Чому наші онуки можуть хотіти стати високотехнологічними фермерами підприємств трампліну
Доктор Анастасія Волкова, засновник та генеральний директор FluroSat, розповідає про майбутнє сільськогосподарських технологій та про те, чому вам слід піклуватися.
Якщо запитати сьогоднішніх малюків через 5–10 років: „Ким ти хочеш стати, коли виростеш?“ ми можемо почути «фермера» як відповідь і зрозуміло, чому б і ні.
Хоча багато людей досі бачать сільське господарство, пов’язане з такими термінами або фразами, як „важка праця”, „фінансовий ризик” чи „відсутність технологічної розсудливості”, я вважаю, що лише за кілька десятиліть сільське господарство може бути найбільш оцифрованою та автоматизованою професією серед усіх, хто потребує знань у робототехніці, науці даних, сучасних обчисленнях тощо.
Як генерального директора стартапу в галузі agtech, мене часто запитують, як технології змінять майбутнє сільського господарства, і ось мої думки.
1. Гіперпов’язаність дозволить безперешкодно надсилати дані з полів
Відсутність зв’язку шкодить “автономному землеробству”. Це означає, що датчики IoT не зможуть постійно збирати дані, користувачі ферми не зможуть завантажувати польові спостереження через свої смартфони або навіть отримувати доступ до вдосконаленого програмного забезпечення в Хмарі, яке наповнене складними алгоритмами виявлення врожаю. Це також перешкоджає можливості дистанційного керування тракторами та безпілотниками для удобрення або обприскування посівів.
Завдяки LPWAN (малопотужна широкосмугова мережа), такі як LoRaWAN, Sigfox та інші технології, «підключена» ферма дозволить більше передавати дані з полів, що дозволить нам використовувати сільськогосподарські технології в повній мірі, закриваючи цикл між збором даних (із супутниковими знімками, датчиками IoT та механізмами) через виявлення стресу врожаю до внесення коригуючих дій (внесення добрив або прополювання).
2. Навчання моделей машинного навчання та ШІ, характерних для кожної ферми, для досягнення максимального потенціалу
Подібно до того, як сучасний фермер прагне слідувати найкращим агрономічним практикам, фермер майбутнього змагатиметься за ціни на сировину не лише за рахунок використання своїх „інстинктів хеджування”, але також застосовуючи навички науки про дані та покращуючи точність своїх моделей ведення фермерського господарства.
Машинне навчання (ML) як спосіб ітеративного навчання моделі може навчитися для того, щоб розпізнати, наприклад, бур’ян або певний ознака хвороби, перш ніж наші неозброєні очі можуть це виявити. Завдяки кращому підключенню ферм зображення з камер на супутниках, літаках, безпілотниках, тракторах та смартфонах фермерів стануть основним джерелом даних для виконання цих моделей ML. Ми зможемо використовувати дані для підготовки гіперлокальних моделей ML для вивчення обмежень та потенціалу кожної сотки на фермі.