5B Phổ Quang, Phường 2, Quận Tân Bình, TPHCM

1. Tiềm năng cho trí tuệ nhân tạo trong nông nghiệp

Theo giả thuyết, máy móc có thể học cách giải quyết bất kỳ vấn đề nào trên trái đất liên quan đến tương tác vật lý của tất cả mọi thứ trong một môi trường xác định, … bằng cách sử dụng trí tuệ nhân tạo và máy học.

Nguyên tắc của trí tuệ nhân tạo là máy móc có thể nhận thức được môi trường của nó và thông qua một khả năng hợp lý linh hoạt nhất định, thực hiện hành động để giải quyết một mục tiêu cụ thể liên quan đến môi trường đó. Còn Máy học là khi cùng một máy móc đó, theo một bộ giao thức cụ thể, loại máy này cải thiện khả năng giải quyết các vấn đề và mục tiêu liên quan đến môi trường khi bản chất thống kê của dữ liệu mà nó nhận được tăng lên. Nói một cách dễ hiểu hơn, khi hệ thống nhận được ngày càng nhiều tập hợp dữ liệu tương tự có thể được phân loại thành các giao thức cụ thể, khả năng hợp lý hóa của nó tăng lên, cho phép nó “dự đoán” tốt hơn về một loạt kết quả.

Sự trỗi dậy của nông nghiệp kỹ thuật số và các công nghệ liên quan của nó đã mở ra vô số cơ hội dữ liệu mới. Cảm biến từ xa, vệ tinh và UAV có thể thu thập thông tin 24 giờ mỗi ngày trên toàn bộ lĩnh vực. Các cảm biến này có thể theo dõi sức khỏe thực vật, tình trạng đất, nhiệt độ, độ ẩm, v.v. Lượng dữ liệu mà các cảm biến này có thể tạo ra là rất lớn và tầm quan trọng của các con số được ẩn trong trận tuyết lở của dữ liệu đó.

Ý tưởng này cho phép nông dân hiểu rõ hơn về tình hình thực địa thông qua công nghệ tiên tiến (như viễn thám) có thể cho họ biết nhiều hơn về tình hình của họ mà họ có thể nhìn thấy bằng mắt thường. Và không chỉ chính xác hơn mà còn nhanh hơn so với việc nhìn thấy nó đi bộ hoặc lái xe qua các cánh đồng.

Cảm biến từ xa cho phép các thuật toán giải thích môi trường của cánh đồng dưới dạng dữ liệu thống kê có thể hiểu và hữu ích cho nông dân trong việc ra quyết định. Các thuật toán xử lý dữ liệu, điều chỉnh và học hỏi dựa trên dữ liệu nhận được. Càng thu thập được nhiều thông tin đầu vào và thông tin thống kê, thuật toán sẽ dự đoán một loạt các kết quả càng tốt. Và mục đích là nông dân có thể sử dụng trí thông minh nhân tạo này để đạt được mục tiêu thu hoạch tốt hơn thông qua việc đưa ra các quyết định tốt hơn trên đồng ruộng.

Năm 2011, IBM, thông qua Trụ sở R&D tại Haifa, Israel, đã khởi động một dự án điện toán đám mây nông nghiệp. Dự án, phối hợp với một số đối tác nông nghiệp và CNTT chuyên ngành, có một mục tiêu – lấy nhiều nguồn dữ liệu vật lý và học thuật khác nhau từ môi trường nông nghiệp và biến chúng thành các giải pháp dự đoán tự động cho nông dân để hỗ trợ họ làm quyết định thời gian thực tại hiện trường.

Các cuộc phỏng vấn với một số thành viên trong nhóm dự án IBM vào thời điểm đó cho thấy rằng nhóm tin rằng hoàn toàn có thể “giải thuật hóa” nông nghiệp, nghĩa là các thuật toán có thể giải quyết mọi vấn đề trên thế giới. Đầu năm đó, hệ thống học tập nhận thức của IBM, Watson, đã cạnh tranh trong cuộc thi Jeopardy với những người chiến thắng trước đây là Brad Rutter và Ken Jennings với kết quả đáng kinh ngạc. Vài năm sau, Watson tiếp tục tạo ra những thành tựu đột phá trong lĩnh vực y học, dẫn đến việc các dự án nông nghiệp của IBM bị đóng cửa hoặc thu nhỏ quy mô. Cuối cùng, IBM nhận ra rằng nhiệm vụ sản xuất các giải pháp máy học nhận thức cho nông nghiệp khó hơn nhiều so với những gì họ có thể nghĩ.

Vậy tại sao dự án lại thành công trong lĩnh vực y học mà không phải nông nghiệp?

2. Điều gì làm nên sự khác biệt của nông nghiệp?

Nông nghiệp là một trong những lĩnh vực khó chứa nhất cho mục đích định lượng thống kê.

Ngay cả trong một trường duy nhất, các điều kiện luôn thay đổi từ phần này sang phần tiếp theo. Thời tiết không thể đoán trước được, chất lượng đất thay đổi và khả năng sâu bệnh có thể ghé thăm là rất cao. Người trồng có thể cảm thấy triển vọng của họ là tốt cho một vụ thu hoạch sắp tới, nhưng cho đến khi ngày đó đến, kết quả sẽ luôn không chắc chắn.

Để so sánh, cơ thể chúng ta là một môi trường chứa đựng. Nông nghiệp diễn ra trong tự nhiên, giữa các hệ sinh thái của các sinh vật và hoạt động tương tác, và sản xuất cây trồng diễn ra trong môi trường hệ sinh thái đó. Nhưng những hệ sinh thái này không bị kìm hãm. Chúng phụ thuộc vào các hiện tượng khí hậu như hệ thống thời tiết, tác động lên toàn bộ các bán cầu và từ lục địa này sang lục địa khác. Do đó, hiểu cách quản lý môi trường nông nghiệp có nghĩa là phải tính đến hàng trăm, nếu không muốn nói là hàng nghìn yếu tố.

Những gì có thể xảy ra với cùng một chương trình hạt giống và phân bón ở vùng Trung Tây của Hoa Kỳ gần như chắc chắn không liên quan đến những gì có thể xảy ra với chương trình hạt giống và phân bón tương tự ở Úc hoặc Nam Phi. Một số yếu tố có thể tác động đến phương sai thường bao gồm việc đo lượng mưa trên một đơn vị cây trồng, loại đất, các kiểu suy thoái đất, giờ ban ngày, nhiệt độ, v.v.

Vì vậy, vấn đề của việc triển khai học máy và trí tuệ nhân tạo trong nông nghiệp không phải là các nhà khoa học thiếu năng lực phát triển các chương trình và giao thức để bắt đầu giải quyết mối quan tâm lớn nhất của người trồng; vấn đề là trong hầu hết các trường hợp, không có hai môi trường nào hoàn toàn giống nhau, điều này làm cho việc thử nghiệm, xác nhận và triển khai thành công các công nghệ như vậy tốn nhiều công sức hơn so với hầu hết các ngành công nghiệp khác.

Thực tế, để nói rằng AI và Machine Learning có thể được phát triển để giải quyết tất cả các vấn đề liên quan đến môi trường vật chất của chúng ta về cơ bản là nói rằng chúng ta có hiểu biết đầy đủ về tất cả các khía cạnh của sự tương tác của hoạt động vật chất hoặc vật chất trên hành tinh. Rốt cuộc, chỉ nhờ sự hiểu biết của chúng ta về ‘bản chất của sự vật’, các giao thức và quy trình mới được thiết kế để các khả năng hợp lý của hệ thống nhận thức diễn ra. Và, mặc dù AI và Máy học đang dạy chúng ta nhiều điều về cách hiểu môi trường của chúng ta, nhưng chúng ta vẫn còn lâu mới có thể dự đoán kết quả quan trọng trong các lĩnh vực như nông nghiệp hoàn toàn thông qua khả năng nhận thức của máy móc.

3. Kết luận

Được hỗ trợ bởi cộng đồng đầu tư mạo hiểm, hiện đang thu hút hàng tỷ đô la vào lĩnh vực này, hầu hết các công ty khởi nghiệp công nghệ nông nghiệp ngày nay được thúc đẩy để hoàn thiện phát triển càng nhanh càng tốt và sau đó được khuyến khích để tràn ngập thị trường càng nhanh càng tốt với các sản phẩm của họ.

Điều này thường dẫn đến sự thất bại của một sản phẩm, dẫn đến sự hoài nghi từ thị trường và giáng một đòn mạnh vào tính toàn vẹn của công nghệ Học máy. Trong hầu hết các trường hợp, vấn đề không phải là công nghệ không hoạt động, mà vấn đề là ngành công nghiệp đã không dành thời gian để coi trọng mà nông nghiệp là một trong những môi trường khó quản lý nhất. Để công nghệ thực sự tạo ra tác động trên đồng ruộng, cần nhiều nỗ lực, kỹ năng và kinh phí hơn để thử nghiệm những công nghệ này trên đồng ruộng của nông dân.

Có tiềm năng to lớn cho trí tuệ nhân tạo và máy học để cách mạng hóa nông nghiệp bằng cách tích hợp các công nghệ này vào các thị trường quan trọng trên quy mô toàn cầu. Chỉ khi đó, nó mới có thể tạo ra sự khác biệt đối với người trồng, nơi mà nó thực sự có giá trị.

fanpage

Youtube

Related Posts

Privacy Preferences
When you visit our website, it may store information through your browser from specific services, usually in form of cookies. Here you can change your privacy preferences. Please note that blocking some types of cookies may impact your experience on our website and the services we offer.