سود:
- توانایی تشخیص اینکه هوش مصنوعی در چه مواردی باعث صرفه جویی در زمان واقعی در جریان کار مهندسی کشاورزی می شود و کدام تصمیمات باید بر عهده کشاورز باقی بماند.
- امکان به کارگیری سه رشته لنگر که هر خروجی هوش مصنوعی را با ترتیب بزرگی، معقول بودن زراعی و شواهد میدانی تأیید می کند.
- خطرات ابهام، توهم، و حریم خصوصی داده های کشاورز را بشناسید و با ناشناس کردن زمینه، به تنظیم پیام های امن عادت کنید.
مهندسی کشاورزی هنر مدیریت یک سیستم زنده - خاک، گیاهان، آب و هوا و مردم - به طور همزمان است. یک مزرعه هرگز دو بار یکسان نیست: یک بذر، یک کود یکسان، یک آبیاری یکسان در سالهای مختلف بازدهی متفاوتی دارد، زیرا آب و هوا، رطوبت خاک، فشار بیماری و صدها متغیر دائماً در حال بازی هستند. به همین دلیل است که کشاورزی حرفه ای است که ذاتاً با عدم اطمینان عمل می کند. هوش مصنوعی (AI؛ سیستمهای نرمافزاری که از الگوهای کلان دادهها یاد میگیرند و متن، تصویر یا اعداد تولید میکنند) ابزار قدرتمندی در مدیریت این عدم قطعیت است، اما همچنین ابزاری است که میتواند همان عدم قطعیت را در زبانی خطرناک پنهان کند. این واحد دو پایه را ایجاد می کند که کل ماژول بر روی آنها ساخته می شود: کجا در جریان کار کشاورزی، هوش مصنوعی ارزش واقعی تولید می کند و چگونه هر خروجی را تأیید می کنیم.
بیایید از ابتدا روشن کنیم: هیچ یک از تکنیک هایی که در این ماژول خواهید آموخت، جایگزین امضا، مشاهدات میدانی و قضاوت مهندسی یک مهندس کشاورزی واجد شرایط (زراعت شناس) نخواهد شد. هوش مصنوعی یک دستیار است. سریع می خواند، سریع می نویسد، الگوها را می گیرد. اما اگر یک نسخه کود نادرست بستر رودخانه را آلوده کند، اگر دوز نامناسب آفت کش روی محصول بقایایی بگذارد و ایمنی غذا را مختل کند، اگر یک برنامه آبیاری معیوب خاک را بایر کند، مسئولیت آن بر عهده نرم افزار نیست، بلکه بر عهده مهندس امضاکننده آن است. این جمله را دوباره به اشکال مختلف در هر واحد از ماژول خواهید دید، زیرا این تنها حقیقت در حرفه ای است که ایمنی محیط زیست و مواد غذایی در خطر است.
هوش مصنوعی کجا در گردش کار کشاورزی ارزش ایجاد می کند؟
هفته یک کشاورز تقریباً به سه نوع کار تقسیم می شود: تهیه داده ها (خواندن گزارش های تجزیه و تحلیل خاک، ویرایش یادداشت های مزرعه، پاک کردن جداول حسگر)، تفسیر و تجزیه و تحلیل (ارزیابی سلامت گیاه، تشخیص بیماری، برنامه ریزی کود و آبیاری، برآورد عملکرد)، و ارتباط (گزارش کشاورز، نسخه، ثبت گواهینامه، مکاتبات رسمی). هوش مصنوعی هر سه حوزه را لمس می کند، اما سهم و ریسک آن در هر کدام متفاوت است.
آماده سازی داده امن ترین و سودآورترین زمینه هوش مصنوعی است. تبدیل مشاهدات میدانی پراکنده به یک صفحه گسترده استاندارد، آوردن قالبهای مختلف گزارشها از آزمایشگاههای مختلف در یک الگوی واحد، علامتگذاری نقاط پرت در هزاران خط از رکوردهای حسگر رطوبت - اینها کارهایی هستند که تکراری، مبتنی بر قانون هستند و به راحتی قابل تأیید هستند. حتی اگر در اینجا خطایی وجود داشته باشد، چند دقیقه طول می کشد تا به منبع (داده های خام) برگردید و آن را بررسی کنید.
حوزه تفسیر و تحلیل دارای بالاترین ارزش و بالاترین ریسک است. هوش مصنوعی می تواند یک منطقه تنش آبی احتمالی را از نقشه NDVI پیشنهاد کند. این می تواند الگویی را نشان دهد که حتی یک چشم با تجربه ممکن است در یک میدان بزرگ از دست بدهد. اما همین مدل با اطمینان میتواند بیماریای را که در آن منطقه وجود ندارد بهعنوان «تهدید گسترده» توصیف کند. هنگامی که مدل اطلاعاتی را تولید می کند که در واقعیت وجود ندارد، گویی واقعی است، به آن توهم می گویند. در این زمینه، هوش مصنوعی یک فرضیه ساز است، نه یک تصمیم گیرنده.
در حوزه ارتباطات، هوش مصنوعی یک شتاب دهنده پیش نویس است. گزارش اطلاعات کشاورز، خلاصه ادبیات، یا متن درخواست گواهینامه را در چند دقیقه تهیه می کند. خطر در اینجا این است که منابع ساختگی و دوزهای نادرست ممکن است بدون توجه به متنی جاری به کشاورز یا حسابرسی شونده راه پیدا کنند.
نکته: قبل از دادن کار به هوش مصنوعی، از خود بپرسید: "چگونه می توانم بفهمم که این خروجی اشتباه است و چه مدت طول می کشد تا آن را برطرف کنم؟" اگر پاسخ چند دقیقه است (پاک کردن داده ها)، راحت از آن استفاده کنید. اگر پاسخ این است که "تا زمانی که محصول آسیب نبیند متوجه نمی شوم" (تصمیم به دوز)، حتما به طور مستقل تأیید کنید.
انضباط اعتبارسنجی: قانون سه لنگر
قلب این ماژول یک عادت واحد است: عدم استفاده از خروجی هوش مصنوعی در یک تصمیم کشاورزی بدون تایید آن. ما اعتبار سنجی را بر اساس سه لنگر مستقل قرار می دهیم.
لنگر اول - مرتبه قدر. آیا نتیجه تقریباً در محدوده توان مورد انتظار 10 است؟ نیاز نیتروژن خالص در هر دسیره گندم معمولاً بین 10-18 کیلوگرم است. اگر مدل در هر دکار 60 کیلوگرم وزن کم کند، خطای واحد یا ویرایشی وجود دارد و بدون پرداختن به جزئیات می توان آن را فهمید. دبی یک سیستم آبیاری قطره ای به ترتیب لیتر در ساعت است. اگر مدل متر مکعب بدهد مزخرف است. این بررسی چند ثانیه طول می کشد و اکثر خطاها را می گیرد.
لنگر دوم - منطقی بودن زراعی. آیا خروجی با زیست شناسی محصول و آب و هوای منطقه سازگار است؟ اگر مدل کاشت گندم زمستانه را در اواسط تابستان توصیه می کند. یا اگر آفت گرمسیری را که تا به حال در منطقه دیده نشده است به عنوان تهدید اصلی بداند، یا خطای ساختمانی دارد یا مدل مزخرف است. فنولوژی (مراحل رشد) محصول، نوع خاک و آب و هوای محلی فیلتر قابل قبولی است که هر پیشنهادی باید از آن عبور کند.
لنگر سوم - اثبات میدانی. این قوی ترین لنگر است. نمونه برداری با مارپیچ خاک، آنالیز برگ، شمارش بصری در مزرعه، خواندن سنسور رطوبت. یک سیگنال استرس از ماهواره با رفتن به همان منطقه و نگاه کردن به گیاه آزمایش می شود. تشخیص اولیه بیماری با نمونه برداری و در آزمایشگاه تایید می شود. حقیقت زمینی همیشه برنده است.
سه مورد کوچک: با اعداد
مورد 1 - زمان ذخیره شده در تفسیر گزارش خاک. یک مهندس کشاورزی به صورت دستی گزارش های آنالیز خاک 38 قطعه مختلف (هر کدام در قالب آزمایشگاهی متفاوت) را خلاصه می کرد. به طور متوسط 20 دقیقه در هر گزارش، تقریبا 13 ساعت در کل. با یک گردش کار نموداری مبتنی بر هوش مصنوعی، او اولین پیش نویس را به 4 دقیقه در هر گزارش کاهش داد و زمان باقی مانده را به اعتبارسنجی دستی آستانه ها اختصاص داد. کل زمان به حدود 5 ساعت کاهش یافت. آنچه حیاتی بود این بود که زمان به دست آمده صرف کنترل شد.
مورد 2 - توهم دستگیر شده. هنگامی که یک کارآموز از هوش مصنوعی تاریخچه بیماری یک تاکستان را خلاصه کرد، متن شامل جمله "فشار غالب مرکبات Huanglongbing (HLB) در منطقه بود." با این حال، تاکستان (انگور) در بسته وجود داشت، نه مرکبات. مدل اطلاعات محصول دیگری را اشتباه گرفته بود. فیلتر معقول زراعی (الگوی کشت با HLB مطابقت نداشت) این خطا را قبل از امضای گزارش دریافت کرد.
مورد 3 - خطای واحد. در یکی از محاسبات کود، مدل توصیه در هر دکر را با توصیه در هکتار اشتباه گرفت و دوز نیتروژن را با ضریب 10 افزایش داد (از 1 هکتار = 10 دکر). بررسی ترتیب بزرگی - "این بسته نمی تواند 15 کیلوگرم اما 150 کیلوگرم نیتروژن خالص داشته باشد" - بلافاصله خطا را آشکار کرد. اگر اجرا می شد هم آسیب اقتصادی و هم آلودگی نیترات رخ می داد.
اعلان ضعیف / اعلان قوی
اعلان یک دستورالعمل کتبی است که شما به هوش مصنوعی می دهید. کیفیت آن به طور مستقیم کیفیت خروجی را تعیین می کند.
اعلان ضعیف:
وضعیت این فیلد را ارزیابی کنید و به من بگویید چه کار کنم.[data]
اعلان قدرتمند:
نقش شما: مهندس ارشد کشاورزی (زراعت). داده های فیلد زیر را فقط بر اساس اطلاعات داده شده تفسیر کنید. - هیچ محصول، بیماری، کود یا ارزشی را که در داده ها نیست اضافه نکنید. - خط داده ای که بر اساس آن هستید را با پرانتز در کنار هر نظر نشان دهید. - در جایی که مطمئن نیستید بنویسید "داده ناکافی است" حدس نزنید. - از دادن دوز و توصیه های دارویی خودداری کنید. در عوض، یک لیست جداگانه از 3 فرضی که باید تأیید شوند تهیه کنید. داده ها: [داده های میدانی]
اعلان قوی سه چیز را بر مدل تحمیل می کند: به منبع پایبند باشید، عدم قطعیت را بپذیرید، و تصمیم حیاتی (دوز) را به مهندس بسپارید. این توهم را به طور کامل پایان نمی دهد، اما آن را قابل مشاهده می کند.
چهار قالب قابل کپی
1) ایجاد زمینه ناشناس:
من برای انجام یک کار مهندسی کشاورزی کمک می خواهم. نام کشاورز، مختصات مزرعه، شناسه بسته و اطلاعات هزینه محرمانه است. من آنها را با عبارات نماینده ای مانند "Farmer-A"، "Plot-1"، "X مختصات" می دهم. تکلیف: [وظیفه]. فقط بر اساس داده های فنی که ارائه می دهم، فرضیات اضافی اضافه نکنید.
2) سه درخواست تأیید لنگر:
برای خروجی زیر سه بررسی انجام دهید: 1) ترتیب بزرگی: آیا هر عدد در محدوده مورد انتظار برای محصول/منطقه است؟2) منطقی بودن زراعی: آیا ادعای متناقضی با زیست شناسی/اقلیم محصول وجود دارد؟ 3) فهرست تأیید: مواردی که باید در مزرعه/آزمایشگاه تأیید شوند. خروجی: [متن]
3) اعمال ابهام:
تفسیر خود را در سه سطح اطمینان بیان کنید: - اطمینان بالا (مستقیماً توسط داده ها پشتیبانی می شود) - اطمینان متوسط (استنباط زراعی معقول) - اطمینان کم (گمانه، تایید میدانی لازم است) هر مورد را با نشان دادن سطح آن بنویسید.
4) غربالگری پرچم قرمز قبل از تصمیم گیری:
3 خطر جدی (زیست محیطی، ایمنی غذا، اقتصادی) را که در صورت پیروی از این پیشنهاد و علائم هشدار دهنده اولیه برای هر یک می تواند ایجاد شود، فهرست کنید.
جدول مفاهیم پایه
مدت
معنی
چرا مهم است؟
متخصص کشاورزی
مهندس کشاورزی، متخصص تولیدات کشاورزی
مسئولیت نهایی برای تصمیمات حیاتی
توهم
هوش مصنوعی اطلاعات غیر موجود را با اطمینان تولید می کند
بزرگترین خطر اعتماد بدون تأیید
فنولوژی
مراحل رشد گیاه ( رویش، گلدهی...)
مبنای برنامه ریزی تصمیم گیری
حقیقت زمینی
مشاهده / اندازه گیری مستقیم در میدان
لنگر احراز هویت تمام داده های راه دور
NDVI
شاخص سرزندگی پوشش گیاهی
ابزار ضروری برای نظارت بر سلامت از راه دور
اشتباهات رایج
- اشتباه گرفتن تسلط با دقت ترکی زیبا و مطمئن هوش مصنوعی نشان دهنده درستی خروجی نیست. خطرناک ترین توهمات مایع ترین هستند.
- فکر کردن به اینکه تایید اتلاف وقت است. اگر زمان ذخیره شده را صرف بررسی نکنید، هوش مصنوعی از طرف شما خطا را تسریع می کند.
- به اشتراک گذاری داده های حساس همانطور که هست هماهنگی کشاورز، محصول و هزینه، مسائل مربوط به مالکیت و محرمانه بودن است. بدون ناشناس به اشتراک نگذارید.
- واگذاری تصمیم حیاتی به دوز به هوش مصنوعی. دوز کود، آفت کش و آبیاری نیاز به کالیبراسیون مزرعه و قانون دارد. هوش مصنوعی فقط پیش نویس تولید می کند.
- راضی بودن به یک لنگر. فقط نگاه کردن به ترتیب بزرگی و حذف معقول بودن و شواهد میدانی، خطاهای ظریف را دور می زند.
احتیاط: وقتی هوش مصنوعی به شما می گوید "در این ناحیه بیماری X وجود دارد"، این یک فرضیه است، نه یک تشخیص. تشخیص؛ نمونه با تایید آزمایشگاه و مهندس مجاز قرار می گیرد.
به طور خلاصه
هوش مصنوعی امنترین ابزار در تهیه دادهها، شتابدهنده در ارتباطات و هم ارزشمندترین و پرخطرترین ابزار در تفسیر و تحلیل در مهندسی کشاورزی است. ستون فقرات این ماژول سه رشته لنگر است: آزمایش هر خروجی در برابر مرتبه بزرگی، قابل قبول بودن زراعی و شواهد میدانی. توهم واقعی است، روانی دقت نیست، و مسئولیت تصمیمات حیاتی همیشه بر عهده کشاورز امضاکننده است. در واحدهای بعدی، این رشته را در کشاورزی دقیق، NDVI، خاک، آبیاری، بیماری، آب و هوا، عملکرد، پایتون و قابلیت ردیابی یک به یک اعمال خواهیم کرد.
وظیفه کاربردی
برای فیلدی که دارید (یا یک فیلد نماینده)، ابتدا از هوش مصنوعی یک اعلان ضعیف بپرسید ("در این زمینه چه کاری باید انجام دهم؟")، سپس همان سوال را با الگوی prompt قوی در این واحد بپرسید. دو خروجی را کنار هم قرار دهید و علامت بزنید: (1) کدام جملات حاوی اطلاعاتی هستند که در داده ها نیستند (توهم نامزد)، (2) کدام اعداد به ترتیب بزرگی بررسی نمی شوند، (3) 3 موردی که باید در فیلد تأیید کنید. در یک پاراگراف، بنویسید که کدام خطاها توسط فرمان قدرتمند قابل مشاهده است.
چک لیست
- [ ] من کار را به عنوان تهیه / تفسیر / ارتباط طبقه بندی کردم و سطح خطر را تعیین کردم.
- [ ] هویت، مختصات و اطلاعات هزینه کشاورز را ناشناس گذاشتم.
- [ ] من خروجی را برای اندازه، معقول بودن زراعی و شواهد میدانی آزمایش کردم.
- [ ] جملات نامزد توهم را علامت زدم و آنها را به منبع برگرداندم.
- [ ] تصمیم مهم دوز/دارو/آبیاری را به تایید مهندس مجاز واگذار کردم.