Содержание
- Машинное зрение на примерах
- Интернет вещей (IoT) на примерах
- Большие данные и предиктивная аналитика на примерах
Самые яркие отличительные черты человеческого интеллекта — способность к абстрактному мышлению, умение находить решения новых задач, которые требуют творческого начала и выхода за границы накопленного опыта. С этих точек зрения искусственного интеллекта не существует. Эксперты указывают, что в текущем моменте мы имеем дело с маркетинговым ходом, использующим подмену понятий.
Машинное зрение на примерах
Технология машинного зрения основана на умении распознавать изображения. Это умение машина приобретает, обучаясь на множестве заранее подготовленных и описанных человеком изображений.
Простой пример применения машинного зрения — система автовождения РСМ Агротроник Пилот 2.0: именно благодаря этой технологии комбайн сканирует изображение с камер, распознает препятствие и останавливается перед ним.
Но гораздо дольше машинное зрение используется для мониторинга полей «из космоса», «с воздуха» и «с земли». Полученные с камер фото- и видеоматериалы обрабатываются соответствующими алгоритмами, основанными на нейросетях.
Например, в ЕФИС ЗСН (единая федеральная информационная система о землях сельскохозяйственного назначения) собраны результаты дистанционного («из космоса») зондирования земли за большой период времени. Здесь можно получить многогодичные данные о различных показателях для полей, расположенных в 83 регионах РФ.
Используя машинное зрение в обследованиях «с воздуха» или «с земли», можно определять наличие сорной растительности, вредителей, заболеваний, фазы развития «культуры» и «сорняка», общее состояние фона и прочее.
К примеру, в результате машинного обучения алгоритм «понял», как должны выглядеть «эталонные» хорошо накормленные и напоенные здоровые растения. И легко различает отклонения. Конечно, как верно замечают специалисты, «неэталонный» цвет листа с одинаковой долей вероятности может свидетельствовать о разных проблемах. Но если, помимо цвета, мы имеем данные о наличии питательных веществ в почве и (или) многолетние данные об урожайности, рельефе и характере стока воды, и (или) данные о многолетних значениях влажности культуры и т. д., то сможем определить проблему точнее. То есть здесь речь идет уже о больших данных (big data) и интернете вещей (IoT: Internet of Things).
Интернет вещей (IoT) на примерах
Грубо говоря, интернет вещей (IoT) — это объединенная в сеть система физических объектов, оснащенных средствами для сбора данных, их передачи в аналитический центр и (или) обмена между собой.
Самый простой пример применения этой технологии (по сути, must have точного земледелия) — системы картирования. Например, РСМ Карта урожайности. Здесь зерноуборочные или кормоуборочные комбайны (физические объекты) оснащены датчиками измерения объема убираемой массы и ее влажности, а также записывающим модулем, GPS-модулем и передатчиком (средства сбора и передачи данных). Собираемые данные со всех машин передаются в систему РСМ Агротроник (аналитический центр), где объединяются и обрабатываются, а на их основе строятся карты урожайности и влажности.
Другой пример — системы РСМ Роутер и РСМ Роутер Плюс. Здесь физические объекты (комбайны, тракторы, грузовые машины) получают задание из аналитического центра; формируют собственную информацию о местонахождении, производительности, убранной площади и обмениваются ею между собой для создания и корректировки своих маршрутов (параллельно отправляя данные и в аналитический центр).
Большие данные и предиктивная аналитика на примерах
Для больших данных характерна сумма признаков, которую называют 7V:
Другими словами, это поступающий с большой скоростью поток разнообразных структурированных и неструктурированных объективных данных, которые можно визуализировать для удобства восприятия и которые представляют ценность.
Казалось бы, где сельское хозяйство, а где большие данные. Но нет: в тот момент, когда вы пересаживаетесь на современные агромашины и начинаете использовать цифровые инструменты, вы начинаете формировать свои большие данные. Данные о работе, производительности и местоположении машин, влажности и урожайности культуры, данные метеостанций и т. д. и т. п. — все это представляет собой тот самый поток 7V. И на его основании вы получаете возможность строить предиктивные прогнозы.
Предиктивная аналитика — это метод прогнозирования, основанного на «исторических» данных. Это прогноз урожайности культуры на основании полученных в предыдущие периоды данных о погоде, состоянии поля. Или прогноз работоспособности комбайна, трактора, сеялки и пр.
Например, бортовая часть системы РСМ Агротроник собирает данные о работе всех систем и агрегатов агромашин, компьютер анализирует эти данные и при необходимости предупреждает механизатора о нештатных ситуациях. А система РСМ Уведомления формирует сообщения для владельцев, инженерных служб и дилеров. Это позволяет не только своевременно реагировать на неисправности, но и прогнозировать, например, время проведения ТО, какие запасные части и когда необходимо будет приобрести и заменить, когда проводить ремонт и какой. А система идентификации РСМ Умная метка предоставляет данные о реальном уровне амортизации навесных и прицепных агрегатов.
Уже упомянутая система РСМ Карта урожайности и влажности позволяет выявить проблемные участки и выполнять ситуационный анализ, планировать севооборот, создавать карты-задания для дифференцированного внесения удобрений и т. д. и т. п.
Еще пару десятков лет назад та точность, с которой агромашины сегодня обрабатывают почву, сеют, опрыскивают, убирают урожай, казалась недостижимой фантастикой. А сегодня это реальность. До сих пор порой можно услышать, что невозможно узнать урожайность в каждой точке поля, потому что такая задача требует невероятных ресурсов. Но сегодня ее решение превратилось в обыденность. Именно компоненты искусственного интеллекта позволили вывести сельское хозяйство на совершенно новый уровень по возможности прогнозирования, планирования, выполнения поставленных задач и прочее и прочее.
Таким образом, даже если говорить не о «сильном ИИ», подразумевающем наличие самосознания, творческого начала и прочих признаков настоящего интеллекта, а о «слабом ИИ», который представляет собой прикладные «цифровые инструменты», вклад этих технологий в современное сельское хозяйство переоценить невозможно. Даже уже привычные системы автовождения, картирования урожайности и влажности дают прирост производительности и экономию ресурсов в десятки процентов, в разы повышают качество работы и снижают нагрузку на человека.
