A aprendizagem da máquina encontra a tomada de decisões na agricultura
Finalidade dos conselhos de cultivo 2.0
Quinta21 está a desenvolver um sistema de auto-aprendizagem de apoio à decisão de cultivo. Esta é uma plataforma na qual as fontes de dados agrícolas são combinadas e analisadas através de algoritmos de aprendizagem automática. Os resultados são avaliados e melhorados pelo feedback do utilizador. Chamamos a isto Aconselhamento de Cultivo 2.0. Em este outro blog explicamos o que queremos dizer com isto.
Neste blog, no entanto, focamo-nos nos aspectos que são necessários para a criação deste sistema. Definimos os elementos chave e os pontos de partida. Estes aspectos são o que estamos a trabalhar no dia a dia.
Os conselhos de cultivo 2.0 fornecem um apoio único para o agricultor individual. Permite ao cultivador tornar o cultivo mais eficiente. Isto significa: aumentar o rendimento, poupar em recursos valiosos como a protecção da cultura, fertilizante e água.
Nós acreditamos que este é o futuro da digitalização na agricultura.
Aprendizagem da máquina como um volante de inércia
Para te salvar de um ensaio muito técnico explicamos a aprendizagem de máquinas a um nível muito elevado. A aprendizagem de máquinas é uma forma automatizada de analisar grandes quantidades de dados. A um nível básico, um sistema de aprendizagem de máquinas que funciona bem consiste num loop contínuo dos seguintes passos.
- Recolha de dados. Coleta de dados consistente, de alta qualidade e em grande volume. Um conjunto de dados sempre a crescer com o máximo de dados (relevantes) possível é a base do volante.
- Categorizando dados. Os especialistas em dados categorizam os dados e treinam os algoritmos ML. No nosso caso, identificamos um tópico que queremos analisar, por exemplo, uma determinada doença numa colheita, e que parâmetros podem potencialmente influenciar este resultado.
- A mostrar resultados. Os resultados dos algoritmos ML são mostrados aos cultivadores e consultores de colheitas.
- Feedback. O feedback é processado e incluído em análises subsequentes.
Para realizares a visão do futuro da Farm21 e pores em movimento o volante de aprendizagem da máquina, é necessário completar uma série de fases chave. Esta linha temporal mostra as fases mais importantes.
1 Recolher dados
A aprendizagem da máquina requer a recolha consistente de dados de alta qualidade e de grande volume.
Para atingir a densidade de dados certa, é necessário reduzir o custo por ponto de medição e ser capaz de se ligar aos sensores já existentes.
Para este fim, estamos a desenvolver sensores proprietários que permitem a recolha de dados de granulação fina, bem como a utilização de sensores existentes para construir um conjunto de dados de granulação fina.
2 Enriquece dados
Ao ligar as fontes de dados, é possível que um algoritmo de aprendizagem da máquina encontre correlações dentro dos dados.
As fontes de dados que ligamos são, por exemplo, imagens de satélite, bases de dados de colheitas, registo de produção, varrimentos do solo, conjuntos de dados de tractores, e muitos mais.
Com informação de diferentes fontes, também é possível filtrar outliers. Melhorando a qualidade dos dados utilizados para treinar os algoritmos de aprendizagem da máquina.
3 Alertas genéricos
Um modelo pré-existente (Sistema Genérico de Apoio à Decisão) forma a base dos alertas. Algoritmos básicos como "com temperatura X, humidade Y durante o período Z, tens uma alta pressão da doença". Estes alertas genéricos são o nosso ponto de partida.
Recolhemos quando são accionados e numa fase posterior relacionamos estes eventos com a resposta do utilizador.
4 Feedback
O feedback é o motor do sistema de auto-aprendizagem. Um simples "isto está certo/não está certo" já diz muito sobre a qualidade dos conselhos. Como mencionado anteriormente, guardamos este feedback e comparamo-lo com os conselhos dados.
Desta forma, os algoritmos de aprendizagem automática podem determinar, a nível individual, quais os factores de ponderação que devem ser utilizados nos conselhos pessoais de cultivo, mas também usá-los para encontrar mais ligações entre os conjuntos de dados.
5 Prevendo o futuro
Usando o conjunto de dados sempre a crescer, e com a ajuda da aprendizagem da máquina podemos dar conselhos ou avisos sobre o que pode estar para vir.
O agricultor é assim informado mais cedo sobre os desenvolvimentos climáticos e o seu efeito no seu campo e na sua colheita. Isto permite-lhe agir mais rapidamente.
6 Conselhos personalizados de cultivo
Nesta fase chegamos ao conselho de cultivo 2.0 para o agricultor individual.
A medição de grãos finos permite que as acções de cultivo sejam realizadas a um nível muito preciso. Devido a toda a informação que é alimentada no sistema e análises por algoritmos de aprendizagem da máquina, o nível de conhecimentos é largamente aumentado. Isto resulta em conselhos de cultivo localizados e personalizados.
O conselho de cultivo automatizado feito à medida é extremamente detalhado, funciona preventivamente mas é direccionado. Dá a oportunidade de executar cada acção no momento certo para optimizar a eficiência no rendimento e utilização dos recursos.
