I 2018 dyrket fem lag agurker i en banebrytende Autonomous Greenhouse Challenge internasjonal konkurranse. Vridningen: bare ett av lagene besto av erfarne menneskelige produsenter som betjente drivhusrommet sitt manuelt. De resterende fire lagene besto av internasjonale eksperter innen hagebruk og kunstig intelligens (AI). De jobbet med å utvikle AI-løsninger for å håndtere avlingene eksternt og autonomt. Målet med konkurransen, verdens første autonome drivhusutfordring, var å drive gjennombrudd innen bærekraftig matproduksjon.
Etter fire intense måneder kom de manuelle produsentene på andreplass. Førsteplass-teamet, ledet av en av forfatterne av denne artikkelen, vant med en autonom voksende løsning som ikke bare oppnådde 6% større avkastning og 17% høyere nettofortjeneste, men også brukte mindre CO2, varme og vanninngang.
For å lære mer om konkurransen og forstå hvordan en AI-løsning kan konkurrere med - og til og med utkonkurrere - et team av dyktige menneskelige produsenter, la oss se nærmere på AI og hvordan det forholder seg til drivhusautomatisering.
Drivhusautomatisering er ikke noe nytt
I flere tiår har produsenter brukt prosessdatamaskiner, sensorer og aktuatorer for å håndtere klimaklima og vanning. I et slikt scenario er prosessdatamaskinens jobb grei, avhengig av enkle logiske regler. Hvis lufttemperaturen er høyere enn 75 ° F, åpner du for eksempel ventilen. Det kjedelige arbeidet med å lese temperaturer og slå på og av lys og varmeovner er delegert til maskiner.
Selvfølgelig kan ikke regelbasert automatisering takle uforutsette omstendigheter. Mer avgjørende, et dyktig menneske trenger å ta alle avgjøringshåndteringsbeslutninger, ned til de nøyaktige settpunktene for miljøparametere. For å oppnå høye avkastninger pålitelig, er det nødvendig med et betydelig nivå av kunnskap og ferdigheter, og selv da er det lett å gjøre feil. Dessuten blir arbeidet med kontinuerlig overvåking av avlingene enda mer krevende etter hvert som gårdene blir større.
Dessverre vet produsentene altfor godt at arbeidskraft er den største kilden til problemer i produksjonen. År etter år, i Drivhusdyrker Topp 100 avlerundersøkelse, produsenter rapporterer utfordringer ikke bare med arbeidskostnadene, men også med tilgjengeligheten av dyktig arbeidskraft. Ikke overraskende leter produsenter i økende grad etter måter å takle disse utfordringene, inkludert ny teknologi som kan gjøre drivhusdrift mer autonom.
AI er et skritt utover regelbasert automatisering
En god måte å tenke på kunstig intelligens er at den er et skritt utover enkel regelbasert automatisering. Moderne AI handler om bruk av matematikk for å finne mønstre i data, inkludert den typen som finnes i drivhusmiljø og biologiske systemer. For eksempel:
- Med nok klimadata kan produsenter bruke AI til å bestemme optimale settpunkter og komme med klimaprognoser.
- Med nok avlingsdata kan produsenter bruke AI til å generere avkastningsprognoser.
- Med nok bildedata kan produsenter bruke AI til å oppdage skadedyr og sykdommer.
Noen typer AI kan til og med lære av nye data, og gir trinnvis bedre resultater over tid.
Ved å kunne gi dypere innsikt i den daglige drivhusdriften, kan AI brukes til å støtte ekspertbeslutninger og styrke produsentene på en meningsfull måte. De beste resultatene kommer tross alt fra en gjennomtenkt kombinasjon av menneskelig intelligens og kunstig intelligens.
Den databaserte tilnærmingen til AI kan også kombineres med den klassiske regelbaserte tilnærmingen, noe som gir en mye høyere grad av drivhusautomatisering enn noen gang før. Kort sagt, produsenter kan bruke AI til å automatisere mange rote driftsoppgaver, og bidra til å avlaste kroniske arbeidskraftproblemer som utfordrer bransjen.
Data er drivstoffet for AI
Så mye som AI handler om matematiske algoritmer, handler det også om data. I motsetning til hva mange tror, har noen av de vanligste algoritmene som brukes i AI eksistert i flere tiår. De er ikke engang veldig kompliserte. Men i lengst tid har tilgjengeligheten av data - sammen med rimelig beregningskraft som kreves for å behandle dataene - vært begrensende faktorer.
Det tok en nylig utvikling innen maskinvare for å frigjøre potensialet til AI. Smarttelefonrevolusjonen, utløst av Apple i 2007, skapte helt nye produksjonsøkosystemer og forsyningskjeder på global skala. Dette endret den grunnleggende økonomien til maskinvare, tilsynelatende over natten. Viktige maskinvarekomponenter, for eksempel mikroprosessorer, radioer og sensorer, ble eksponentielt billigere, mindre og kraftigere. Dryppene av rådata ble til flom. Den nye overflod av data og beregningskraft bidro til å transformere AI fra en nysgjerrighet på forskning med få kommersielle applikasjoner til en teknologisk havendring.
IoT gir en overflod av data
På begynnelsen av 1980-tallet ble studenter ved Carnegie Mellon University i Pittsburgh irritert over å trekke over til en Coca-Cola-salgsautomat bare for å finne den tom. De modifiserte den slik at den kunne rapportere beholdningen via Internett. Dermed oppfant de verdens første Internett-tilkoblede apparat.
I dag har milliarder av enheter, store og små, fra forbrukerelektronikk til industrielle maskiner, sluttet seg til den første brusmaskinen for å være koblet til Internett, og danne det som er kjent som Internet of Things (IoT). Det som er viktig er at i motsetning til tidligere generasjoner av maskinvare - inkludert mange vanlige drivhusautomatiseringsløsninger - bruker IoT-enheter samme slags dataformater og kommunikasjonsprotokoller som brukes andre steder på Internett. Ved å stole på globale internettstandarder kan det være lettere å utveksle data med IoT-enheter uten å kreve ekstra maskinvare for å bygge bro fra en type system til en annen.
Sammen er AI og IoT komplementære teknologier. IoT-maskinvare hjelper produsenter med å samle rådata fra drivhus lettere. Og AI-programvare hjelper produsenter til å forstå - og handle på - dataene for å forbedre avlingens produksjon.
Casestudie: Kenneth Trans suksess i den autonome drivhusutfordringen
Dr. Tran: I 2018 var jeg en AI-forsker ved Microsoft Research i nærheten av Seattle, og jobbet med en nyere type AI kjent som forsterkningslæring. Der startet jeg et nytt forsøk på å bruke forskningen vår til domenet med kontrollert miljø landbruk. Med det såkalte Sonoma-prosjektet samarbeidet vi med planteforskere ved Harrow Research Center i Ontario, Canada, og endte med å konkurrere i den første internasjonale Autonomous Greenhouse Challenge, organisert av Wageningen University & Research i Nederland.
I denne utfordringen dyrket hvert lag agurker i et drivhusrom på 315 kvadratmeter i en periode på omtrent fire måneder. Disse rommene var utstyrt med standard prosessdatamaskiner, klimasensorer og aktuatorer. Ved hjelp av IoT digitale grensesnitt (REST APIer) kunne våre AI-programmer kontinuerlig lese data fra sensorene, bestemme optimale settpunkter og sende settpunkter tilbake til prosessdatamaskinene - over hele Internett (se figur nedenfor). Mer informasjon om utfordringen og resultatene finner du i en artikkel av Hemming et al. (2019).
Til tross for vår manglende erfaring med agurkdyrking og vår veldig tidlige prototype, var vår autonome voksende løsning i stand til å vinne konkurransen. Vi overgikk til og med andreplassen, referanseteamet bestående av dyktige nederlandske produsenter, med 6% høyere utbytte. Denne marginen i avkastning tilsvarte en økning i driftsresultatet på 17%.
Presterte referanseteamet dårlig? Ikke i det hele tatt. De presterte bemerkelsesverdig bra, ifølge mange eksperter. Utbyttet var nesten 50 kg / m2 i løpet av fire måneder, som tilsvarer nesten 150 kg / m2 per år. Dette regnes som høyt utbytte for et drivhus hvor som helst på planeten.
Som et resultat av den autonome drivhusutfordringen, grunnla jeg Koidra i 2020 for direkte å bygge videre på våre erfaringer og ytterligere presse den nyeste innen AI og IoT for landbruk og andre industrielle kontrollapplikasjoner.
Still de riktige spørsmålene om AI og IoT
I dag er flere drivhusdyrkere villige og klare til å ta i bruk AI og IoT. Hovedutfordringen er å gi mening om produktene på markedet og å kunne vasse gjennom all markedsføringen. Mange selskaper hevder ivrig at de har en AI-algoritme eller IoT-enhet som vil fungere for drivhus.
Her er noen viktige hensyn du må huske på når du vurderer AI-programvare og IoT-maskinvare:
- Ytelse: Dyrkerne skal kunne se konkrete fordeler fra den virkelige verden. Spør: Har AI blitt bevist i kommersiell produksjon for å forbedre avkastning og ressurseffektivitet? Under hvilke forhold? Hva er selskapets resultater med å utvikle AI- og IoT-programvare?
- AI-design: De mest effektive AI-løsningene kombinerer det beste fra menneskelig intelligens med det beste av kunstig intelligens for å ta beslutninger. Spør: Hvordan utnytter AI-modellen den eksisterende kunnskapen? Hvordan sikrer det at ytelsen vil bli bedre over tid med mer data?
- Programvare design: Dyrkerne bør ha kontroll over drivhusdriften. Spør: Hvilke prinsipper for programvaredesign brukes for å sikre avlingssikkerhet? Kan jeg enkelt bytte mellom manuelle, anbefalte og autopilot-modus?
- Dataeierskap: Dyrkerne bør eie dataene sine og unngå "leverandørinnlåsing". Spør: Kan jeg enkelt importere data fra andre systemer? Kan jeg sikkerhetskopiere og eksportere mine egne data? Finnes det APIer som tillater live datatilgang og tilpassede integrasjoner? Kan jeg bruke programvare og maskinvare fra forskjellige leverandører, nå og i fremtiden?
AI og IoT kan styrke produsenter
I en verden der kritiske ressurser - vann og energi, samt tid, penger og dyktig arbeidskraft - blir mer knappe, er det fornuftig å utforske nye teknologier for å dempe byrden. Som vi lærte av den autonome drivhusutfordringen, kan produsenter faktisk oppnå større avkastning og høyere ressursbrukeffektivitet ved bruk av AI-programvare og IoT-maskinvare. Dessuten fortsetter disse teknologiene å bli utviklet og avansert i raskt tempo.
Til slutt kan AI og IoT virkelig styrke drivhusdyrkerne - å ta bedre beslutninger, å gjøre mer med mindre - å dyrke verdens mat mer bærekraftig.