Спонсорский материал
Предоставлено Reltio
Искусственный интеллект меняет возможности в сельском хозяйстве, но лидерам отрасли стоит с осторожностью подходить к инвестициям в ИИ, не заложив предварительно надежную основу.
Варианты применения выглядят многообещающими, особенно для отрасли, где приходится бороться с волатильными ценами на удобрения, непредсказуемой погодой и рентабельностью, не оставляющей права на ошибку. Исследования показывают, что прогностические модели на базе ИИ могут повысить урожайность на 26%, сократить потребление воды на 41% и уменьшить использование химикатов на 33%.
Однако о чем поставщики ИИ обычно умалчивают — так это о том, что такие решения эффективны лишь при наличии чистой и надежной информационной основы. В Reltio у нас есть опыт в этой области, включая руководство технологической стратегией крупного сельскохозяйственного дистрибьютора и создание платформы для работы с данными, используемой предприятиями по всему миру, — мы убедились в этом на собственном опыте.
О чем не расскажут поставщики ИИ
Обсуждения с вендорами в сельском хозяйстве часто следуют знакомому сценарию. Презентация начинается с громких обещаний о том, как ИИ поможет в реальном времени следить за состоянием посевов, оптимизировать орошение и выжать больше урожая с каждого гектара.
Это звучит заманчиво, но почти никогда не поднимается вопрос о том, точны ли и полны ли данные, на которых основаны эти обещания. Если нет, возникает реальный и значительный риск, что ИИ будет выдавать вводящие в заблуждение результаты, которые выглядят убедительно, но побуждают к действиям, в лучшем случае контрпродуктивным.
Например, модель прогнозирования урожайности, обученная на противоречивых исторических данных, будет давать неточные оценки. А система точного орошения, опирающаяся на разрозненные данные с датчиков, будет принимать решения о поливе, которые расточают ресурсы вместо их экономии.
В обоих случаях ИИ подводит, потому что данные, на которых его обучали, были недостаточными для получения надежных результатов. В сельском хозяйстве каждый «сбой» ИИ — это ответственность, и вероятность ошибки высока.
Почему сельское хозяйство — особенно сложный вызов
Структура данных в современном сельскохозяйственном предприятии или у крупного дистрибьютора, обслуживающего тысячи фермеров, чрезвычайно сложна.
В современных условиях фермерства активно используются устройства Интернета вещей и техника. Системы орошения автоматизированы, тракторы работают на полях без участия человека, а дроны в больших масштабах получают снимки полей.
Но машинные данные по своей природе разрозненны. Добавьте сюда внешние источники: данные о погоде, информацию Министерства сельского хозяйства США и сторонние рыночные сводки, — и вопрос о том, как объединить все это в единое целое, становится серьезной задачей.
Кроме того, агро-ИИ должен понимать не только характеристики клиентов; ему нужно понимать землю: GPS-координаты, границы хозяйств, участки полей и различия в почвах на территории одного владения. Куда вносить удобрения, в какой норме и на каком именно участке? Не все части поля одинаковы, и система ИИ, которая считает их таковыми, будет выдавать рекомендации, в лучшем случае неточные, а в худшем — вредные.
Есть также аспект соответствия нормативным требованиям из-за использования химикатов и связанной с этим ответственности. Операционный ИИ в сельском хозяйстве требует гораздо большего контроля и проверок, чем в менее критичных сферах. Когда ошибочная рекомендация применяется на поле, последствия могут быть серьезными.
Что на практике означает готовность данных
Готовность данных — это разница между тем, когда ИИ выполняет свои обещания, и сценарием «мусор на входе — мусор на выходе». По сути, быть готовым к ИИ означает иметь модель данных, которая точно отражает то, как работает бизнес.
Для такой компании, как Wilbur-Ellis, 104-летнего семейного сельскохозяйственного дистрибьютора, это означает понимание того, кто ваши клиенты, какие поля они обрабатывают, какие ресурсы им нужны, от каких поставщиков поступают эти ресурсы, сколько они заплатили в прошлом сезоне и как все это связано с маржой. Эта информация должна быть актуальной, согласованной и доступной по всей организации, а не запертой в отдельных системах, которые изначально не были предназначены для взаимодействия друг с другом.
Аналогично, для самих фермерских хозяйств готовность данных означает наличие надежной и целостной картины того, что происходит на каждом поле: данные о состоянии почвы, истории внесения удобрений и средств защиты, данные об урожайности за предыдущие сезоны, производительность оборудования и показания датчиков систем орошения в реальном времени.
Управление данными так же важно, как и их структура. Цены меняются, отношения развиваются, поставщики приходят и уходят. Система ИИ, работающая с данными, которые были точны полгода назад, но не обновлялись, будет давать рекомендации, исходя из версии бизнеса, которой больше не существует.
Создание основы для надежного ИИ
Хорошая новость в том, что путь к готовности данных реален. Он начинается с надежной модели данных: единого управляемого источника достоверной информации, который связывает клиентов, поставщиков, продукты, цены, заказы и маржу так, как это работает в организации.
Далее требуются конвейеры данных, достаточно быстрые, чтобы предоставлять аналитику в момент принятия решений, системы управления, обеспечивающие достоверность данных с течением времени, и средства контроля безопасности, гарантирующие, что конфиденциальная коммерческая информация доступна нужным людям при соблюдении определенных условий.
Именно эту задачу и призвана решать Reltio, компания SAP. Reltio позволяет компаниям объединять разрозненные данные, чтобы агенты и системы ИИ могли работать, имея полную картину бизнеса. Reltio создает доверенный контекстный слой — уровень контекстного интеллекта, который собирает воедино все сущности, связи и правила, делая бизнес-данные легкодоступными и понятными.
Для Wilbur-Ellis создание такой надежной информационной основы означало возможность задавать более сложные вопросы и доверять ответам, что является необходимым условием для того, чтобы любая система ИИ была по-настоящему полезной.
Как сельское хозяйство может получить реальную выгоду от ИИ
Вопрос, который стоит задать до следующего обсуждения ИИ, не в том, является ли вариант использования многообещающим. Почти наверняка это так. Вопрос в том, достаточно ли прочна информационная основа, чтобы результат был достоверным.
Сельское хозяйство всегда требовало от своих лидеров принятия ответственных решений в условиях неопределенности, и ИИ предлагает реальную возможность делать эти решения быстрее и более обоснованно. Эта перспектива достижима только для тех организаций, которые сначала провели фундаментальную работу, и предприятия, которые получат наибольшую выгоду от ИИ, — это те, кто инвестирует в эту основу прямо сейчас.
Этот материал подготовлен Reltio. Он не был написан редакцией MIT Technology Review.
Глубокое погружение
Искусственный интеллект
Стартап утверждает, что преодолел узкое место, сдерживающее развитие LLM
Subquadratic теперь поделился более подробной информацией о своей новой модели. Но некоторые по-прежнему настроены скептически.
Маск против Альтмана. Неделя 1: Илон Маск заявляет, что его обманули, предупреждает, что ИИ может убить нас всех, и признает, что xAI использует дистилляцию моделей OpenAI
Маск сохранял спокойствие, а адвокат OpenAI забросал его острыми вопросами о мотивах подачи иска против компании.
Реальная оценка истерии вокруг влияния ИИ на рабочие места
Что на самом деле говорят цифры о влиянии искусственного интеллекта на рынок труда? Ответ может вас удивить.
Anthropic's Code with Claude продемонстрировал будущее программирования — нравится вам это или нет
По мере того, как такие инструменты, как Claude Code, становятся все лучше, все больше разработчиков с готовностью передают им задачи по написанию кода. Способ создания программного обеспечения изменился навсегда.
Оставайтесь на связи
Получайте последние новости от MIT Technology Review
Откройте для себя специальные предложения, главные истории, предстоящие события и многое другое.