چالشهای هوش مصنوعی در کشاورزی (قسمت اول)
به طور فرضی، 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.
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.
پس چرا این پروژه در پزشکی چنین موفقیتی داشت اما در کشاورزی نه؟ در بخش دوم این مقاله به این سوال پاسخ داده خواهد شد.