V roce 2018 pěstovalo pět týmů okurky v průkopnické Autonomous Greenhouse Challenge mezinárodní soutěž. Twist: pouze jeden z týmů sestával ze zkušených pěstitelů lidí, kteří ručně ovládali svůj skleníkový prostor. Zbývající čtyři týmy se skládaly z mezinárodních odborníků v oblasti zahradnictví a umělé inteligence (AI). Pracovali na vývoji řešení AI pro správu plodin na dálku a autonomně. Cílem soutěže, první autonomní skleníkové výzvy na světě, bylo přinést průlom v udržitelné výrobě potravin.
Po čtyřech intenzivních měsících se ruční pěstitelé dostali na druhé místo. Tým na prvním místě vedený jedním z autorů tohoto článku zvítězil s autonomním rostoucím řešením, které nejenže dosáhlo o 6% vyšších výnosů a 17% vyššího čistého zisku, ale také použilo méně CO2, topení a přívody vody.
Abychom se dozvěděli více o konkurenci a pochopili, jak může řešení AI konkurovat - a dokonce překonat - tým kvalifikovaných pěstitelů lidí, pojďme se blíže podívat na AI a její vztah k automatizaci skleníků.
Skleníková automatizace není nic nového
Po celá desetiletí pěstitelé používají procesní počítače, senzory a akční členy ke správě skleníkového klimatu a zavlažování. V takovém scénáři je práce procesního počítače přímá a spoléhá se na jednoduchá logická pravidla. Pokud je teplota vzduchu vyšší než 75 ° F, otevřete například odvětrávání. Zdlouhavá práce s odečtem teplot a zapínáním a vypínáním světel a ohřívačů je přenesena na stroje.
Automatizace založená na pravidlech si samozřejmě nedokáže poradit s nepředvídanými okolnostmi. Ještě důležitější je, že kvalifikovaný člověk musí činit všechna rozhodnutí v oblasti správy plodin až po přesné požadované hodnoty parametrů prostředí. Aby bylo možné spolehlivě dosáhnout vysokých výnosů, je nutná podstatná úroveň znalostí a dovedností, a přesto je snadné dělat chyby. Jak se farmy zvětšují, práce s nepřetržitým monitorováním plodin se stává ještě náročnější.
Pěstitelé bohužel až příliš dobře vědí, že práce je největším zdrojem problémů ve výrobě. Rok co rok, v Skleníkové pěstitele Průzkum mezi 100 nejlepšími pěstiteli hlásí pěstitele nejen s náklady na pracovní sílu, ale také s dostupností kvalifikované pracovní síly. Není divu, že pěstitelé stále více hledají způsoby, jak tyto výzvy řešit, včetně nových technologií, díky nimž může být správa skleníků autonomnější.
AI je krok za hranicí automatizace založené na pravidlech
Dobrým způsobem, jak přemýšlet o umělé inteligenci, je, že jde o krok nad rámec jednoduché automatizace založené na pravidlech. Moderní AI je o použití matematiky k nalezení vzorců v datech, včetně druhů ve skleníkových environmentálních a biologických systémech. Například:
- Díky dostatku údajů o klimatu mohou pěstitelé pomocí AI určit optimální žádané hodnoty a provádět klimatické předpovědi.
- Díky dostatku údajů o výnosu plodin mohou pěstitelé pomocí AI vytvářet prognózy výnosů.
- Díky dostatku obrazových dat mohou pěstitelé pomocí AI detekovat škůdce a nemoci.
Některé typy AI se mohou dokonce učit z nových dat a v průběhu času přinášejí postupně lepší výsledky.
Díky schopnosti poskytnout hlubší vhled do každodenních skleníkových operací lze AI využít k podpoře odborného rozhodování a smysluplnému posílení pěstitelů. Nejlepší výsledky ostatně pocházejí z promyšlené kombinace lidské inteligence a umělé inteligence.
Datový přístup AI lze také kombinovat s klasickým přístupem založeným na pravidlech, což umožňuje mnohem vyšší stupeň automatizace skleníků než kdykoli předtím. Stručně řečeno, pěstitelé mohou pomocí umělé inteligence automatizovat mnoho sporných provozních úkolů, což pomáhá zmírnit chronické problémy s prací, které jsou pro toto odvětví výzvou.
Data jsou palivem pro AI
Stejně jako AI je o matematických algoritmech, je to také o datech. Na rozdíl od všeobecného přesvědčení existují některé z nejběžnějších algoritmů používaných v AI po celá desetiletí. Nejsou ani strašně komplikované. Ale po nejdelší dobu byla dostupnost dat - spolu s dostupnou výpočetní silou potřebnou ke zpracování dat - omezujícími faktory.
Trvalo nedávný vývoj v oblasti počítačového hardwaru, aby se uvolnil potenciál AI. Revoluce v oblasti smartphonů, kterou společnost Apple vyvolala v roce 2007, vytvořila zcela nové výrobní ekosystémy a dodavatelské řetězce v globálním měřítku. Tím se zdánlivě přes noc změnila základní ekonomika počítačového hardwaru. Klíčové hardwarové komponenty, jako jsou mikroprocesory, rádia a senzory, se staly exponenciálně levnějšími, menšími a výkonnějšími. Prameny surových dat se změnily na povodně. Nové množství dat a výpočetní síly pomohlo přeměnit AI z výzkumné kuriozity s několika komerčními aplikacemi na technologickou změnu moře.
IoT přináší hojnost dat
Na začátku 1980. let se postgraduální studenti na Carnegie Mellon University v Pittsburghu rozčilovali při procházce k automatu Coca-Cola, jen aby ho našli prázdný. Upravili jej tak, aby mohl nahlásit svůj inventář přes internet. Přitom vynalezli první zařízení připojené k internetu na světě.
Dnes se k prvnímu automatu na výrobu sodíku připojily miliardy zařízení, malých i velkých, od spotřební elektroniky až po průmyslové stroje, které se připojily k internetu a vytvořily takzvaný internet věcí (IoT). Důležité je, že na rozdíl od dřívějších generací hardwaru - včetně mnoha běžných řešení automatizace skleníků - zařízení IoT používají stejné druhy datových formátů a komunikačních protokolů, jaké se používají jinde na internetu. Spoléháním na globální internetové standardy může být jednodušší vyměňovat data se zařízeními IoT bez nutnosti dalšího hardwaru k přemostění z jednoho typu systému na druhý.
AI a IoT jsou společně doplňkové technologie. Hardware IoT pomáhá pěstitelům snáze shromažďovat surová data ze skleníků. A software AI pomáhá pěstitelům dát těmto datům smysl a jednat podle nich, aby zlepšili produkci plodin.
Případová studie: Úspěch Kennetha Trana v soutěži Autonomous Greenhouse Challenge
Dr. Tran: V roce 2018 jsem pracoval jako výzkumný pracovník AI v Microsoft Research poblíž Seattlu a pracoval na novějším typu AI známém jako posilovací učení. Tam jsem zahájil novou snahu aplikovat náš výzkum na oblast zemědělství v kontrolovaném prostředí. V rámci takzvaného projektu Sonoma jsme spolupracovali s vědci v Harrow Research Center v kanadském Ontariu a skončili jsme v soutěži o první mezinárodní Autonomous Greenhouse Challenge, pořádanou Wageningen University & Research v Nizozemsku.
V rámci této výzvy pěstoval každý tým okurky ve skleníku o rozloze 315 čtverečních stop po dobu přibližně čtyř měsíců. Tyto oddíly byly vybaveny standardními procesními počítači, klimatickými senzory a akčními členy. Pomocí digitálních rozhraní IoT (REST API) mohly naše programy AI nepřetržitě číst data ze senzorů, určovat optimální žádané hodnoty a posílat žádané hodnoty zpět do procesních počítačů - po celém internetu (viz obrázek níže). Více podrobností o výzvě a jejích výsledcích najdete v článku od Hemming a kol. (2019).
Navzdory našim nedostatečným zkušenostem s pěstováním okurek a našemu prototypu velmi rané fáze dokázalo naše autonomní rostoucí řešení zvítězit v soutěži. Dokonce jsme překonali tým druhého místa, referenční tým složený z odborných nizozemských pěstitelů, se 6% vyšším výnosem. Toto rozpětí výnosu se rovnalo 17% zvýšení provozního zisku.
Vedl referenční tým špatně? Vůbec ne. Podle mnoha odborníků si vedli pozoruhodně dobře. Jejich výnos byl téměř 50 kg / m2 v rozpětí čtyř měsíců, což je ekvivalent téměř 150 kg / m2 za rok. To se považuje za vysoký výnos skleníku kdekoli na planetě.
V důsledku Autonomous Greenhouse Challenge jsem založil Koidru v roce 2020, abych přímo stavěl na našich poznatcích a dále prosazoval nejmodernější v oblasti AI a IoT pro zemědělství a další průmyslové řídicí aplikace.
Kladení správných otázek ohledně AI a IoT
Dnes je více pěstitelů skleníků ochotných a připravených přijmout AI a IoT. Hlavní výzvou je pochopení produktů na trhu a schopnost procházet celým marketingovým projevem. Mnoho společností dychtivě tvrdí, že mají algoritmus AI nebo zařízení IoT, které budou fungovat pro skleníky.
Při hodnocení softwaru AI a hardwaru IoT je třeba mít na paměti několik klíčových úvah:
- Výkon: Pěstitelé by měli mít možnost vidět konkrétní skutečné výhody. Zeptejte se: Byla umělá inteligence v komerční produkci prokázána ke zlepšení výnosu a efektivity zdrojů? Za jakých podmínek? Jaké jsou výsledky společnosti při vývoji softwaru pro AI a IoT?
- AI design: Nejúčinnější řešení AI kombinují při rozhodování to nejlepší z lidské inteligence s nejlepší z umělé inteligence. Zeptejte se: Jak model AI využívá stávající soubor znalostí? Jak zajišťuje, že se výkon v průběhu času zlepší s větším počtem dat?
- Softwarový design: Pěstitelé by měli mít nadále kontrolu nad skleníkovými operacemi. Dotaz: Jaké principy návrhu softwaru se používají k zajištění bezpečnosti plodin? Mohu kdykoli snadno přepínat mezi manuálním, doporučovacím a autopilotním režimem?
- Vlastnictví údajů: Pěstitelé by měli vlastnit svá data a vyhnout se „zablokování dodavatele“. Dotaz: Mohu snadno importovat data z jiných systémů? Mohu zálohovat a exportovat svá vlastní data? Existují rozhraní API, která umožňují přístup k živým datům a vlastní integraci? Mohu nyní i v budoucnosti používat software a hardware od různých dodavatelů?
AI a IoT mohou posílit pěstitele
Ve světě, ve kterém jsou kritické zdroje - voda a energie, stejně jako čas, peníze a kvalifikovaná pracovní síla - stále vzácnější, má smysl zkoumat nové technologie, jak tuto zátěž zmírnit. Jak jsme se dozvěděli z Autonomous Greenhouse Challenge, pěstitelé skutečně mohou dosáhnout vyššího výnosu a vyšší efektivity využití zdrojů s využitím softwaru AI a hardwaru IoT. A co víc, tyto technologie se i nadále vyvíjejí a zdokonalují rychlým tempem.
AI a IoT mohou v konečném důsledku skutečně umožnit pěstitelům skleníků - činit lepší rozhodnutí, dělat více s méně - pěstovat potraviny na světě udržitelnějším způsobem.