Os desafios de Inteligência Artificial na agricultura

Inteligência Artificial e Machine Learning podem revolucionar o cenário da agricultura, mas precisam ser melhor desenvolvidos

Plug and Play Tech Center is a leading tech startup accelerator with over 300 startups, 170 investors and a network of university and corporate partners.

12 de abril de 2017

Esse artigo inicialmente apareceu no AgFunderNews, site de notícias sobre agricultura e tecnologia afiliado da AgFunder, plataforma de investimentos online para startups agtech. Ele foi redigido por Joseph Byrum, sênior em P&D e marketing estratégico na Life Sciences – Global Product, Development, Innovation and Delivery na Syngenta.

Um grupo de fazendeiros de milho estão em torno de um agrônomo e seu computador, ao lado de um pivô de irrigação, na África do Sul. O agrônomo acaba de pôr um UAV híbrido no ar para a exploração dos hectares de terra. O drone é equipado com um sensor de precisão, que permite que o pessoal do campo identifique, quase que imediatamente após o voo, quaisquer anomalias em cada cultura de cultivo.

Neste caso, os agricultores e o agrônomo estão olhando para um software que os dará uma contagem precisa da população de plantas. Faz 10 dias que o milho cresceu e o fazendeiro quer determinar se há alguma parte do campo que necessita de replantação, devido à falta de emergências ou danos causados pelo vento, que podem ser graves nos estágios iniciais do chuvoso verão.

Nesta fase de desenvolvimento, o agricultor tem mais 10 dias para realizar qualquer replantação, antes que a maioria de seus fertilizantes e substâncias químicas sejam aplicadas. Uma vez que isso acontece, torna-se economicamente inviável tomar medidas corretivas, fazendo com que os dados recolhidos sejam úteis apenas para informar as práticas futuras para a próxima temporada.

O software completa seu processamento em menos de 15 minutos, produzindo um mapa de contagem da população de plantas. É difícil entender o quanto isso é impressionante, sem notar que, há pouco mais de um ano, levaria de três a cinco dias para processar o mesmo conjunto de dados, ilustrando os avanços alcançados na agricultura de precisão. O software foi desenvolvido nos Estados Unidos, na mesma variedade de culturas e em condições aparentemente semelhantes. O resultado é precisão.

À medida que o mapa aparece na tela, o agrônomo desanima. Tendo percorrido as fileiras plantadas antes do voo para obter uma compreensão física da situação no terreno, no instante em que vê os dados em sua tela, ele sabe que a contagem de plantas não está correta, e os fazendeiros também, mesmo com suas limitações de compreensão da tecnologia. Ué? Vejamos.

O potencial de Inteligência Artificial na agricultura

Hipoteticamente, é possível que máquinas aprendam a resolver qualquer problema relacionado com a interação física de todas as coisas dentro de um ambiente definido ou contido, usando Inteligência Artificial e Machine Learning.

O princípio da Inteligência Artificial é que uma máquina possa perceber o seu ambiente e, através de uma certa capacidade de racionalidade flexível, aja para abordar uma meta específica relacionada. Machine learning é quando esta mesma máquina, de acordo com um conjunto especificado de protocolos, melhora na sua capacidade de resolver problemas e metas dentro desse ambiente. Em outras palavras, como o sistema recebe uma quantidade crescente de conjuntos similares de dados, que podem ser categorizados em protocolos especificados, sua capacidade de racionalizar aumenta, permitindo-lhe melhor “prever” uma gama de resultados.

O surgimento da agricultura digital e suas tecnologias relacionadas abriu uma riqueza de novas oportunidades de dados. Sensores remotos, satélites e UAVs podem coletar informações 24 horas por dia em um campo inteiro. Estes podem monitorar a saúde da planta, a condição do solo, a temperatura, a umidade. A quantidade de dados que estes sensores podem gerar é esmagadora.

A ideia é permitir que os agricultores ganhem uma melhor compreensão da situação de seu terreno. E não apenas com mais precisão, mas também mais rapidamente.

Os sensores remotos permitem que os algoritmos interpretem o ambiente de um campo como dados estatísticos que podem ser entendidos e úteis aos fazendeiros para a tomada de decisões. Algoritmos processam novos dados, adaptando e aprendendo com base nos dados recebidos. Quanto mais insumos e informações estatísticas forem coletadas, melhor será o algoritmo na previsão de uma série de resultados. E o objetivo é que os agricultores possam usar essa Inteligência Artificial para melhorarem o desempenho de suas colheitas.

Em 2011, a IBM, através de seu centro de pesquisa e desenvolvimento em Haifa, Israel, lançou um projeto de computação na nuvem para a área. Realizado em colaboração com vários parceiros especializados em TI e agricultura, a ideia era tomar uma variedade de fontes de dados físicos e acadêmicos de um ambiente agrícola e transformá-los em soluções preditivas automáticas para os agricultores.

Entrevistas com alguns dos membros da equipe de desenvolvimento do projeto revelaram que eles acreditavam ser possível encontrar um “algoritmo” da agricultura, capaz resolver qualquer problema no mundo. Não foi bem assim e, alguns anos mais tarde, o sistema cognitivo Watson passou a produzir avanços inovadores no campo da medicina, mas não no da agricultura. Em última análise, a IBM percebeu que a tarefa de produzir soluções cognitivas de Machine Learning para o setor era muito mais difícil do que o imaginado.

Então por que o projeto teve sucesso na medicina mas não na agricultura?

O que faz a agricultura ser diferente? Bem, é um dos campos mais difíceis de adquirir quantificação estatística.

Mesmo dentro de uma única colheita, as condições estão sempre mudando de uma temporada para a próxima. Há tempo imprevisível, mudanças na qualidade do solo e a possibilidade sempre presente de que pragas e doenças façam uma visita. Os produtores podem sentir que suas perspectivas são boas, mas até que o dia de plantar e ver crescer chegue, o resultado será sempre incerto.

Em comparação, nossos corpos são um ambiente contido. A agricultura ocorre na natureza, entre os ecossistemas, mas esses não estão contidos. Eles estão sujeitos a ocorrências climáticas, como sistemas climáticos, que afetam os hemisférios como um todo, e de continente em continente. Portanto, entender como gerenciar um ambiente agrícola significa tomar literalmente muitas centenas, se não milhares de fatores em consideração.

O que pode ocorrer com programa de sementes e fertilizantes na região do Meio-Oeste dos Estados Unidos é quase certamente não relacionado ao que pode ocorrer com o mesmo programa na Austrália ou na África do Sul. Alguns fatores que poderiam afetar a variância normalmente incluem a medição de chuva por unidade de uma cultura plantada, tipo de solo, padrões de degradação do solo, horas de luz do dia, temperatura e assim por diante.

Assim, o problema com a implantação de Machine Learning e Inteligência Artificial na agricultura não é que os cientistas não têm a capacidade de desenvolver programas e protocolos para começar a abordar a maior preocupação dos produtores. O problema é que, na maioria dos casos, não há dois ambientes exatamente iguais, o que torna o teste, validação e implantação bem-sucedida dessas tecnologias muito mais trabalhosas do que na maioria das outras indústrias.

Praticamente, dizer que IA e Machine Learning podem ser desenvolvidas para resolver todos os problemas relacionados ao nosso ambiente físico, é basicamente dizer que temos uma compreensão completa de todos os aspectos da interação da atividade física ou material no planeta. Afinal, é somente através de nossa compreensão da “natureza das coisas” que protocolos e processos são projetados para que as capacidades racionais dos sistemas cognitivos ocorram.

Conclusão

Apoiadas pela comunidade de Venture Capital, que está agora canalizando bilhões de dólares para o setor, a maioria das empresas de tecnologia agrícola hoje são pressionadas para completar o desenvolvimento de seus produtos e lança-los no mercado.

É como um filme ou um jogo feito às pressas. Resulta em algo não tão lapidado quanto deveria, o que leva ao ceticismo do mercado e oferece um golpe para a integridade da tecnologia. Na maioria dos casos, o problema não é que a tecnologia não funciona, o problema é que a indústria não tomou o tempo para respeitar que a agricultura é um dos ambientes mais incontaminados para gerenciar. Para que a tecnologia realmente tenha um impacto no campo, mais esforço, habilidades e financiamento são necessários para testar essas tecnologias nos campos dos agricultores.

(via Plug and Play)

Faça parte do maior conector do ecossistema de startups brasileiro! Não deixe de entrar no grupo de discussão do StartSe no Facebook e de inscrever-se na nossa newsletter para receber o melhor de nosso conteúdo! E se você tem interesse em anunciar aqui no StartSe, baixe nosso mídia kit.

Receba o melhor do nosso conteúdo para te ajudar

Compartilhe:
Classifique: