AI w rolnictwie działa tylko na dobrych danych. I to jest problem

👁 148 przeczytań

Modele predykcyjne oparte na AI mogą zwiększyć plony nawet o 26 proc., ograniczyć zużycie wody o 41 proc. i zmniejszyć zużycie środków chemicznych o 33 proc. - takie liczby przytacza analiza opublikowana w MIT Technology Review, przygotowana we współpracy z firmą Reltio. Jest tam jednak zastrzeżenie, o którym dostawcy oprogramowania zwykle milczą: te efekty pojawiają się wyłącznie wtedy, gdy pod modelem leży czysty i kompletny fundament danych.

Rolnictwo to trudny przypadek testowy właśnie ze względu na dane. Nowoczesne gospodarstwo to zbiór urządzeń IoT i maszyn: zautomatyzowane systemy nawadniania, autonomiczne ciągniki, drony zbierające zdjęcia pól na masową skalę. Dane z tych źródeł są z natury rozproszone. Do tego dochodzą kanały zewnętrzne - prognozy pogody, dane amerykańskiego Departamentu Rolnictwa (USDA), informacje rynkowe od podmiotów trzecich. Zebranie tego wszystkiego w spójną całość to poważne przedsięwzięcie.

Śmieci na wejściu, śmieci na wyjściu

Autorzy wskazują, że system AI w rolnictwie musi rozumieć nie tylko dane klienta, ale i samą ziemię: współrzędne GPS, granice gospodarstwa, bloki pól i zmienność gleby w obrębie jednej działki. Gdzie zastosować nawóz, w jakiej dawce i na którym konkretnie fragmencie pola - to pytania, na które model nakarmiony niespójnymi danymi odpowie źle.

Model prognozy plonów uczony na niekonsekwentnych danych historycznych da nieprecyzyjne przewidywania. System precyzyjnego nawadniania korzystający z pofragmentowanych danych z czujników będzie marnował wodę zamiast ją oszczędzać. Problem w tym, że takie błędne wyniki wyglądają wiarygodnie i skłaniają do działania w polu.

W rolnictwie każda halucynacja AI to zobowiązanie, a prawdopodobieństwo błędu jest wysokie.

To zdanie z analizy Reltio dobrze oddaje stawkę. W przeciwieństwie do wielu innych zastosowań, tu błędna rekomendacja, która zostanie wykonana na polu, oznacza realne konsekwencje - finansowe, ale też związane z chemią i zgodnością z przepisami. Dlatego operacyjna AI w rolnictwie wymaga zdaniem autorów znacznie więcej kontroli i nadzoru niż w środowiskach o niższej stawce.

Wniosek jest prosty i niewygodny dla branży, która chętnie kupuje gotowe obietnice: zanim gospodarstwo czy duży dystrybutor obsługujący tysiące rolników zainwestuje w AI, musi uporządkować własne dane. Bez tego zostaje klasyczne „garbage in, garbage out” - tyle że w skali całych upraw.

// czytaj dalejNajwiększy problem agentów AI to nie inteligencja, tylko uprawnienia. Kto pozwoli maszynie działać?PremiumDlaczego lokalny LLM działa gorzej, niż powinienNewsyTwój nowy kolega z pracy nie potrzebuje przepustki. I to jest problemNewsy