамки, які означають, хто відповідає за рішення, засновані на штучному інтелекті. Коли такі правила з'являться — ймовірно, в результаті дискусій регуляторів, розробників та кінцевих користувачів — фермери, розуміючи, що не виявляться в разі чого крайніми, будуть відкритішими для впровадження нових технологій.

Вгорі: ecoRobotix AVO, фото: Ecorobotix

«Аргумент»

На цю тему:

• Куди зникає державна земля і при чому тут "академіки Коломойського"