AgroTech: как фермеров пытаются подружить с искусственным интеллектом

Фото: Shutterstock
Фото: Shutterstock
Технологии ИИ пока в основном используют в экспериментальных хозяйствах. Несмотря на возможности точного земледелия, раннего обнаружения вредителей и болезней, для большинства фермеров они остаются дороги и избыточны

Сельское хозяйство ― довольно консервативная и инертная отрасль. В выращивании зерновых мало что менялось веками после нововведений с гужевым плугом и трехпольем. Например, в виноградарстве все сохраняется примерно так, как было 4–6 тыс. лет назад.

Кардинальные инновации случились относительно недавно, в XX веке: внедрение аграрных химикатов (гербицидов и пестицидов), появление гибридных сортов зерновых (прежде всего кукурузы, которая в том или ином виде присутствует почти в каждом продукте глубокой переработки в США), электрификация, искусственное оплодотворение, сельхозтехника.

В начале 2000-х годов, казалось, потенциал этих инноваций для дальнейшего увеличения производительности труда в сельском хозяйстве исчерпан, прогресс замедлился. Когда на производстве постоянно работает несколько человек, времени на эксперименты не остается. С тех пор фермеров, которые производят до 80% всей сельхозпродукции в мире, настойчиво пытаются подружить с передовыми технологиями: нано, био, смарт и ИИ.

В списке Crunchbase порядка 1 300 стартапов по направлению «сельское хозяйство и фермерство», в ИТ это десятки тысяч имен. В агробизнесе у вас 40 попыток, чтобы проверить, работает ли гипотеза, пока вам условно от 20 до 60 лет; в технологиях вы можете делать 40 попыток в неделю. На российском рынке представлено около 70 стартапов в сфере «умного» фермерства, точного земледелия, биотехнологий.

Мировые расходы на «умные» технологии в сельском хозяйстве, системы на основе искусственного интеллекта к 2025 году, по прогнозам, должны вырасти втрое по отношению к 2020 году, достигнув $15,3 млрд. Затраты хозяйств только на технические решения с искусственным интеллектом вырастут с $1 млрд в 2020 году до $4 млрд в 2026-м (данные Markets & Markets).

На что способен ИИ в сельском хозяйстве

Аргумент в пользу массового внедрения ИИ-технологий в сельском хозяйстве часто формулируется так: человеческая популяция к 2050 году достигнет 10 млрд человек, радикально увеличить обрабатываемые площади невозможно, необходимо повысить интенсивность их использования. Навязывать аграриям задачу накормить все население земного шара ― равно что требовать от средних и малых технологических компаний решить проблему глобального потепления.

В моменте производители и потребители сходятся в одном ― в желании сделать качественную сельскохозяйственную продукцию более доступной. Способны ли современные технологии решать эти чисто утилитарные вопросы?

Под технологиями ИИ, хотя в строгом смысле искусственный интеллект вряд ли появится в обозримом будущем, мы будем подразумевать для удобства классификации набор решений в области машинного обучения и обработки Big Data, нейросети, машинное зрение и так далее.

В контексте применения ИИ в выращивании зерновых, овощей и фруктов, животноводстве можно выделить три ключевых направления того, как это в принципе может работать в теории:

Раннее обнаружение вредителей, болезней и сорняков

Проблема. Сегодня фермеры вручную проверяют каждый участок своего поля на предмет обнаружения «неполадок», визуально осматривают состояние стада. Для выявления болезней на ранних стадиях элементарно может недоставать ресурсов и опыта.

Решение. Дрон, оснащенный компьютерным зрением, который регулярно проводит мониторинг участка (сигналом может служить изменение цвета листа или колоса) или стада (можно отслеживать изменения в весе).

Пример: Лососевые фермы в Норвегии используют стереоскопические камеры для раннего выявления заболевания рыбы морскими вшами. Болезнь ежегодно приводит к убыткам в сотни миллионов долларов. Правительство Норвегии планирует сделать технологию стандартом для отрасли.

Технология, разработанная стартапом Aquabyte

Точное земледелие

Проблема. Аграрии вносят удобрения и осуществляют полив сплошным ковром, хотя участки одного поля могут иметь разные условия, рельеф, состав грунта: то есть где-то будет дефицит ресурсов, а где-то переизбыток.

Решение. Датчики, объединенные в сеть интернета вещей (IoT), отслеживают основные показатели: влажность почвы, температуру, освещенность участка, необходимые для оптимального ведения хозяйства. Алгоритм выдает рекомендации для каждого квадратного метра поля, что ведет к экономии воды, семян и химикатов.

Пример. Несколько «ИИ-ферм» расположены в провинции Гуйчжоу в Китае, где есть дешевая рабочая сила и климат, позволяющий задействовать технику и центры обработки данных без дорогостоящих охлаждающих систем.

Расчет урожайности

Проблема. Фермерам крайне сложно год к году предсказывать результат своих усилий по выращиванию зерна, овощей или фруктов, особенно если речь идет о введении новых сортов, пестицидов и так далее. В целом, на урожайность влияет множество факторов.

Решение. Информация, собранная сенсорами или дронами, анализируется алгоритмами с машинным обучением, которые оперируют в том числе историческими данными об изменении климата, создаются карты полей, выявляются паттерны. В итоге фермер может рассчитать урожайность с каждого участка и даже изменение цены на свою продукцию, оптимизировать расход ресурсов.

Пример. Цифровая платформа для точного земледелия в Аргентине. Система использует машинное обучение, геоданные дронов и спутников, облачные вычисления для разработки рекомендаций фермерам в реальном времени.

Цифровая платформа для сельского хозяйства ACA Mi Campo
Цифровая платформа для сельского хозяйства ACA Mi Campo

Как отдельный пример можно выделить городское фермерство. Израильская технологическая компания использовала алгоритмы ИИ для подбора оптимальных условий по освещению и влажности, чтобы выращивать сельскохозяйственные продукты в небольших домашних контейнерах.

Где еще доказательства, что это внедрено и работает?

Кейсов применения аграриями технологий ИИ в открытых источниках крайне мало. Почти вся информация исходит от разработчиков подобных решений в контексте их потенциальных возможностей.

Сделаем шаг назад: от алгоритмов ИИ к простой автоматизации. Полностью автоматизированная, с минимальным участием человека распашка полей и уборка урожая зерновых не кажется сложным решением. Траектория движения здесь проста и понятна. Все, что делает водитель техники при подготовке поля, ― разворот. Здесь нет препятствий в виде другого транспорта или людей.

Первый концепт полностью автономного трактора (без оператора в кабине) выпустила компания CNH Industrial в 2016 году сразу в двух версиях. До настоящего времени информации о запуске производства и массовом внедрении модели в агрокомплексах нет.

Крупнейший производитель сельхозтехники в США John Deere, также уже представлявший на одной из выставок концепт трактора с автопилотом, только в августе 2021 года заявил о создании стартапа Bear Flag Robotics, который собирается довести технологию до ума. По сути, в компании признали, что сейчас на рынке ничего подобного нет.

В плане развития в сельском хозяйстве ИИ-технологий речь идет о точечном использовании датчиков и дронов в экспериментальных хозяйствах. В масштабе всей индустрии это единичные примеры. О широком внедрении подобных решений фермерами пока говорить рано.

Фото:Jens Schlueter / Getty Images, Maël BALLAND / Pexels
Индустрия 4.0 «Умные» комбайны и дроны-геологи: как цифровизация меняет экономику

Объективные препятствия

Интерес фермеров к новейшим техническим решениям в сельском хозяйстве все же есть. Например, крупные агрокомплексы в Китае в период распространения африканской чумы свиней попытались внедрить машинное зрение для выявления и изоляции больных особей. Проблема в том, что небольшие фермерские хозяйства, которых большинство, просто не могут пока себе это позволить.

Фото: The New York Times
Фото: The New York Times

Технологии ИИ для массового сельхозпроизводителя дороги и избыточны. В сельской местности есть дешевая рабочая сила. Плюс к тому имеется и социальный контекст: высвободить даже тех немногих работников, заменив их роботизированной техникой, ― социальная проблема.

Кроме того, как мы знаем на примере российских хозяйств, рост урожайности не делает фермеров и агрокомплексы богаче, он просто приводит к обвалу закупочных цен у посредников. В такой ситуации сложно найти стимул к внедрению дорогостоящих инноваций. При том что свободных средств, которые можно было бы вложить в масштабное техническое переоснащение, у фермера, как правило, нет.

Фото:Виталий Белоусов / РИА Новости
Зеленая экономика Зри в семя: почему селекция в РФ отстает от мировой и что с этим делать

Объективное препятствие состоит в том, что в сельском хозяйстве действительно долгий цикл проверки гипотезы и отработки новых технологий. На экспериментальном предприятии, в полевой лаборатории сложно смоделировать условия, которые бы подходили для других регионов, с другим климатом, влажностью, рельефом, составом грунта.

Внедрение решений на основе ИИ требует базовой технической и цифровой оснащенности. Для подключения сенсоров в сеть IoT банально необходимо устойчивое высокоскоростное интернет-покрытие. Данные должны где-то обрабатываться и храниться. Значит, нужно искать вычислительные мощности или строить свои локальные центры обработки данных. Для БПЛА (дронов) законодательством установлены ограничения на использование.

Фото:Pexels
Индустрия 4.0 Инструкция: как зарегистрировать квадрокоптер и где его можно запускать

Широкое внедрение технологий несет свои риски. Обучение одной подобной системы ― энергетически затратный процесс. По подсчетам экспертов, он оставляет углеродный след, эквивалентный выбросу 284 т CO2. То есть запуск одной ИИ-системы обойдется для планеты в пять раз «дороже», чем вклад в глобальное потепление одного автомобиля.

ИИ не стоит рассматривать как «серебряную пулю» для решения всех глобальных проблем отрасли. Но это одно из перспективных направлений, безусловно, заслуживающих внимания.

Обновлено 24.09.2021
Главная Лента Подписаться Поделиться
Закрыть