Спонсировано
Предоставлено Reltio
Искусственный интеллект меняет границы возможного в сельском хозяйстве, но лидерам отрасли стоит с осторожностью инвестировать в ИИ, не заложив предварительно прочный фундамент.
Варианты применения выглядят многообещающими — особенно для отрасли, которая сталкивается с волатильными ценами на удобрения, непредсказуемой погодой и маржой, не оставляющей места для ошибок. Исследования показывают, что прогностические модели на базе ИИ позволяют повысить урожайность на 26%, сократить потребление воды на 41% и снизить использование химикатов на 33%.
Однако вендоры ИИ обычно умалчивают, что эти решения работают, только если у вас есть чистый и надежный фундамент данных. В Reltio у нас есть опыт в этой области — в том числе мы руководили технологической стратегией крупного сельскохозяйственного дистрибьютора и создавали платформу данных, которую используют предприятия по всему миру. Мы видели это своими глазами.
О чем вам не расскажут вендоры ИИ
Переговоры с вендорами в сельском хозяйстве обычно идут по знакомому сценарию. Презентация начинается с громких обещаний: с помощью ИИ можно в реальном времени следить за состоянием посевов, оптимизировать орошение и выжимать больше урожая с каждого гектара.
Обещание звучит заманчиво, но редко затрагивается вопрос о том, точна ли и полна ли та база данных, на которой эти обещания строятся. Если нет, то возникает реальный и значительный риск, что ИИ будет выдавать вводящие в заблуждение результаты, которые кажутся авторитетными, но побуждают к действиям — в лучшем случае контрпродуктивным.
Например, модель прогнозирования урожайности, обученная на противоречивых исторических данных, будет выдавать неточные прогнозы. Аналогично, система точного орошения, использующая разрозненные данные с датчиков, будет принимать решения о поливе, которые не экономят ресурсы, а растрачивают их.
В каждом случае ИИ подводит, потому что данные, на которых он обучался, были недостаточными для получения надежных результатов. В сельском хозяйстве каждая галлюцинация ИИ — это ответственность, а вероятность ошибки очень высока.
Почему сельское хозяйство — особенно сложная проверка
Ландшафт данных в современном сельскохозяйственном предприятии или у крупного дистрибьютора, обслуживающего тысячи фермеров, чрезвычайно сложен.
Современные фермерские хозяйства активно используют IoT-устройства и технику. Системы орошения автоматизированы, тракторы перемещаются по полям автономно, а дроны в масштабах собирают изображения полей.
Однако данные с машин по своей природе разрозненны. Добавьте внешние источники — метеосводки, данные Министерства сельского хозяйства США и стороннюю рыночную информацию — и вопрос о том, как объединить всё это в нечто целостное, превращается в серьезную задачу.
Сельскохозяйственному ИИ также необходимо понимать не только атрибуты клиентов; ему нужно понимать землю: GPS-координаты, границы хозяйств, полевые блоки и вариативность почвы в пределах одного участка. Где вносить удобрения, в каком количестве и на каком именно участке поля? Не все части поля одинаковы, и система ИИ, которая считает их таковыми, будет давать рекомендации — в лучшем случае неточные, в худшем — вредоносные.
Есть и аспект соблюдения нормативных требований из-за используемых химикатов и связанной с ними ответственности. Операционный ИИ в сельском хозяйстве требует значительно большего контроля и управления, чем в менее чувствительных средах. Когда ошибочная рекомендация воплощается в поле, последствия могут быть серьезными.
Что означает готовность данных на практике
Готовность данных — это разница между тем, оправдывает ИИ свои обещания или срабатывает принцип «мусор на входе — мусор на выходе». По сути, быть готовым к ИИ означает иметь такую модель данных, которая точно отражает, как работает бизнес.
Для такой компании, как Wilbur-Ellis — 104-летнего семейного сельскохозяйственного дистрибьютора — это означает понимать, 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 всё это связано с маржой. Эта информация должна быть актуальной, непротиворечивой и доступной по всей организации, а не запертой в отдельных системах, которые никогда не предназначались для обмена данными.
Аналогично, для самих фермерских хозяйств готовность данных означает наличие надежной и связной картины происходящего на каждом поле: данные о состоянии почвы, истории внесения удобрений, данные об урожайности за прошлые сезоны, характеристиках оборудования и показаниях датчиков систем орошения в реальном времени.
Управление данными не менее важно, чем структура. Цены меняются, отношения развиваются, поставщики приходят и уходят. Система ИИ, использующая данные, которые были точны шесть месяцев назад, но не поддерживались в актуальном состоянии, будет давать рекомендации, основанные на версии бизнеса, которой больше не существует.
Создание фундамента, который делает ИИ надежным
Хорошая новость в том, что путь к готовности данных реален. Он начинается с прочной модели данных: единого, управляемого источника истины, который связывает клиентов, поставщиков, продукты, цены, заказы и маржу так, как это отражает работу организации.
Далее требуются конвейеры данных, достаточно быстрые, чтобы предоставлять аналитику в момент принятия решений, структуры управления, которые сохраняют надежность данных с течением времени, и меры безопасности, обеспечивающие доступ к конфиденциальной коммерческой информации нужным людям при соблюдении определенных условий.
Именно эту задачу призвана решить компания Reltio, входящая в SAP. Reltio позволяет компаниям объединять разрозненные данные, чтобы агенты и системы ИИ могли работать, имея полную картину бизнеса. Reltio создает доверенную систему контекста — так называемый уровень контекстного интеллекта, — который объединяет все сущности, взаимосвязи и правила под одной крышей, делая бизнес-данные легкодоступными и интерпретируемыми.
Для Wilbur-Ellis создание этой надежной базы данных означало возможность задавать более сложные вопросы и доверять ответам — а это предварительное условие для того, чтобы любая система ИИ была по-настоящему полезной.
Как сельское хозяйство может извлечь реальную пользу из ИИ
Вопрос, который стоит задать перед следующим разговором об ИИ, — не в том, перспективен ли вариант использования. Он почти наверняка перспективен. Вопрос в том, достаточно ли прочен фундамент данных, чтобы сделать результат надежным.
Сельское хозяйство всегда требовало от своих лидеров принятия ответственных решений в условиях неопределенности, и ИИ дает реальную возможность принимать эти решения быстрее и более обоснованно. Но эта возможность достижима только для тех организаций, которые сначала проделали фундаментальную работу, и бизнес, который получит максимум от ИИ, — это тот, кто вкладывается в этот фундамент уже сейчас.
Этот контент создан компанией Reltio. Он не был написан редакцией MIT Technology Review.
Глубокое погружение
Искусственный интеллект
Новая телефонная сеть США для христиан нацелена на блокировку порно и контента, связанного с гендером
Запускаемая на следующей неделе в сети T-Mobile, эта тарифная программа применяет радикальный подход к онлайн-безопасности.
Стартап заявляет, что преодолел узкое место, сдерживающее развитие LLM
Subquadratic теперь раскрыл больше деталей о своей новой модели. Но некоторые по-прежнему настроены скептически.
Масх против Альтмана, неделя 1: Илон Маск заявляет, что его обманули, предупреждает, что ИИ может уничтожить всех нас, и признает, что xAI дистиллирует модели OpenAI
Маск сохранял спокойствие, а адвокат OpenAI засыпал его острыми вопросами о его мотивах подачи иска против компании.
Оставайтесь на связи
Получайте последние новости от
MIT Technology Review
Откройте для себя специальные предложения, главные истории, предстоящие мероприятия и многое другое.