Συστήματα τεχνητής νοημοσύνης επιχειρούν να προβλέψουν πότε και σε ποιες ποσότητες θα είναι διαθέσιμη η παραγωγή, διευκολύνοντας τους αγρότες να προγραμματίσουν τις εργασίες συγκομιδής αλλά και τα εργατικά χέρια που θα χρειαστούν.
Χαρακτηριστική είναι η περίπτωση στην πολιτεία Ουάσιγκτον, σε περιβόλια με μηλιές της Okanagan Specialty Fruits, κατά την πρώτη ημέρα συγκομιδής μήλων, θερμοκρασίες περίπου 38 βαθμών υποχρέωσαν τους αγρότες να σταματήσουν τη συγκομιδή στις δέκα το πρωί, παρότι τα μήλα ήταν ώριμα.
Κάμερες και προγνωστικά μοντέλα βοηθούν τους παραγωγούς να οργανώσουν τη συλλογή των καρπών, συνυπολογίζοντας την ωρίμανση και τον καιρό
Έτσι η επιχείρηση, η οποία έχει περισσότερα από 1.250 στρέμματα οπωρώνων μήλων στην Ουάσιγκτον και ο καρπός κατευθύνεται στη μεταποίηση, επενδύει στην τεχνολογία με την ελπίδα να μεγιστοποιήσει την παραγωγικότητα. Ακόμη και τα μήλα που καλλιεργεί είναι γενετικά τροποποιημένα έτσι ώστε να μην μαυρίζουν εύκολα μόλις κοπούν.
Δύσκολος ο προγραμματισμός
Όμως ο προγραμματισμός μιας συγκομιδής είναι δύσκολος. Όπως αναφέρει το BBC, εμφανίζονται νέα εργαλεία που μετρούν και αναλύουν τους καρπούς στο δέντρο ή το αμπέλι και προβλέπουν πότε θα ωριμάσουν οι καλλιέργειες. Έχει σημασία γιατί οι τιμές των φρούτων, όπως οι φράουλες ή τα βατόμουρα, μπορεί να κυμαίνονται σε υψηλά επίπεδα. Η λανθασμένη ημερομηνία συγκομιδής σημαίνει ότι προσλαμβάνονται εποχικοί εργάτες όταν δεν τους χρειάζεται πραγματικά ο αγρότης και κινδυνεύει να χάσει σημαντικό εισόδημα.
Η Okanagan Specialty Fruits πειραματίζεται ήδη με κάμερες από μια καναδική εταιρεία που ονομάζεται Vivid Machines. Οι κάμερες είναι τοποθετημένες πάνω σε τρακτέρ και συλλέγουν εικόνες από τις μηλιές καθώς το τρακτέρ περνάει. Η τεχνητή νοημοσύνη αναγνωρίζει μπουμπούκια, λουλούδια ή φρούτα σε αυτό το υλικό.
Όμως η ακρίβεια των προβλέψεων εξαρτάται από την ποιότητα των ιστορικών πληροφοριών που τροφοδοτούνται στο σύστημα. Για παράδειγμα, η τεχνητή νοημοσύνη, όπως εξηγούν εκπρόσωποι της επιχείρησης, δεν μπορεί να καταλάβει ποια είναι η μέση απόδοση των ποικιλιών.
Για παράδειγμα, όπως αναφέρει σύμβουλος της FruitCast, μιας βρετανικής εταιρείας που προσφέρει προβλέψεις συγκομιδής στους καλλιεργητές φρούτων, η ποικιλία μήλων Granny Smith έχει περιθώριο να συγκομιστεί για τρεις εβδομάδες, ενώ άλλα φρούτα, όπως η φράουλα πρέπει να συγκομιστεί άμεσα «διαφορετικά ολόκληρη η σοδειά σας αρρωσταίνει πολύ, πολύ γρήγορα».
Η εταιρεία προσφέρει στους καλλιεργητές προβλέψεις καλλιέργειας για φράουλες και επίσης σμέουρα, βατόμουρα, βατόμουρα και ντομάτες.
Αν και οι αγρότες γνωρίζουν πότε θα ωριμάσουν τα φρούτα τους, δυσκολεύονται να καθορίσουν το χρόνο συγκομιδής, σε ολόκληρο το αγρόκτημά τους, το οποίο μπορεί να έχει μέγεθος πολλών στρεμμάτων ή να έχει εξωτερικούς και εσωτερικούς χώρους καλλιέργειας.
Το σύστημα αναλύει πλάνα από φρούτα που ωριμάζουν που μπορούν να καταγραφούν από drones, κάποιον που περπατά πάνω-κάτω σε ένα χωράφι με ένα smartphone ή μια κάμερα τοποθετημένη σε ένα αγροτικό όχημα.
Η φετινή χρονιά ήταν δύσκολη με τον ζεστό καιρό και την ξηρασία να πλήττουν μεγάλο μέρος του Ηνωμένου Βασιλείου. Αυτό έχει στρεσάρει πολλά οπωροφόρα φυτά, βάζοντάς τα σε θερμικό λήθαργο και επιβραδύνοντας την παραγωγή καρπών.
Το μοντέλο FruitCast λαμβάνει υπόψη τις καιρικές συνθήκες και τις συνθήκες άρδευσης στις προβλέψεις του. Η εταιρεία λέει, «οι προβλέψεις μας προσγειώνονται εντός του 10% του πραγματικού επιλεγμένου όγκου μία εβδομάδα (90% ακριβής) και εντός 17% τρεις εβδομάδες (83% ακριβής). Εγγυόμαστε λιγότερο από 20% σφάλμα…».
«Δεν είναι ακόμη μια ολοκληρωμένη λύση»
Η Angus Soft Fruits είναι μια εταιρεία που έχει συνεργαστεί με την FruitCast. Η τεχνολογία τεχνητής νοημοσύνης για την πρόβλεψη της ωρίμανσης των φρούτων δεν είναι ακόμη «μια ολοκληρωμένη λύση», λέει ο διευθυντής επιχειρήσεων, ξεκαθαρίζοντας ότι η διαδικασία είναι ακόμη σε εξέλιξη και, ενώ έχει σημειωθεί σημαντική πρόοδος, ο κλάδος απέχει πολύ από την επίτευξη ενός πλήρως ολοκληρωμένου συστήματος προβλέψεων.
Οι ερευνητές διερευνούν επίσης νέους τρόπους ανάλυσης των φρούτων με έντονη λεπτομέρεια. Πολλοί αγρότες χρησιμοποιούν ήδη φορητούς μετρητές brix για να μετρήσουν την περιεκτικότητα σε ζάχαρη της καλλιέργειάς τους. Αυτές οι συσκευές λειτουργούν μετρώντας πόσο φως έχει αλλάξει κατεύθυνση ή έχει διαθλαστεί, αφού περάσει μέσα από ένα υγρό – υποδεικνύοντας τον όγκο των στερεών που υπάρχουν.
Ορισμένοι τέτοιοι μετρητές χρησιμοποιούν υπέρυθρο φως, που σημαίνει ότι δεν χρειάζεται να κόψετε τα φρούτα για να κάνετε μετρήσεις. Αλλά ο Yasaman Ghasempour στο Πανεπιστήμιο του Πρίνστον λέει ότι τα κύματα χιλιοστών, τα ραδιοκύματα υψηλής συχνότητας, μπορούν να διεισδύσουν βαθύτερα «Βασικά ανταποκρίνονται πολύ καλά στην υγρασία, το νερό [και τη ζάχαρη]», λέει.
Αυτή και οι μαθητές της έχουν καταλήξει σε έναν ανιχνευτή ωριμότητας με βάση τα κύματα χιλιοστών που θα μπορούσε να χρησιμοποιηθεί από αγρότες – ή ακόμα και πελάτες που αναζητούν τέλεια ώριμα φρούτα στα καταστήματα.
Αξίζει η επένδυση;
Όμως, ενώ ορισμένοι καλλιεργητές ενδιαφέρονται να δοκιμάσουν νέα τεχνολογία, πολλοί αναρωτιούνται αν αξίζει πραγματικά να επενδύσουν σε αυτήν.
Ερευνητές εργάζεται σε ένα σύστημα για την αυτόματη μέτρηση του αριθμού των βατόμουρων που καταγράφονται σε εικόνες smartphone. Το Πανεπιστήμιο της Φλόριντα έχει αναπτύξει ένα άλλο εργαλείο μέτρησης καλλιεργειών που μπορεί να συλλέξει εικόνες από drones αξίας 100 δολαρίων (74 £).
Στο μέλλον, τέτοιες πληροφορίες θα μπορούσαν να τροφοδοτήσουν προβλέψεις ωρίμανσης. Ωστόσο, υπάρχουν αγρότες που είναι δύσπιστοι να ανταλλάξουν πληροφορίες σχετικά με τις καλλιεργητικές στρατηγικές τους, όπως τα σχέδια λιπασμάτων και άρδευσης, με τρίτα μέρη και μοντέλα τεχνητής νοημοσύνης.
Πιθανότατα οι αγρότες θα συνεχίσουν να βασίζονται στην ανθρώπινη νοημοσύνη. «Στους καλλιεργητές αρέσει να έχουν ανθρώπους στο μείγμα για να λάβουν μερικές από αυτές τις πολύ κρίσιμες αποφάσεις – ειδικά όταν πρόκειται για συγκομιδές», λένε ερευνητές.
