آینده روشن هوش مصنوعی در کشاورزی

یکی از امیدوارکننده‌ترین راه‌ها برای هوش مصنوعی در توانایی آن در استفاده از تکنیک‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های حاصل از کشاورزی دقیق، GPS، نقشه‌ها و سایر مجموعه‌های داده مرتبط است. با این حال، همانطور که دکتر خانا خاطرنشان می‌کند، یک سوال برجسته باقی می‌ماند: “چگونه می‌توانیم از این داده‌ها برای تصمیم‌گیری بهتر و کاهش عدم اطمینان کشاورزی استفاده کنیم تا بتوانیم پیش‌بینی‌پذیری و توصیه‌هایی را که می‌توانیم ارائه دهیم که واقعاً منافعی را برای کشاورز فراهم می‌کند افزایش دهیم؟

نحوه استفاده از هوش مصنوعی در کشاورزی

دکتر خانا به چالش‌های مرتبط با انتقال فرآیندهای تصمیم‌گیری به هوش مصنوعی اشاره کرد. کشاورزان اغلب اهداف چند وجهی دارند که تصمیمات آنها را هدایت می‌کند و تکرار این تصمیم‌گیری ظریف در سیستم‌های هوش مصنوعی را به چالش می‌کشد.

علاوه بر این، یک بی میلی قابل توجه یا “بیزاری از الگوریتم” در میان افراد برای واگذاری کنترل به سیستم‌‌های خودکار وجود دارد که منعکس کننده دلهره‌هایی است که در حوزه‌های دیگر مشاهده می‌شود.

خانا می‌گوید: «تحویل هزینه نحوه مدیریت یک مزرعه به یک ربات به سطحی از سازگاری نیاز دارد. بسیاری از ما خیلی مایل نیستیم که به یک ربات اجازه دهیم به جای داشتن یک مشاور مالی در مورد پس انداز زندگی ما تصمیمات سرمایه‌گذاری بگیرد و این چیزی است که شما می‌توانید برای یک کشاورز تصور کنید که بسیار شبیه است.

برای کاهش ابهامات در نتایج استفاده از هوش مصنوعی در کشاورزی، خانا از بازنگری در دسترسی به داده‌های کشاورزی حمایت کرد، زیرا ترتیبات قراردادی موجود بین کشاورزان و شرکت‌های اجراکننده ممکن است مانع از در دسترس قرار گرفتن داده‌های مفید برای توسعه‌دهندگان و شرکت‌هایی شود که قابلیت‌های پیش‌بینی فناوری‌های هوش مصنوعی را افزایش می‌دهد.

قوانین بسیار سخت‌گیرانه‌ای در مورد اینکه چه کسی مالک داده‌ها است و برای چه چیزی می‌تواند استفاده شود، وجود دارد. بنابراین تحت قوانین فعلی، بسیاری از داده‌های جمع‌آوری‌شده از مزارع کشاورزان تنها می‌توانند برای سود بردن کشاورزان مورد استفاده قرار گیرند. و شرکت‌ها از نظر توانایی خود در جمع آوری داده‌ها از چندین کشاورز و سپس استفاده از آن برای بهبود کلی در فناوری محدود هستند.

بنابراین برای اینکه بتوانیم از این فناوری‌ها استفاده کنیم و آن‌ها را بهبود ببخشیم، باید به طور قابل‌توجهی از این ترتیب فاصله بگیریم. هر چه مقدار داده‌های موجود بیشتر باشد، این فناوری‌ها بهتر می‌توانند آن را پیش بینی کرده و از آن درس بگیرند. بنابراین با فناوری‌های هوش مصنوعی، داشتن شبکه‌های داده بسیار مهم خواهد بود.

تمرکز خانا بر افزایش دسترسی به داده‌ها با نظرات ایتان روبلی، بنیانگذار و مدیر عامل شرکت رباتیک farm-ng یکسان است.

روبلی توضیح داد که چگونه سیستم‌های هوش مصنوعی مانند ChatGPT از داده‌های فراوانی برای آموزش بهره می‌برند، اما کشاورزی هنوز از این مزیت برخوردار نیست و بر نیاز به بهبود لجستیک داده تأکید کرد. او همچنین بر نیاز به داده‌های برچسب‌گذاری شده برای آموزش مدل‌های هوش مصنوعی برای درک سیستم‌های پیچیده رباتیک ag تاکید کرد.

روبلی گفت: “من فکر می‌کنم در این افق 10 ساله که ما را تحت تاثیر قرار می‌دهد، مدل‌سازی بهتری از این سیستم‌های واقعا پیچیده است.

در همین حال، یکی دیگر از برنامه‌های مهم برای هوش مصنوعی در کشاورزی بخش دامداری است، جایی که فناوری‌ها توسط مؤسسه هوش مصنوعی برای انعطاف پذیری، مدیریت و پایداری کشاورزی آینده (AIFARMS) مورد تحقیق و توسعه قرار می‌گیرند. محققان AIFarms “بینایی کامپیوتری” را برای نظارت بر حیوانات در تمام ساعات شبانه روز، ردیابی سلامت کلی آنها، وضعیت چرخه تولیدمثل آنها و حفظ امکانات با حداقل نیروی انسانی توسعه دادند.

شما می‌توانید همین حالا از طریق زبان فارسی به موتور‌های هوش مصنوعی مولد مانند ChatGPT و سرویس متن به عکس لئوناردو دسترسی پیدا کنید. تنها کافی است اپلیکیشن زی‌گپ را دانلود و به راحتی از آن استفاده کنید. همچنین شما می‌توانید نظرات خود را با ما و سایر کاربران در شبکه‌های اجتماعی ما در اینستاگرام و تلگرام به اشتراک بگذارید.