Рік 2020 з його кліматичними та погодними несподіванками довів, що якби ми мали заздалегідь прораховані алгоритми дій при таких умовах, то змогли б значно краще підготуватись. Але де взяти та як спрогнозувати такі алгоритми? Напевне, що через збір надвеликих масивів інформації, яку треба якось практично обробити та використати на користь аграріям.
ШІ відкриває великі перспективи завдяки використанню безпрецедентної кількості даних, зокрема в агро, це дані з IoT-платформи, дані від супутників, дронів про стан рослин, про погоду, предиктивна аналітика кліматичних та погодних змін, що стало дуже актуальним у 2020 році.
І ось, чим більше вихідних даних отримає для подальшої аналітики штучний інтелект, тим краще буде створена модель ШІ. А це означає, що дані, наприклад, про зміни клімату, надані з будь-яких країн світу, допоможуть побудувати гарну модель ШІ, яка зможе спрогнозувати клімат на наступні роки. А ми, озброєні такими знаннями, будемо вибудовувати наші плани щодо вибору культур, сортів тощо. Для такого глобального співробітництва створено AI for Good – провідну глобальну і інклюзивну платформу Організації Об’єднаних Націй по ШІ, орієнтовану на дії та прикладне використання.
Мета полягає в тому, щоб визначити практичні застосування ШІ і масштабувати ці рішення для глобальної дії.
Чи є потенціал у впровадженні штучного інтелекту в харчовому і сільськогосподарському секторах, чи може він трансформувати продовольчі системи і з яким впливом?
Основне:
■ Технології штучного інтелекту і машинного навчання можуть перетворити агропродовольчі системи
і допомогти покінчити з голодом.
■ Система ООН впроваджує штучний інтелект у свої програми.
■ Продовольча і сільськогосподарська організація Об’єднаних Націй (ФАО) впроваджує і експериментує з ШІ та машинним навчанням у сфері сільського господарства.
За останні 2 роки використання і впровадження ШІ у багатьох секторах значно виросло. Крім того, Covid-19 змусив уряди, компанії і приватних осіб значною мірою покладатися на цифрові технології. Все більше уваги приділяється потенціалу штучного інтелекту і машинного навчання (ML) для продовольчого і сільськогосподарського секторів, особливо відносно перетворення харчових систем і їх застосування в різних ланцюжках створення вартості.
Нещодавно Міжнародна фінансова корпорація (IFC) опублікувала звіт про штучний інтелект на ринках, що розвиваються, і відносно агробізнесу відмітила, що «штучний інтелект може стимулювати прогрес в досягненні мети №2 в області стійкого розвитку – покінчити з голодом, забезпечити продовольчу безпеку і просувати стійке сільське господарство. Розширений доступ до швидшого підключення до Інтернету, інвестиції в інфраструктуру підключення і ширша доступність смартфонів та інших портативних пристроїв створюють основу для впровадження цифрових технологій і особливо штучного інтелекту серед фермерів.
Тенденцію розвитку штучного інтелекту також стимулювали великі компанії, що виробляють сільськогосподарську сировину, виробники устаткування і постачальники послуг, які робили продукти і послуги, які або споживали, або поширювали дані на рівні фермерських господарств. Крім того, розвиток алгоритмів і додатків ШІ для ланцюжків створення вартості зробив приватний сектор законодавцем мод в екосистемі цифрового сільського господарства.
У 2019 році ФАО Китаю провела діалог в партнерстві з Китайською академією сільськогосподарського планування
і інженерії на тему застосування ШІ у сільському господарстві. У діалозі взяли участь близько 60 представників уряду, установ, наукових кіл і приватного сектора в Пекіні.
В Україні ми очікуємо в листопаді 2020 року на прийняття пакету законодавчіх актів щодо ШІ, які було підготовлено експертною групою з ШІ станом на червень, а далі вони проходили всі необхідні інстанції.
Розповім про деякі ініціативи по використанню ШІ та машинного навчання у продовольстві і сільському господарстві Продовольчою і сільськогосподарською організацією Об’єднаних Націй та розробки ФАО по штучному інтелекту.
Ідентифікація видів риб
Ідентифікація видів риб – це класифікація і категоризація риб фахівцями за таксономією рибальства на основі зовнішніх морфологічних характеристик, включаючи форму тіла, малюнок кольорів, розмір і кількість лусочок, кількість і відносне положення плавників, кількість і тип променів плавників або різні відносні виміри частин тіла.
Визнання видів iSharkFin – це експертна система, яка використовує методи машинного навчання для визначення видів акул за формою плавників акули. ISharkFin призначений для портових інспекторів, митних агентів, торговців рибою та інших користувачів, які не мають формальної таксономічної підготовки. Користувачам треба тільки зробити стандартну фотографію, вибрати деякі характеристики плавника і вибрати декілька точок на формі плавника. Далі iSharkFin автоматично проаналізує інформацію і повідомить вам вид акули, від якої походить плавник.
Розширений моніторинг земель
Система ФАО для спостереження за землею, доступу до даних, обробки і аналізу для моніторингу земель (SEPA L) допомагає країнам вимірювати, відстежувати і повідомляти про ліси і землекористування, пропонуючи доступ до детальних супутникових даних і обчислювальних потужностей для поліпшення планів пом’якшення наслідків зміни клімату. Він використовує передові хмарні обчислення, штучний інтелект і машинне навчання для забезпечення комплексних можливостей обробки зображень і дозволяє виявляти дрібномасштабні зміни в лісах, наприклад, пов’язані з незаконною або нестійкою заготівлею деревини. Система надає країнам можливість розробляти надійні національні системи моніторингу лісів, виявляючи деградацію лісів і лісові пожежі.
Канал геопросторового машинного навчання ФАО: витягання об’єктів, що цікавлять, із зображень дистанційного зондування Ще одна дослідницька робота полягала у використанні машинного навчання для витягання об’єктів, що цікавлять, із зображень дистанційного зондування через конвеєр GeoML.
Управління обмеженими ресурсами
Штучний інтелект використовується ФАО для ефективнішого використання обмежених ресурсів, таких як вода і енергія. Досягнення продовольчої безпеки в майбутньому при раціональному використанні водних ресурсів є серйозним завданням для нашого і наступних поколінь. Сільське господарство – ключовий водокористувач. Потрібен ретельний моніторинг продуктивності води в сільському господарстві і вивчення можливостей її збільшення. ФАО розробила загальнодоступну базу даних в режимі реального часу з використанням супутникових даних, яка дозволяє відстежувати продуктивність води в сільському господарстві і здійснювати розширене управління водними ресурсами.
Виявлення шкідників рослин
Додаток для смартонів FAMEWS, який використовуює машинне навчання і штучний інтелект, дає надію на вирішення проблеми шкідників. Фермери можуть легко виявити ушкодження Fall Army Worm. На даний момент вже майже 20 шкідників рослин можна виявити за допомогою мобільного телефону.
Виявлення стресу в сільському господарстві
ФАО розробила Індекс стресу в сільському господарстві (ASIS), швидкий індикатор для раннього виявлення сільськогосподарських районів, які, ймовірно, постраждали від посухи або в крайніх випадках посухи. Він відстежує сільськогосподарські райони з високою вірогідністю нестачі води/посухи на глобальному, регіональному і національному рівнях за допомогою супутникових технологій. Від посухи страждає більше людей, ніж від будь-якого іншого типу стихійних лих, і вона завдає найбільшого збитку коштам для існування, особливо в країнах, що розвиваються.
Потенціал технологій і виникаючі проблеми
Продовольчий і сільськогосподарський сектор, як і раніше, стикається з невід’ємною проблемою – нагодувати постійно зростаюче населення світу. Крім того, більше 820 мільйонів чоловік голодують, ще близько 2 мільярдів не мають достатньої кількості поживних мікроелементів, а ще 2,5 мільярда споживають зайві калорії для своїх потреб. Завдяки інноваціям, впровадженню технологій і механізації агропродовольчим системам вдавалося вижити досі,
зі зростаючим страхом того, чи зможуть продовольчі системи впоратися зі зростаючим попитом на продовольство в умовах глобальних проблем (таких як зміна клімату, політичні хвилювання і т.д. Впровадження таких технологій, як AI і Machine Leaning, може підвищити продуктивність сільського господарства.
Є твердження, що можливості штучного інтелекту коли-небудь перевершать людські можливості.
Висновок
Майбутнє штучного інтелекту здається перспективним у продовольчому і сільськогосподарському секторах і вже призводить до трансформації агропродовольчих систем.
Щоб почати продуктивно використовувати ШІ в агро, треба скласти простий пазл з 4 елементів:
- інфраструктура
- дані
- людина
- політика/закон/права людини
Політика і програми в області ШІ в агро мають бути орієнтовані також і на сприяння створенню робочих місць і можливостей для молоді у сільській місцевості. Такий розвиток подій повинен спонукати молодих людей залишатися у сільській місцевості з перспективою працевлаштування і відповідних умов життя.
Такі проблеми, як голод та зміна клімату, треба і можна вирішити до того, як вони переростуть у кризу, шляхом раннього виявлення, відвертання і пом’якшення наслідків стихійних лих, соціальних конфліктів або економічних небезпек. Простіше кажучи, використовуючи штучний інтелект, проблеми будемо «збивати на подльоті» або «різати, не дочекавшись перітоніту», як казали кіношні персонажі.
Ірина КРАВЕЦЬ,
член експертного комітету з розвитку сфери штучного інтелекту Міністерства Цифрової трансформації України,
керуючий партнер CleverAgri
