Выращивание животных для производства мяса занимает годы, инвестиции в сельскохозяйственные угодья и оборудование окупаются многими культурами, а один полевой эксперимент требует всего цикла урожая, чтобы увидеть результаты. Поэтому отрасль должна регулярно делать предположения о будущем.
В отличие от обычной розничной торговли, где покупатель взаимодействует с товаром и может регулярно оставлять отзывы о функциях, в агропромышленном комплексе это происходит несколько раз в год.
Читать далее:
В дополнение к этой причине нашей способности предсказывать не только то, что может произойти, но и когда это может произойти, препятствует наше интуитивное линейное мышление, когда мы сталкиваемся с экспоненциальными изменениями. Нам нужна другая когнитивная структура.
Один из способов думать по-другому — это задаться вопросом, почему вещи делаются именно так, а не иначе. Мы должны перестать давать ответы и начать фокусироваться на вопросах.
Учитывая это, вот несколько вопросов, которые могут помочь нам думать по-другому.
Что происходит, когда стоимость измерения падает до нуля?
Сегодня многие системы в сельском хозяйстве разработаны, чтобы компенсировать высокую стоимость измерений. Подумайте, как мы проводим полевые испытания, контроль качества или борьбу с сорняками. Там, где сложность системы высока, мы используем выборочное измерение и упрощение, чтобы попытаться держать ее под контролем. Но что, если бы мы могли объединить вездесущие измерения с помощью ИИ с гораздо более масштабным моделированием?
Предполагая, что система не является полностью случайной, это может выявить более глубокое понимание системы. Мы перейдем от «проверить, чтобы отреагировать» к «проверить, чтобы понять».
Что происходит, когда точность становится масштабируемой? Одним из первых применений генеративного искусственного интеллекта может быть гиперперсонализация.
Что такое гиперперсонализация?
«Все сельское хозяйство местное», — говорится в поговорке. Что произойдет, когда точные измерения и действия (например, персонализация) станут масштабируемыми в сельском хозяйстве? Предписания по семенам и плодородию будут адаптированы к подполям или даже к уровню растений. Мы можем принять сложность природы и преимущества сложности, а не пытаться упростить и обобщить.
Что происходит, когда мы можем генерировать смоделированные данные из естественного мира?
Одна из проблем обучения моделей ИИ в сельском хозяйстве — особенно моделей, которым необходимо очень подробно изучать функции и работать с высокой точностью — это высокая стоимость получения и пометки изображений для обучения.
Чтобы улучшить обучение ИИ, у нас есть задача масштабируемости: собирать изображения культур, достаточно разнообразных в разных местах, чтобы можно было обучать надежные модели. Итак, несколько лет назад мы начали экспериментировать с обучением моделей ИИ, используя смоделированные изображения, созданные другими моделями ИИ.
Звучит сложно, и это действительно так. Однако эта стратегия значительно снижает затраты, чтобы иметь достаточно информации для анализа.
Например, изображения фруктов и листьев не повлияли на точность модели, т. е. не хватило объема для более глубокого анализа.
Но внезапно с появлением изображений ИИ точность моделей быстро возросла. Исследователи хотели создать не просто изображения. Они сосредоточились на создании целых растений, которые могли бы создавать фотореалистичные обучающие изображения, отражающие сложность любого растения, под любым углом камеры и в любое время суток.
Первые попытки были до смешного мультяшными. Но как только производительность большой модели увеличилась, они смогли создавать очень реальные изображения конкретных растений с помощью подсказок (текстовых команд).
Технологическая компания Mineral, ориентированная на сельское хозяйство будущего, заявила, что «придумывает» сотни сценариев, позволяющих производить больше продуктов питания с меньшим негативным воздействием на планету и адаптироваться к изменению климата.
будущее и тенденции
Что станет возможным с ИИ через десять лет, учитывая прогресс, достигнутый за последние два года? Можем ли мы создать полную 3D-модель завода? Скорее всего. Можем ли мы точно смоделировать физику растения? Вероятно. Как насчет точного моделирования биохимических процессов, таких как фототропизм? Или предсказать форму листа по генетической последовательности? Это, несомненно, изменит наше понимание мира растений, но трудно сказать, станет ли это возможным и когда, — сказал генеральный директор Эллиотт Грант.
Действительно, мы должны мыслить нелинейно. Абсурд может стать новой нормой.
Мы не можем предсказать, как будет выглядеть сельскохозяйственная отрасль через 10 лет, какими будут бизнес-модели и раскроют ли ученые секреты генома.
Но мы можем планировать нелинейные изменения, которые произойдут с этого момента, не опасаясь будущего. Но да, будь частью этого!
Вы смотрели новые видео на YouTube цифрового взгляда? Подписывайтесь на канал!