ИИ с подсолнухами?

Сегодня мы кратко расскажем об интеграции ИИ в агрокультуру.

И, если вам кажется, что это направление схоже с зарплатами доярок — вы абсолютно правы. Этот обзор больше про саму разработку ИИ в этом направлении.

Наш же стартап специализируется на сокращении числа удобрений, выхлопа CO2 от тракторов и оптимизации использования зерна/воды. И на этом они подняли 2 млн долларов.

Главная цель применения ML в агротехе — это использование больших данных для предсказания будущих событий: урожайность, потребности в ресурсах, климатические угрозы и распространение заболеваний — эти вещи позволяют повысить производительность и уменьшить негативное воздействие на окружающую среду. Значительно. И это мы не говорим про роботов.

Те же Octinion’s Rubion, способны не только собирать ягоды, но и анализировать качество урожая, используя нейронные сети для распознавания зрелости плодов.

Prospera (не наш стартап), разрабатывают системы, которые анализируют изображение полей, собираемое с помощью дронов, и используют алгоритмы для предсказания возможных проблем с урожаем, таких как дефицит влаги или болезни растений. Часто такие детекции строятся на идентификации пятен.

Отсутствие прямого выхода фермеров на рынок сбыта продукции убивало аграрный сектор Ганы… Ну Ганы, ну… такой страны, в Африке.

Они решили создать свой проект по ИИ. Этот проект стал частью канадской программы модернизации сельского хозяйства в Гане (MAG). И открыли они Kuafo MarketPlace, иначе — вайлдберриз для ботаников и садоводов. Конечно, это вам не реализация роботов, собирающих клубнику. Но это показательный пример.

Стартап уже помог более 30 000 фермерам в Гане, Нигерии, Того и Буркина-Фасо снизить потери урожая в несколько раз, предоставив простой и эффективный инструмент для диагностики проблем в аграрном секторе. А еще не убить их и без того слабую экономику.

Применяются временные ряды, рекуррентные нейронные сети (RNN), трансформеры и сверточные нейронные сети (CNN). Иногда ансамбли. Но разработки, в том числе и нашего стартапа, ведутся дифференцированно. Один продукт — одна технология. Для анализа временных рядов часто используются ARIMA и SARIMA, которые хорошо работают с данными, где выражены сезонные зависимости, например, циклы роста растений.

Однако их возможности ограничены, когда необходимо учитывать нелинейные зависимости, возникающие между факторами: погода, состояние почвы, и фазы роста растений. Для простейшего анализа и небольших конгломератов под помидоры — сойдет).

LSTM и GRU широко используются для прогнозирования урожайности и определения оптимальных сроков сева и сбора урожая.

Например, модель LSTM может быть обучена на данных о прошлых урожаях, погодных условиях и применяемых агротехнических методах, чтобы предсказать будущую производительность полей.

Модель может принимать данные о влажности почвы, температуре, уровне солнечной радиации и других погодных параметрах, предсказывая наилучшие временные окна для проведения полевых работ. Эти модели также могут учитывать множество факторов одновременно — от предсказания дождей до уровня вегетационного индекса (NDVI), измеренного с помощью спутниковых снимков.

Интеграция RNN в процессы агроуправления позволяет создавать сложные системы прогнозирования, которые в реальном времени помогают принимать решения по распределению ресурсов воды и удобрений.

Например, в системе управления ирригацией можно применять модель GRU, которая будет предсказывать потребности поля в воде на основе погодных данных и состояния почвы.

Модель может работать с множеством временных рядов, поступающих от датчиков, установленных в поле, предсказывая, когда и сколько воды необходимо подать для оптимального роста растений, что предотвращает как недоувлажнение, так и перерасход воды.

Будет сложно.

При интеграции AI-платформ в агропромышленные системы основной акцент делается на обработку и анализ больших объемов данных, собранных с помощью IoT-устройств.

Данные, получаемые от датчиков, таких как температурные и влажностные сенсоры, передаются по протоколам MQTT или HTTP/REST и сохраняются в облачных хранилищах, таких как AWS S3 или Google Cloud Storage.

На этапе ETL (Extract, Transform, Load) данные проходят предобработку с использованием библиотек, таких как Pandas и NumPy, где осуществляется нормализация, фильтрация, агрегация и заполнение пропусков.

Для хранения данных выбираются реляционные базы данных (например, PostgreSQL) для структурированных данных и NoSQL решения (например, MongoDB) для неструктурированных.

Модели нужно выбирать исходя из задачи.

Например, для прогнозирования урожайности можно использовать регрессионные модели, такие как градиентный бустинг или линейные регрессии.

В случае, если данные имеют сложные нелинейные зависимости, целесообразно применять глубокие нейронные сети, которые могут извлекать высокоуровневые признаки из входных данных, таких как изображения полей или временные ряды метеорологических данных.

При построении модели важно учитывать архитектуру нейронной сети. Например, сверточные нейронные сети (CNN) могут быть эффективны для анализа изображений растений на предмет заболеваний, тогда как рекуррентные нейронные сети (RNN) или их модификации, такие как LSTM, подходят для работы с временными рядами, например, для анализа изменений температуры и влажности в течение времени.

Создание RESTful API с использованием Flask или FastAPI позволяет интегрировать модели в существующие агропромышленные системы, обеспечивая взаимодействие с фронтенд-приложениями и мобильными устройствами.

Для мониторинга и логирования используются системы, такие как Prometheus и ELK-стек, что позволяет отслеживать производительность моделей и анализировать логи для выявления аномалий.

Внедрение практик DevOps с контейнеризацией через Docker и оркестрацией с помощью Kubernetes обеспечивает автоматизацию процессов развертывания и тестирования с использованием CI/CD инструментов, таких как Jenkins или GitLab CI.

Обратная связь от пользователей собирается для накопления новых данных и переобучения моделей, что позволяет поддерживать их актуальность.

Важным аспектом является обеспечение безопасности данных, включая шифрование с использованием TLS/SSL и аутентификацию через OAuth2 или JWT.

Интеграция с существующими системами управления, такими как ERP и CRM, осуществляется через API, а визуализация данных выполняется с помощью платформ, таких как Tableau или Power BI, что позволяет эффективно предоставлять аналитику и прогнозы.

Да.

Ситуация в агропромышленном комплексе начала стремительно меняться в начале 2010-х, когда на горизонте появились серьезные инвесторы из самых неожиданных сфер.

Вместо традиционных аграриев на поля пришли бизнесмены с амбициями, инженеры, программисты, логисты и экономисты, которые когда-то учились не на полевых культурах, а на цифрах и алгоритмах.

Деньги в отрасли стали появляться, и с ними — новые подходы, технологии и, конечно, люди, которых раньше можно было встретить разве что в офисах крупных компаний, но никак не на тракторе.

Сегодня заниматься сельским хозяйством в России и Казахстане стало настоящим бизнес-приключением. При условии грамотного менеджмента и использования технологий, маржинальность фермерского бизнеса может вырасти в десять раз.

А когда стоимость земли начинает расти, капитализация аграрной компании буквально взлетает. Так что если ваши поля начинают «зеленеть», то это не только про урожай, а ещё и про увеличение стоимости вашей компании.