Umjetna inteligencija transformira mogućnosti u poljoprivredi, ali vođe industrije trebaju biti oprezni prilikom ulaganja u AI bez prethodnog postavljanja temelja. Mogućnosti su obećavajuće, posebno za industriju koja se suočava s nestabilnim cijenama gnojiva, nepredvidivim vremenom i maržama koje ostavljaju malo prostora za pogreške. Istraživanja pokazuju da AI modeli predikcije mogu poboljšati prinos usjeva za 26%, smanjiti potrošnju vode za 41% i smanjiti korištenje kemikalija za 33%. Međutim, ono što prodavači AI rješenja obično ne govore jest da su ta rješenja učinkovita samo ako imate čist i čvrst temelj podataka.
Razgovori s dobavljačima u poljoprivredi često slijede poznati obrazac. Ponuda počinje velikim obećanjima o korištenju AI za praćenje zdravlja usjeva u stvarnom vremenu, optimizaciju navodnjavanja i povećanje prinosa po hektaru. Obećanje je uvjerljivo, ali rijetko se postavlja pitanje je li temelj podataka ispod tih obećanja točan i potpun. Ako nije, postoji stvarni rizik da AI generira pogrešne izlaze koji izgledaju autoritativno, ali potiču akcije koje su, u najboljem slučaju, kontraproduktivne.
Na primjer, model predikcije prinosa koji koristi neusklađene povijesne podatke generirat će netočne prognoze. Slično tome, sustav preciznog navodnjavanja koji se oslanja na fragmentirane podatke senzora donijet će odluke o zalijevanju koje troše resurse umjesto da ih štede. U svakom slučaju, AI ne uspijeva jer podaci na kojima je treniran nisu dovoljni za proizvodnju pouzdanih izlaza. U poljoprivredi, svaka AI halucinacija je odgovornost, a vjerojatnost pogreške je visoka.
Podaci u modernoj poljoprivredi su iznimno složeni. Moderna poljoprivreda koristi IoT uređaje i strojeve, automatizirane sustave navodnjavanja, autonomne traktore i dronove koji snimaju slike polja. Međutim, podaci su prirodno raznoliki. Dodajte vanjske izvore, uključujući vremenske podatke, podatke Ministarstva poljoprivrede SAD-a i informacije trećih strana, i pitanje kako sve to povezati postaje značajan zadatak.
Poljoprivredni AI također treba razumjeti više od atributa kupaca; treba razumjeti i zemlju: GPS koordinate, granice farmi, blokove polja i varijacije tla unutar iste parcele. Gdje primijeniti gnojivo, u kojoj količini i na kojem specifičnom području? Ne dijele se svi dijelovi polja jednako, a AI sustav koji ih tretira kao da jesu dat će preporuke koje su u najboljem slučaju netočne i u najgorem štetne.
Spremnost podataka je ključna razlika između uspješnog AI rješenja i scenarija ‘smeće unutra, smeće van’. Osnovno značenje spremnosti za AI je imati model podataka koji točno odražava kako poslovanje funkcionira. Dobri temelji podataka omogućuju postavljanje složenijih pitanja i povjerenje u odgovore, što je preduvjet za bilo koji AI sustav da bude zaista koristan.
