Κέρδη:
- Ικανότητα να διακρίνεις πού η τεχνητή νοημοσύνη εξοικονομεί πραγματικό χρόνο στη ροή εργασιών της γεωργικής μηχανικής και ποιες αποφάσεις πρέπει να παραμείνουν στην ευθύνη του γεωπόνου
- Δυνατότητα εφαρμογής τριών πειθαρχιών αγκύρωσης που επικυρώνουν κάθε έξοδο AI με τάξη μεγέθους, γεωπονική αληθοφάνεια και αποδεικτικά στοιχεία πεδίου
- Αναγνωρίστε τους κινδύνους της ασάφειας, των παραισθήσεων και του απορρήτου των δεδομένων των αγροτών και αποκτήστε τη συνήθεια να δημιουργείτε ασφαλείς προτροπές ανωνυμοποιώντας το πλαίσιο.
Η γεωργική μηχανική είναι η τέχνη της ταυτόχρονης διαχείρισης ενός ζωντανού συστήματος - έδαφος, φυτά, κλίμα και άνθρωποι. Ένα χωράφι δεν είναι ποτέ το ίδιο δύο φορές: ο ίδιος σπόρος, το ίδιο λίπασμα, το ίδιο πότισμα αποδίδει διαφορετικές αποδόσεις σε διαφορετικά χρόνια, επειδή ο καιρός, η υγρασία του εδάφους, η πίεση της ασθένειας και εκατοντάδες μεταβλητές παίζουν συνεχώς. Γι' αυτό η γεωργία είναι ένα επάγγελμα που εγγενώς λειτουργεί με αβεβαιότητα. Η τεχνητή νοημοσύνη (AI, συστήματα λογισμικού που μαθαίνουν από μοτίβα μεγάλων δεδομένων και παράγουν κείμενο, εικόνες ή αριθμούς) είναι ένα ισχυρό εργαλείο για τη διαχείριση αυτής της αβεβαιότητας, αλλά είναι επίσης ένα εργαλείο που μπορεί να κρύψει την ίδια αβεβαιότητα σε επικίνδυνα φωτεινή γλώσσα. Αυτή η ενότητα θέτει τα δύο θεμέλια πάνω στα οποία θα χτιστεί ολόκληρη η ενότητα: πού στη γεωργική ροή εργασίας παράγει η τεχνητή νοημοσύνη πραγματική αξία και πώς επικυρώνουμε κάθε έξοδο.
Ας είμαστε ξεκάθαροι από την αρχή: καμία από τις τεχνικές που θα μάθετε σε αυτήν την ενότητα δεν θα αντικαταστήσει την υπογραφή, την επιτόπια παρατήρηση και τη μηχανική κρίση ενός διπλωματούχου γεωπόνου μηχανικού (γεωπόνου). Η τεχνητή νοημοσύνη είναι βοηθός. Διαβάζει γρήγορα, γράφει γρήγορα, πιάνει μοτίβα. Αλλά εάν μια λανθασμένη συνταγή λιπάσματος μολύνει την κοίτη του ρέματος, εάν μια λανθασμένη δόση φυτοφαρμάκου αφήνει υπολείμματα στην καλλιέργεια και βλάπτει την ασφάλεια των τροφίμων, εάν ένα ελαττωματικό σχέδιο άρδευσης καθιστά το έδαφος άγονο, την ευθύνη δεν έχει το λογισμικό αλλά ο μηχανικός που το υπέγραψε. Θα δείτε ξανά αυτήν την πρόταση με διαφορετικές μορφές σε κάθε ενότητα της ενότητας, γιατί αυτή είναι η μόνη αλήθεια σε ένα επάγγελμα όπου διακυβεύεται η περιβαλλοντική ασφάλεια και η ασφάλεια των τροφίμων.
Πού δημιουργεί αξία η τεχνητή νοημοσύνη στη ροή εργασιών στη γεωργία;
Η εβδομάδα ενός γεωπόνου χωρίζεται χονδρικά σε τρεις τύπους εργασίας: προετοιμασία δεδομένων (ανάγνωση αναφορών ανάλυσης εδάφους, επεξεργασία σημειώσεων πεδίου, εκκαθάριση πινάκων αισθητήρων), ερμηνεία και ανάλυση (αξιολόγηση φυτοϋγειονομικού ελέγχου, διάγνωση ασθενειών, σχεδιασμός λιπασμάτων και άρδευσης, εκτίμηση απόδοσης) και επικοινωνία (αναφορά αγρότη, συνταγή, αρχείο πιστοποίησης, επίσημη αλληλογραφία). Η τεχνητή νοημοσύνη αγγίζει και τις τρεις περιοχές, αλλά η συνεισφορά και ο κίνδυνος της είναι διαφορετικοί σε καθεμία.
Η προετοιμασία δεδομένων είναι ο ασφαλέστερος και πιο κερδοφόρος τομέας της τεχνητής νοημοσύνης. Μετατροπή διάσπαρτων παρατηρήσεων πεδίου σε τυπικό υπολογιστικό φύλλο, μεταφορά διαφορετικών μορφών αναφορών από διαφορετικά εργαστήρια σε ένα ενιαίο πρότυπο, επισήμανση ακραίων τιμών σε χιλιάδες γραμμές εγγραφών αισθητήρα υγρασίας—αυτές είναι εργασίες που είναι επαναλαμβανόμενες, βασισμένες σε κανόνες και εύκολο να επαληθευτούν. Ακόμα κι αν υπάρχει κάποιο σφάλμα εδώ, θα χρειαστούν λίγα λεπτά για να επιστρέψετε στην πηγή (ακατέργαστα δεδομένα) και να το ελέγξετε.
Το πεδίο της ερμηνείας και της ανάλυσης φέρει την υψηλότερη αξία και τον υψηλότερο κίνδυνο. Το AI μπορεί να προτείνει μια πιθανή ζώνη καταπόνησης νερού από έναν χάρτη NDVI. Αυτό μπορεί να αποκαλύψει ένα μοτίβο που ακόμη και ένα έμπειρο μάτι μπορεί να χάσει σε ένα μεγάλο πεδίο. Αλλά το ίδιο μοντέλο μπορεί με σιγουριά να περιγράψει μια ασθένεια που δεν υπάρχει σε αυτήν την περιοχή ως «ευρέως διαδεδομένη απειλή». Όταν το μοντέλο παράγει πληροφορίες που δεν υπάρχουν στην πραγματικότητα σαν να ήταν αληθινές, ονομάζεται παραίσθηση. Σε αυτόν τον τομέα, η τεχνητή νοημοσύνη είναι ένας παράγοντας υποθέσεων και όχι ένας λήπτης αποφάσεων.
Στον τομέα των επικοινωνιών, η τεχνητή νοημοσύνη είναι ένας επιταχυντής βύθισης. Συντάσσει μια έκθεση πληροφοριών αγρότη, μια περίληψη βιβλιογραφίας ή ένα κείμενο αίτησης πιστοποίησης μέσα σε λίγα λεπτά. Ο κίνδυνος εδώ είναι ότι οι κατασκευασμένες πηγές και οι εσφαλμένες δόσεις μπορεί να βρουν το δρόμο τους προς τον αγρότη ή τον ελεγχόμενο απαρατήρητο σε ένα ρέον κείμενο.
Συμβουλή: Προτού δώσετε μια εργασία στην τεχνητή νοημοσύνη, αναρωτηθείτε: «Πώς θα ξέρω εάν αυτή η έξοδος είναι λάθος και πόσος χρόνος θα χρειαστεί για να το διορθώσω;» Εάν η απάντηση είναι λεπτά (καθαρισμός δεδομένων), χρησιμοποιήστε το άνετα. Εάν η απάντηση είναι "Δεν θα καταλάβω μέχρι να καταστραφεί το προϊόν" (απόφαση δοσολογίας), φροντίστε να επαληθεύσετε ανεξάρτητα.
Πειθαρχία επικύρωσης: Ο κανόνας των τριών αγκυρώσεων
Η καρδιά αυτής της ενότητας είναι μια ενιαία συνήθεια: να μην ενσωματώνει κανένα αποτέλεσμα τεχνητής νοημοσύνης σε μια γεωπονική απόφαση χωρίς να την επικυρώνει. Βασίζουμε την επικύρωση σε τρεις ανεξάρτητες αγκυρώσεις.
Πρώτη άγκυρα - Τάξη μεγέθους. Είναι το αποτέλεσμα περίπου εντός της αναμενόμενης ισχύος των 10; Οι ανάγκες σε καθαρό άζωτο ανά δεκάρι στο σιτάρι είναι συνήθως της τάξης των 10-18 kg. Εάν το μοντέλο χάνει 60 κιλά ανά δεκάρι, υπάρχει σφάλμα μονάδας ή επεξεργασίας και μπορεί να γίνει κατανοητό χωρίς να υπεισέλθω σε λεπτομέρειες. Ο ρυθμός ροής ενός συστήματος άρδευσης με σταγόνες είναι της τάξης των λίτρων ανά ώρα. Αν το μοντέλο δίνει κυβικά, είναι ανοησία. Αυτός ο έλεγχος διαρκεί δευτερόλεπτα και εντοπίζει τα περισσότερα σφάλματα.
Δεύτερη άγκυρα - Αγρονομική λογικότητα. Είναι η παραγωγή συνεπής με τη βιολογία της καλλιέργειας και το κλίμα της περιοχής; Εάν το μοντέλο συνιστά τη φύτευση χειμερινού σίτου στα μέσα του καλοκαιριού. ή αν θεωρεί ως κύρια απειλή ένα τροπικό παράσιτο που δεν έχει δει ποτέ στην περιοχή, υπάρχει είτε κατασκευαστικό λάθος είτε το μοντέλο είναι ανοησία. Η φαινολογία (στάδια ανάπτυξης) της καλλιέργειας, ο τύπος του εδάφους και το τοπικό κλίμα είναι το φίλτρο αληθοφάνειας που πρέπει να περάσει κάθε πρόταση.
Τρίτη άγκυρα - Απόδειξη πεδίου. Αυτή είναι η πιο δυνατή άγκυρα. Λήψη δείγματος με κοχλία εδάφους, ανάλυση φύλλων, οπτική μέτρηση στο χωράφι, ανάγνωση του αισθητήρα υγρασίας. Ένα σήμα καταπόνησης από τον δορυφόρο δοκιμάζεται πηγαίνοντας στην ίδια περιοχή και κοιτάζοντας το εργοστάσιο. Η προκαταρκτική διάγνωση μιας νόσου επιβεβαιώνεται με τη λήψη δείγματος και στο εργαστήριο. Η επίγεια αλήθεια πάντα κερδίζει.
Three Mini Cases: By the Numbers
Περίπτωση 1 - Εξοικονόμηση χρόνου στην ερμηνεία αναφοράς εδάφους. Ένας γεωπόνος μηχανικός συνόψιζε χειροκίνητα τις εκθέσεις ανάλυσης εδάφους 38 διαφορετικών αγροτεμαχίων (το καθένα σε διαφορετική εργαστηριακή μορφή). κατά μέσο όρο 20 λεπτά ανά αναφορά, περίπου 13 ώρες συνολικά. Με μια ροή εργασιών χαρτογράφησης με τεχνητή νοημοσύνη, μείωσε το πρώτο προσχέδιο σε 4 λεπτά ανά αναφορά, με τον υπόλοιπο χρόνο να αφιερώνεται στη μη αυτόματη επικύρωση ορίων. Ο συνολικός χρόνος μειώθηκε σε περίπου 5 ώρες. Αυτό που ήταν κρίσιμο ήταν ότι ο χρόνος που αποκτήθηκε ξοδεύτηκε στον έλεγχο.
Περίπτωση 2 - Αιχμαλωτισμένη ψευδαίσθηση. Όταν ένας ασκούμενος ζήτησε από την τεχνητή νοημοσύνη να συνοψίσει το ιστορικό ασθένειας ενός αμπελώνα, το κείμενο περιελάμβανε την πρόταση «Κύρια πίεση εσπεριδοειδών Huanglongbing (HLB) στην περιοχή». Ωστόσο, στο αγροτεμάχιο υπήρχαν αμπέλια (σταφύλια), όχι εσπεριδοειδή. Το μοντέλο είχε μπερδέψει τις πληροφορίες ενός άλλου προϊόντος. Το φίλτρο αγρονομικής αληθοφάνειας (το μοτίβο καλλιέργειας δεν συμμορφωνόταν με το HLB) εντόπισε το σφάλμα πριν από την υπογραφή της αναφοράς.
Περίπτωση 3 - Σφάλμα μονάδας. Σε έναν υπολογισμό του λιπάσματος, το μοντέλο μπέρδεψε τη σύσταση ανά δεκάριο με τη σύσταση ανά εκτάριο, διογκώνοντας τη δόση αζώτου κατά 10 (αφού 1 εκτάριο = 10 δεκάρια). Ο έλεγχος τάξης μεγέθους - "αυτό το δέμα δεν μπορεί να περιέχει 15 κιλά αλλά 150 κιλά καθαρού αζώτου" - αποκάλυψε αμέσως το σφάλμα. Εάν είχε εφαρμοστεί, θα είχε προκληθεί τόσο οικονομική ζημιά όσο και νιτρορύπανση.
Αδύναμη προτροπή / Ισχυρή προτροπή
Μια προτροπή είναι μια γραπτή οδηγία που δίνετε στο AI. Η ποιότητά του καθορίζει άμεσα την ποιότητα της παραγωγής.
Αδύναμη προτροπή:
Αξιολογήστε την κατάσταση αυτού του πεδίου και πείτε μου τι πρέπει να κάνω.[data]
Ισχυρή προτροπή:
Ο ρόλος σας: Ανώτερος Γεωπόνος Μηχανικός (Γεωπόνος). Ερμηνεύστε τα ακόλουθα δεδομένα πεδίου ΜΟΝΟ με βάση τις πληροφορίες που δίνονται. - Μην προσθέτετε κανένα προϊόν, ασθένεια, λίπασμα ή αξία που δεν υπάρχει στα δεδομένα. - Δείξτε τη γραμμή δεδομένων στην οποία βασίζεστε με παρενθέσεις δίπλα σε κάθε σχόλιο. - Γράψτε "δεδομένα ανεπαρκή" όπου δεν είστε σίγουροι, μην κάνετε εικασίες. - Μην δίνετε συστάσεις δοσολογίας και φαρμάκων. Αντίθετα, κάντε μια ξεχωριστή λίστα με 3 υποθέσεις που πρέπει να επαληθευτούν. Δεδομένα: [δεδομένα πεδίου]
Η ισχυρή προτροπή επιβάλλει τρία πράγματα στο μοντέλο: μείνετε στην πηγή, παραδεχτείτε την αβεβαιότητα και αφήστε την κρίσιμη απόφαση (δοσολογία) στον μηχανικό. Αυτό δεν τελειώνει εντελώς την ψευδαίσθηση, αλλά την κάνει ορατή.
Τέσσερα αντιγράψιμα πρότυπα
1) Καθιέρωση ανωνυμοποιημένου πλαισίου:
Θα ήθελα βοήθεια με μια εργασία γεωργικού μηχανικού. Το όνομα του αγρότη, οι συντεταγμένες αγρού, το αναγνωριστικό αγροτεμαχίου και οι πληροφορίες κόστους είναι ΕΜΠΙΣΤΕΥΤΙΚΑ. Θα τα δώσω με αντιπροσωπευτικές εκφράσεις όπως «Farmer-A», «Plot-1», «X συντεταγμένη». Εργασία: [εργασία]. Μην προσθέτετε εξωτερικές υποθέσεις που βασίζονται μόνο στα τεχνικά δεδομένα που δίνω.
2) Τρία αιτήματα επαλήθευσης αγκύρωσης:
Πραγματοποιήστε τρεις ελέγχους για το ακόλουθο αποτέλεσμα: 1) Σειρά μεγέθους: είναι κάθε αριθμός εντός του αναμενόμενου εύρους για την καλλιέργεια/περιοχή;2) Αγροονομική αληθοφάνεια: υπάρχει αντικρουόμενος ισχυρισμός με τη βιολογία/κλίμα των καλλιεργειών;3) Λίστα επαλήθευσης: στοιχεία που πρέπει να επιβεβαιωθούν στο πεδίο/εργαστήριο. Έξοδος: [κείμενο]
3) Επιβολή ασάφειας:
Δώστε την ερμηνεία σας σε τρία επίπεδα εμπιστοσύνης: - Υψηλή εμπιστοσύνη (υποστηρίζεται άμεσα από δεδομένα) - Μέση εμπιστοσύνη (λογικό γεωπονικό συμπέρασμα) - Χαμηλή εμπιστοσύνη (απαιτείται εικασία, επιβεβαίωση πεδίου) Γράψτε κάθε στοιχείο υποδεικνύοντας το επίπεδό του.
4) Προβολή κόκκινης σημαίας πριν από την απόφαση:
Καταγράψτε τους 3 πιο σοβαρούς κινδύνους (περιβαλλοντικός, ασφάλεια τροφίμων, οικονομικός) που θα μπορούσαν να προκύψουν εάν ακολουθήσω αυτήν την πρόταση και τα έγκαιρα προειδοποιητικά σημάδια για τον καθένα.
Πίνακας Βασικών Εννοιών
όρος
Σημασία
Γιατί είναι σημαντικό;
γεωπόνος
Γεωπόνος μηχανικός, ειδικός αγροτικής παραγωγής
Τελική ευθύνη για κρίσιμες αποφάσεις
ψευδαίσθηση
Το AI παράγει ανύπαρκτες πληροφορίες με σιγουριά
Ο μεγαλύτερος κίνδυνος εμπιστοσύνης χωρίς επαλήθευση
φαινολογία
Στάδια ανάπτυξης του φυτού (φύτρωση, ανθοφορία...)
Βάση για τον προγραμματισμό των αποφάσεων
Επίγεια αλήθεια
Άμεση παρατήρηση/μέτρηση στο πεδίο
Άγκυρα ελέγχου ταυτότητας όλων των απομακρυσμένων δεδομένων
NDVI
Δείκτης ζωτικότητας της βλάστησης
Απαραίτητο εργαλείο για την απομακρυσμένη παρακολούθηση της υγείας
Συνήθη λάθη
- Λάθος της ευχέρειας για την ακρίβεια. Τα όμορφα τουρκικά με αυτοπεποίθηση του AI δεν υποδηλώνουν ότι η έξοδος είναι σωστή. Οι πιο επικίνδυνες παραισθήσεις είναι οι πιο ρευστές.
- Νομίζοντας ότι η επαλήθευση είναι χάσιμο χρόνου. Εάν δεν ξοδέψετε τον εξοικονομημένο χρόνο ελέγχοντας, το AI θα επιταχύνει το σφάλμα για λογαριασμό σας.
- Κοινή χρήση ευαίσθητων δεδομένων ως έχει. Οι συντεταγμένες, η απόδοση και το κόστος του αγρότη είναι θέματα ιδιοκτησίας και εμπιστευτικότητας. Μην κάνετε κοινή χρήση χωρίς ανωνυμοποίηση.
- Αφήνοντας την κρίσιμη απόφαση δοσολογίας στην ΑΙ. Οι δόσεις λιπασμάτων, φυτοφαρμάκων και άρδευσης απαιτούν βαθμονόμηση και νομοθεσία στον αγρό. Το AI παράγει μόνο προσχέδια.
- Το να είσαι ικανοποιημένος με μια άγκυρα. Κοιτάζοντας μόνο την τάξη μεγέθους και παραλείποντας την αληθοφάνεια και τα αποδεικτικά πεδίου παρακάμπτονται τα λεπτά λάθη.
Προσοχή: Όταν το AI σας λέει "υπάρχει ασθένεια Χ σε αυτήν την περιοχή", αυτό είναι μια υπόθεση, όχι μια διάγνωση. Διάγνωση; Το δείγμα τοποθετείται με την έγκριση του εργαστηρίου και του εξουσιοδοτημένου μηχανικού.
Συνοπτικά
Η τεχνητή νοημοσύνη είναι το ασφαλέστερο εργαλείο στην προετοιμασία δεδομένων, ο επιταχυντής στην επικοινωνία και το πιο πολύτιμο και επικίνδυνο εργαλείο στην ερμηνεία και την ανάλυση στη γεωργική μηχανική. Η ραχοκοκαλιά αυτής της ενότητας είναι τρεις κλάδοι αγκύρωσης: δοκιμή κάθε εξόδου σε σχέση με την τάξη μεγέθους, γεωπονική αληθοφάνεια και αποδείξεις πεδίου. Η ψευδαίσθηση είναι πραγματική, η ευχέρεια δεν είναι ακρίβεια και η ευθύνη για κρίσιμες αποφάσεις βαρύνει πάντα τον υπογράφοντα γεωπόνο. Σε επόμενες ενότητες, θα εφαρμόσουμε αυτήν την πειθαρχία στη γεωργία ακριβείας, το NDVI, το έδαφος, την άρδευση, τις ασθένειες, το κλίμα, την απόδοση, το Python και την ιχνηλασιμότητα ένα προς ένα.
Εργασία εφαρμογής
Για ένα πεδίο που έχετε (ή ένα αντιπροσωπευτικό), υποβάλετε στην τεχνητή νοημοσύνη πρώτα ένα αδύναμο μήνυμα ("Τι πρέπει να κάνω σε αυτό το πεδίο;"), και μετά την ίδια ερώτηση με το πρότυπο ισχυρού προτροπής σε αυτήν την ενότητα. Τοποθετήστε τις δύο εξόδους δίπλα-δίπλα και σημειώστε: (1) ποιες προτάσεις περιέχουν πληροφορίες που δεν υπάρχουν στα δεδομένα (υποψήφια ψευδαίσθηση), (2) ποιοι αριθμοί αποτυγχάνουν στον έλεγχο της τάξης μεγέθους, (3) 3 στοιχεία που πρέπει να επαληθεύσετε στο πεδίο. Σε μια παράγραφο, γράψτε ποια σφάλματα κάνει ορατά η ισχυρή προτροπή.
λίστα ελέγχου
- [ ] Ταξινόμησα την εργασία ως προετοιμασία / ερμηνεία / επικοινωνία δεδομένων και προσδιόρισα το επίπεδο κινδύνου.
- [ ] Ανωνυμοποίησα την ταυτότητα του αγρότη, τις συντεταγμένες και τις πληροφορίες κόστους.
- [ ] Δοκίμασα το αποτέλεσμα για το μέγεθος, τη γεωπονική αληθοφάνεια και τα στοιχεία πεδίου.
- [ ] Σημείωσα τις υποψήφιες προτάσεις παραισθήσεων και τις επέστρεψα στην πηγή.
- [ ] Άφησα την κρίσιμη απόφαση δόσης/φαρμάκου/άρδευσης στην έγκριση του εξουσιοδοτημένου μηχανικού.