L'apprendimento automatico incontra il processo decisionale in agricoltura
Scopo dei consigli di coltivazione 2.0
Farm21 sta sviluppando un sistema di supporto alle decisioni colturali ad autoapprendimento. Si tratta di una piattaforma in cui le fonti di dati agricoli vengono combinate e analizzate da algoritmi di apprendimento automatico. I risultati vengono valutati e migliorati dal feedback degli utenti. Lo chiamiamo "Consigli di coltivazione 2.0". In questo altro blog spieghiamo cosa intendiamo con questo.
In questo blog, invece, ci concentriamo sugli aspetti necessari per la creazione di questo sistema. Definiamo gli elementi chiave e i punti di partenza. Questi aspetti sono quelli su cui lavoriamo quotidianamente.
I consigli per la coltivazione 2.0 offrono un supporto unico al singolo coltivatore. Consente al coltivatore di rendere la coltivazione più efficiente. Ciò significa: aumentare la resa, risparmiare risorse preziose come la protezione delle colture, i fertilizzanti e l'acqua.
Crediamo che questo sia il futuro della digitalizzazione in agricoltura.
L'apprendimento automatico come volano
Per risparmiarti un saggio molto tecnico, ti spieghiamo l'apprendimento automatico a un livello molto alto. L'apprendimento automatico è un metodo automatizzato per analizzare grandi quantità di dati. A livello di base, un sistema di apprendimento automatico ben funzionante consiste in un ciclo continuo delle seguenti fasi.
- Raccolta dati. Raccolta di dati costante, di alta qualità e ad alto volume. Un set di dati in continua crescita con il maggior numero di dati (rilevanti) possibile è la base del volano.
- Categorizzazione dei dati. Gli specialisti dei dati categorizzano i dati e addestrano gli algoritmi di ML. Nel nostro caso, identifichiamo un argomento che vogliamo analizzare, ad esempio una certa malattia in una coltura, e quali parametri possono potenzialmente influenzare questo risultato.
- Mostra i risultati. I risultati degli algoritmi di ML vengono mostrati ai coltivatori e ai consulenti per le colture.
- Feedback. Il feedback viene elaborato e incluso nelle analisi successive.
Per realizzare la visione del futuro di Farm21 e mettere in moto il volano dell'apprendimento automatico, è necessario completare una serie di fasi chiave. Questa timeline mostra le fasi più importanti.
1 Raccogliere i dati
L'apprendimento automatico richiede la raccolta costante di dati di alta qualità e di grandi volumi.
Per ottenere la giusta densità di dati, è necessario ridurre il costo per punto di misura e potersi collegare a sensori già esistenti.
A tal fine, stiamo sviluppando sensori proprietari che consentono la raccolta di dati a grana fine e utilizziamo i sensori esistenti per costruire un set di dati a grana fine.
2 Arricchire i dati
Collegando le fonti di dati tra loro, è possibile per un algoritmo di apprendimento automatico trovare correlazioni tra i dati.
Le fonti di dati che colleghiamo sono, ad esempio, immagini satellitari, database delle colture, registrazione delle rese, scansioni del terreno, set di dati dei trattori e molto altro ancora.
Con informazioni provenienti da fonti diverse, è anche possibile filtrare gli outlier. Migliorare la qualità dei dati utilizzati per l'addestramento degli algoritmi di apprendimento automatico.
3 Avvisi generici
Un modello preesistente (Generic Decision Support System) costituisce la base degli avvisi. Algoritmi di base come "con la temperatura X e l'umidità Y per un periodo di tempo Z, hai una pressione patologica elevata". Questi avvisi generici sono il nostro punto di partenza.
Raccogliamo quando vengono attivati e in una fase successiva mettiamo in relazione questi eventi con la risposta dell'utente.
4 Feedback
Il feedback è il motore del sistema di autoapprendimento. Un semplice "questo è giusto/non è giusto" dice già molto sulla qualità del consiglio. Come già detto, memorizziamo questo feedback e lo confrontiamo con il consiglio dato.
In questo modo gli algoritmi di apprendimento automatico possono determinare a livello individuale quali dovrebbero essere i fattori di ponderazione per i consigli di coltivazione personali, ma anche utilizzarli per trovare maggiori collegamenti tra i set di dati.
5 Prevedere il futuro
Utilizzando una serie di dati in continua crescita e l'aiuto dell'apprendimento automatico possiamo dare consigli o avvertimenti su ciò che potrebbe accadere.
In questo modo il coltivatore viene informato prima degli sviluppi climatici e del loro effetto sul suo campo e sulla sua coltura. Questo gli permette di agire più rapidamente.
6 Consigli personalizzati sulle colture
A questo punto arriviamo ai consigli colturali 2.0 per il singolo coltivatore.
La misurazione a grana fine consente di eseguire azioni colturali a un livello molto preciso. Grazie a tutte le informazioni che vengono immesse nel sistema e analizzate dagli algoritmi di apprendimento automatico, il livello di approfondimento aumenta notevolmente. Questo si traduce in consigli agricoli localizzati e personalizzati.
I consigli di coltivazione automatici su misura sono estremamente dettagliati, preventivi e mirati. Offre la possibilità di eseguire ogni azione al momento giusto per ottimizzare l'efficienza della resa e l'uso delle risorse.
