مقدمه
به طور کلی، این امکان برای ماشین‌ها وجود دارد که با استفاده از هوش مصنوعی و یادگیری ماشین، راه حل هر مشکلی که مربوط به تعامل فیزیکی پارامترهای مختلف در یک محیط تعریف شده یا محدود باشد را بیاموزند.
اساس هوش مصنوعی این است که یک ماشین می‌تواند محیط خود را درک کند و از طریق ظرفیت معینی از عقلانیت انعطاف پذیر، برای رسیدن به یک هدف تعیین شده مرتبط با آن محیط اقدام کند. یادگیری ماشین زمانی اتفاق می‌افتد که همین ماشین، طبق مجموعه مشخصی از پروتکل‌ها، با افزایش تعداد داده‌هایی که دریافت می‌کند، توانایی خود را برای رسیدن به اهداف مرتبط با محیط بهبود بخشد. به بیان ساده‌تر، با دریافت تعداد زیادی از مجموعه داده‌ها که می‌توان آنها را در دسته‌های مشخص طبقه‌بندی کرد، توانایی ماشین در منطقی‌سازی افزایش می‌یابد و به آن اجازه می‌دهد تا در طیف وسیعی از نتایج، بهتر از قبل «پیش‌بینی» کند.
هوش مصنوعی در کشاورزی
ظهور کشاورزی دیجیتال و فناوری‌های مرتبط با آن، فرصت‌های جدید مبتنی بر داده را ایجاد نموده است. سنسورهای راه دور، ماهواره ها و پهپادها می‌توانند 24 ساعت در روز اطلاعات محیط را جمع آوری کنند. این حسگرها می‌توانند سلامت گیاه، وضعیت خاک، دما، رطوبت و غیره را کنترل کنند. میزان داده‌هایی که این حسگرها می‌توانند تولید کنند بسیار زیاد است. ایده این است که به کشاورزان اجازه داده شود تا از طریق فناوری پیشرفته (مانند سنجش از راه دور) درک بهتری از وضعیت موجود در زمین به دست آورند که می‌تواند بیشتر از آنچه که با چشم غیرمسلح می‌بینند، در مورد وضعیت فعلی آنها بگوید، از همین روی با استفاده از هوش مصنوعی این اتفاق دقیق‌تر و سریع‌تر انجام می‌شود.
حسگرهای راه دور الگوریتم‌ها را قادر می‌سازند تا محیط یک مزرعه را به عنوان داده‌های آماری تفسیر کنند که این موضوع می‌تواند برای کشاورزان در زمان تصمیم‌گیری مفید باشد. الگوریتم‌ها داده‌ها را پردازش می‌کنند، بر اساس داده‌های دریافتی مطابقت با داده‌های قبلی را انجام می‌دهند و در عین حال یاد می‌گیرند. هرچه ورودی‌ها و اطلاعات آماری بیشتری جمع آوری شود، الگوریتم در پیش بینی نتایج بهتر عمل خواهد نمود؛ هدف این است که کشاورزان بتوانند از این هوش مصنوعی برای رسیدن به هدف خود برای برداشت بهتر از طریق تصمیم‌گیری‌های بهتر در مزرعه استفاده کنند.
در سال 2011، IBM، از طریق دفتر مرکزی تحقیق و توسعه خود در حیفا، اسرائیل، یک پروژه رایانش ابری کشاورزی راه اندازی کرد. این پروژه، با همکاری تعدادی از شرکای تخصصی فناوری اطلاعات و کشاورزی، یک هدف را در ذهن داشت – گرفتن انواع منابع داده‌های آکادمیک و فیزیکی از یک محیط کشاورزی و تبدیل آنها به راه حل‌های پیش بینی خودکار برای کشاورزان که به آنها در اتخاذ تصمیمات بلادرنگ کمک کند.
مصاحبه با برخی از اعضای تیم پروژه IBM در آن زمان نشان داد که تیم بر این باور بود که پیاده سازی “الگوریتم” کشاورزی کاملاً قابل انجام است، به این معنی که الگوریتم‌ها می‌توانند هر مشکلی را در جهان حل کنند. در اوایل همان سال، سیستم یادگیری شناختی آی‌بی‌ام، واتسون، در رقابت با برندگان سابق، براد راتر و کن جنینگز با نتایج خیره‌کننده‌ای به رقابت پرداخت. چندین سال بعد، واتسون به تولید دستاوردهای پیشگامانه در زمینه پزشکی ادامه داد، که منجر به بسته شدن یا کوچک شدن پروژه های کشاورزی آی بی ام شد. در نهایت، آی‌بی‌ام متوجه شد که کار تولید راه‌حل‌های یادگیری ماشین شناختی برای کشاورزی بسیار دشوارتر از آن چیزی است که حتی آنها فکر می‌کردند.
مقایسه هوش مصنوعی در کشاورزی و صنایع دیگر
کشاورزی یکی از سخت‌ترین زمینه ها برای تعیین کمیت های آماری قابل کنترل است. حتی در یک محیط واحد، شرایط همیشه از یک بخش به بخش دیگر تغییر می کند. آب و هوای غیرقابل پیش‌بینی، تغییرات در کیفیت خاک و احتمال وجود آفات و بیماری‌ها موجب این تغییر می شوند. پرورش دهندگان ممکن است احساس کنند چشم انداز آنها برای برداشت آینده خوب است، اما تا زمانی که آن روز فرا نرسد، نتیجه همیشه نامشخص خواهد بود.
در مقایسه، بدن ما یک محیط محدود است. کشاورزی در طبیعت انجام می شود، در میان اکوسیستم‌هایی از موجودات و فعالیت‌های متقابل آن ها، و تولید محصول در آن محیط اکوسیستم ها اتفاق می‌افتد. اما این اکوسیستم ها محدود نیستند. آنها در معرض عوامل مختلفی هستند از جمله رویدادهای آب و هوایی که تاثیرات بسیار زیادی در این اکوسیستم ها خواهند داشت. بنابراین، درک چگونگی مدیریت یک محیط کشاورزی به معنای در نظر گرفتن صدها، بلکه هزاران عامل است.
آنچه ممکن است با برنامه بذر و کود یکسان در منطقه غرب ایالات متحده اتفاق بیفتد تقریباً به طور قطع با آنچه با همان برنامه بذر و کود در استرالیا یا آفریقای جنوبی رخ دهد متفاوت است. از جمله عواملی که می توانند تأثیرگذار باشند و باعث این تغییرات باشند معمولاً شامل اندازه گیری باران در واحد محصول کاشته شده، نوع خاک، الگوهای تخریب خاک، ساعات روشنایی روز، دما و غیره می باشند.
بنابراین مشکل به کارگیری یادگیری ماشین و هوش مصنوعی در کشاورزی این نیست که دانشمندان ظرفیت لازم برای توسعه برنامه‌ها و پروتکل‌ها را برای شروع رسیدگی به بزرگترین نگرانی‌های تولیدکنندگان ندارند. مشکل این است که در بیشتر موارد، هیچ دو محیطی دقیقاً شبیه هم نیستند، که آزمایش، اعتبارسنجی و عرضه موفقیت‌آمیز چنین فناوری‌هایی را بسیار پر زحمت‌تر از سایر صنایع می‌کند.
در عمل، گفتن اینکه هوش مصنوعی و یادگیری ماشین می توانند برای حل تمام مشکلات مربوط به محیط فیزیکی ما توسعه یابند، اساساً به این معنی است که بگوییم ما درک کاملی از تمام جنبه های تعامل فعالیت فیزیکی یا مادی روی این سیاره داریم. به هر حال، تنها از طریق درک ما از «ماهیت اشیا» است که پروتکل‌ها و فرآیندها برای تحقق قابلیت‌های منطقی سیستم‌های شناختی طراحی می‌شوند و اگرچه هوش مصنوعی و یادگیری ماشین چیزهای زیادی را در مورد چگونگی درک محیط خود به ما می آموزند، ما هنوز از توانایی پیش بینی نتایج حیاتی در زمینه هایی مانند کشاورزی صرفاً از طریق توانایی شناختی ماشین ها فاصله داریم.
همچنین بخوانید درباره ی هوش مصنوعی و تشخیص بیماری و آفات گیاه
