Ieguvumi:
- Spēja noteikt, kur mākslīgais intelekts ietaupa reālo laiku lauksaimniecības inženierijas darbplūsmā un par kādiem lēmumiem ir jāatbild agronomam
- Spēja pielietot trīs enkura disciplīnas, kas savstarpēji apstiprina katru AI izvadi ar lieluma secību, agronomisko ticamību un lauka pierādījumiem
- Atzīstiet neskaidrības, halucināciju un lauksaimnieku datu privātuma riskus un izveidojiet ieradumu iestatīt drošas uzvednes, anonimizējot kontekstu.
Lauksaimniecības inženierija ir māksla pārvaldīt dzīvu sistēmu - augsni, augus, klimatu un cilvēkus - vienlaikus. Lauks nekad nav divreiz vienāds: vienas un tās pašas sēklas, tas pats mēslojums, viena un tā pati apūdeņošana dažādos gados dod atšķirīgu ražu, jo pastāvīgi ietekmē laikapstākļi, augsnes mitrums, slimību spiediens un simtiem mainīgo lielumu. Tāpēc lauksaimniecība ir profesija, kas pēc būtības darbojas ar nenoteiktību. Mākslīgais intelekts (AI; programmatūras sistēmas, kas mācās no lieliem datu modeļiem un veido tekstu, attēlus vai skaitļus) ir spēcīgs instruments šīs nenoteiktības pārvaldīšanai, taču tas ir arī rīks, kas var slēpt to pašu nenoteiktību bīstami spilgtā valodā. Šī vienība liek divus pamatus, uz kuriem tiks veidots viss modulis: kur lauksaimniecības darbplūsmā mākslīgais intelekts rada reālu vērtību un kā mēs apstiprinām katru rezultātu.
Būsim skaidrs jau no paša sākuma: neviena no metodēm, kuras jūs apgūsit šajā modulī, neaizstās kvalificēta lauksaimniecības inženiera (agronoma) parakstu, lauka novērošanu un inženiertehnisko spriedumu. Mākslīgais intelekts ir palīgs; Ātri lasa, ātri raksta, tver rakstus. Bet, ja nepareiza mēslojuma recepte piesārņo straumes gultni, ja nepareiza pesticīdu deva atstāj nogulsnes uz ražas un pasliktina pārtikas drošību, ja kļūdains apūdeņošanas plāns padara augsni neauglīgu, atbildība gulstas nevis uz programmatūru, bet gan uz inženieri, kurš to parakstījis. Jūs redzēsiet šo teikumu dažādās formās katrā moduļa vienībā, jo tā ir vienīgā patiesība profesijā, kurā ir apdraudēta vides un pārtikas drošība.
Kur mākslīgais intelekts rada vērtību lauksaimniecības darbplūsmā?
Agronoma nedēļa ir aptuveni sadalīta trīs darba veidos: datu sagatavošana (augsnes analīzes pārskatu lasīšana, lauka piezīmju rediģēšana, sensoru tabulu tīrīšana), interpretācija un analīze (augu veselības novērtējums, slimību diagnostika, mēslojuma un apūdeņošanas plānošana, ražas novērtēšana) un komunikācija (lauksaimnieka ziņojums, recepte, sertifikācijas ieraksts, oficiāla sarakste). AI skar visas trīs jomas, taču tā ieguldījums un risks katrā ir atšķirīgs.
Datu sagatavošana ir visdrošākā un ienesīgākā mākslīgā intelekta joma. Izkliedētu lauka novērojumu pārvēršana standarta izklājlapā, dažādu laboratoriju atskaišu formātu apvienošana vienā veidnē, novirzes atzīmēšana tūkstošiem mitruma sensoru ierakstu rindu — šie ir uzdevumi, kas atkārtojas, ir balstīti uz kārtulām un ir viegli pārbaudāmi. Pat ja šeit ir kļūda, būs nepieciešamas minūtes, lai atgrieztos pie avota (neapstrādāti dati) un pārbaudītu to.
Interpretācijas un analīzes jomai ir visaugstākā vērtība un vislielākais risks. AI var ieteikt iespējamo ūdens slodzes zonu no NDVI kartes; Tas var atklāt modeli, ko pat pieredzējusi acs var palaist garām lielā laukā. Bet tas pats modelis var droši aprakstīt slimību, kas šajā reģionā nepastāv, kā "plaši izplatītu draudu". Kad modelis rada informāciju, kas patiesībā neeksistē, it kā tā būtu īsta, to sauc par halucinācijām. Šajā jomā AI ir hipotēžu ģenerators, nevis lēmumu pieņēmējs.
Sakaru jomā mākslīgais intelekts ir vilkmes paātrinātājs. Tā dažu minūšu laikā sagatavo lauksaimnieku informācijas ziņojumu, literatūras kopsavilkumu vai sertifikācijas pieteikuma tekstu. Šeit pastāv risks, ka safabricēti avoti un nepareizas devas plūstošā tekstā var nepamanīti nonākt pie lauksaimnieka vai auditējamā.
Padoms. Pirms dot darbu AI, pajautājiet sev: "Kā es varu zināt, vai šī izvade ir nepareiza un cik ilgs laiks būs nepieciešams, lai to labotu?" Ja atbilde ir minūtes (datu tīrīšana), izmantojiet to ērti; Ja atbilde ir "Es nesapratīšu, kamēr produkts nav bojāts" (lēmums par devu), noteikti pārbaudiet neatkarīgi.
Validācijas disciplīna: Trīs enkuru noteikums
Šī moduļa būtība ir viens ieradums: agronomiskā lēmumā neiekļaut nekādu AI izvadi, to neapstiprinot. Mēs pamatojam validāciju uz trim neatkarīgiem enkuriem.
Pirmais enkurs – lieluma kārtība. Vai rezultāts ir aptuveni paredzētajā diapazonā no 10? Tīra slāpekļa nepieciešamība uz vienu reizi kviešos parasti ir 10–18 kg; Ja modelis zaudē 60 kg vienā dekrētā, ir vienības vai rediģēšanas kļūda un to var saprast, neiedziļinoties detaļās. Pilienveida apūdeņošanas sistēmas plūsmas ātrums ir litri stundā; Ja modelis dod kubikmetrus, tas ir absurds. Šī pārbaude aizņem sekundes un konstatē lielāko daļu kļūdu.
Otrais enkurs - Agronomiskais saprātīgums. Vai produkcija atbilst ražas bioloģijai un reģiona klimatam? Ja modelis iesaka ziemas kviešus stādīt vasaras vidū; vai arī, ja par galveno apdraudējumu tā uzskata tropu kaitēkli, kas reģionā nekad nav redzēts, tad ir vai nu būvniecības kļūda, vai arī modelis ir muļķīgs. Kultūras fenoloģija (attīstības posmi), augsnes tips un vietējais klimats ir ticamības filtrs, kas jāiztur katram priekšlikumam.
Trešais enkurs — lauka pārbaude. Šis ir spēcīgākais enkurs. Paraugs ņemts ar augsnes urbi, lapu analīze, vizuāla skaitīšana uz lauka, mitruma sensora nolasīšana. Stresa signāls no satelīta tiek pārbaudīts, dodoties uz to pašu apgabalu un aplūkojot augu. Iepriekšēja slimības diagnoze tiek apstiprināta, ņemot paraugu un laboratorijā. Pamata patiesība vienmēr uzvar.
Trīs mini futrāļi: pēc skaitļiem
1. gadījums — augsnes pārskata interpretācijā ietaupītais laiks. Lauksaimniecības inženieris manuāli apkopoja 38 dažādu zemes gabalu augsnes analīzes ziņojumus (katru citā laboratorijas formātā); vidēji 20 minūtes vienam ziņojumam, kopā aptuveni 13 stundas. Izmantojot AI darbinātu diagrammu darbplūsmu, viņš samazināja pirmo uzmetumu līdz 4 minūtēm vienam ziņojumam, bet atlikušo laiku veltīja sliekšņu manuālai apstiprināšanai. Kopējais laiks samazinājās līdz aptuveni 5 stundām; Svarīgi bija tas, ka iegūtais laiks tika tērēts kontrolei.
2. gadījums — fiksētas halucinācijas. Kad stažieris lika AI apkopot vīna dārza slimības vēsturi, tekstā tika iekļauts teikums “Reģionā dominējošais citrusaugļu Huanglongbing (HLB) spiediens”. Tomēr gabalā bija vīna dārzi (vīnogas), nevis citrusaugļi; Modelis bija sajaucis cita produkta informāciju. Agronomiskās ticamības filtrs (ražas modelis neatbilda HLB) konstatēja kļūdu pirms ziņojuma parakstīšanas.
3. gadījums — vienības kļūda. Vienā mēslojuma aprēķinā modelis sajauca ieteikumu par vienu hektāru ar vienu hektāru, palielinot slāpekļa devu par koeficientu 10 (jo 1 hektārs = 10 dekāras). Pārbaude pēc lieluma - "šajā pakā nedrīkst būt 15 kg, bet 150 kg tīra slāpekļa" - uzreiz atklāja kļūdu. Ja tas būtu īstenots, būtu radušies gan ekonomiskie zaudējumi, gan nitrātu piesārņojums.
Vāja uzvedne / spēcīga uzvedne
Uzvedne ir rakstiska instrukcija, ko sniedzat AI; Tās kvalitāte tieši nosaka produkcijas kvalitāti.
Vāja uzvedne:
Novērtējiet šī lauka stāvokli un pastāstiet man, kas man jādara.[dati]
Spēcīga uzvedne:
Jūsu loma: vecākais lauksaimniecības inženieris (agronoms). Interpretējiet tālāk norādītos lauka datus, TIKAI pamatojoties uz sniegto informāciju. - Nepievienojiet nevienu produktu, slimību, mēslojumu vai vērtību, kas nav datos. - Parādiet datu rindu, uz kuras pamata izmantojat, ar iekavām blakus katram komentāram. - Rakstiet "dati nepietiekami", ja neesat pārliecināts, neizdariet minējumus. - Nesniedziet devu un zāļu ieteikumus; Tā vietā izveidojiet atsevišķu sarakstu ar 3 pieņēmumiem, kas ir jāpārbauda. Dati: [lauka dati]
Spēcīgā uzvedne modelim uzliek trīs lietas: pieturēties pie avota, atzīt nenoteiktību un atstāt kritisko lēmumu (devu) inženiera ziņā. Tas pilnībā neizbeidz halucinācijas, bet padara to redzamu.
Četras kopējamas veidnes
1) Anonimizēta konteksta izveide:
Vēlos palīdzību lauksaimniecības inženiera uzdevumā. Lauksaimnieka vārds, lauka koordinātas, zemes gabala ID un informācija par izmaksām ir KONFIDENCIĀLI; Es tos došu ar reprezentatīviem izteicieniem, piemēram, "Farmer-A", "Plot-1", "X koordināta". Uzdevums: [uzdevums]. Nepievienojiet svešus pieņēmumus, pamatojoties tikai uz manis sniegtajiem tehniskajiem datiem.
2) Trīs enkura verifikācijas pieprasījumi:
Trīs reizes pārbaudiet šādu rezultātu: 1) lieluma secība: vai katrs skaitlis ir paredzētajā diapazonā attiecībā uz kultūru/reģionu?2) Agronomiskā ticamība: vai ir pretrunīgs apgalvojums ar kultūraugu bioloģiju/klimatu?3) Pārbaudes saraksts: vienumi, kas jāapstiprina laukā/laboratorijā.Izvade: [teksts]
3) Neskaidrības nodrošināšana:
Sniedziet savu interpretāciju trīs ticamības līmeņos: - Augsta ticamība (tieši pamatota ar datiem) - Vidēja ticamība (saprātīgs agronomiskais secinājums) - Zema ticamība (spekulācijas; nepieciešams apstiprinājums uz lauka) Uzrakstiet katru vienumu, norādot tā līmeni.
4) Sarkanā karoga pārbaude pirms lēmuma pieņemšanas:
Uzskaitiet 3 visnopietnākos riskus (vides, pārtikas nekaitīguma, ekonomiskie), kas varētu rasties, ja ievērošu šo ieteikumu un katrai no tām agrās brīdinājuma zīmes.
Pamatjēdzienu tabula
termiņš
Nozīme
Kāpēc tas ir svarīgi?
agronoms
Lauksaimniecības inženieris, lauksaimnieciskās ražošanas speciālists
Galīgā atbildība par kritiskiem lēmumiem
halucinācijas
AI ar pārliecību rada neesošu informāciju
Lielākais risks uzticēties bez pārbaudes
fenoloģija
Auga attīstības stadijas (dīgšana, ziedēšana...)
Plānošanas lēmumu pamats
Pamata patiesība
Tieša novērošana/mērīšana uz lauka
Visu attālo datu autentifikācijas enkurs
NDVI
Veģetācijas vitalitātes indekss
Būtisks rīks veselības attālinātai uzraudzībai
Biežas kļūdas
- Plūsmu sajauc ar precizitāti. AI skaistā, pārliecinātā turku valoda nenorāda, ka izvade ir pareiza; Visbīstamākās halucinācijas ir visplūstošākās.
- Domājot, ka pārbaude ir laika izšķiešana. Ja jūs netērējat ietaupīto laiku, lai pārbaudītu, AI paātrinās kļūdu jūsu vietā.
- Sensitīvu datu kopīgošana, kādi tie ir. Lauksaimnieku koordinācija, raža un izmaksas ir īpašumtiesību un konfidencialitātes jautājumi; Nekopīgojiet bez anonimizācijas.
- Lēmumu par kritisko devu atstājot AI ziņā. Mēslojuma, pesticīdu un apūdeņošanas devām nepieciešama lauka kalibrēšana un likumdošana; AI ražo tikai melnrakstus.
- Būt apmierinātam ar vienu enkuru. Aplūkojot tikai lieluma secību un izlaižot ticamību un lauka pierādījumus, tiek apietas smalkas kļūdas.
Uzmanību: kad AI saka: "šajā apgabalā ir slimība X", tā ir hipotēze, nevis diagnoze. Diagnoze; Paraugu ievieto ar laboratorijas un pilnvarotā inženiera apstiprinājumu.
Rezumējot
Mākslīgais intelekts ir drošākais rīks datu sagatavošanā, saziņas paātrinātājs, kā arī vērtīgākais un riskantākais rīks interpretācijā un analīzē lauksaimniecības inženierijā. Šī moduļa mugurkauls ir trīs enkura disciplīnas: katras izvades pārbaude pēc lieluma, agronomiskās ticamības un lauka pierādījumiem. Halucinācijas ir reālas, raitums nav precizitāte, un atbildība par kritiskiem lēmumiem vienmēr gulstas uz parakstītāju agronomu. Nākamajās vienībās mēs šo disciplīnu piemērosim precīzajai lauksaimniecībai, NDVI, augsnei, apūdeņošanai, slimībām, klimatam, ražībai, Python un izsekojamībai pa vienam.
Lietojumprogrammas uzdevums
Laukam, kas jums ir (vai reprezentatīvam), vispirms uzdodiet AI vāju uzvedni ("Kas man jādara šajā laukā?"), pēc tam to pašu jautājumu ar spēcīgas uzvednes veidni šajā vienībā. Novietojiet abus izvadus blakus un atzīmējiet: (1) kuri teikumi satur informāciju, kas nav iekļauta datos (kandidāta halucinācijas), (2) kuri skaitļi neatbilst lieluma pārbaudei, (3) 3 vienumi, kas jums jāpārbauda laukā. Vienā rindkopā ierakstiet, kuras kļūdas spēcīgā uzvedne padara redzamas.
kontrolsaraksts
- [ ] Es klasificēju uzdevumu kā datu sagatavošanu / interpretāciju / saziņu un noteicu riska līmeni.
- [ ] Es anonimizēju lauksaimnieka identitāti, koordinātas un informāciju par izmaksām.
- [ ] Es pārbaudīju produkcijas izmēru, agronomisko ticamību un lauka pierādījumus.
- [ ] Es atzīmēju halucinācijas kandidātu teikumus un aizvedu tos atpakaļ uz avotu.
- [ ] Es atstāju lēmumu par kritisko devu/zāļu/apūdeņošanu pilnvarotā inženiera ziņā.