רווחים:
- יכולת לבסס זרימת אבחון ראשוני והיגיון משולב של ניהול מזיקים (IPM) עם AI מתמונות עלים/פירות
- יכולת להמיר את תיאור הסימפטום להנחיה מובנית ולייצר רשימה של גורמים אפשריים ואבחון מבדל
- יכולת למנוע שימוש לרעה על ידי אישור אבחנה של AI עם דגימת שטח, מעבדה ותווית תרופה מורשית
עד שמבחינים במחלה או במזיק בשטח, לרוב זה מאוחר מדי; אבחון מוקדם ומדויק הוא הדבר היחיד שחוסך ביעילות. אבל האבחנה היא אחת ההחלטות הקשות בחקלאות: אותו הצהבה יכול להיגרם מעשרים גורמים שונים, אותה נקודה יכולה להיות סימן למחסור בפטריות, חיידקים או חומרי תזונה. בינה מלאכותית היא כלי שמשך תשומת לב רבה בתחום זה בשנים האחרונות: יישומים שאומרים "זה יכול להיות טחב אבקתי" מתמונה של עלה הפכו נפוצים. יחידה זו מלמדת את הכוח האמיתי, וחשוב מכך - את הגבולות המסוכנים של אבחון AI מבוסס תמונה; מראה לך איך לחבר AI להחלטה הנכונה, לא לריסוס שגוי, במסגרת של הדברה משולבת (IPM). הרשו לנו להזהיר אתכם מההתחלה: בחירת התרופה והמינון הם קריטיים לבטיחות; AI מציע אבחנה מוקדמת, המהנדס המורשה מאשר את האבחנה והמרשם.
מדוע אבחון תמונה קשה?
אפילו העין האנושית מתעתעת; הרבה יותר קל להיות שולל על ידי דוגמנית. ראשית, דמיון סימפטומים: כתם עלה פטרייתי, כתם חיידקי ומחסור באבץ יכולים להיראות דומים מאוד על העלה. שנית, חוסר הקשר: הדוגמנית רואה את התמונה אבל לא יודעת את האזור, את האקלים, את היסטוריית היבול, האם המזיק הזה קיים באותו אזור - כך שהוא עשוי לרמז על מחלה שמעולם לא נמצאה באזור (הזיה). שלישית, איכות הצילום: אור, זווית, רזולוציה משנים באופן קיצוני את האבחנה. שלב רביעי: סימפטום מוקדם ותסמין מתקדם נראים שונים מאוד. זו הסיבה ש-Image AI אינו אבחנה, אלא התחלה של אבחנה מבדלת - עוזר שמפרט סיבות אפשריות ואומר לך היכן לחפש.
מסגרת ניהול מזיקים משולבת (IPM).
הגנת הצומח המודרנית לא עובדת עם ההיגיון של "נתראה עם חומרי הדברה", אלא עם ההיגיון של IPM (Integrated Pest Management באנגלית): קודם כל לנטר ולאבחן נכון, לאחר מכן לבדוק את סף הנזק הכלכלי (היא צפיפות המזיקים ברמה שמצדיקה התערבות), להעריך אמצעים תרבותיים וביולוגיים, להפעיל הדברה כימית כמוצר אחרון וממוקד ובזמן הנכון. בינה מלאכותית יכולה לעזור בכל חוליה בשרשרת הזו - השערה אבחנתית, תזכורת לסף, רשימת אמצעים חלופיים - אבל היא לא מקבלת החלטות בשום חוליה לבדה.
טיפ: במקום לשאול את הבינה המלאכותית "איזו תרופה עליי לרשום", שאלו "אילו גורמים מצביעים על סימפטום זה וכיצד אני מבדיל כל אחד מהם בשטח?" השאלה הראשונה מובילה אותך לתרופה הלא נכונה, השנייה לאבחנה הנכונה.
הגדרת תיאור הסימפטום
גם ללא תמונות, תיאור סימפטום טוב מניב אבחנה מבדלת חזקה מ-AI. תיאור טוב כולל: יבול ומגוון, שלב התפתחותי, מיקום התסמין (עלה עליון/תחתון, פרי, גבעול, שורש), צבע וצורה (כתם, הילה, הצהבה, נבילה), תפוצה (חלקית, בין ורידית, שדה שלם), תזמון (לאחר גשם) ומצב סביבתי (לחות, טמפרטורה). מתכון מובנה זה מקטין את הניחוש של הדגם.
שלושה מיני מארזים: לפי המספרים
מקרה 1 - הדרכה נכונה. הופעת כתמי שמן צהובים על העלים בכרם תוארה ל-AI; AI קידם את השערת הטחב הפלומי והציע שליטה באפר לבן על פני העלים התחתונים. סימפטום זה אושר בשטח, הדגימה נשלחה למעבדה, וכאשר אושרה האבחנה בוצעה התערבות בזמן במוצר המורשה; התפשטות נותרה מוגבלת.
מקרה 2 - לכידת הזיה. בחממת עגבניות, ה-AI הציע "נזק אפשרי של ארבה מדברי" מהסימפטום. עם זאת, התסמין בחממה היה דפוס מזיק (זבוב לבן) מוצץ וארבה מדברי לא היה בעיה באזור/מצב זה. מסנן הסבירות האגרונומית (יבול, סביבה, גיאוגרפיה) ביטל את ההצעה השגויה; הסוכן האמיתי אושר עם המלכודת הדביקה הצהובה.
מקרה 3 - מזון או מחלה? המראה של הצהבה בין הוורידים בשדה תירס עלה כ"מחלה אפשרית". המהנדס ידע שתבנית הביניים היא דפוס חוסר מגנזיום קלאסי; ניתוח עלים אישר זאת. תוספי מגנזיום, לא תרופות, היו הפתרון; נמנע יישום הדברה מיותרת ומזיקה.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
יש כתם צהוב על העלה, באיזו תרופה עלי להשתמש?
הנחיה עוצמתית:
תפקידך: אגרונום מומחה להגנת הצומח (גישת IPM). בצע אבחון דיפרנציאלי לפי תיאור הסימפטומים שלהלן; לא לאבחן, להמליץ על תרופה. סימפטום: יבול [..], שלב [..], מיקום [עלה/תחתון..], צבע/צורה [..], הפצה [חלקי/שדה שלם], תזמון [אחרי גשם..], מצב [לחות/טמפרטורה]. משימה:- רשום 3-5 גורמים אפשריים (פטרייתית/חיידקית/ויראלית/מזיקה/מזינה/אביוטית).- כל גורם כתוב את הבדיקה האחת שתאפשר לי להבחין בשטח/מעבדה.- להעלים גורמים שאינם סבירים לאזור/מוצר ולציין מדוע.- מה עלי לבדוק לגבי סף הנזק הכלכלי וחלופות IPM?
הנחיה עוצמתית מכוונת בינה מלאכותית לאבחון ואימות מבדל, שומרת על סמכות האבחון והמרשם, אוכפת מסנן סבירות ומסגרת IPM.
ארבע תבניות הניתנות להעתקה
1) רשימת אבחנה מבדלת:
תן 3-5 גורמים אפשריים לתיאור סימפטום זה לפי סדר ההסתברות. לכל אחד: הבדל סימפטומים אופייני, שיטת בידול בשטח, האם הוא גדל מהר. לא לאבחן.
2) מסנן סבירות:
מרשימת הגורמים הזו, הסר את אלה שאינם סבירים לאזור/האקלים/היבול/עונה שנתתי ורשום את הסיבה לכל חיסול. סמן את השאר כ"אמת בשטח".
3) תוכנית דגימה ואימות:
איך לקחת את הדגימה הנכונה למחלה החשודה (איזו רקמה, כמה צמחים, איך לאחסן אותה), איזו בדיקת מעבדה מתבקשת? כתוב צעד אחר צעד.
4) מסגרת החלטות IPM:
בהנחה שסוכן [אושר]: (1) בדוק מהו סף המפגע הכלכלי, (2) חלופות תרבותיות/ביולוגיות, (3) כימיקלים במידת הצורך תאימות למוצר ותווית, ניהול עמידות. מינון; הצג את הפריטים שיש לבדוק.
סוג סוכן
טיפ טיפוסי
לא להפלות
פטרייתי
כתם + אפר/טחב, מתגבר עם הלחות
מיקרוסקופ/תרבות
חיידקי
כתם מימי, הילה, ריח רע
בדיקת מעבדה
ויראלי
פסיפס, דפורמציה, וקטור
בדיקת סרולוגית/PCR
מזיק
חור, מוצץ, חרק חי
מלכודת, ספירה ויזואלית
מחסור תזונתי
תבנית סימטרית/בין-גרעינית
ניתוח עלים
אביוטי
נזקי כפור/שמש/תרופות
היסטוריה + הפצה
טעויות נפוצות
- בהנחה שאבחון התמונה הוא סופי. צילום יוזם אבחנה מבדלת, לא אבחנה; נדרשים דגימה ומעבדה.
- עקיפת אזור סבירות. הדגם עשוי להציע מזיק שאינו קיים באזור; לסנן דרך גיאוגרפיה/אקלים.
- שוכחים את הסיבה התזונתית/אביוטית. תסמינים רבים "דמומי מחלה" נובעים ממחסור או נזקי שמש/כפור/תרופות.
- ריסוס מבלי לחצות את הסף. לא כל מה שנראה ב-IPM דורש התערבות מזיקה; ראה סף נזק כלכלי.
- התעלמות מהרישיון ומהתווית. תרופות ללא רישיון או מינון שגוי במוצר יוצר סיכון לשאריות ועמידות.
שימו לב: ריסוס על בסיס אבחון שגוי הוא נזק משולש: המחלה לא נפסקת, אורגניזמים מועילים מתים, נוצרים שאריות וזנים עמידים במוצר. לא מתקבלות החלטות תרופתיות עד לאישור האבחנה.
לסיכום
אבחון בינה מלאכותית מבוסס תמונה הוא כלי ראשוני רב עוצמה, אך בשל דמיון סימפטומים, חוסר הקשר והזיה, זוהי אבחנה מבדלת, לא אבחנה. הגישה הנכונה היא מסגרת ה-IPM: פירוט גורמים אפשריים עם תיאור סימפטום מובנה, סינון סבירותם, אימות בשטח ובמעבדה, בדיקת הסף הכלכלי והתערבות רק במידת הצורך עם תרופה מורשית וממוקדת. AI מציע אבחון ראשוני; האחריות לאבחון ולמרשמים היא של מהנדס החקלאות המורשה.
משימת יישום
כתבו תרחיש סימפטומים (למשל "עגבנייה, תקופת פריחה, הצהבה בין הוורידים על העלים התחתונים, חזקה בפינה עם לחות נמוכה של השדה"). תן אותו ל-AI עם תבניות "רשימת אבחנה מבדלת" ו"מסנן סבירות" מיחידה זו. בפלט, העריכו כמה סוגים שונים של גורמים ה-AI מציע, האם הוא מחשיב גורם תזונתי/אביוטי, והאם הוא נותן המלצה בלתי סבירה לאזור. עבור כל גורם, רשום את המבחן המבחין שהיית מסתכל עליו בשטח.
רשימת בדיקה
- [ ] תיארתי את הסימפטום כמובנה (מוצר, שלב, מיקום, צבע, תפוצה, מצב).
- [ ] קיבלתי את פלט הבינה המלאכותית כאבחנה מבדלת, לא כאבחנה.
- [ ] יישמתי את מסנן סבירות האזור/האקלים/מוצר.
- [ ] אישרתי את הסוכן עם דגימת שטח ומעבדה במידת הצורך.
- [ ] בדקתי את סף ה-IPM ותכננתי רק התערבות מורשית, תואמת תווית, עם אישור מהנדס.