ความรู้เบื้องต้นเกี่ยวกับปัญญาประดิษฐ์และวินัยในการตรวจสอบทางวิศวกรรมเกษตร

กำไร:

• ความสามารถในการแยกแยะว่า AI ช่วยประหยัดเวลาจริงในขั้นตอนการทำงานด้านวิศวกรรมเกษตรได้ที่ใด และการตัดสินใจใดควรยังคงเป็นความรับผิดชอบของนักปฐพีวิทยา
• ความสามารถในการใช้สามสาขาวิชาที่ตรวจสอบความถูกต้องข้ามเอาต์พุต AI แต่ละรายการตามลำดับความสำคัญ ความน่าเชื่อถือทางการเกษตร และหลักฐานภาคสนาม
• ตระหนักถึงความเสี่ยงของความคลุมเครือ ภาพหลอน และความเป็นส่วนตัวของข้อมูลเกษตรกร และสร้างนิสัยในการตั้งค่าการแจ้งเตือนที่ปลอดภัยโดยไม่เปิดเผยบริบท

วิศวกรรมเกษตรเป็นศิลปะในการจัดการระบบการดำรงชีวิต - ดิน พืช ภูมิอากาศ และผู้คน - ไปพร้อม ๆ กัน ทุ่งนาไม่เคยเหมือนเดิมสองครั้ง: เมล็ดพืชชนิดเดียวกัน ปุ๋ยชนิดเดียวกัน การชลประทานแบบเดียวกันให้ผลผลิตที่แตกต่างกันในแต่ละปี เนื่องจากสภาพอากาศ ความชื้นในดิน ความกดดันจากโรค และตัวแปรนับร้อยที่มีบทบาทอยู่ตลอดเวลา นั่นเป็นเหตุผลว่าทำไมเกษตรกรรมจึงเป็นอาชีพที่ต้องดำเนินธุรกิจด้วยความไม่แน่นอน ปัญญาประดิษฐ์ (AI; ​​​​ระบบซอฟต์แวร์ที่เรียนรู้จากรูปแบบข้อมูลขนาดใหญ่และสร้างข้อความ รูปภาพ หรือตัวเลข) เป็นเครื่องมือที่ทรงพลังในการจัดการความไม่แน่นอนนี้ แต่ก็เป็นเครื่องมือที่สามารถซ่อนความไม่แน่นอนแบบเดียวกันในภาษาที่สดใสและเป็นอันตรายได้ หน่วยนี้วางรากฐานสองประการสำหรับโมดูลทั้งหมดที่จะถูกสร้างขึ้น: จุดใดในกระบวนการทำงานทางการเกษตรที่ปัญญาประดิษฐ์สร้างคุณค่าที่แท้จริง และเราจะตรวจสอบความถูกต้องของผลลัพธ์แต่ละรายการได้อย่างไร

ขอให้ชัดเจนตั้งแต่ต้น: ไม่มีเทคนิคใดที่คุณจะได้เรียนรู้ตลอดโมดูลนี้ที่จะมาแทนที่ลายเซ็น การสังเกตภาคสนาม และการตัดสินทางวิศวกรรมของวิศวกรเกษตรที่มีคุณสมบัติเหมาะสม (นักปฐพีวิทยา) ปัญญาประดิษฐ์เป็นผู้ช่วย อ่านเร็ว เขียนเร็ว จับรูปแบบได้ แต่หากใบสั่งปุ๋ยที่ไม่ถูกต้องก่อให้เกิดมลพิษในลำธาร หากการใช้ยาฆ่าแมลงในปริมาณที่ผิดทิ้งสารตกค้างบนพืชผลและทำให้ความปลอดภัยของอาหารลดลง หากแผนการชลประทานที่ผิดพลาดทำให้ดินแห้งแล้ง ความรับผิดชอบไม่ได้อยู่ที่ซอฟต์แวร์ แต่อยู่ที่วิศวกรที่ลงนามในซอฟต์แวร์ คุณจะเห็นประโยคนี้อีกครั้งในรูปแบบที่แตกต่างกันในแต่ละหน่วยของโมดูล เนื่องจากนี่คือความจริงเดียวในวิชาชีพที่ความปลอดภัยด้านสิ่งแวดล้อมและอาหารเป็นเดิมพัน

ปัญญาประดิษฐ์สร้างคุณค่าในกระบวนการทำงานด้านการเกษตรได้ที่ไหน?

สัปดาห์ของนักปฐพีวิทยาแบ่งออกเป็นสามประเภทคร่าวๆ งาน: การเตรียมข้อมูล (การอ่านรายงานการวิเคราะห์ดิน การแก้ไขบันทึกภาคสนาม ตารางเซ็นเซอร์ที่ชัดเจน) การตีความและการวิเคราะห์ (การประเมินสุขภาพพืช การวินิจฉัยโรค การวางแผนปุ๋ยและการชลประทาน การประมาณผลผลิต) และการสื่อสาร (รายงานของเกษตรกร ใบสั่งยา บันทึกการรับรอง จดหมายโต้ตอบอย่างเป็นทางการ) AI ครอบคลุมทั้งสามด้าน แต่การมีส่วนร่วมและความเสี่ยงนั้นแตกต่างกันในแต่ละด้าน

การเตรียมข้อมูลเป็นสาขาปัญญาประดิษฐ์ที่ปลอดภัยและให้ผลกำไรมากที่สุด เปลี่ยนการสังเกตการณ์ภาคสนามที่กระจัดกระจายเป็นสเปรดชีตมาตรฐาน นำรายงานรูปแบบต่างๆ จากห้องปฏิบัติการต่างๆ มาไว้ในเทมเพลตเดียว แจ้งค่าผิดปกติในบันทึกเซ็นเซอร์ความชื้นหลายพันบรรทัด งานเหล่านี้เป็นงานที่ทำซ้ำ อิงกฎเกณฑ์ และง่ายต่อการตรวจสอบ แม้ว่าจะมีข้อผิดพลาดที่นี่ แต่ก็อาจต้องใช้เวลาไม่กี่นาทีในการกลับไปยังแหล่งที่มา (ข้อมูลดิบ) และตรวจสอบ

สาขาวิชาการตีความและการวิเคราะห์มีคุณค่าสูงสุดและมีความเสี่ยงสูงสุด AI สามารถแนะนำโซนความเครียดจากน้ำที่เป็นไปได้จากแผนที่ NDVI สิ่งนี้สามารถเปิดเผยรูปแบบที่แม้แต่ผู้มีประสบการณ์อาจพลาดไปในทุ่งกว้าง แต่แบบจำลองเดียวกันนี้สามารถอธิบายโรคที่ไม่มีอยู่ในภูมิภาคนั้นได้อย่างมั่นใจว่าเป็น "ภัยคุกคามที่แพร่กระจายอย่างกว้างขวาง" เมื่อแบบจำลองสร้างข้อมูลที่ไม่มีอยู่ในความเป็นจริงเสมือนว่าเป็นของจริง เรียกว่าภาพหลอน ในสาขานี้ AI เป็นตัวสร้างสมมติฐาน ไม่ใช่ผู้มีอำนาจตัดสินใจ

ในด้านการสื่อสาร ปัญญาประดิษฐ์เป็นตัวเร่งร่าง โดยจะร่างรายงานข้อมูลเกษตรกร บทสรุปวรรณกรรม หรือข้อความการสมัครขอใบรับรองภายในไม่กี่นาที ความเสี่ยงที่นี่คือแหล่งที่มาปลอมแปลงและปริมาณที่ไม่ถูกต้องอาจหาทางไปหาเกษตรกรหรือผู้ได้รับการตรวจติดตามโดยไม่มีใครสังเกตเห็นในข้อความต่อเนื่อง

เคล็ดลับ: ก่อนที่จะมอบหมายงานให้กับ AI ให้ถามตัวเองว่า “ฉันจะรู้ได้อย่างไรว่าผลลัพธ์นี้ผิดพลาด และจะต้องใช้เวลานานเท่าใดในการแก้ไข” หากคำตอบคือนาที (การล้างข้อมูล) ให้ใช้อย่างสะดวกสบาย หากคำตอบคือ "ฉันจะไม่เข้าใจจนกว่าผลิตภัณฑ์จะเสียหาย" (การตัดสินใจเกี่ยวกับขนาดยา) โปรดตรวจสอบอย่างเป็นอิสระ

ระเบียบวินัยในการตรวจสอบ: กฎสามจุดยึด

หัวใจของโมดูลนี้มีนิสัยเดียว คือ ไม่ต้องรวมเอาท์พุต AI ใดๆ เข้ากับการตัดสินใจทางการเกษตรโดยไม่ตรวจสอบความถูกต้อง เราทำการตรวจสอบความถูกต้องโดยใช้จุดยึดอิสระสามจุด

สมอแรก - ลำดับความสำคัญ ผลลัพธ์อยู่ในกำลังโดยประมาณของช่วง 10 หรือไม่ ความต้องการไนโตรเจนบริสุทธิ์ต่อหนึ่งเดคแคร์ในข้าวสาลีโดยทั่วไปจะอยู่ที่ประมาณ 10-18 กิโลกรัม หากโมเดลลดน้ำหนักได้ 60 กก. ต่อเดแคร์ แสดงว่าเกิดหน่วยหรือการแก้ไขผิดพลาดและสามารถเข้าใจได้โดยไม่ต้องลงรายละเอียด อัตราการไหลของระบบชลประทานแบบหยดอยู่ที่ลิตรต่อชั่วโมง หากแบบจำลองให้ลูกบาศก์เมตรก็ถือว่าไร้สาระ การตรวจสอบนี้ใช้เวลาไม่กี่วินาทีและตรวจพบข้อผิดพลาดส่วนใหญ่

สมอที่สอง - ความสมเหตุสมผลทางการเกษตร ผลผลิตสอดคล้องกับชีววิทยาของพืชผลและสภาพอากาศของภูมิภาคหรือไม่? หากแบบจำลองแนะนำให้ปลูกข้าวสาลีฤดูหนาวในช่วงกลางฤดูร้อน หรือหากพิจารณาว่าศัตรูพืชเขตร้อนที่ไม่เคยพบเห็นในภูมิภาคนี้เป็นภัยคุกคามหลัก ก็อาจมีข้อผิดพลาดในการก่อสร้างหรือแบบจำลองนั้นไร้สาระ ปรากฏการณ์ (ขั้นตอนการพัฒนา) ของพืชผล ชนิดของดิน และสภาพอากาศในท้องถิ่นเป็นตัวกรองความเป็นไปได้ที่ทุกข้อเสนอจะต้องผ่าน

สมอที่สาม - หลักฐานภาคสนาม นี่คือสมอเรือที่แข็งแกร่งที่สุด ตัวอย่างที่ถ่ายด้วยเครื่องเจาะดิน การวิเคราะห์ใบ การนับด้วยสายตาในสนาม การอ่านเซ็นเซอร์ความชื้น สัญญาณความเครียดจากดาวเทียมได้รับการทดสอบโดยไปที่พื้นที่เดียวกันและมองไปที่โรงงาน การวินิจฉัยโรคเบื้องต้นได้รับการยืนยันโดยการเก็บตัวอย่างและในห้องปฏิบัติการ ความจริงภาคพื้นดินชนะเสมอ

คดีเล็กๆ สามคดี: ตามตัวเลข

กรณีที่ 1 - ประหยัดเวลาในการตีความรายงานดิน วิศวกรเกษตรคนหนึ่งกำลังสรุปรายงานการวิเคราะห์ดินของแปลงที่แตกต่างกัน 38 แปลงด้วยตนเอง (แต่ละแปลงอยู่ในรูปแบบห้องปฏิบัติการที่แตกต่างกัน) เฉลี่ยครั้งละ 20 นาที รวมประมาณ 13 ชั่วโมง ด้วยเวิร์กโฟลว์การสร้างแผนภูมิที่ขับเคลื่อนโดย AI เขาลดร่างแรกเหลือ 4 นาทีต่อรายงาน โดยเวลาที่เหลือใช้สำหรับการตรวจสอบเกณฑ์ด้วยตนเอง เวลาทั้งหมดลดลงเหลือประมาณ 5 ชั่วโมง; สิ่งที่สำคัญคือเวลาที่ได้รับนั้นถูกใช้ไปกับการควบคุม

กรณีที่ 2 - ภาพหลอนที่ถูกจับ เมื่อนักศึกษาฝึกงานให้ AI สรุปประวัติโรคของไร่องุ่น ข้อความดังกล่าวมีประโยค “แรงกดดันจากส้มหวงหลงปิง (HLB) ที่โดดเด่นในภูมิภาค” อย่างไรก็ตาม มีไร่องุ่น (องุ่น) อยู่ในพัสดุ ไม่ใช่ส้ม แบบจำลองทำให้ข้อมูลของผลิตภัณฑ์อื่นสับสน ตัวกรองความเป็นไปได้ทางการเกษตร (รูปแบบการครอบตัดไม่สอดคล้องกับ HLB) ตรวจพบข้อผิดพลาดก่อนที่จะลงนามรายงาน

กรณีที่ 3 - ข้อผิดพลาดของหน่วย ในการคำนวณปุ๋ยครั้งหนึ่ง แบบจำลองสับสนระหว่างคำแนะนำต่อ decare กับคำแนะนำต่อเฮกตาร์ ซึ่งทำให้ปริมาณไนโตรเจนเพิ่มขึ้น 10 เท่า (เนื่องจาก 1 เฮกตาร์ = 10 เดแคร์) การตรวจสอบลำดับขนาด - "พัสดุนี้ไม่สามารถบรรจุไนโตรเจนบริสุทธิ์ได้ 15 กก. แต่ไม่สามารถบรรจุไนโตรเจนบริสุทธิ์ได้ 150 กก." - เผยข้อผิดพลาดทันที หากมีการดำเนินการ ทั้งความเสียหายทางเศรษฐกิจและมลภาวะไนเตรตจะเกิดขึ้น

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

ข้อความแจ้งคือคำสั่งที่เป็นลายลักษณ์อักษรที่คุณมอบให้กับ AI คุณภาพจะเป็นตัวกำหนดคุณภาพของผลผลิตโดยตรง

พรอมต์ที่อ่อนแอ:

ประเมินสภาพของฟิลด์นี้และบอกฉันว่าฉันควรทำอย่างไร[ข้อมูล]

พรอมต์อันทรงพลัง:

บทบาทของคุณ: วิศวกรเกษตรอาวุโส (นักปฐพีวิทยา) ตีความข้อมูลฟิลด์ต่อไปนี้ตามข้อมูลที่ให้ไว้เท่านั้น - ห้ามใส่ผลิตภัณฑ์ โรค ปุ๋ย หรือมูลค่าใดๆ ที่ไม่ได้อยู่ในข้อมูล - แสดงบรรทัดข้อมูลที่คุณใช้โดยมีวงเล็บอยู่ข้างๆ แต่ละความคิดเห็น - เขียนว่า "ข้อมูลไม่เพียงพอ" ในกรณีที่ไม่แน่ใจ ไม่ต้องเดา - อย่าให้คำแนะนำเรื่องขนาดยาและยา ให้ทำรายการสมมติฐาน 3 ข้อที่ต้องตรวจสอบแยกกันแทน ข้อมูล: [ข้อมูลภาคสนาม]

การแจ้งเตือนที่ชัดเจนกำหนดสามสิ่งในแบบจำลอง: ยึดมั่นในแหล่งที่มา ยอมรับความไม่แน่นอน และปล่อยให้วิศวกรตัดสินใจที่สำคัญ (ปริมาณ) สิ่งนี้ไม่ได้ยุติภาพหลอนอย่างสมบูรณ์ แต่ทำให้มองเห็นได้

เทมเพลตที่คัดลอกได้สี่แบบ

1) การสร้างบริบทที่ไม่เปิดเผยตัวตน:

ฉันต้องการความช่วยเหลือในงานวิศวกรรมเกษตร ชื่อเกษตรกร พิกัดสนาม รหัสพัสดุ และข้อมูลต้นทุนเป็นความลับ ฉันจะให้สำนวนที่เป็นตัวแทนเช่น "Farmer-A", "Plot-1", "พิกัด X" งาน: [งาน] อย่าเพิ่มสมมติฐานที่ไม่เกี่ยวข้องโดยอิงตามข้อมูลทางเทคนิคที่ฉันให้เท่านั้น

2) คำขอตรวจสอบจุดยึดสามรายการ:

ตรวจสอบสามครั้งสำหรับผลลัพธ์ต่อไปนี้:1) ลำดับความสำคัญ: แต่ละตัวเลขอยู่ในช่วงที่คาดหวังสำหรับพืชผล/ภูมิภาคหรือไม่2) ความน่าเชื่อถือทางการเกษตร: มีการกล่าวอ้างที่ขัดแย้งกับชีววิทยาของพืชผล/สภาพภูมิอากาศหรือไม่3) รายการตรวจสอบ: รายการที่ต้องได้รับการยืนยันในภาคสนาม/ห้องปฏิบัติการผลลัพธ์: [ข้อความ]

3) การบังคับใช้ความคลุมเครือ:

ให้การตีความของคุณด้วยความมั่นใจสามระดับ: - ความมั่นใจสูง (ข้อมูลสนับสนุนโดยตรง) - ความมั่นใจปานกลาง (การอนุมานทางการเกษตรอย่างสมเหตุสมผล) - ความมั่นใจต่ำ (การเก็งกำไร; ต้องมีการยืนยันภาคสนาม) เขียนแต่ละรายการโดยระบุระดับของมัน

4) การคัดกรองธงแดงก่อนการตัดสินใจ:

ระบุความเสี่ยงที่ร้ายแรงที่สุด 3 ประการ (สิ่งแวดล้อม ความปลอดภัยของอาหาร เศรษฐกิจ) ที่อาจเกิดขึ้นหากฉันทำตามคำแนะนำนี้และสัญญาณเตือนล่วงหน้าสำหรับแต่ละรายการ

ตารางแนวคิดพื้นฐาน

ระยะ

ความหมาย

เหตุใดจึงสำคัญ?

นักปฐพีวิทยา

วิศวกรเกษตร ผู้เชี่ยวชาญด้านการผลิตทางการเกษตร

ความรับผิดชอบขั้นสุดท้ายสำหรับการตัดสินใจที่สำคัญ

ภาพหลอน

AI สร้างข้อมูลที่ไม่มีอยู่จริงด้วยความมั่นใจ

ความเสี่ยงที่ใหญ่ที่สุดของการไว้วางใจโดยไม่มีการตรวจสอบ

สรีรวิทยา

ระยะการเจริญเติบโตของพืช (การงอก การออกดอก...)

พื้นฐานสำหรับการตัดสินใจกำหนดเวลา

ความจริงภาคพื้นดิน

การสังเกต/การวัดโดยตรงในภาคสนาม

จุดยึดการรับรองความถูกต้องของข้อมูลระยะไกลทั้งหมด

เอ็นดีวีไอ

ดัชนีพลังชีวิตของพืชพรรณ

เครื่องมือสำคัญสำหรับการตรวจติดตามสุขภาพระยะไกล

ข้อผิดพลาดทั่วไป

• เข้าใจผิดว่าคล่องเพื่อความถูกต้อง ภาษาตุรกีที่สวยงามและมั่นใจของ AI ไม่ได้บ่งชี้ว่าผลลัพธ์นั้นถูกต้อง อาการประสาทหลอนที่อันตรายที่สุดคืออาการที่ลื่นไหลที่สุด
• คิดว่าการตรวจสอบเป็นการเสียเวลา หากคุณไม่เสียเวลาไปกับการตรวจสอบ AI จะเร่งแก้ไขข้อผิดพลาดแทนคุณ
• การแบ่งปันข้อมูลที่ละเอียดอ่อนตามที่เป็นอยู่ การประสานงานของเกษตรกร ผลผลิตและต้นทุนเป็นเรื่องของความเป็นเจ้าของและการรักษาความลับ อย่าแชร์โดยไม่เปิดเผยตัวตน
• ปล่อยให้การตัดสินใจเรื่องขนาดยาที่สำคัญเป็นหน้าที่ของ AI ปริมาณปุ๋ย ยาฆ่าแมลง และการชลประทานจำเป็นต้องมีการสอบเทียบภาคสนามและการออกกฎหมาย AI สร้างเฉพาะฉบับร่างเท่านั้น
• พอใจในสมออันเดียว การดูเฉพาะลำดับความสำคัญและการละเว้นความน่าเชื่อถือและหลักฐานภาคสนามสามารถหลีกเลี่ยงข้อผิดพลาดที่ละเอียดอ่อนได้

ข้อควรระวัง: เมื่อ AI บอกคุณว่า "มีโรค X ในบริเวณนี้" นี่เป็นสมมติฐาน ไม่ใช่การวินิจฉัย การวินิจฉัย; วางตัวอย่างโดยได้รับอนุมัติจากห้องปฏิบัติการและวิศวกรที่ได้รับอนุญาต

โดยสรุป

ปัญญาประดิษฐ์เป็นเครื่องมือที่ปลอดภัยที่สุดในการเตรียมข้อมูล ตัวเร่งการสื่อสาร และเป็นทั้งเครื่องมือที่มีค่าและมีความเสี่ยงมากที่สุดในการตีความและการวิเคราะห์ทางวิศวกรรมเกษตร แกนหลักของโมดูลนี้คือสามสาขาหลัก: การทดสอบแต่ละผลลัพธ์โดยเทียบกับลำดับความสำคัญ ความน่าเชื่อถือทางการเกษตร และหลักฐานภาคสนาม ภาพหลอนมีจริง ความคล่องไม่แม่นยำ และความรับผิดชอบต่อการตัดสินใจที่สำคัญมักจะขึ้นอยู่กับนักปฐพีวิทยาที่ลงนามเสมอ ในหน่วยถัดไป เราจะประยุกต์วินัยนี้กับเกษตรกรรมที่แม่นยำ NDVI ดิน การชลประทาน โรค ภูมิอากาศ ผลผลิต Python และการตรวจสอบย้อนกลับทีละรายการ

งานสมัคร

สำหรับฟิลด์ที่คุณมี (หรือตัวแทน) ให้ถาม AI ด้วยข้อความแจ้งที่ไม่ชัดเจนก่อน ("ฉันควรทำอย่างไรในฟิลด์นี้") จากนั้นถามคำถามเดียวกันกับเทมเพลตข้อความแจ้งที่แข็งแกร่งในหน่วยนี้ วางเอาต์พุตทั้งสองไว้เคียงข้างกันและทำเครื่องหมาย: (1) ประโยคใดมีข้อมูลที่ไม่อยู่ในข้อมูล (ภาพหลอนของผู้สมัคร) (2) ตัวเลขใดไม่ผ่านการตรวจสอบขนาด (3) 3 รายการที่คุณต้องตรวจสอบในสนาม ในหนึ่งย่อหน้า ให้เขียนว่าข้อผิดพลาดใดที่พร้อมท์อันทรงพลังทำให้มองเห็นได้

รายการตรวจสอบ

• [ ] ฉันจัดงานเป็นการเตรียมข้อมูล / การตีความ / การสื่อสาร และกำหนดระดับความเสี่ยง
• [ ] ฉันไม่เปิดเผยตัวตนของเกษตรกร พิกัด และข้อมูลต้นทุน
• [ ] ฉันทดสอบผลลัพธ์สำหรับขนาด ความน่าเชื่อถือทางการเกษตร และหลักฐานภาคสนาม
• [ ] ฉันทำเครื่องหมายประโยคที่ผู้สมัครมีอาการประสาทหลอนแล้วนำกลับไปยังแหล่งที่มา
• [ ] ฉันปล่อยให้การตัดสินใจเรื่องขนาดยา/ยา/การชลประทานที่สำคัญอยู่ภายใต้การอนุมัติของวิศวกรที่ได้รับอนุญาต