کشاورزی تو دنیا این روزها با مشکلات خفن و جدی روبرو شده: از یه طرف تغییرات اقلیمی (یعنی همون تغییر آب و هوا و اتفاقات عجیب و غریب طبیعت)، از یه طرفم کمبود منابع مثل آب و خاک، و کلی هم جمعیت که دارن روز به روز بیشتر غذا لازم دارن! خب، قاعدتاً راه حل قدیمی‌ها دیگه خیلی جواب نمی‌ده و باید دنبال راه‌های خلاقانه بود.
اینجاهاست که هوش مصنوعی یا همون AI، مخصوصاً اون بخشی که بهش می‌گن دیپ‌لرنینگ (Deep Learning، یعنی مدل‌هایی که ساختار شبکه عصبی و یادگیری خیلی عمیق دارن)، وارد داستان میشه و می‌خواد به کمک کشاورزی بیاد. یه مقاله جالب، اومده بیش از ۶۵۰ تا پژوهش بین سال‌های ۲۰۰۰ تا ۲۰۲۴ رو با کلی تحلیل نقشه دانشی و مطالعه کتاب‌سنجی کنکاش کرده تا ببینه اوضاع استفاده از هوش مصنوعی تو شناسایی و پایش اطلاعات کشاورزی چه خبره.
تمرکز اصلی پژوهش روی ترکیب دیپ‌لرنینگ و سنجش از راه دور بوده. سنجش از راه دور یعنی جمع‌آوری اطلاعات از مزارع بدون اینکه با پای خودت بری سر زمین! این کار معمولاً با کمک هواپیماهای بدون سرنشین (UAV) یا ماهواره‌ها انجام میشه و خیلی خفنه چون می‌تونی کلی اطلاعات لحظه‌ای بگیری.
تو بین همه تکنیک‌ها، شبکه‌های عصبی پیچشی یا همون CNN (Convolutional Neural Network، که یک مدل خیلی معروف تو دیپ‌لرنینگه برای کارای تصویری)، انگار ستاره‌ی مجلس هستن! تقریباً همه جا پایش لحظه‌ای محصولات کشاورزی رو این‌ها دارن انجام میدن.
البته اوضاع به این راحتیا هم نیستا! چند تا دردسر مهم هست که هنوز حل نشده:
۱. کمبود دیتاست برچسب‌خورده: منظور از دیتاست برچسب‌خورده مجموعه داده‌هایی هست که مثلاً تصویراش معلومه هر کدوم دقیقا چی هستن (مثلاً کدوم تصویر مربوط به گندمه، کدومش آفته و غیره). چون آموزش مدل‌ها به اینا نیاز داره، وقتی کم باشه مدل درست یاد نمی‌گیره!
۲. عدم تعمیم مدل‌ها به محیط‌های مختلف: یعنی ممکنه یه مدل تو یه نقطه یا آب و هوا کار کنه، ولی وقتی بری یه کشور یا منطقه دیگه با شرایط متفاوت، دیگه جواب نده و دقیق نباشه.
۳. سختی ترکیب داده‌های چندمنبعی: اطلاعات مختلف از هواپیما، ماهواره، سنسورهای زمینی و غیره باید با هم ترکیب بشن که خیلی راحت نیست و قاطی‌پاطی میشه!
یه نکته بامزه دیگه هم این بود که همکاری بین‌رشته‌ای، یعنی مشارکت افراد از رشته‌های مختلف، واقعاً خیلی ضروریه اما هنوز تو این حوزه راه نیفتاده. برای اینکه این سیستم‌ها مقیاس‌پذیر و کاربردی بشن باید مهندسا، کشاورزا، دیتا ساینتیستا و حتی سیاست‌گذارها کنار هم کار کنن، که فعلاً کمه!
خلاصه آخر داستان این که AI و دیپ‌لرنینگ می‌تونن کشاورزی رو دگرگون کنن ولی به شرط اینکه دیتای باکیفیت‌تر تولید کنیم، مدل‌هایی طراحی کنیم که تو هر شرایطی و هر محیطی جواب بدن، و همکاری تیمی بین رشته‌های مختلف رو جدی بگیریم. این مقاله یه نقشه راه درست حسابی ارائه داده تا هوش مصنوعی هرچه زودتر بیاد وسط میدون کشاورزی جهانی و هم از نظر فنی و هم از لحاظ سیاست‌ها (policy یعنی برنامه‌ریزی کلان و قوانین) مشکلات و کم‌و‌کاستی‌ها رو رفع کنه تا نگران امنیت غذایی آینده نباشیم!
منبع: +
