Kasu:
- Võimalus aru saada, kus tehisintellekt säästab põllumajandustehnika töövoos reaalaega ja millised otsused peaksid jääma agronoomi vastutusalasse
- Võimalus rakendada kolme ankurdistsipliini, mis ristvalideerivad iga AI väljundit suurusjärgu, agronoomilise usutavuse ja välitõendite alusel
- Tunnistage ebaselguse, hallutsinatsioonide ja põllumeeste andmete privaatsusega kaasnevaid riske ning omandage harjumus luua konteksti anonüümseks muutmise abil turvalisi viipasid.
Põllumajandustehnika on elava süsteemi – pinnase, taimede, kliima ja inimeste – üheaegse haldamise kunst. Põld ei ole kunagi kaks korda sama: sama seeme, sama väetis, sama kastmine annab erinevatel aastatel erineva saagi, sest ilm, mulla niiskus, haigussurve ja sajad muutujad on pidevalt mängus. Seetõttu on põllumajandus eriala, mis loomupäraselt toimib ebakindlalt. Tehisintellekt (AI; tarkvarasüsteemid, mis õpivad suurandmete mustritest ja toodavad teksti, pilte või numbreid) on võimas tööriist selle ebakindluse juhtimiseks, kuid see on ka tööriist, mis võib varjata sama ebakindlust ohtlikult eredas keeles. See üksus paneb aluse kahele vundamendile, millele kogu moodul ehitatakse: kus põllumajanduse töövoos toodab tehisintellekt tõelist väärtust ja kuidas me iga väljundit valideerime.
Olgem algusest peale selged: ükski selle mooduli jooksul õpitav tehnika ei asenda kvalifitseeritud põllumajandusinseneri (agronoomi) allkirja, välivaatlust ja tehnilist hinnangut. Tehisintellekt on assistent; Loeb kiiresti, kirjutab kiiresti, püüab mustreid. Kui aga vale väetiseretsept reostab voolusängi, kui vale annus pestitsiidi jätab põllule jäägid ja kahjustab toiduohutust, kui vigane niisutuskava muudab mulla viljatuks, ei lasu vastutus mitte tarkvaral, vaid selle allkirjastanud inseneril. Seda lauset näete mooduli igas üksuses erineval kujul uuesti, sest see on ainus tõde erialal, kus on kaalul keskkonna- ja toiduohutus.
Kus loob tehisintellekt põllumajanduse töövoos väärtust?
Agronoomi nädal jaguneb laias laastus kolmeks töötüübiks: andmete ettevalmistamine (mullaanalüüsi aruannete lugemine, põllumärkmete redigeerimine, andurite tabelite puhastamine), tõlgendamine ja analüüs (taimetervise hindamine, haiguste diagnoosimine, väetise ja kastmise planeerimine, saagikuse hindamine) ja suhtlus (põllumajandustootja aruanne, retsept, tunnistuse protokoll, ametlik kirjavahetus). AI puudutab kõiki kolme valdkonda, kuid selle panus ja risk on igaühes erinev.
Andmete ettevalmistamine on tehisintellekti kõige turvalisem ja tulusaim valdkond. Hajutatud välivaatluste muutmine standardseks arvutustabeliks, eri laborite eri vormingute aruannete koondamine ühte mallisse, kõrvalekallete märgistamine tuhandetel niiskusanduri kirjete ridadel – need on korduvad, reeglipõhised ja hõlpsasti kontrollitavad ülesanded. Isegi kui siin on viga, kuluks allika juurde (toorandmed) naasmiseks ja selle kontrollimiseks minuteid.
Tõlgendamise ja analüüsi valdkond on kõrgeima väärtusega ja suurima riskiga. AI võib soovitada võimalikku veestressi tsooni NDVI kaardilt; See võib paljastada mustri, mida isegi kogenud silm võib suurel põllul kahe silma vahele jätta. Kuid sama mudel võib julgelt kirjeldada haigust, mida selles piirkonnas ei eksisteeri, kui "laialt levinud ohtu". Kui mudel toodab teavet, mida tegelikkuses ei eksisteeri, nagu see oleks tõeline, nimetatakse seda hallutsinatsiooniks. Selles valdkonnas on AI hüpoteeside generaator, mitte otsustaja.
Kommunikatsioonivaldkonnas on tehisintellekt tõmbekiirendiks. See koostab minutitega põllumajandustootjateabe aruande, kirjanduse kokkuvõtte või sertifitseerimistaotluse teksti. Siin on oht, et väljamõeldud allikad ja valed annused võivad voolavas tekstis märkamatult jõuda põllumehe või auditeeritavani.
Näpunäide. Enne tehisintellektile töö andmist küsige endalt: "Kuidas ma tean, kas see väljund on vale ja kui kaua selle parandamine aega võtab?" Kui vastuseks on minutid (andmete puhastamine), kasutage seda mugavalt; Kui vastus on "Ma ei saa aru enne, kui toode on kahjustatud" (annustamise otsus), kontrollige kindlasti iseseisvalt.
Valideerimise distsipliin: kolme ankru reegel
Selle mooduli keskmes on üksainus harjumus: mitte kaasata tehisintellekti väljundit agronoomilistesse otsustesse ilma seda kinnitamata. Valideerimise aluseks on kolm sõltumatut ankrut.
Esimene ankur – suurusjärk. Kas tulemus jääb ligikaudu eeldatava võimsuse vahemikku 10? Nisu puhta lämmastiku vajadus ühe dekaari kohta on tavaliselt 10–18 kg; Kui mudel kaotab ühe hooldusega 60 kg, on ühiku- või montaaživiga ja sellest saab aru ilma detailidesse laskumata. Tilkniisutussüsteemi voolukiirus on suurusjärgus liitrit tunnis; Kui mudel annab kuupmeetreid, on see jama. See kontroll võtab sekundeid ja tuvastab enamiku vigu.
Teine ankur – Agronoomiline mõistlikkus. Kas toodang on kooskõlas põllukultuuride bioloogia ja piirkonna kliimaga? Kui mudel soovitab talinisu istutada kesksuvel; või kui ta peab peamiseks ohuks troopilist kahjurit, mida selles piirkonnas kunagi nähtud pole, siis on tegemist kas ehitusviga või on mudel jama. Põllukultuuri fenoloogia (arengufaasid), mullatüüp ja kohalik kliima on usutavuse filter, millest iga ettepanek peab läbima.
Kolmas ankur – välikindel. See on tugevaim ankur. Mullateoga võetud proov, lehtede analüüs, visuaalne loendus põllul, niiskusanduri näit. Satelliidi stressisignaali testitakse, minnes samasse piirkonda ja vaadates taime. Haiguse esialgne diagnoos kinnitatakse proovi võtmisega ja laboris. Põhitõde võidab alati.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – mullaaruande tõlgendamisel säästetud aeg. Põllumajandusinsener tegi käsitsi kokkuvõtteid 38 erineva maatüki mullaanalüüsi aruannetest (igaüks erinevas laborivormingus); keskmiselt 20 minutit aruande kohta, kokku ligikaudu 13 tundi. Tehisintellektil põhineva graafiku töövooga vähendas ta esimese mustandi 4 minutini aruande kohta, ülejäänud aeg kulus lävede käsitsi kinnitamisele. Koguaeg langes umbes 5 tunnini; Kriitiline oli see, et võidetud aeg kulus kontrollile.
2. juhtum – jäädvustatud hallutsinatsioon. Kui intern lasi tehisintellektil teha kokkuvõtte viinamarjaistanduse haigusloost, sisaldas tekst lauset "Piirkonnas valitsev tsitruseliste Huanglongbingi (HLB) surve". Küll aga olid pakis viinamarjaistandused (viinamarjad), mitte tsitruselised; Mudel oli segamini ajanud teise toote teabe. Agronoomilise usutavuse filter (kultuuri muster ei vastanud HLB-le) tuvastas vea enne aruande allkirjastamist.
Juhtum 3 – üksuse viga. Ühes väetisearvutuses ajas mudel segi soovituse dekaadri kohta hektari kohta, suurendades lämmastiku annust 10 korda (kuna 1 hektar = 10 dekaarit). Suurusjärgu kontroll - "see pakk ei saa sisaldada 15 kg, vaid 150 kg puhast lämmastikku" - paljastas kohe vea. Kui seda oleks rakendatud, oleks tekkinud nii majanduslik kahju kui ka nitraadireostus.
Nõrk viip / Tugev viip
Viip on kirjalik juhend, mille annate tehisintellektile; Selle kvaliteet määrab otseselt väljundi kvaliteedi.
Nõrk viip:
Hinnake selle välja seisukorda ja öelge mulle, mida ma peaksin tegema.[da]
Võimas viip:
Teie roll: vanempõllumajandusinsener (agronoom). Järgmisi väljaandmeid tõlgendage AINULT antud teabe põhjal. - Ärge lisage ühtegi toodet, haigust, väetist ega väärtust, mida andmetes pole. - Näidake iga kommentaari kõrval sulgudega andmerida, mille põhjal te lähtute. - Kui te pole kindel, kirjutage "andmed ebapiisavad", ärge arvake. - Ärge andke annustamis- ja ravimisoovitusi; Selle asemel koostage eraldi loend kolmest eeldusest, mida tuleb kontrollida. Andmed: [välja andmed]
Tugev viip sunnib mudelile peale kolm asja: jääge allika juurde, tunnistage ebakindlust ja jätke kriitiline otsus (annustamine) insenerile. See ei lõpeta hallutsinatsiooni täielikult, kuid muudab selle nähtavaks.
Neli kopeeritavat malli
1) Anonüümse konteksti loomine:
Soovin abi põllumajandusinseneri töös. Põllumajandustootja nimi, põllu koordinaadid, maatüki ID ja kuluteave on KONFIDENTSIAALSED; Annan need esinduslike väljenditega nagu "Farmer-A", "Plut-1", "X koordinaat". Ülesanne: [ülesanne]. Ärge lisage kõrvalisi eeldusi, mis põhinevad ainult minu esitatud tehnilistel andmetel.
2) Kolm ankru kinnitamise taotlust:
Kontrollige järgmist väljundit kolm korda:1) Suurusjärk: kas iga arv jääb põllukultuuri/piirkonna eeldatavasse vahemikku?2) Agronoomiline usutavus: kas väide on vastuolus põllukultuuride bioloogia/kliimaga?3) Kontrolliloend: üksused, mida tuleb põllul/laboris kinnitada.Väljund: [tekst]
3) Ebaselguse jõustamine:
Esitage oma tõlgendus kolmel usaldustasemel: - Kõrge usaldusväärsus (otseselt andmetega toetatud) - Keskmine usaldusväärsus (mõistlik agronoomiline järeldus) - Madal usaldus (spekulatsioon; nõutav on välikinnitus) Kirjutage iga üksus, näidates selle taset.
4) Punase lipu sõelumine enne otsust:
Loetlege 3 kõige tõsisemat riski (keskkonna-, toiduohutus-, majandusriski), mis võivad tekkida, kui järgin seda soovitust ja iga varajasi hoiatusmärke.
Põhimõistete tabel
tähtaeg
Tähendus
Miks see oluline on?
agronoom
Põllumajandusinsener, põllumajandustootmise spetsialist
Lõplik vastutus kriitiliste otsuste eest
hallutsinatsioonid
AI toodab enesekindlalt olematut teavet
Suurim risk usaldada ilma kontrollimiseta
fenoloogia
Taime arenguetapid (tärkamine, õitsemine...)
Ajakava koostamise otsuste alus
Põhjendatud tõde
Otsene vaatlus/mõõtmine põllul
Kõigi kaugandmete autentimisankur
NDVI
Taimkatte elujõu indeks
Oluline tööriist tervise kaugjälgimiseks
Levinud vead
- Segi ajab sujuvust täpsusega. AI ilus ja enesekindel türgi keel ei näita, et väljund on õige; Kõige ohtlikumad hallutsinatsioonid on kõige vedelamad.
- Arvates, et kontrollimine on aja raiskamine. Kui te ei kuluta kontrollimisele säästetud aega, kiirendab AI tõrke teie nimel.
- Tundlike andmete jagamine. Põllumajandustootja koordineerimine, saagikus ja maksumus on omandiõiguse ja konfidentsiaalsuse küsimused; Ärge jagage ilma anonüümseks muutmata.
- Kriitilise annuse otsustamise jätmine tehisintellektile. Väetise, pestitsiidide ja niisutusdooside jaoks on vaja põllukalibreerimist ja seadusandlust; AI toodab ainult mustandeid.
- Olles rahul ühe ankruga. Ainult suurusjärgu vaatamine ning usutavuse ja välitõendite väljajätmine väldib peeneid vigu.
Ettevaatust: kui AI ütleb teile, et "selles piirkonnas on haigus X", on see hüpotees, mitte diagnoos. Diagnoosimine; Proov asetatakse labori ja volitatud inseneri nõusolekul.
Kokkuvõttes
Tehisintellekt on kõige turvalisem tööriist andmete ettevalmistamisel, kommunikatsiooni kiirendaja ning põllumajandustehnika kõige väärtuslikum ja riskantsem tööriist tõlgendamisel ja analüüsimisel. Selle mooduli selgrooks on kolm ankurdistsipliini: iga väljundi testimine suurusjärgu, agronoomilise usutavuse ja välitõendite suhtes. Hallutsinatsioonid on tõelised, sujuvus ei ole täpsus ja vastutus kriitiliste otsuste eest lasub alati allkirjastaval agronoomil. Järgmistes üksustes rakendame seda distsipliini ükshaaval täppispõllumajanduse, NDVI, pinnase, niisutamise, haiguste, kliima, saagikuse, Pythoni ja jälgitavuse suhtes.
Rakenduse ülesanne
Kui teil on (või esinduslik) välja, küsige tehisintellektilt esmalt nõrk viip ("Mida ma peaksin sellel väljal tegema?"), seejärel sama küsimus selle üksuse tugeva viipa malliga. Asetage kaks väljundit kõrvuti ja märkige: (1) millised laused sisaldavad teavet, mis ei ole andmetes (kandidaathallutsinatsioon), (2) millised numbrid ei kontrolli suurusjärku, (3) 3 elementi, mida peate väljal kontrollima. Kirjutage ühes lõigus, millised vead võimas viip nähtavaks teeb.
kontrollnimekiri
- [ ] Klassifitseerisin ülesande andmete ettevalmistamiseks / tõlgendamiseks / edastamiseks ja määrasin riskitaseme.
- [ ] Muutsin põllumehe isiku, koordinaadid ja kuluteabe anonüümseks.
- [ ] Testisin väljundit suuruse, agronoomilise usutavuse ja põldtõendite osas.
- [ ] Märkisin hallutsinatsioonikandidaatlaused ja viisin need tagasi allika juurde.
- [ ] Jätsin kriitilise annuse/ravimi/niisutamise otsustamise volitatud inseneri heakskiitmiseks.