Lợi nhuận:
- Khả năng nhận biết AI tiết kiệm thời gian thực ở đâu trong quy trình kỹ thuật nông nghiệp và quyết định nào vẫn là trách nhiệm của nhà nông học
- Khả năng áp dụng ba nguyên tắc neo xác thực chéo từng đầu ra AI theo thứ tự cường độ, tính hợp lý về mặt nông học và bằng chứng thực địa
- Nhận biết các rủi ro về sự mơ hồ, ảo giác và quyền riêng tư dữ liệu của nông dân, đồng thời tập thói quen thiết lập các lời nhắc an toàn bằng cách ẩn danh bối cảnh.
Kỹ thuật nông nghiệp là nghệ thuật quản lý đồng thời một hệ thống sống - đất, thực vật, khí hậu và con người. Một cánh đồng không bao giờ giống nhau hai lần: cùng một hạt giống, cùng một loại phân bón, cùng một cách tưới tiêu mang lại năng suất khác nhau trong những năm khác nhau vì thời tiết, độ ẩm của đất, áp lực dịch bệnh và hàng trăm biến số liên tục tác động. Đó là lý do tại sao nông nghiệp là một nghề vốn hoạt động đầy bấp bênh. Trí tuệ nhân tạo (AI; hệ thống phần mềm học từ các mẫu dữ liệu lớn và tạo ra văn bản, hình ảnh hoặc số) là một công cụ mạnh mẽ trong việc quản lý sự không chắc chắn này, nhưng nó cũng là một công cụ có thể che giấu sự không chắc chắn tương tự bằng ngôn ngữ tươi sáng nguy hiểm. Đơn vị này đặt hai nền tảng để xây dựng toàn bộ mô-đun: trí tuệ nhân tạo tạo ra giá trị thực ở đâu trong quy trình làm việc nông nghiệp và cách chúng tôi xác thực từng đầu ra.
Hãy làm rõ ngay từ đầu: không có kỹ thuật nào bạn học trong suốt mô-đun này sẽ thay thế được chữ ký, quan sát hiện trường và đánh giá kỹ thuật của một kỹ sư nông nghiệp (nhà nông học) có trình độ. Trí tuệ nhân tạo là trợ lý; Đọc nhanh, viết nhanh, nắm bắt mẫu. Nhưng nếu kê đơn phân bón sai làm ô nhiễm lòng suối, nếu sai liều lượng thuốc trừ sâu để lại dư lượng trên cây trồng và làm ảnh hưởng đến an toàn thực phẩm, nếu kế hoạch tưới tiêu sai lầm khiến đất cằn cỗi, thì trách nhiệm không nằm ở phần mềm mà thuộc về kỹ sư đã ký nó. Bạn sẽ gặp lại câu này dưới các dạng khác nhau trong mỗi đơn vị của học phần, bởi vì đây là sự thật duy nhất trong một ngành nghề mà an toàn thực phẩm và môi trường đang bị đe dọa.
Trí tuệ nhân tạo tạo ra giá trị ở đâu trong quy trình làm việc trong nông nghiệp?
Một tuần của nhà nông học được chia thành ba loại công việc: chuẩn bị dữ liệu (đọc báo cáo phân tích đất, chỉnh sửa ghi chú hiện trường, xóa bảng cảm biến), diễn giải và phân tích (đánh giá sức khỏe cây trồng, chẩn đoán bệnh, lập kế hoạch phân bón và tưới tiêu, ước tính năng suất) và giao tiếp (báo cáo của nông dân, đơn thuốc, hồ sơ chứng nhận, thư từ chính thức). AI chạm đến cả ba lĩnh vực, nhưng sự đóng góp và rủi ro của nó ở mỗi lĩnh vực là khác nhau.
Chuẩn bị dữ liệu là lĩnh vực trí tuệ nhân tạo an toàn nhất và có lợi nhất. Biến các quan sát thực địa rải rác thành một bảng tính tiêu chuẩn, đưa các định dạng báo cáo khác nhau từ các phòng thí nghiệm khác nhau vào một mẫu duy nhất, gắn cờ các ngoại lệ trong hàng nghìn dòng hồ sơ cảm biến độ ẩm—đây là những nhiệm vụ lặp đi lặp lại, dựa trên quy tắc và dễ xác minh. Kể cả nếu có sai sót ở đây thì cũng phải mất vài phút để quay lại nguồn (dữ liệu thô) và kiểm tra.
Lĩnh vực diễn giải và phân tích mang lại giá trị cao nhất và rủi ro cao nhất. AI có thể đề xuất vùng áp lực nước có thể xảy ra từ bản đồ NDVI; Điều này có thể tiết lộ một mô hình mà ngay cả một con mắt có kinh nghiệm cũng có thể bỏ sót trên một cánh đồng rộng lớn. Nhưng mô hình tương tự có thể tự tin mô tả một căn bệnh không tồn tại ở khu vực đó là “mối đe dọa lan rộng”. Khi mô hình tạo ra thông tin không tồn tại trong thực tế như thể nó có thật thì gọi là ảo giác. Trong lĩnh vực này, AI là người tạo ra giả thuyết chứ không phải là người ra quyết định.
Trong lĩnh vực truyền thông, trí tuệ nhân tạo là một công cụ tăng tốc dự thảo. Nó soạn thảo một báo cáo thông tin về nông dân, một bản tóm tắt tài liệu hoặc văn bản đăng ký chứng nhận trong vài phút. Rủi ro ở đây là các nguồn bịa đặt và liều lượng không chính xác có thể đến tay nông dân hoặc đối tượng được kiểm toán mà không được chú ý trong một văn bản trôi chảy.
Mẹo: Trước khi giao công việc cho AI, hãy tự hỏi bản thân: “Làm sao tôi biết liệu kết quả đầu ra này có sai hay không và sẽ mất bao lâu để sửa nó?” Nếu câu trả lời là số phút (làm sạch dữ liệu), hãy sử dụng nó một cách thoải mái; Nếu câu trả lời là "Tôi sẽ không hiểu cho đến khi sản phẩm bị hỏng" (quyết định về liều lượng), hãy đảm bảo xác minh độc lập.
Kỷ luật xác nhận: Quy tắc ba mỏ neo
Trọng tâm của mô-đun này là một thói quen duy nhất: không kết hợp bất kỳ đầu ra AI nào vào một quyết định nông học mà không xác nhận nó. Chúng tôi xác thực dựa trên ba điểm neo độc lập.
Mỏ neo đầu tiên - Thứ tự độ lớn. Kết quả có nằm trong phạm vi công suất dự kiến là 10 không? Nhu cầu nitơ tinh khiết trên mỗi decare ở lúa mì thường vào khoảng 10-18 kg; Nếu mô hình giảm 60 kg mỗi lần thì có lỗi đơn vị hoặc chỉnh sửa và có thể hiểu được nếu không đi sâu vào chi tiết. Tốc độ dòng chảy của hệ thống tưới nhỏ giọt vào khoảng lít mỗi giờ; Nếu mô hình cho mét khối thì thật là vô nghĩa. Quá trình kiểm tra này mất vài giây và phát hiện được hầu hết các lỗi.
Mũi neo thứ hai - Tính hợp lý về mặt nông học. Sản lượng có phù hợp với đặc điểm sinh học của cây trồng và khí hậu của khu vực không? Nếu mô hình khuyến nghị trồng lúa mì vụ đông vào giữa mùa hè; hoặc nếu họ coi một loài gây hại nhiệt đới chưa từng được coi là mối đe dọa chính trong khu vực thì đó là do lỗi xây dựng hoặc mô hình là vô nghĩa. Hiện tượng học (các giai đoạn phát triển) của cây trồng, loại đất và khí hậu địa phương là bộ lọc tính hợp lý mà mọi đề xuất đều phải vượt qua.
Mỏ neo thứ ba - Bằng chứng thực địa. Đây là mỏ neo mạnh nhất. Mẫu được lấy bằng máy khoan đất, phân tích lá, đếm số trên hiện trường, đọc cảm biến độ ẩm. Tín hiệu căng thẳng từ vệ tinh được kiểm tra bằng cách đến cùng khu vực đó và quan sát nhà máy. Chẩn đoán sơ bộ bệnh được xác nhận bằng cách lấy mẫu và trong phòng thí nghiệm. Sự thật trên mặt đất luôn chiến thắng.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Tiết kiệm thời gian trong việc giải thích báo cáo đất. Một kỹ sư nông nghiệp đang tóm tắt thủ công các báo cáo phân tích đất của 38 lô đất khác nhau (mỗi lô ở một định dạng phòng thí nghiệm khác nhau); trung bình 20 phút cho mỗi báo cáo, tổng cộng khoảng 13 giờ. Với quy trình lập biểu đồ được hỗ trợ bởi AI, anh đã giảm thời gian soạn thảo đầu tiên xuống còn 4 phút cho mỗi báo cáo, thời gian còn lại dành cho việc xác thực các ngưỡng theo cách thủ công. Tổng thời gian giảm xuống còn khoảng 5 giờ; Điều quan trọng là thời gian đạt được được dành cho việc kiểm soát.
Trường hợp 2 - Bị ảo giác. Khi một thực tập sinh yêu cầu AI tóm tắt lịch sử bệnh tật của một vườn nho, văn bản có câu “Áp lực của cây cam quýt chiếm ưu thế Huanglongbing (HLB) trong khu vực”. Tuy nhiên, trong thửa đất có những vườn nho (nho) chứ không phải cây có múi; Người mẫu đã nhầm lẫn thông tin của một sản phẩm khác. Bộ lọc tính hợp lý về mặt nông học (mô hình cây trồng không tuân thủ HLB) đã phát hiện lỗi trước khi báo cáo được ký.
Trường hợp 3 - Lỗi đơn vị. Trong một lần tính toán phân bón, mô hình này đã nhầm lẫn giữa khuyến nghị trên mỗi decare với khuyến nghị trên mỗi ha, làm tăng liều lượng nitơ lên gấp 10 lần (vì 1 ha = 10 decare). Trình tự kiểm tra độ lớn - "bưu kiện này không thể chứa 15 kg mà chứa 150 kg nitơ nguyên chất" - ngay lập tức bộc lộ sai sót. Nếu nó được thực hiện, cả thiệt hại kinh tế và ô nhiễm nitrat sẽ xảy ra.
Nhắc yếu / Nhắc mạnh
Lời nhắc là hướng dẫn bằng văn bản mà bạn đưa ra cho AI; Chất lượng của nó quyết định trực tiếp đến chất lượng đầu ra.
Dấu nhắc yếu:
Đánh giá tình trạng của trường này và cho tôi biết tôi nên làm gì.[data]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Một kỹ sư nông nghiệp cấp cao (nhà nông học). CHỈ giải thích dữ liệu trường sau dựa trên thông tin đã cho. - Không thêm bất kỳ sản phẩm, dịch bệnh, phân bón hoặc giá trị nào không có trong dữ liệu. - Hiển thị dòng dữ liệu bạn dựa vào bằng dấu ngoặc đơn bên cạnh mỗi nhận xét. - Ghi “không đủ dữ liệu” ở chỗ không chắc chắn, đừng đoán mò. - Không đưa ra khuyến cáo về liều lượng và thuốc; Thay vào đó, hãy lập một danh sách riêng gồm 3 giả định cần được xác minh. Dữ liệu: [dữ liệu trường]
Lời nhắc mạnh mẽ áp đặt ba điều lên mô hình: bám sát nguồn, thừa nhận sự không chắc chắn và để lại quyết định quan trọng (liều lượng) cho kỹ sư. Điều này không chấm dứt hoàn toàn ảo giác nhưng nó khiến ảo giác trở nên hữu hình.
Bốn mẫu có thể sao chép
1) Thiết lập bối cảnh ẩn danh:
Tôi muốn được giúp đỡ với một bài tập kỹ thuật nông nghiệp. Tên nông dân, tọa độ cánh đồng, ID bưu kiện và thông tin chi phí là BÍ MẬT; Tôi sẽ cung cấp cho họ các biểu thức đại diện như "Nông dân-A", "Plot-1", "Tọa độ X". Nhiệm vụ: [nhiệm vụ]. Không thêm các giả định không liên quan chỉ dựa trên dữ liệu kỹ thuật mà tôi đưa ra.
2) Ba yêu cầu xác minh neo:
Thực hiện ba lần kiểm tra cho kết quả đầu ra sau:1) Thứ tự mức độ: mỗi số có nằm trong phạm vi dự kiến cho cây trồng/khu vực không?2) Tính hợp lý về mặt nông học: có tuyên bố nào mâu thuẫn với sinh học/khí hậu cây trồng không?3) Danh sách xác minh: các mục cần được xác nhận tại hiện trường/phòng thí nghiệm.Đầu ra: [văn bản]
3) Thực thi sự mơ hồ:
Đưa ra diễn giải của bạn ở ba mức độ tin cậy: - Độ tin cậy cao (được hỗ trợ trực tiếp bởi dữ liệu) - Độ tin cậy trung bình (suy luận nông học hợp lý) - Độ tin cậy thấp (suy đoán; cần phải xác nhận thực địa) Viết từng mục chỉ ra mức độ của nó.
4) Sàng lọc cờ đỏ trước khi quyết định:
Liệt kê 3 rủi ro nghiêm trọng nhất (môi trường, an toàn thực phẩm, kinh tế) có thể phát sinh nếu tôi làm theo gợi ý này và các dấu hiệu cảnh báo sớm cho mỗi rủi ro.
Bảng khái niệm cơ bản
kỳ hạn
Ý nghĩa
Tại sao nó quan trọng?
nhà nông học
Kỹ sư nông nghiệp, chuyên gia sản xuất nông nghiệp
Chịu trách nhiệm cuối cùng về các quyết định quan trọng
ảo giác
AI tạo ra thông tin không tồn tại một cách tự tin
Rủi ro lớn nhất của việc tin tưởng mà không cần xác minh
hiện tượng học
Các giai đoạn phát triển của cây (nảy mầm, ra hoa...)
Cơ sở cho các quyết định lập kế hoạch
sự thật cơ bản
Quan sát/đo lường trực tiếp tại hiện trường
Neo xác thực của tất cả dữ liệu từ xa
NDVI
Chỉ số sức sống thực vật
Công cụ cần thiết để theo dõi sức khỏe từ xa
Những lỗi thường gặp
- Nhầm lẫn sự trôi chảy với sự chính xác. Tiếng Thổ Nhĩ Kỳ xinh đẹp, tự tin của AI không có nghĩa là kết quả đầu ra là chính xác; Ảo giác nguy hiểm nhất là ảo giác lỏng nhất.
- Nghĩ rằng việc xác minh là một sự lãng phí thời gian. Nếu bạn không dành thời gian tiết kiệm để kiểm tra, AI sẽ thay mặt bạn đẩy nhanh lỗi.
- Chia sẻ dữ liệu nhạy cảm như hiện tại. Sự phối hợp, năng suất và chi phí của nông dân là vấn đề quyền sở hữu và bảo mật; Không chia sẻ mà không ẩn danh.
- Để lại quyết định liều lượng quan trọng cho AI. Liều lượng phân bón, thuốc trừ sâu và tưới tiêu cần phải được hiệu chỉnh trên đồng ruộng và tuân theo pháp luật; AI chỉ tạo ra bản nháp.
- Hài lòng với một mỏ neo. Chỉ nhìn vào mức độ quan trọng và bỏ qua tính hợp lý cũng như bằng chứng thực địa để bỏ qua những sai sót tinh vi.
Thận trọng: Khi AI cho bạn biết "có bệnh X ở khu vực này", đây là một giả thuyết, không phải là chẩn đoán. Chẩn đoán; Mẫu được đặt với sự chấp thuận của phòng thí nghiệm và kỹ sư được ủy quyền.
Tóm lại
Trí tuệ nhân tạo là công cụ an toàn nhất trong việc chuẩn bị dữ liệu, tăng tốc trong giao tiếp, đồng thời là công cụ có giá trị và rủi ro nhất trong việc diễn giải và phân tích trong kỹ thuật nông nghiệp. Cốt lõi của mô-đun này là ba nguyên tắc cốt lõi: kiểm tra từng đầu ra theo thứ tự cường độ, tính hợp lý về mặt nông học và bằng chứng thực địa. Ảo giác là có thật, sự trôi chảy không phải là độ chính xác và trách nhiệm đối với những quyết định quan trọng luôn thuộc về nhà nông học ký kết. Trong các bài tiếp theo, chúng ta sẽ áp dụng nguyên tắc này vào nông nghiệp chính xác, NDVI, đất, thủy lợi, bệnh tật, khí hậu, năng suất, Python và truy xuất nguồn gốc, từng cái một.
Nhiệm vụ ứng dụng
Đối với trường bạn có (hoặc trường đại diện), trước tiên hãy hỏi AI một lời nhắc yếu ("Tôi nên làm gì trong trường này?"), sau đó hỏi câu hỏi tương tự với mẫu lời nhắc mạnh trong bài học này. Đặt hai kết quả đầu ra cạnh nhau và đánh dấu: (1) câu nào chứa thông tin không có trong dữ liệu (ảo giác của ứng viên), (2) những con số nào không đạt thứ tự kiểm tra độ lớn, (3) 3 mục bạn cần xác minh trong trường. Trong một đoạn văn, hãy viết ra những lỗi mà lời nhắc mạnh mẽ chỉ ra.
danh sách kiểm tra
- [ ] Tôi đã phân loại nhiệm vụ là chuẩn bị/giải thích/truyền đạt dữ liệu và xác định mức độ rủi ro.
- [ ] Tôi đã ẩn danh danh tính, tọa độ và thông tin chi phí của người nông dân.
- [ ] Tôi đã kiểm tra kết quả đầu ra về kích thước, tính hợp lý về mặt nông học và bằng chứng thực địa.
- [ ] Tôi đánh dấu các câu ứng cử viên ảo giác và đưa chúng về nguồn.
- [ ] Tôi đã để lại quyết định quan trọng về liều lượng/thuốc/tưới cho kỹ sư được ủy quyền phê duyệt.