Žurnalas žemdirbiams apie verslą, augalininkystę, gyvulininkystę, techniką.
Dirbtinio intelekto taikymas maisto pramonėje ir žemės ūkyje
Doc. dr. Valentas GRUŽAUSKAS Kauno technologijos universitetas | MANO ŪKIS 2021/07
Dirbtinio intelekto diegimas žemės ūkyje ir pramonėje tampa būtinas, norint efektyviau išnaudoti įmonių plėtrą. Pasaulio ekonomikos forumo apklausos duomenimis, 77 proc. įmonių vadovų mano, kad COVID-19 krizė paskatins įmones skaitmeninei transformacijai.
Įprasti įmonių veiklos procesai tapo labiau skaitmenizuoti, tai leidžia surinkti daugiau įvairių duomenų ir juos efektyviau analizuoti.
Svarbu tai, kad rinkti duomenis įmanoma ne tik įprastuose procesuose, bet ir specifiniuose, susijusiuose su žemės ūkiu, ypač – su gyvulininkyste bei maisto gamyba. Šis papildomas duomenų rinkimas gali būti vykdomas panaudojant įvairias technologijas, tokias kaip judesių jutikliai, vaizdo kameros, temperatūros ar drėgmės davikliai, palydovų nuotraukos ir kt. Duomenų srautas iš įvairių verslo procesų sudaro galimybes diegti dirbtinio intelekto (DI) algoritmus minėtose srityse.
Dirbtinis intelektas ir jo algoritmų tipai
Šiuo metu rinkoje taikomi DI sprendimai orientuoti į konkrečių procesų automatizavimą. Juos žmogus paprastai gali atlikti ganėtinai nesunkiai, pavyzdžiui, atpažinti objektą nuotraukoje. Tačiau žmonės dažnai DI įsivaizduoja kaip robotą, savarankiškai mąstantį ir veikiantį mechanizmą. Toks suvokimas yra futuristinis ir jis vadinamas „bendruoju dirbtiniu intelektu“ (angl. general artificial intelligence). Tokio lygio dirbtiniam intelektui išvystyti dar reikia atlikti daug tyrimų.
DI algoritmai yra trijų tipų. Pirmasis – neprižiūrimasis mokymasis (angl. unsupervised learning). Šis tipas paprastai naudojamas pirminei duomenų apžvalgai ir tendencijoms suvokti, kadangi jam nereikia paruošti konkrečios mokymosi terpės. Neprižiūrimasis mokymasis gali padėti greitai suprati pirmines duomenų tendencijas.
Antrasis tipas – prižiūrimasis mokymasis (angl. supervised learning), kuriame DI algoritmas mokomas identifikuoti ryšį tarp tam tikrų įeinančių duomenų ir konkretaus rezultato. Prižiūrimasis algoritmas galėtų būti naudojamas nuotraukoms identifikuoti. Pavyzdžiui, jeigu auginame viščiukus broilerius, turime įeinančius duomenis apie jų produktyvumo ir mikroklimato rodiklius, tai algoritmas galėtų identifikuoti ryšį tarp skirtingų pulkų auginimo sąlygų, sveikatingumo ir būsimo viščiukų broilerių augimo intensyvumo, planuojamos vienodesnės jų realizacinės masės gavimo bei didesnio jų išsaugojimo skaičiaus.
Vienas iš šiuo metu populiariausių prižiūrimojo mokymosi algoritmų yra neuroniniai tinklai. Dėl išaugusių skaičiavimų pajėgumų neuroninių tinklų taikymas pradėtas vadinti giliuoju mokymu (angl. deep learning). Neuroninį tinklą galima įsivaizduoti lyg žmogaus smegenų fiziologinės veiklos atkūrimą ir neuronų mokymą atpažinti, įvertinti informaciją ir gautų rezultatų pagrindu užtikrinti optimalių fiziologinių procesų eigą.
Trečiasis tipas yra pagalbinis mokymasis (angl. reinforcement learning), kuris realizuojamas sukuriant simuliaciją, apibrėžiant pagrindinius sprendimus ir jų tinkamumo įvertinimą. Konkrečių veiksmų atlikimo sprendimas yra perduodamas mokytis pačiam algoritmui.
Dirbtinio intelekto diegimo procesas
Pirmas žingsnis diegiant DI algoritmus – identifikuoti siektiną tikslą, kuris susijęs su prieš tai aptartais algoritmų tipais. Tada, remiantis pasirinktu testu, surinkti verslo procesų duomenis. Turint šią informaciją, duomenis reikia sutvarkyti ir sujungti į bendrą struktūrą, atlikti pirminę jų analizę, identifikuoti papildomą informaciją, kuri slepiasi duomenyse (angl. feature engineering).
Duomenų tvarkymas visuomet reikalingas, kadangi juos tvarkant atsiranda įvedimo klaidų, nebūna vienos sistemos. Identifikavus klaidas ir sistemingai su-vienodinus duomenų struktūrą, juos būtina tinkamai sugrupuoti ir sutalpinti į bendrą duomenų bazę. Šis etapas svarbus, nes duomenys renkami iš skirtingų padalinių, gali būti praktiškai nepanaudojami, tačiau, juos integravus, galima gauti puikius rezultatus. Šie aptarti etapai vadinami „Ištraukite, transformuokite, įkelkite“ (angl. Extract, transform, load arba ETL).
Galiausiai reikia atlikti pirminę duomenų analizę ir išgauti paslėptas duomenų tendencijas. Paprasčiausias pavyzdys galėtų būti susijęs su pardavimų prognozėmis, pavyzdžiui, turint tam tikro maisto produkto pardavimo datą, galima atskirai identifikuoti mėnesį, sezoną, savaitės dieną, šventinę dieną ir kt. – ši papildoma informacija gali padėti algoritmui atrasti tinkamesnes produktų pardavimų tendencijas tiek žemės ūkyje, tiek maisto pramonėje.
Algoritmo mokymui svarbu turėti tinkamą infrastruktūrą. Ji priklauso nuo duomenų kiekio, tipo, pasirinkto tikslo, norimo dažnumo atnaujinti algoritmą ir kt. Svarbu žinoti: ši infrastruktūra turėtų užtikrinti saugojimo vietą ir skaičiavimo pajėgumus. Atsižvelgiant į duomenų tipą ir kiekį, svarbu parinkti tokią infrastruktūrą, kuri būtų tinkama ne tik kūrimo procese, bet ir sprendimo palaikymo metu.
Dirbtinio intelekto panaudojimo galimybės
Norint labiau suprasti DI pritaikymo galimybes, aptarsime jų potencialą įvairiuose verslo procesuose.
Gyvulininkystėje, pavyzdžiui, auginant viščiukus, DI gali būti panaudotas trimis aspektais. Visų pirma, galima prognozuoti viščiukų sveikatos lygį, atsižvelgiant į jų išvaizdą, elgseną ir mikroklimato parametrus. Šios informacijos surinkimas ir prognozavimas gali leisti identifikuoti viščiukų sergamumą tam tikromis ligomis ir efektyviau taikyti profilaktines priemones.
Skaitmeninės gamybos metu viščiukų stebėjimas atliekamas realiuoju laiku. Į šį procesą įeina automatizuotos svarstyklės, siunčiančios nuolatinius duomenis apie kūno svorį, temperatūrą ir lesalų suvartojimą, siekiant pagerinti gamybos efektyvumą, paukščių gerovę ir sveikatingumą, efektyviau formuoti mitybos strategiją, gerinti biosaugą ir mažinti kvapų sklaidą. Tai labai svarbu dideliuose paukštynuose, nes tokiu principu galima analizuoti labai didelius viščiukų pulkus, prognozuoti jų augimo tendencijas ir pagal tai reguliuoti lesalų gamybos apimtis, jų kokybę, auginimo sąlygas ir pagaminti itin kokybišką paukštieną.
Galiausiai DI gali būti panaudotas ir DNR tyrimams. DNR seka išreiškiama kaip raidžių kombinacija, todėl dirbtinio intelekto algoritmai gali ieškoti ir nustatyti įvairias tendencijas. Kumar Saxena and Gautham Kolluri 2018 m. atliko tyrimą, kuriame pateikė DNR tyrimo metodologiją, skirtą sukurti paukščių linijų derinius, atsparius susirgimams, šalinti paukštienos defektus ir pagaminti aukštos maistinės vertės produkciją.
Prižiūrimasis mokymasis gali būti integruojamas su automatiniu piktžolių ravėjimo mechanizmu. Šios prieigos realizavimas galimas surenkant pakankamą nuotraukų kiekį ūkyje, kuriose būtų galima identifikuoti piktžoles, tada prie važiuojančio traktoriaus prikabintas padargas automatiškai ravėtų identifikuotas piktžoles.
Tokio tipo prieiga galima ir automatiniam uogų rinkimui. Pavyzdžiui, Ya Xiong ir kiti 2020 m. publikuotame straipsnyje parodė, kaip galima sukurti autonominį braškių skynimo robotą, dirbtiniam intelektui identifikuojant prinokusias braškes. Panašiu principu gali būti naudojamos ir vaizdo kameros, fiksuojančios įvairius spektrus, pagal kuriuos galima identifikuoti augalų ligas. Šiuo atveju reikalingas ne tik tinkamas DI algoritmo panaudojimas, bet ir jo adaptacija signalui apdoroti. Globalesne prasme skirtingų spektrų užfiksavimas gali būti gaunamas ir iš palydovo nuotraukų. Tokio tipo duomenys naudojami identifikuoti pasėlių tipą, rinkti statistiką ir tinkamiau reguliuoti sėjimo procesus. Žinoma, tokių technologijų panaudojimas konkrečiu atveju turėtų būti detaliai analizuojamas ir vystomas specifinis sprendimas. Pavyzdžiui, Michael G. Selvaraj ir kiti autoriai 2019 m. publikacijoje parodė, kaip DI gali būti panaudotas bananų ligoms identifikuoti. Chuan-Pin Lu ir kiti 2018 m. pristatė grybų augimo identifikavimo sistemą iš nuotraukų ir tų rezultatų pagrindu pateikė jų auginimo klimato valdymo rekomendacijas.
Jayme G. A. Barbedo ir kiti 2020 m. analizavo dronų su filmavimo kamera galimybes identifikuoti galvijus ir padėti tinkamiau valdyti dideles bandas ūkiuose.
DI gali būti panaudotas ne tik gyvulininkystėje ar žemės ūkyje apskritai, bet ir maisto produktų gamyboje bei logistikoje. Pavyzdžiui, pakuojant maisto produktus galima vaizdo kameromis nustatyti sandarumo kokybę, ar tinkamai užsukti gėrimų kamšteliai. Atsižvelgiant į produkto specifiką, galima naudoti ir termines kameras.
DI gali būti panaudotas produktų paklausai prognozuoti, sandėlio likučiams optimaliau vertinti ir produktams paskirstyti. Pavyzdžiui, atliekant tiesioginį pristatymą į namus, klientams dažnu atveju leidžiama pasirinkti 1 ar 2 valandų pristatymo terminą. Šioje vietoje galima realizuoti DI algoritmą, kuris, remiantis sudarytais maršrutais, įvertintų tikimybę laiku pristatyti produktus vartotojui. Šis aspektas maisto produktų atveju yra svarbus. Jeigu klientas negalės priimti produktų, jų grąžinimo atgal į sandėlį atveju didėja tikimybė, kad gali pasibaigti dalies produktų galiojimo trukmė.
Svarbu paminėti, kad DI gali būti panaudotas ir globalesnėms problemoms spręsti, reguliuojant tam tikrus valstybės procesus. Kompiuterinė simuliacija gali būti realizuojama kartu su pagalbiniu mokymusi. Tokiomis sąlygomis galima atkurti įmonių pagrindinius procesus ir analizuoti įvairių valstybinių reguliavimų įtaką pramonės ir žemės ūkio raidai. Pavyzdžiui, valstybės mokestinė politika gali būti taikoma formuojant žemės ūkio naudmenų struktūrą. Tokio tipo simuliacijai atlikti reikėtų pasinaudoti ir apklausos prieiga, norint sužinoti, kokius sprendimus ūkininkai priimtų, esant įvairioms mokesčių reguliavimo situacijoms. Tada, pasinaudojus pagalbiniu mokymusi, galima analizuoti, kaip šie sprendimai galėtų keistis atliekant simuliaciją. Pavyzdžiui, Christian Grovermann ir kiti 2017 m. realizavo kompiuterinę simuliaciją, per kurią analizavo pesticidų naudojimo reguliavimą, auginant
DI sprendimų diegimas įgauna vis didesnį pagreitį. Be šių sprendimų tiek ūkininkams, tiek verslo įmonėms bus sunku išgyventi skaitmeniniame amžiuje, kuriame beveik visas vartojimas iš mažmeninės pereis į internetinę prekybą.
Taigi, ateitis pasirengusi, bet ar žmogus ateičiai pasirengęs? Norėtųsi tikėtis, kad pateikta informacija suteiks žemdirbiams pradinį suvokimą ir norą gilintis ir diegti dirbtinio intelekto sprendimus savo veikloj
