רווחים:
- יכולת לזהות ולנהל סיכונים אתיים כגון בעלות על מידע חקלאי, פרטיות והטיה אלגוריתמית
- יכולת לשלב את כל הקישורים של המודול בזרימת עבודה עונתית אחת מקצה לקצה
- קביעת מערכת איכות שתפוקת בינה מלאכותית אינה מחליפה אישור אגרונום מוסמך בהחלטות חקלאיות קריטיות לבטיחות
מבחן מודול
1. מהם העוגנים של אימות 'שלושת העוגנים' המיושמים לפני שילוב פלט AI בהחלטה בהנדסה חקלאית?
- א) טווח גדלים, סבירות אגרונומית והוכחות בשטח ✔
- ב) פופולריות המודל, אורך התשובה ושטף השפה
- ג) מחיר, מהירות וממשק משתמש
- ד) אמינות מותג, חיבור לאינטרנט ופורמט קובץ
תיאור: שלושה עוגנים; סדר גודל, שבודק האם התוצאה היא בחזקת 10, סבירות אגרונומית, הבוחנת את עקביות התפוקה עם היבול והאקלים, ועדויות שדה, המספקות אישור בשטח ולא הליבה/דגימה. המותג של המקור, הפופולריות של הדגם או שטף הטקסט אינם קריטריונים לאימות.
2. מה בעצם מודד NDVI (Normalized Difference Vegetation Index)?
- א) קבעו את אחוז הלחות המדויק של האדמה בסנטימטרים
- ב) צפיפות וחוזק של צמחייה ירוקה ותוססת ✔
- ג) איזה גורם מחלה קיים ברמת המין?
- ד) מחיר המוצר הסופי לאחר הקציר
תיאור: NDVI מודד את הצפיפות והחוזק של צמחייה חיה ירוקה ופוטוסינתטית על ידי נרמול ההבדל בין החזרי פס אינפרא אדום קרוב (NIR) לאדום. מכיוון שצמחים בריאים משקפים NIR חזק וסופגים אדום בעוצמה, NDVI עולה; הערך יורד בכיסוי מלחיץ או דליל. הוא אינו מודד ישירות יבול, לחות קרקע או סוג מחלה; אלה דורשים נתונים נוספים.
3. תמונת לוויין מציגה אזור בעל ערך NDVI נמוך. איזה מהשלבים הבאים הוא הצעד הטוב ביותר לעשות לפני הפיכת האנומליה הזו להחלטה הנדסית?
- א) יש למרוח קוטל פטריות על האזור הזה מיד
- ב) הכפלת מנת הדשן לאזור
- ג) אשר את הסיבה על ידי בקרת שטח, מטאורולוגיה ופנוולוגיה ✔
- ד) התעלם מהחריגה והחל ממוצע על כל התחום
הסבר: NDVI נמוך עלול להיגרם מלחץ מים, מחלות, מחסור בחומרים מזינים, הופעה נדירה, צל עננים או אדמה שנחרשה טריה. אנחנו יכולים להבחין באי-ודאות זו רק באמצעות בקרת שדה, מטאורולוגיה ופנוולוגיה; המפה לבדה לא אומרת למה. מריחת חומרי הדברה או דשנים טומנת בחובה סיכון של הפרעה לגורם הלא נכון.
4. מהי הגישה המדויקת ביותר בהזנת קואורדינטות של שדות חקלאים, נתוני תפוקה ועלויות לתוך כלי בינה מלאכותית זמין לציבור?
- א) הדבקת כל הנתונים כפי שהם עם המזהה והקואורדינטות שלהם
- ב) אנונימי מידע מזהה ושתף רק נתונים טכניים נחוצים ✔
- ג) טעינת נתונים לטבלה ציבורית מבלי לבדוק אותה כלל
- ד) תרומת נתונים להכשרת מודלים ללא רשות מהחקלאי
חשיפה: נתוני החקלאי רגישים מבחינה מסחרית ואישית; מידע על תיאום, זהות ועלות הוא עניין של קניין וסודיות. הגישה הנכונה היא להפוך מידע מזהה לאנונימי עם תוויות מייצגות (Plot-A, X coordinate) ולשתף רק את הנתונים הטכניים הנדרשים לניתוח. שיתוף הנתונים כפי שהם או פתיחתם לחינוך ללא רשות מהווה סיכונים אתיים ומשפטיים.
5. דוח ניתוח הקרקע קורא pH כ-4.8. מה המשמעות של ערך זה מבחינה אגרונומית?
- א) אדמה ניטראלית ואידיאלית לרוב הגידולים
- ב) חומצי חזק; מצב שעלול להגביל את צריכת המזון ולדרוש תיקון ✔
- ג) אלקלי חזק; מצב המצריך סגירה
- ד) משמע שהמליחות בקרקע גבוהה ביותר.
תיאור: pH 4.8 מצביע על אדמה חומצית מאוד; במצב זה, ספיגת הזרחן והמוליבדן מופחתת, הסיכון לרעילות אלומיניום/מנגן עולה, והתפתחות השורשים מדוכאת בגידולים רבים. עבור רוב גידולי השדה, 6.0-7.0 הוא הטווח המתאים. לכן, נחשב תיקון כגון סיד; אדמה חומצית אינה 'אידיאלית' ואינה מבטיחה כשלעצמה יבול גבוה.
6. AI המליץ על 60 ק"ג חנקן טהור לדקר עבור שדה חיטה; תפוקת יעד אזורית מעידה על כ-12-16 ק"ג חנקן טהור לדקר. מהי ההתנהגות הטובה ביותר?
- א) יישום ההמלצה כפי שהיא, מכיוון שה-AI מחושב
- ב) הגדלת המינון עוד יותר ליתר ביטחון
- ג) ראה את זה בתור אזהרת סדר גודל ובדוק כניסות וכיול מקומי ✔
- ד) חלוקת ההצעה לשניים ללא התחשבות בניתוח הקרקע
תיאור: ההמלצה היא בערך פי ארבעה מהטווח הצפוי; זו אזהרה בסדר גודל. עודף חנקן פירושו גם נזק כלכלי וגם סיכון לדיכאון, מחלות וזיהום חנקתי. ההתנהגות הנכונה היא לדחות את ההמלצה ולבדוק את התשומות (יחידה, יבול, יבול יעד, אדמה N) וכיול מקומי. יישום עיוור גורם לנזק סביבתי ואגרונומי.
7. מה המשמעות של 'צריכת מים מהצומח' (איידוי, ET) המשמשת בהחלטות השקיה?
- א) כמות המים הנכנסת לקרקע רק באמצעות משקעים
- ב) איבוד מים מוחלט דרך אידוי מהאדמה ושידור מהצמח ✔
- ג) מוליכות חשמלית של הקרקע
- ד) ערך לחץ בצינור ההשקיה
הסבר: אופוטרנספירציה היא אובדן המים הכולל מהקרקע לאטמוספירה באמצעות אידוי ושידור מהצמח. על ידי הכפלת אסמכתא ET עם מקדם היבול (Kc), אומדן הצורך למים בפועל של המוצר (ETc) ומתוכננת השקיה לפי מאזן מים זה. ET אינו גשם או מליחות קרקע; הוא מייצג את הצד היוצא של תקציב המים.
8. מהנדס שראה סימפטומים על העלה נתן את תיאור התמונה ל-AI וקיבל אבחנה מקדימה. מה חובה לפני תרגום אבחנה זו להחלטת הדברה?
- א) אישור הסוכן בשטח/מעבדה ובחירת תרופה מורשית ומסומנת ✔
- ב) נטילת מספר תרופות שונות יחד, ליתר ביטחון
- ג) יש למרוח את החומר הפעיל מיד כל מה ש-AI אומר.
- ד) בחרו את ההדברה הזולה ביותר ומרחו על כל השדה
הסבר: אבחנה מוקדמת מהתמונה בלבד אינה מספקת בשל גורמים שונים (פטרייתי, חיידקי, ויראלי, מחסור ברכיבים תזונתיים, מתח אביוטי) הגורמים לתסמינים דומים. יש לאשר את הגורם עם דגימת שטח ובמידת הצורך אבחון מעבדה, ולאחר מכן לבחור רק תרופה המורשית לאותו סוכן ולאותו מוצר ומתאימה לתוויתו. יישום חומר הדברה רחב טווח ללא אימות יוצר סיכון לעמידות ושאריות.
9. מהי מטרת תפיסת ה-GDD (Growth Degree Day) המשמשת תדיר בתמיכה בהחלטות חקלאיות?
- א) בעקבות ערך ה-pH של הקרקע
- ב) חיזוי שלבי התפתחות צמחים והופעת מזיקים על ידי הצטברות חום ✔
- ג) מדידת קצב זרימת צינור השקיה
- ד) חישוב מחיר השוק של המוצר
תיאור: GDD הוא סך החום שנצבר על ידי הפחתת טמפרטורת בסיס מהטמפרטורה הממוצעת היומית ומשמש להערכת שלבי ההתפתחות (פנולוגיה) של הצמח וזמן הופעתם של מזיקים מסוימים. כך ניתן לתכנן חלונות ריסוס, דישון וקציר לפי הצטברות חום ולא לפי לוח שנה. GDD אינו pH של הקרקע או כמות גשם ישירה.
10. איזו מהמשפטים הבאים היא ההצהרה המדויקת ביותר עבור מודל חיזוי תשואה שהוקם עם למידת מכונה?
- א) חוזה את העתיד במדויק וללא שגיאות
- ב) הוא מבוסס על דפוסי עבר; יש לתת עם טווח אי ודאות ולאמת ✔
- ג) זה תמיד עובד באותו דיוק בתנאים שאינם נתוני אימון.
- ד) הוא מקבל ההחלטות הסופי היחיד ללא מידע אגרונומי
תיאור: מודל למידת מכונה מבוסס על דפוסים שהוא רואה בנתונים היסטוריים; הביטחון פוחת כאשר תנאי הקלט נופלים מחוץ לנתוני האימון (מגוון חדש, אקלים חריג). לכן, התפוקה צריכה להינתן עם טווח אי ודאות, לא נקודה, ויש לאמת אותה עם תשואה היסטורית ואמות מידה. המודל אינו יודע את העתיד בוודאות ואינו עובד באותו דיוק בכל התנאים.
11. מה השיטה הטובה ביותר לפני הפעלת קוד ניתוח Python/Pandas שנוצר על ידי בינה מלאכותית?
- א) החלת הקוד ישירות על כל מערך הנתונים מבלי לקרוא אותו
- ב) בדיקה עם נתוני מדגם קטן עם תוצאות ידועות ובדיקת נוסחאות ויחידות ✔
- ג) בהתחשב בכך שסתם עבודה ללא שגיאות מספיקה.
- ד) הכנסת הפלט לדוח מבלי לבדוק אותו כלל
תיאור: אמנם הקוד שנוצר על ידי AI עשוי להיראות תקין, אך הוא עשוי להכיל יחידה, שם עמודה, נוסחת אינדקס או שגיאות לוגיקה מסנן. תרגול טוב הוא להריץ באופן ידני את התוצאה מול מדגם קטן של נתונים שאתה מכיר, להשוות אותו לפלט הצפוי ולבדוק נוסחאות כמו NDVI מול המקור. החלת קוד על נתונים גדולים מבלי לראות אותו מעבירה באגים שקטים לייצור.
12. מדוע מחברת ניהול התרופה קריטית ברשומות העקיבות?
- א) רק כדי לקבל ניכוי מס
- ב) מספק תיעוד שניתן לאימות עבור תאימות ל-MRL, הסמכה ומעקב אחר אצווה ✔
- ג) רק להשוואה עם שדות סמוכים
- ד) הכנת חוברות פרסום
תיאור: ספר ניהול תרופות; הוא מתעד איזה מוצר, איזה חומר פעיל, באיזה מינון ותאריך נעשה בו שימוש, ואת תקופת ההמתנה בין היישום האחרון לקציר. רישום זה הוא חובה לעמידה במגבלת שאריות מקסימלית (MRL), אגרונומיה/הסמכה אורגנית טובה ומעקב אחר אצווה אם מתרחשת בעיה. זה לא נשמר רק למעקב אחר עלויות או פרסום.
13. כלי AI דיווח בביטחון על מזיק שלא נמצא באזור כ'איום נפוץ'. איזה מושג יכול להסביר בצורה הטובה ביותר את המצב הזה?
- א) שגיאת כיול חיישן
- ב) הזיה: הפקת מידע שאינו קיים בשפה בטוחה ✔
- ג) הפסקת חיבור לרשת
- ד) היעדר נתוני גשמים
הסבר: זה נקרא הזיה כאשר המודל מייצר מידע שאינו קיים בפועל או אינו תואם את ההקשר, כאילו הוא אמיתי, שוטף ובטוח. המסנן של סבירות אגרונומית (האם האקלים ודפוס היבול של האזור מתאים לאותו מזיק?) ועדויות בשטח תופסים שגיאות כאלה לפני החתימה. זו אינה תקלה בחיישן או שגיאה ביחידה.
14. כיצד יש להגדיר את תפקידה של הבינה המלאכותית בהחלטות חקלאיות קריטיות לבטיחות ולאיכות (למשל מינון חומרי הדברה, מרשם דשן, תוכנית השקיה)?
- א) הרשות המוסמכת שמחליטה לבדה
- ב) מערכת אוטומטית המחליפה אישור אגרונום מוסמך
- ג) עוזר המפיק טיוטות והצעות ומשאיר את ההחלטה למומחה ✔
- ד) מקור מידע מדויק שאינו דורש אימות
תיאור: בינה מלאכותית; זהו עוזר שמייצר קווי מתאר, מסכם נתונים ומציע השערות. המילה האחרונה בהחלטות קריטיות היא של מהנדס החקלאות המוסמך, הבקיא בתצפית בשטח, בכיול מקומי ובחקיקה; פלט AI אינו מחליף אישור זה. בכל הנוגע למוצר, איכות הסביבה ומזון, האחריות היא על מומחה החתימה.